基于小波技术的广域网流量特性的分析

对广域网流量特性的深刻理解是研究和开发下一代网络体系结构的必要基础。文章采用小波技术对Internet流量的自相似和多重分形特性进行研究．同时通过对具有代表性的真实的广域网流量的小波系数、尺度系数、局部尺度指数以及多重分形能谱的分析来进一步细致刻画广域网流量的双重特征。     

基于离散小波变换的网络流量多重分形模型

网络流量过程中所蕴含的分形尺度特性对网络性能有显著的影响。因此研究能全面准确地刻画网络流量过程在小时间／空间尺度上的复杂奇异性特征和大时间／空间尺度上的长程依赖性特征的流量模型对Internet网络工程有重要的意义。本文对实测的流量数据(从著名的校园网和国内著名的ISP)进行了分析，利用小波技术构建了一个新的网络流量的多重分形模型，通过模拟验证，发现该新模型能以较简洁的形式捕捉实际网络流量特性，并具有刻画真实流量数据中的多重分形特征的能力。     

结合多重分形的网络流量非线性预测

通过分析树型多重分形结构的相关性发现，多重分形可以把非平稳且具有长相关（LRD）和分形特性的网络流量序列转化为可用短相关（SRD）模型表示的序列组。利用多重分形这种将时间序列分解为多层的能力，提出了一种结合多重分形的FIR神经网络流量预测模型（MF-FIR，multifractal FIR network）。MF-FIR合理地利用了流量序列的LRD信息，具有很好的多步预测性能，可以满足通信系统在线预测的要求。     

多重分形网络流量的单队列输入排队性能研究

多重分形已被证明能够较好地用于网络流量多尺度突发行为特性的研究.本文以队列处于满负荷状态的概率为指标研究了多重分形流量输入下单队列的排队性能问题,提出了以尺度函数与矩因子表示的队列满负荷运行概率的解析性框架.用FBM过程作为输入,从理论上验证了该概率框架的正确性,进一步用实测的网络流量数据对多重分形流量输入下单队列满负荷运行的概率进行了分析与比较,结果表明该框架能同时满足单、多重分形流量输入时排队性能的计算.结合文献[1]给出的联合多重分形(JMF)流量模型,为排队系统中队列深度的设计提供了有效的定量计算方法.     

网络流量的联合多重分形模型及特性分析

网络尺度行为的发现提供了用数学模型方法研究网络流量特性的可能性.本文基于连乘瀑布过程与K分布过程提出了联合多重分形(JMF)网络流量模型,该模型以尺度函数与矩因子的联合作为主要特征函数来研究网络流量的特性.理论分析及由实测网络流量数据的仿真结果表明,JMF模型可以较客观地同时描述网络流量短期分形行为与长期自相似行为,且实现复杂度小.其中尺度函数能够刻画时间尺度对流量特性的影响,矩因子描述了同一时间尺度上流量突发性的变化,二者的联合较好地描述了网络流量的短期行为,而模型的统计特性则刻画了流量的长期行为特征.     

VBR视频流多重分形建模

该文在小波域多重分形基础上,研究了基于分布、点集(PM)分布的多重分形小波模型(MWM)的性能,并提出了一种具有更好的逼近性能的混合PM-分布形式;同时,针对VBR视频流的I,P,B帧周期分布特性,充分利用异种帧相关性,建立了考虑帧间相关性的混合多重分形小波VBR视频流量模型CMWM(Composite MWM)。仿真试验表明,与传统的短相关和长相关模型相比,具有多重分形特性的CMWM能更加精确地描述MPEG视频业务的统计特性和排队性能。     

人体甲状腺动态红外图像多重分形分析

开展了健康对象甲状腺动态红外图像的多重分形特征研究，并对不同个体甲状腺多重分形特征参数进行了统计分析与差异性检验。首先，在恒温恒湿实验环境下，获取多帧人体甲状腺红外图像，并对其进行网格划分，形成温度时间序列。然后，探讨了适合人体甲状腺多重分形分析的原始信号长度、小波变换尺度因子、统计矩阶数的取值。在确定好上述参数后，对温度时间序列进行多尺度小波变换，求解其小波变换模极大，进而获取不同健康对象甲状腺左右叶多重分形特征参数的分布特性。研究结果表明:健康对象甲状腺多重分形特征谱线分形维数取得极值处对应的奇异性指数c1的分布集中在1.1~1.3范围内，间隙系数c2的分布则集中于0.002~0.005范围内，二者分布特征不存在个体差异的检验水准=0.01；多重分形谱线半峰宽集中于0.164~0.166范围内且不存在个体差异的检验水准=0.05。     

一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型

提出一种基于小波变换、相空间重构理论和LS-SVM的P2P流量预测模型。首先将P2P流量分解为小波系数和尺度系数,然后分别对各个系数进行相空间重构,将重构的分量分别通过LS-SVM模型进行预测,最后用小波方法将各个分量的预测值进行再重构,得到原始流量的预测结果。仿真结果表明该模型的预测结果较传统的LS-SVM模型有更高的精度。     

引入调节因子和小波方法的多重分形模型

针对目前广域网流量多重分形模型不能准确拟合真实网络流量,文中基于瀑布过程建立了一个网络流量多重分形模型,该模型用Burst指数分布来调节乘数因子,用Haar小波方法产生的序列来拟合随机变量.并通过真实网络流量来检验该模型,检验结果:引入了调节因子和小波序列的模型能够比其他分布更准确地拟合广域网流量.     

Internet流量的多重分形分析

通过两组含网络蠕虫的非正常流量，首先分析了多组构造的数据流的多重分形谱，讨论了与TCP拥塞控制机制的关系。之后讨论了非正常流量的扩展自相似性，展示了它与多重分形谱一致性的特点。     

Multiplicative multifractal modelling of long‐range‐dependent network traffic

We present a multiplicative multifractal process to model traffic which exhibits long‐range dependence. Using traffic trace data captured by Bellcore from operations across local and wide area networks, we examine the interarrival time series and the packet length sequences. We also model the frame size sequences of VBR video traffic process. We prove a number of properties of multiplicative multifractal processes that are most relevant to their use as traffic models. In particular, we show these processes to characterize effectively the long‐range dependence properties of the measured processes. Furthermore, we consider a single server queueing system which is loaded, on one hand, by the measured processes, and, on the other hand, by our multifractal processes (the latter forming a MF_e/MF_g/1 queueing system model). In comparing the performance of both systems, we demonstrate our models to effectively track the behaviour exhibited by the system driven by the actual traffic processes. We show the multiplicative multifractal process to be easy to construct. Through parametric dependence on one or two parameters, this model can be calibrated to fit the measured data. We also show that in simulating the packet loss probability, our multifractal traffic model provides a better fit than that obtained by using a fractional Brownian motion model. Copyright © 2001 John Wiley & Sons, Ltd.     

网络业务量的一种稳定多分形模型及其检验

目前网络业务量研究中有自相似和多分形两种主要的先验模型。自相似模型简洁,运用单一的H 指数来描述业务量特性,但它并不能完全表达业务量的信息;多分形模型更准确,但它运用函数形式的多分形谱来刻画信号,不便于实际分析。本文在无穷可分层叠的理论框架下提出了网络业务量的一种稳定多分形模型。运用小波变换方法,通过多个业务量记录的检验,证实此模型从尺度行为和边缘分布两方面都能准确刻画业务量。作为一般多分形过程的特例,该模型把多分形指数的表达式确定下来,并归结为4个参数的估计。     

MPEG-4视频业务的多重分形分析与建模

基于对象编码的MPEG-4视频业务将是网络业务中的主流业务，因而研究MPEG-4视频业务的特性对网络设计，容量规划，性能评估，接入控制与性能分析有重要的意义。通过应用多重分形分析方法对MPEG-4视频业务的分形行为进行分析，结果表明MPEG-4视频业务多重分形特性的存在，因而采用多重分形小波模型对MPEG-4视频业务进行建模分析，通过仿真试验结果的比较和分析，表明该模型能够真实反映MPEG-4视频业务的突发特性。     

Exo-LSTM: traffic flow prediction based on multifractal wavelet theory

In order to predict traffic flow more accurately and improve network performance, based on the multifractal wavelet theory, a new traffic prediction model named exo-LSTM is proposed. Exo represents exogenous sequence used to provide a detailed sequence for the model, LSTM represents long short-term memory used to predict unstable traffic flow. Applying multifractal traffic flow to the exo-LSTM model and other existing models, the experiment result proves that exo-LSTM prediction model achieves better prediction accuracy.     

A multifractal wavelet model with application to network traffic

We develop a new multiscale modeling framework for characterizing positive-valued data with long-range-dependent correlations (1/f noise). Using the Haar wavelet transform and a special multiplicative structure on the wavelet and scaling coefficients to ensure positive results, the model provides a rapid O(N) cascade algorithm for synthesizing N-point data sets. We study both the second-order and multifractal properties of the model, the latter after a tutorial overview of multifractal analysis. We derive a scheme for matching the model to real data observations and, to demonstrate its effectiveness, apply the model to network traffic synthesis. The flexibility and accuracy of the model and fitting procedure result in a close fit to the real data statistics (variance-time plots and moment scaling) and queuing behavior. Although for illustrative purposes we focus on applications in network traffic modeling, the multifractal wavelet model could be useful in a number of other areas involving positive data, including image processing, finance, and geophysics     

Book reviews: a summary of multifractal traffic modeling

One of the most important discoveries about Internet traffic is the scaling phenomenon. Different from the traditional traffic pattern, primarily the Poisson model, this type of traffic shows a slowly decaying dependence structure and can be approximately characterized by a self-similar process. Multiscale behavior is a more complex version of self-similarity, indicating that the scaling property of the traffic process isn't uniform across multiple time scales and orders of statistics. It's often modeled with the multifractal process. "Multifractal Based Network Traffic Modeling" provides an accessible but somewhat narrow summary of the research on self-similar and multiscale traffic.