Python网络拓扑实验：从邻接矩阵到NetworkX的完整实现

简介：这份资源面向计算机网络课程学习者与实验实践者，围绕基于Python的网络拓扑实验展开，重点解决传输机制实验中拓扑运行与文件收发功能的实现问题。包内共96个文件，以C语言源码（28个）与头文件（40个）为核心，辅以14个Shell脚本、4个Python脚本及Makefile、数据文件等，压缩包约2.65MB，覆盖实验代码、报告文档与演示素材，便于直接编译运行与对照修改。实验内容包含运行给定网络拓扑tcp_topo.py，以及修改tcp_apps.c与tcp_stack.py实现文件收发，配套实验报告与讲义可帮助理解协议栈设计与调试思路。目前已有172人学习，适合需要完成课程设计、掌握网络传输机制实现细节的读者参考，也可作为实验排错与代码结构梳理的辅助材料。

1. 网络拓扑实验为什么值得用 Python 重做一遍

很多做网络运维或后端开发的朋友，第一次接触"网络拓扑"这个词，往往是在机房对着交换机堆叠图发呆，或者被问到"你能不能把当前网络结构画出来"。传统做法是打开 Visio 手动拖图标，改一次 IP 就要重画一遍，节点超过二十个基本就放弃维护了。而用 Python 做网络拓扑实验，核心价值在于把拓扑从"一张静态图片"变成"一份可计算的数据结构"——节点是对象，链路是边，带宽、延迟、丢包率都是可以参与运算的属性。这份实验（编号 100010470）本质上就是让你用代码把网络抽象成图，再在图上跑算法、做可视化、验证连通性。适合谁？刚学完 Python 基础语法、想找个能落地的练手项目的人；需要自动化生成拓扑图的运维；以及准备网络仿真或 SDN 课程作业的学生。下面我按自己实际跑过的路径，把选型、建模、算法、可视化到避坑完整讲一遍。

2. 用 Python 建模网络拓扑：从邻接矩阵到 NetworkX 图对象

2.1 为什么先讲邻接矩阵，而不是直接上画图库

网络拓扑在数学上就是一个图 G=(V,E)，V 是节点（路由器、交换机、主机），E 是边（物理链路或逻辑连接）。Python 里表示图最原始的方式是邻接矩阵：一个 N×N 的二维数组，matrix[i][j]=1表示 i 和 j 之间有链路，0表示没有。热搜里"python构建邻接矩阵"之所以被频繁搜索，是因为它是所有图算法的基础输入格式。但纯手写矩阵有个致命问题：节点一多，矩阵稀疏得可怕，100 个节点的矩阵有 10000 个格子，实际链路可能只有 150 条，剩下 9850 个零全是浪费。所以实验里我一般先用矩阵做小规模验证，节点超过 15 个就切到邻接表或直接上 NetworkX。

先看最小可运行的矩阵构建代码，这段可以直接抄：

# 用嵌套列表构建 5 节点网络的邻接矩阵 # 节点编号 0-4，1 表示直连，0 表示不通 nodes = 5 adj_matrix = [[0] * nodes for _ in range(nodes)] # 定义链路：(起点, 终点, 是否双向) links = [(0, 1), (0, 2), (1, 3), (2, 3), (3, 4)] for u, v in links: adj_matrix[u][v] = 1 adj_matrix[v][u] = 1 # 无向图，对称赋值 # 打印矩阵，方便肉眼核对 for row in adj_matrix: print(row)

逻辑说明：[[0]*nodes for _ in range(nodes)]这种写法必须用列表推导，不能写成[[0]*nodes]*nodes，后者五个子列表是同一个对象的引用，改一个全变。参数说明：links列表里每个元组代表一条链路，如果是有向图（比如单向光纤），去掉adj_matrix[v][u]=1那行即可。跑完输出应该是五行五列，对角线全零，对称位置成对出现 1。

2.2 NetworkX 的安装与图对象初始化

矩阵只适合验证算法逻辑，真正做拓扑实验得用 NetworkX。安装命令一行：

pip install networkx matplotlib

这里注意，热搜里"python安装numpy库的方法"和"python安装"是高频词，但 NetworkX 不强制依赖 NumPy，它自己用字典存邻接关系。如果你环境里 NumPy 版本太老导致 matplotlib 报错，先pip install -U numpy升级。初始化一个拓扑图：

import networkx as nx # 创建无向图，有向图用 nx.DiGraph() G = nx.Graph() # 批量添加节点，附带属性 G.add_nodes_from([ (0, {"type": "router", "ip": "10.0.0.1"}), (1, {"type": "switch", "ip": "10.0.0.2"}), (2, {"type": "host", "ip": "10.0.0.3"}), (3, {"type": "host", "ip": "10.0.0.4"}), ]) # 添加带权重的边，weight 可表示延迟(ms)或带宽(Mbps) G.add_edge(0, 1, weight=2, bandwidth=1000) G.add_edge(1, 2, weight=5, bandwidth=100) G.add_edge(1, 3, weight=3, bandwidth=100) print(G.nodes[0]) # 查看节点属性 print(G.edges[0, 1]) # 查看边属性 print(nx.is_connected(G)) # 判断全图连通性

逻辑说明：add_nodes_from接受元组列表，第二个元素是属性字典，这样节点不只是编号，还带类型和 IP，后面画图可以按类型上色。参数说明：weight我习惯用来存延迟，bandwidth存带宽，这两个字段在最短路径和瓶颈分析里都会用到。nx.is_connected返回布尔值，如果为 False 说明网络分裂成了孤岛，这是拓扑实验里第一个要检查的健康指标。

2.3 从 CSV 或字典批量导入真实拓扑

实验里不会只让你手敲四个节点，常见做法是从文件读。假设你有一份topo.csv，每行是源节点,目标节点,延迟：

import csv import networkx as nx G = nx.Graph() with open("topo.csv", encoding="utf-8") as f: reader = csv.reader(f) next(reader) # 跳过表头 for row in reader: u, v, delay = int(row[0]), int(row[1]), float(row[2]) G.add_edge(u, v, weight=delay) print(f"节点数: {G.number_of_nodes()}, 链路数: {G.number_of_edges()}")

逻辑说明：next(reader)跳过表头是血泪经验，不跳的话第一行字符串转 int 直接抛 ValueError。参数说明：weight用 float 存延迟，因为真实链路延迟常有小数。如果 CSV 里节点是字符串名称（如 "R1"、"SW2"），把int(row[0])改成row[0]即可，NetworkX 节点可以是任意可哈希对象。

3. 在拓扑上跑算法：连通性、最短路径与单点故障排查

3.1 连通性判断与割点识别

拓扑建好之后第一个要回答的问题是：这张网是不是全通的？如果不通，断在哪里？NetworkX 提供了现成函数：

import networkx as nx # 假设 G 已经构建好 if not nx.is_connected(G): # 找出所有连通分量 components = list(nx.connected_components(G)) print(f"网络分裂成 {len(components)} 个孤岛:") for i, comp in enumerate(components): print(f" 孤岛{i}: {sorted(comp)}") else: print("全网连通") # 找割点：删掉它网络就分裂的节点 cut_nodes = list(nx.articulation_points(G)) print(f"关键节点(割点): {cut_nodes}")

逻辑说明：connected_components返回集合的列表，每个集合是一个孤岛。articulation_points找出所有割点，这些节点一旦宕机，网络就断成两半，是运维重点保护对象。参数说明：无向图才能直接调is_connected，有向图要用nx.is_strongly_connected。如果图里有权重为 0 的边，不影响连通性判断，但会影响最短路径。

3.2 最短路径与延迟累加

拓扑实验里最常被问的就是"从 A 到 B 走哪条路延迟最低"。Dijkstra 是标配：

# 计算节点 0 到节点 4 的最短路径（按 weight 累加） try: path = nx.dijkstra_path(G, source=0, target=4, weight="weight") cost = nx.dijkstra_path_length(G, source=0, target=4, weight="weight") print(f"最短路径: {path}") print(f"总延迟: {cost} ms") except nx.NetworkXNoPath: print("两点之间不可达")

逻辑说明：dijkstra_path返回节点列表，dijkstra_path_length返回权重和。必须用 try-except 包住，因为不连通时抛NetworkXNoPath，不处理直接崩。参数说明：weight="weight"指定用边的哪个属性做代价，如果你的边属性叫delay，就改成weight="delay"。如果所有边权重相同，用nx.shortest_path更快，它默认按跳数算。

3.3 模拟单点故障：删节点后看影响范围

这是拓扑实验里最有价值的一步——提前知道哪个节点挂了会波及多少设备：

import networkx as nx def simulate_failure(G, failed_node): """模拟某节点宕机，返回受影响的节点数和新的连通分量""" H = G.copy() # 必须深拷贝，不能改原图 H.remove_node(failed_node) if nx.is_connected(H): return 0, [list(H.nodes())] comps = list(nx.connected_components(H)) # 受影响节点 = 总数 - 最大连通分量大小 affected = H.number_of_nodes() - max(len(c) for c in comps) return affected, [sorted(c) for c in comps] for node in G.nodes(): affected, comps = simulate_failure(G, node) print(f"节点 {node} 宕机 -> 影响 {affected} 个节点, 分裂为 {len(comps)} 块")

逻辑说明：G.copy()是深拷贝，直接remove_node会永久改掉原图，这是新手最常翻车的地方。参数说明：affected的计算方式是总节点数减去最大连通分量，因为最大那块还算"活着"，其余都是被隔离的。跑完你会得到一张表，哪个节点是单点故障一目了然。

4. 拓扑可视化：用 Matplotlib 画出能进报告的网络图

4.1 三种布局算法的选择与参数

NetworkX 画图靠布局算法决定节点坐标，常用三种：

我一般先用spring_layout看整体，如果边太乱就换kamada_kawai。代码：

import matplotlib.pyplot as plt import networkx as nx # 按节点类型上色 color_map = {"router": "#e74c3c", "switch": "#3498db", "host": "#2ecc71"} node_colors = [color_map.get(G.nodes[n].get("type", "host"), "#95a5a6") for n in G.nodes()] pos = nx.spring_layout(G, seed=42, k=0.8) # seed 固定，保证每次图一样 plt.figure(figsize=(10, 7)) nx.draw_networkx_nodes(G, pos, node_color=node_colors, node_size=600) nx.draw_networkx_edges(G, pos, width=1.5, alpha=0.7) nx.draw_networkx_labels(G, pos, font_size=10) # 把边权重标在中间 edge_labels = nx.get_edge_attributes(G, "weight") nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=8) plt.axis("off") plt.tight_layout() plt.savefig("topology.png", dpi=150) plt.show()

逻辑说明：seed=42是后悔药，不固定种子每次布局随机，报告里的图和你昨天看的不一样，没法对比。参数说明：k=0.8控制节点间距，值越大越散，节点重叠时调大。node_size=600是经验值，节点少于 20 个用 600-800，多了降到 200-300。dpi=150保证截图清晰，投稿或报告够用。

4.2 横坐标标签太密集怎么处理

热搜里"python画图横坐标太密集"是高频痛点，拓扑图虽然节点标签不在横轴上，但如果你额外画了延迟分布柱状图，横轴节点名就会挤成一团。解决办法两个：旋转标签或抽样显示。

import matplotlib.pyplot as plt labels = [f"N{i}" for i in range(30)] values = list(range(30)) plt.figure(figsize=(12, 5)) plt.bar(labels, values) plt.xticks(rotation=45, ha="right", fontsize=8) # 旋转45度，右对齐 # 或者每隔3个显示一个 plt.xticks(range(0, 30, 3), [labels[i] for i in range(0, 30, 3)]) plt.tight_layout() plt.savefig("bar.png", dpi=150)

逻辑说明：rotation=45是最通用的解法，ha="right"让标签末端对齐刻度，不然会偏。参数说明：fontsize=8在 30 个标签时刚好不重叠，超过 50 个建议用抽样法，range(0,30,3)里的 3 就是抽样步长。

5. 避坑与排查：拓扑实验里最容易翻车的五个地方

5.1 现象：is_connected报错NetworkXNotImplemented

原因：对DiGraph调了无向图的连通性函数。有向图必须用nx.is_strongly_connected或nx.is_weakly_connected。解决：先确认图类型，print(type(G))，有向图改函数名，或者用G.to_undirected()转成无向图再判断。

5.2 现象：最短路径算出来是空列表或直接抛异常

原因：源节点或目标节点根本不在图里，或者两点之间确实没有路径。解决：先if source in G and target in G检查节点存在，再用 try-except 捕获NetworkXNoPath。另外注意，如果边没有weight属性而你指定了weight="weight"，NetworkX 会默认权重为 1，不报错但结果不对，这是最隐蔽的坑。

5.3 现象：画出来的图节点全挤在中心，边看不见

原因：spring_layout的k参数太小，或者节点数太多。解决：把k调到1/sqrt(n)左右，n 是节点数；节点超过 50 个改用circular_layout或先做社区发现再分块画。另一个原因是node_size太大，把边盖住了，降到 200 试试。

5.4 现象：CSV 读进来节点数比预期少

原因：CSV 里有重复边，NetworkX 的add_edge对已存在的边只更新属性不新增，所以number_of_edges会比 CSV 行数少。解决：这是正常行为，如果想统计原始链路数，在读 CSV 时单独用计数器累加，不要依赖G.number_of_edges()。另外检查是否有空行或表头没跳过。

5.5 现象：模拟故障后原图也被改了

原因：直接G.remove_node()没有先copy()。解决：养成习惯，任何要修改图的模拟操作，第一行先H = G.copy()。copy()是深拷贝，节点属性字典也会复制，改 H 不影响 G。如果图特别大，用G.copy(as_view=False)明确要可写副本。

6. 把拓扑实验做成可复用的分析脚本

前面五章跑通之后，你手里已经有一堆零散代码。真正让这个实验值回票价的做法，是把它封装成一个命令行工具，输入 CSV 输出报告。我自己的习惯是建一个topo_analyzer.py，用argparse接参数：

import argparse import networkx as nx import csv def load_topology(path): G = nx.Graph() with open(path, encoding="utf-8") as f: reader = csv.reader(f) next(reader) for row in reader: G.add_edge(row[0], row[1], weight=float(row[2])) return G def analyze(G): report = {} report["nodes"] = G.number_of_nodes() report["edges"] = G.number_of_edges() report["connected"] = nx.is_connected(G) if report["connected"]: report["diameter"] = nx.diameter(G) report["avg_shortest_path"] = nx.average_shortest_path_length(G) report["cut_nodes"] = list(nx.articulation_points(G)) return report if __name__ == "__main__": parser = argparse.ArgumentParser(description="网络拓扑分析工具") parser.add_argument("csv", help="拓扑CSV文件路径") args = parser.parse_args() G = load_topology(args.csv) result = analyze(G) for k, v in result.items(): print(f"{k}: {v}")

逻辑说明：load_topology把 CSV 读取独立出来，方便换数据源。analyze返回字典，包含节点数、边数、连通性、直径、平均最短路径和割点。参数说明：nx.diameter只在连通图上有效，所以先判断connected。average_shortest_path_length在节点多时计算慢，超过 200 节点建议跳过或抽样。

这个脚本跑通后，你可以进一步加两个功能：一是用matplotlib自动出图并存到指定目录，二是把报告写成 JSON 方便其他系统消费。验证方法很简单：拿一个你已知结构的网络（比如宿舍三台路由器串一台交换机），手工画出预期结果，再跑脚本对比。如果割点识别和你手工分析一致，说明整条链路是通的。

最后说个我自己的教训：早期做拓扑实验，我总想一步到位画得漂亮，结果在布局参数上耗了两天，算法一个没跑。后来改成先保证is_connected和dijkstra_path输出正确，可视化用最丑的circular_layout先出图，确认数据没问题再调样式。这个顺序帮我省了大量返工时间。希望帮到你。

本文还有配套的精品资源，点击获取