小范圍BGP路由異常特征分析

文/陸岳昆 張沛 李丹丹 馬嚴(yán)

針對BGP網(wǎng)絡(luò)中頻發(fā)的小規(guī)模路由異常問題，本文研究小規(guī)模BGP路由異常的特征規(guī)律，并利用Spark和Hadoop的高性能存儲(chǔ)與計(jì)算能力，設(shè)計(jì)一套包括UPDATE采集、事件采集、UPDATE存儲(chǔ)、特征計(jì)算模塊的BGP異常特征分析系統(tǒng)?；诖讼到y(tǒng)，討論8種BGP異常特征定義以及其計(jì)算方法，分析路由劫持和路由泄露這兩類異常發(fā)生時(shí)的特征表現(xiàn)，進(jìn)而分析各個(gè)特征對異常檢測與分類的顯著性和差異性，對于今后小范圍BGP異常的檢測與分類具有參考價(jià)值。

小范圍BGP路由異常特征分析

文/陸岳昆 張沛 李丹丹 馬嚴(yán)

BGP域間路由異常事件包括攻擊、配置錯(cuò)誤、大規(guī)模電源故障。這些異常導(dǎo)致錯(cuò)誤的或無法控制的路由行為，影響了全局路由基礎(chǔ)架構(gòu)。最常見的兩種BGP路由異常是路由劫持和路由泄露。有統(tǒng)計(jì)顯示，大約20%的路由劫持和路由泄露持續(xù)不超過10分鐘，但是卻能在2分鐘內(nèi)影響到90%的互聯(lián)網(wǎng)。

目前，已經(jīng)有學(xué)者對BGP異常的特征進(jìn)行了研究，并應(yīng)用到了模式識(shí)別和機(jī)器學(xué)習(xí)方法上，取得了不錯(cuò)的成效。但是這些研究也存在著一些的缺陷：

1.目前的BGP異常特征研究集中在描述大范圍異常特征表現(xiàn)，但是小規(guī)模異常特征研究較少。小規(guī)模異常相對不容易被察覺，但是其發(fā)生的頻率更高。這類小規(guī)模的異常事件，除了持續(xù)時(shí)間短之外，還有只影響某個(gè)特定IP地址前綴，受影響的IP數(shù)量較少的特點(diǎn)。

2.樣本之間的相關(guān)性過強(qiáng)。若來自同一異常事件的樣本具有較強(qiáng)的相關(guān)性，可能導(dǎo)致特征中的偶然因素被放大。

3.不同異常發(fā)生的原因是不相同的，研究過程中應(yīng)該按照異常類型區(qū)別對待。路由劫持是一種攻擊方式，由某個(gè)AS非法地宣告IP地址前綴造成。而路由泄露往往是由于配置錯(cuò)誤，導(dǎo)致路由轉(zhuǎn)發(fā)策略違反了商業(yè)關(guān)系。不同的異常類型可能在特征上有不同的表現(xiàn)。不同類型的異常被簡單的歸為一類是不合適的。

鑒于以上對于BGP異常特征研究的缺陷，本文著重研究了小范圍的BGP路由異常事件的特征表現(xiàn)。為了解決樣本相關(guān)性較強(qiáng)的問題，本文從BGP Stream項(xiàng)目中選取了上百個(gè)小規(guī)模的路由劫持和路由泄露事件作為樣本，保證了樣本之間的獨(dú)立性。這些異常事件有著確定的受影響的IP地址前綴和發(fā)生時(shí)間，通過RIPE項(xiàng)目的BGP UPDATE報(bào)文，可以回溯出這些異常事件的特征值。同時(shí)為了突出不同異常的特征表現(xiàn)，在研究過程中對特征的異常類型進(jìn)行了區(qū)分。在此基礎(chǔ)上，考察了8個(gè)BGP異常特征，使用基于Spark和Hadoop的系統(tǒng)架構(gòu)完成研究。最終，北京郵電大學(xué)得到了若干小范圍BGP路由異常的特征規(guī)律和結(jié)論。這些規(guī)律和結(jié)論將有助于未來小范圍BGP異常的檢測和分類。

系統(tǒng)架構(gòu)

系統(tǒng)分為RIPE路由器、UPDATE采集、UPDATE存儲(chǔ)、BGP Stream事件源、事件采集、特征計(jì)算六個(gè)功能模塊。

RIPE 路由器：RIPE（Regional Internet Registry for Europe）是歐洲、中東和中亞部分地區(qū)互聯(lián)網(wǎng)注冊機(jī)構(gòu)，負(fù)責(zé)為服務(wù)提供商分配和注冊互聯(lián)網(wǎng)號(hào)碼資源。RIPE組織使用Quagga路由軟件收集了BGP路由器的原始數(shù)據(jù)，包括全量的路由表BVIEW數(shù)據(jù)（每八個(gè)小時(shí)更新一次）和差量的UPDATE數(shù)據(jù)（每五分鐘更新一次）。

UPDATE采集模塊：本模塊負(fù)責(zé)下載RIPE項(xiàng)目22個(gè)rrc（Route Reflector Client）的UPDATE數(shù)據(jù)。原始的UPDATE數(shù)據(jù)是以二進(jìn)制的形式存儲(chǔ)的，本模塊使用RIPE提供的解析工具libBGPdump，把報(bào)文解析成可閱讀的形式。模塊將解析后的文件存入Hadoop。

UPDATE存儲(chǔ)模塊：Hadoop是一個(gè)軟件框架，它的作用是方便使用簡單的程序在大量的計(jì)算機(jī)上對數(shù)據(jù)集進(jìn)行分布式處理。本文分析了RIPE項(xiàng)目一個(gè)月的UPDATE數(shù)據(jù)，數(shù)據(jù)文件大小為417.6GB。由于要從較大規(guī)模數(shù)據(jù)中發(fā)現(xiàn)BGP異常特征規(guī)律，所以需要一個(gè)可靠的、高效的數(shù)據(jù)存儲(chǔ)模塊。

BGP Stream異常事件源：BGP Stream收集了BGP網(wǎng)絡(luò)中有關(guān)路由劫持和路由泄露的免費(fèi)資源。BGP Stream使用自動(dòng)化方法選擇最大和最重要的異常。提供異常信息包括異常類型，涉及的IP地址前綴、AS號(hào)、發(fā)生時(shí)間等。

事件采集模塊：本模塊使用Python實(shí)現(xiàn)了爬取BGP Stream收集的異常事件，一起異常事件可以用三元組的方式描述：[prefix,time,type]。prefix表示受影響的IP地址前綴，time表示異常的發(fā)生時(shí)間，type表示異常類型。

圖1 系統(tǒng)架構(gòu)

Spark特征計(jì)算模塊：Spark是一個(gè)基于MapReduce的快速的通用的大規(guī)模數(shù)據(jù)處理引擎。Spark建立在統(tǒng)一抽象的RDD之上。RDD是一個(gè)容錯(cuò)的、并行的數(shù)據(jù)結(jié)構(gòu)。RDD提供了map、filter、reduceByKey等數(shù)據(jù)操作方式。本模塊從Hadoop中讀取BGP UPDATE報(bào)文，結(jié)合從事件采集模塊收集的異常事件，分析若干異常特征。本研究將時(shí)間區(qū)間劃定為一天，分析器將統(tǒng)計(jì)異常發(fā)生當(dāng)天的特征數(shù)據(jù)。系統(tǒng)架構(gòu)如圖1所示。

特征選擇和計(jì)算方法

當(dāng)一個(gè)BGP路由器發(fā)生異常時(shí)，其余的BGP路由器會(huì)為失敗的路由重新進(jìn)行路由選擇算法。在路由重新選擇的過程中，BGP路由器會(huì)發(fā)布路由宣告和撤回消息。這些更新信息可以幫助我們發(fā)現(xiàn)BGP異常的特征規(guī)律。下文將討論以下特征以及其計(jì)算方法。

宣告/撤回?cái)?shù)量

在過去大規(guī)模的BGP路由異常事件中，通常路由的不穩(wěn)定性會(huì)表現(xiàn)在UPDATE報(bào)文中的宣告和撤回?cái)?shù)量上。所以本研究將宣告和撤回?cái)?shù)量作為一個(gè)BGP異常事件特征。宣告和撤回?cái)?shù)量特征計(jì)算公式如下：

AVi和WVi表示事件集合中編號(hào)為i的事件宣告/撤回?cái)?shù)量。RIPE項(xiàng)目22個(gè)rrc每五分鐘對外發(fā)布一次UPDATE報(bào)文文件，每個(gè)rrc每天生成288個(gè)報(bào)文文件。Xij和Yij代表著一個(gè)報(bào)文文件中的宣告/撤回?cái)?shù)量序列。ENUM表示事件集合中的事件數(shù)量。

重復(fù)宣告/隱式撤回

宣告的類型可以分為三種。如果一條宣告聲明了一個(gè)原來不可達(dá)的IP地址前綴，那么這條宣告被稱作新的宣告。如果一條宣告聲明了一個(gè)可到達(dá)的IP地址前綴，并且具有相同的路由，即UPDATE中PREFIX域和ASPATH域相同，那么這條宣告被稱作重復(fù)宣告。如果一條路由替換了當(dāng)前的路由，即PREFIX域和AS-PATH的源相同，但是AS-PATH發(fā)生了變化，那么這條宣告被稱為隱式撤回。當(dāng)BGP路由異常發(fā)生時(shí)，路由處于不穩(wěn)定的狀態(tài)，有時(shí)會(huì)伴隨重復(fù)宣告和隱式撤回。重復(fù)宣告計(jì)算公式如下：

DAVi表示事件i的重復(fù)宣告數(shù)量，PATHi是事件i所有UPADTE中所有ASPATH。上式證明了重復(fù)宣告數(shù)量等于宣告數(shù)量與路徑集合大小的差。

隱式撤回IWVi的計(jì)算，需要基于路由表的狀態(tài)，可以根據(jù)BGP UPDATE來維護(hù)路由表狀態(tài)。隱式撤回的計(jì)算方法如下：

步驟1 收集PREFIX域?yàn)閜refix(i)，TIME域?yàn)閠ime(i)的宣告UPDATE。

步驟2 將UPDATE按照（前綴，采集點(diǎn)，源）為鍵值，(時(shí)間,路徑)為值分組。

步驟3 分組后，對于每一個(gè)分組，都產(chǎn)生一個(gè)(時(shí)間,路徑)的序列。對每個(gè)序列應(yīng)用如下算法：

步驟3.1 對元組序列按照時(shí)間升序排序。

步驟3.2 pre_path用于記錄分組路由，implicate_num用于記錄分組隱式撤回?cái)?shù)量。算法1具體闡述求一個(gè)分組隱式撤回?cái)?shù)量方法,如下所示。RETURN implicate_num

步驟4 將所有分組隱式撤回?cái)?shù)相加，得到IWVi。

AS源數(shù)量

AS源數(shù)量是一個(gè)判定BGP路由異常的重要指標(biāo)。多源自治域系統(tǒng)沖突發(fā)生當(dāng)一個(gè)特定的IP地址前綴被超過一個(gè)AS自治域宣告為源。IP地址前綴的源可以從UPDATE的AS-PATH域獲得，AS-PATH從左往右的最后一個(gè)節(jié)點(diǎn)為前綴的源。AS源數(shù)量指標(biāo)是計(jì)算時(shí)間窗口內(nèi)，事件前綴不重復(fù)的源個(gè)數(shù)。AS源數(shù)量計(jì)算公式如下：

MUASi為事件i的AS源數(shù)量，pathi(-1)表示事件iUPDATE中AS-PATH域路徑從左往右第一個(gè)AS的集合。

宣告類型

UPDATE宣告中的ORIGIN是一個(gè)必須存在的字段，它定義了AS-PATH路徑起源的信息。ORIGIN的值有以下三種：

IGP：網(wǎng)絡(luò)層可達(dá)性信息來自O(shè)RGIN AS內(nèi)部。

EGP：網(wǎng)絡(luò)層可達(dá)性信息獲得通過EGP協(xié)議。

INCOMPLETE：網(wǎng)絡(luò)層可達(dá)性信息獲得來自其他渠道。

不同的值在BGP路由選擇算法中有不同的權(quán)重，如果AS-PATH相同，優(yōu)先選擇低等級(jí)的ORIGIN類型，優(yōu)先等級(jí)IGP＜EGP＜INCOMPLETE。不同的異常發(fā)生可能在宣告的類型上也有區(qū)分。宣告類型特征計(jì)算公式如下：

ATij為事件宣告類型為j的特征值，ATij的含義是j類型宣告的比例。

路徑長度

當(dāng)BGP重新選擇路由時(shí)，路徑長度有很大概率會(huì)發(fā)生改變。尤其當(dāng)發(fā)生路由劫持或者路由泄露時(shí)，路徑長度的變化會(huì)更加明顯。路由劫持發(fā)生時(shí)，原有的路由線路不再可用，BGP路由器會(huì)嘗試新的替代線路。路由泄露發(fā)生時(shí)，雖然IP地址前綴所屬的AS沒有發(fā)生變化，但是由于路徑中間AS的轉(zhuǎn)發(fā)策略配置不當(dāng)，違反了Valley-free的商業(yè)關(guān)系，往往會(huì)導(dǎo)致路徑長度變得更長。路徑長度特征計(jì)算公式如下：

PLij表示標(biāo)號(hào)為i的異常事件，路徑長度為j的數(shù)量。同樣Xij表示一組報(bào)文數(shù)量的序列。MPL表示最大路徑長度。

路徑編輯距離

當(dāng)BGP路由異常發(fā)生時(shí)，路由處于不穩(wěn)定的狀態(tài)，采集點(diǎn)會(huì)檢測到大量來自同一AS源但路徑卻不相同的宣告。編輯距離是一種反應(yīng)兩條路徑差異程度的量化特征指標(biāo)，量化方法是一條路徑經(jīng)過至少多少次操作可以變成另一條路徑。操作方式包括添加一個(gè)AS節(jié)點(diǎn)、刪除一個(gè)AS節(jié)點(diǎn)，替換一個(gè)AS節(jié)點(diǎn)。例如路徑[1,3,2,5,4]和路徑[1,3,6,4]的編輯距離為2，前者通過將2替換成6，刪除5，兩次操作可以得到后者。兩條路徑的編輯距離求解有基于動(dòng)態(tài)規(guī)劃的多項(xiàng)式時(shí)間復(fù)雜度求解算法，狀態(tài)轉(zhuǎn)移方程如下：

d(i,j)表示長度為i的一條路徑（記為p1）與長度為j的一條路徑（記為p2）的編輯距離。如果P1(i)=P2(j)，則不需要任何操作，狀態(tài)轉(zhuǎn)移到(i-1,j-1)。

基于路徑編輯距離求解算法，我們定義最大路徑編輯距離特征如下：

PDLi表示編號(hào)為i的事件的最大編輯距離。對于同一IP地址前綴，采集點(diǎn)編號(hào)為j，宣告源編號(hào)為k。按照(i,j,k)對宣告進(jìn)行分組，D表示組內(nèi)最大編輯距離。p,q表示組內(nèi)兩條宣告路徑，d表示兩條路徑的編輯距離。

特征采集結(jié)果分析

圖2 宣告數(shù)量。橫軸表示宣告數(shù)量的對數(shù)值，縱軸表示對應(yīng)概率分布函數(shù)值F

本研究基于系統(tǒng)結(jié)構(gòu)設(shè)計(jì)，對提出的小范圍BGP異常特征，按照所述定義與計(jì)算方法進(jìn)行了實(shí)際采集與分析。其中UPDATE更新報(bào)文來自RIPE項(xiàng)目中采集，數(shù)據(jù)規(guī)模包括其全部22個(gè)rrc數(shù)據(jù)。本研究異常事件數(shù)據(jù)來自BGP Stream，一共考察了259起路由劫持事件和523起路由泄露事件。未被BGP Stream通報(bào)的IP地址前綴，其相關(guān)UPDATE被視為正常。本研究隨機(jī)抽樣了1000起正常事件，用于參照。正常事件同樣用三元組（prefix，time，type）表示。大部分小范圍BGP異常發(fā)生事件不超過一天，同時(shí)要考慮到BGP Stream通報(bào)異常發(fā)生時(shí)間和相關(guān)UPDATE收集時(shí)間，為了保證相關(guān)指標(biāo)能夠被有效采集到，本研究選用24小時(shí)作為事件的采樣時(shí)隙。

圖2比較了路由泄露、路由劫持和正常情況下宣告數(shù)量。

圖2結(jié)果表明整體宣告數(shù)量上正常情況＜路由劫持＜路由泄露。正常情況下前綴的宣告數(shù)量集中在數(shù)量級(jí)以內(nèi)（75.82%）。路由劫持事件發(fā)生時(shí)，有一定比例（47.32%）宣告數(shù)量在數(shù)量級(jí)以上。路由泄露事件發(fā)生時(shí)，前綴的宣告數(shù)量集中在至（80.15%）。圖2三條曲線形態(tài)有較大差異，表明當(dāng)小范圍BGP異常發(fā)生時(shí)，宣告數(shù)量與正常情況有較大區(qū)別，同時(shí)路由泄露和路由劫持在宣告數(shù)量這個(gè)特征上有較高區(qū)分度。

圖3 撤回?cái)?shù)量。橫軸表示撤回?cái)?shù)量的對數(shù)值，縱軸表示對應(yīng)概率分布函數(shù)值F

圖4 重復(fù)宣告。橫軸表示重復(fù)數(shù)量的比例，縱軸表示對應(yīng)概率分布函數(shù)值F

圖5 隱式撤回。橫軸表示隱式撤回?cái)?shù)量的比例，縱軸表示對應(yīng)概率分布函數(shù)值 F

圖3比較了路由泄露、路由劫持和正常情況下撤回?cái)?shù)量特征值。從圖3可以看出，正常情況下，一個(gè)前綴不會(huì)在短時(shí)間內(nèi)出現(xiàn)大量的撤回，87.19%前綴撤回?cái)?shù)量小于101。當(dāng)路由發(fā)生時(shí)，撤回的數(shù)量這一比例開始下降，只有38.83%的被劫持前綴撤回?cái)?shù)量小于101。路由泄露在撤回?cái)?shù)量這一特征上與前兩者有著更明顯的差別，特征值集中在105的數(shù)量級(jí)上。

圖4比較了路由泄露、路由劫持和正常情況下重復(fù)宣告比例。從圖4可以看出無論是路由劫持還是路由泄露發(fā)生時(shí)，在重復(fù)宣告數(shù)量這一特征上不會(huì)產(chǎn)生明顯變化。

圖5比較了路由泄露、路由劫持和正常情況下隱式撤回比例。

當(dāng)BGP路由異常發(fā)生時(shí)，隱式撤回的比例要小于正常情況。這表明異常會(huì)伴隨著連續(xù)的重復(fù)宣告。根據(jù)前文關(guān)于重復(fù)宣告和隱式撤回的定義，兩者的區(qū)別在于重復(fù)宣告沒有對UPDATE按照時(shí)間排序，而隱式撤回考慮到了UPDATE的到達(dá)先后順序。比較圖4和圖5正常情況下的曲線，兩條曲線是相似的。這說明正常情況下，相同的宣告產(chǎn)生與時(shí)間這一因素?zé)o關(guān)的。而異常情況下宣告方式與時(shí)間因素相關(guān)，可以分為兩個(gè)階段：第一個(gè)階段產(chǎn)生大量宣告，這些宣告大多互不相同；第二個(gè)階段開始連續(xù)產(chǎn)生相同的宣告。

表1 AS源數(shù)量

表2 宣告類型

圖6 路徑長度

圖7 最大路徑長度

表1比較了路由泄露、路由劫持和正常情況下AS源數(shù)量。對于正常情況和路由泄露，幾乎所有前綴只會(huì)有一個(gè)AS源。但是四成的被劫持前綴被觀測到在短時(shí)間內(nèi)出現(xiàn)多個(gè)AS自治域相互“爭奪”一個(gè)IP地址前綴的現(xiàn)象。在AS源數(shù)量這一特征上，路由劫持異常具有顯著性。

表2比較了路由泄露、路由劫持和正常情況下宣告類型比例。研究中沒有發(fā)現(xiàn)帶有EGP標(biāo)識(shí)的UPDATE。同時(shí)與正常情況相比，當(dāng)小范圍的BGP路由異常發(fā)生時(shí)，宣告類型的比例沒有發(fā)生明顯變化。

圖6比較了路由泄露、路由劫持和正常情況下路徑長度。圖6橫軸表示路徑長度，縱軸表示數(shù)量以10為底的數(shù)量級(jí)。可以看出，三種情況下UPDATE路徑長度均集中在5附近（正常情況路徑平均長度5.24，路由劫持4.64，路由泄露6.71）,稍有不同的是數(shù)量上正常情況＜路由劫持＜路由泄露。但是根據(jù)圖7顯示的結(jié)果，路由泄露發(fā)生時(shí)的最大路徑長度顯著大于正常情況和路由劫持。綜上所述，雖然三種情況下整體路徑長度分布相似，但是路由泄露異常更容易產(chǎn)生不合理的超長的路徑。

圖8路由泄露、路由劫持和正常情況下路徑編輯距離。結(jié)果顯示編輯距離特征和最長路徑長度相似，與正常情況相比，路由劫持特征不顯著，路由泄露的編輯距離要大于前兩者。

圖8 編輯距離。橫軸表示編輯距離，縱軸表示對應(yīng)概率分布函數(shù)值F

過濾式異常特征分析

北京郵電大學(xué)分別采集了BGP路由泄露、路由劫持、正常三類樣本，數(shù)量一共1782起，特征維度一共個(gè)58維度，形成了一個(gè)的特征矩陣。BGP異常分析受特征之間的相關(guān)性和冗余所影響，同時(shí)采集的特征維度過多浪費(fèi)了計(jì)算資源。Fisher算法和mRMR是兩種常用的過濾式算法，用于解決特征相關(guān)性和冗余的過濾式方法。

1. Fisher過濾法

Fisher方法的關(guān)鍵思路是從特征中找出一些特征，滿足這些特征在樣本數(shù)據(jù)中，不同類別的數(shù)據(jù)點(diǎn)之間的距離盡可能大，而同一類的數(shù)據(jù)間的分?jǐn)?shù)盡可能小。同一類別的數(shù)據(jù)的距離用類別方差和來描述，方差和越小說明對于該特征類別內(nèi)數(shù)據(jù)越一致。不同類距離用特征均方和描述，均方和越大說明類別間區(qū)分度越好。Fisher分?jǐn)?shù)實(shí)際就是前者與后者的比值。特征向量F={X1,X2…X58}，對于第r個(gè)特征，其Fisher分?jǐn)?shù)公式如下：

其中c代表3種樣本類型，nk代表第k類樣本數(shù)量，μ代表對于特征r第k類的平均值，μr代表特征r整體平均值，σ 代表征r第k類標(biāo)注差。

2. mRMR

mRMR方法的關(guān)鍵思想是最大化特征相對于目標(biāo)類的相關(guān)性，同時(shí)最小化特征之間的冗余。mRMR方法基于互信息公式，對于兩個(gè)特征Χk和Χl，其概率密度及聯(lián)合概率密度為 p(Χk)、p(Χl) 和 p(Χk,Χl)。互信息的計(jì)算公式如下：

一般使用兩種變體mRMR算法：相互信息差異（MID），互信息（MIQ）。MID和

表3 特征過濾

MIQ評(píng)分公式如下：

V(I)和W(I)分別為：

Fisher方法和mRMR方法分別計(jì)算分?jǐn)?shù)，表3列出了前15名特征。從表中數(shù)據(jù)可以看出宣告/撤回?cái)?shù)量、重復(fù)宣告/隱式撤回、AS源數(shù)量、路徑長度均對異常分類具有幫助，宣告類型則沒有幫助。路徑長度的維度雖然有50維，然而對分類有幫助的的維度主要集中在長度小于20的維度。

基于本文討論的小規(guī)模BGP網(wǎng)絡(luò)異常特征的定義、采集方法和特征與異常類型的關(guān)聯(lián)分析，未來的工作重點(diǎn)將是如何進(jìn)行小范圍BGP網(wǎng)絡(luò)異常檢測。

傳統(tǒng)的BGP網(wǎng)絡(luò)異常檢測單模型的檢測方法，例如De Urbina等人使用SVM方法進(jìn)行BGP路由異常檢測。Huang提出了基于PCA的檢測算法。Deshpande提出了基于最大似然估計(jì)的檢測算法。

單模型方法的缺陷在于很難在檢測效率和準(zhǔn)確度兩者之間做出適當(dāng)?shù)钠胶?。本研究?jì)劃在未來采用雙模型組合的異常檢測策略，將本文采集的特征數(shù)據(jù)濾篩選后通過GBDT方法離線處理生成新的組合特征，然后使用LR邏輯回歸的方法進(jìn)行分類。如何將本研究結(jié)果運(yùn)用到具體的異常檢測算法中，將是今后的研究重點(diǎn)。

（責(zé)編：陶春）

為北京郵電大學(xué)網(wǎng)絡(luò)技術(shù)研究院）