1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
| // 指定与服务器和监控过程相关的导入。
const http = require("http"); // 导入 'http' 模块以创建 HTTP 服务器。
const WebSocketServer = require("websocket").server; // 导入 WebSocket 服务器模块。
const si = require('systeminformation'); // 导入 'systeminformation' 库以获取设备的系统信息。
const fs = require('fs'); // 导入 'fs' 模块以处理文件系统。
// 与机器学习相关的导入。
// var MLP = require('mlp'); // 导入 'mlp' 库，用于多层感知机预测。
// var KNN = require('ml-knn'); // 导入 'ml-knn' 库，用于 K 最近邻分类。
// 声明并初始化将在服务器脚本中使用的全局变量。
var monitoringInterval; // 声明一个用于监控间隔的变量。
var sampleSize = 0; // 初始化一个用于样本大小的变量，在数据收集阶段使用。
var predTime = 0; // 初始化一个用于预测时间的变量，表示用户希望进行预测的时间点。
var predRX = 0; // 初始化一个用于预测下载速度的变量，单位为 Kb/s。
var predTX = 0; // 初始化一个用于预测上传速度的变量，单位为 Kb/s。
var predLat = 0; // 初始化一个用于预测延迟的变量，单位为 ms。
var scoreQoS = ""; // 初始化一个用于 QoS（服务质量）得分的变量。
var latency = 0; // 初始化一个用于延迟测量的变量，单位为 ms。
var averageLatency = 0; // 初始化一个用于计算平均延迟的变量，单位为 ms。
var deviceActivity = ""; // 初始化一个用于确定设备活动状态的变量，状态可以是“空闲”“浏览”或“流媒体”。
// 从本地存储的数据库中获取一些之前存储的下载速度值。
const contents1 = fs.readFileSync("./Databases/downloadSpeed.txt", 'utf-8'); // 读取 'downloadSpeed.txt' 文件的内容。
var downloadArray = contents1.split(/\r?\n/); // 将内容分割成一个数组，假设每一行代表一个值。
// 从本地存储的数据库中获取一些之前存储的上传速度值。
const contents2 = fs.readFileSync("./Databases/uploadSpeed.txt", 'utf-8'); // 读取 'uploadSpeed.txt' 文件的内容。
var uploadArray = contents2.split(/\r?\n/); // 将内容分割成一个数组，假设每一行代表一个值。
// 在 8080 端口上托管服务器连接。
const server = http.createServer(); // 创建 HTTP 服务器实例。
server.listen(8080); // 在 8080 端口上监听传入的 HTTP 请求。
console.log("Server started on port 8080..."); // 记录消息，指示服务器已启动。
console.log("Waiting for connection..."); // 记录消息，指示服务器正在等待连接。
// 创建 WebSocket 服务器实例，并将其附加到之前创建的 HTTP 服务器。
const wsServer = new WebSocketServer({
httpServer: server,
});
// 通过 WebSocket 服务器监听客户端的连接请求。
wsServer.on("request", function (request) {
// 接受客户端的连接。
const connection = request.accept(null, request.origin);
// 使用 "message" 关键字接受来自客户端的消息。
connection.on("message", function (message) {
// 此处包含列表 5-16 的内容
// 获取从客户端获得的消息。
// 在这种情况下，收到的第一条消息是客户端发送的 URL。
// 这确保了通信是正常的。
console.log("Message from Client:", message.utf8Data);
// 初始化一个变量以包含客户端发送的消息。
var clientMessage = message.utf8Data;
// 检查客户端发送的消息中是否包含 JSONObject 中的 "windowSize" 变量。
// 这作为触发监控过程的决定因素。
// 收到 "windowSize" 变量意味着客户端运行正常。
if (clientMessage.includes("windowSize")) {
const msg = JSON.parse(clientMessage); // 初始化一个常量以解析消息。
// 从 JSONObject 中获取 "windowSize" 和 "predictionTime" 的值。
sampleSize = msg.windowSize; // "windowSize" 的值。
predTime = msg.predictionTime; // "predictionTime" 的值。
// 初始化一个计数器，以知道已收集了多少网络流量。
var counter = 0;
// 初始化一个数组，以包含延迟项。
var latencyArray = [];
// 初始化一个计数器，以知道已收集了多少延迟值。
var counterLatency = 0;
// 使用 setInterval 方法创建一个每秒运行一次的函数。
// 该方法以函数和毫秒为单位的时间间隔作为输入。
monitoringInterval = setInterval(function () {
// 此处包含列表 5-17 和列表 5-18 的内容
// 从 Wi-Fi 接口获取网络数据。
si.networkStats().then(data => {
// 计算每秒接收的数据包数量，即下载速度。
var RX = Math.round((((data[0].rx_sec) / 1000) + Number.EPSILON) * 100) / 100;
// 计算每秒发送的数据包数量，即上传速度。
var TX = Math.round((((data[0].tx_sec) / 1000) + Number.EPSILON) * 100) / 100;
// 使用 push() 方法将新读取的流量添加到预加载的数组中。
// 预加载的数组以时间序列方式存储参数。
// 根据设备活动，这可能会提高算法的性能。
downloadArray.push(RX); // 将下载速度值添加到其预加载的数组中。
uploadArray.push(TX); // 将上传速度值添加到其预加载的数组中。
// 将值记录到控制台。
console.log("Download Speed: " + RX + " KB/s");
console.log("Upload Speed: " + TX + " KB/s");
console.log("-----------------------------");
// 当记录了六十个值时，停止监控过程并触发机器学习算法。
if (counter == 60) {
// 使用 clearInterval() 方法停止监控过程。
clearInterval(monitoringInterval);
// 调用预测方法，对下载速度进行时间序列预测。
// 确保如果算法失败并返回 NaN，则再次调用该方法。
while (true) {
predRX = predictMLP(downloadArray, parseInt(sampleSize), parseInt(predTime), 0.1, 0.01);
if (!isNaN(predRX)) {
// 如果获得实际数字，则退出循环。
break;
}
}
// 调用预测方法，对上传速度进行时间序列预测。
// 确保如果算法失败并返回 NaN，则再次调用该方法。
while (true) {
predTX = predictMLP(uploadArray, parseInt(sampleSize), parseInt(predTime), 0.1, 0.01);
if (!isNaN(predTX)) {
// 如果获得实际数字，则退出循环。
break;
}
}
// 调用预测方法，对延迟进行时间序列预测。
// 确保如果算法失败并返回 NaN，则再次调用该方法。
while (true) {
predLat = predictMLP(latencyArray, parseInt(sampleSize), parseInt(predTime), 0.1, 0.01);
if (!isNaN(predLat)) {
// 如果获得实际数字，则退出循环。
break;
}
}
// 通过调用分类方法对设备活动进行分类。
deviceActivity = calculateKNN(RX, TX);
// 创建一个包含预测和分类结果的常量变量。
const predictionMessage = {
downloadSpeed: RX,
uploadSpeed: TX,
predictedDownloadSpeed: predRX,
predictedUploadSpeed: predTX,
predictedLatency: predLat,
predictedQoS: scoreQoS,
deviceActivity: deviceActivity,
averageLatency: averageLatency
};
// 将指标消息封装在 JSON 格式的字符串中，并通过 WebSocket 连接发送。
connection.send(JSON.stringify(predictionMessage));
} else {
// 创建一个包含每秒发送给客户端的网络流量值的常量变量。
// 添加所有 3 个实时值。
const jsonMessage = {
downloadSpeed: RX,
uploadSpeed: TX,
latency: latency
};
// 将实时消息封装在 JSON 格式的字符串中，并通过 WebSocket 连接发送。
connection.send(JSON.stringify(jsonMessage));
// 增加网络流量计数器。
counter = counter + 1;
}
})
}, 1000); // 指定监控过程的时间间隔为 1000 毫秒。
}
});
// 使用 "close" 关键字处理客户端断开连接。
connection.on("close", function (reasonCode, description) {
// 记录消息，指示客户端已断开连接。
console.log("Client has disconnected.");
// 当客户端断开连接时，停止监控过程。
clearInterval(monitoringInterval);
});
});
|