自相似网络流量差分分析新方法

多媒体网络流量具有重尾特性及自相似特性,已得到了广泛的认同.而Alpha-stable过程作为Gaussian过程的推广能很好地描述重尾特性及自相似特性.在简要介绍了Alpha-stable分布和Alpha-stable过程的基础上,本文研究分析了当前基于线形分形稳定噪声(LFSN)理论的网络业务流量模型,并提出了基于差分分析的新方法及基于差分分析的LFSN流量模型参数估计新方法.对Bellcore实验室采集数据的拟合验证结果表明,该估计方法能准确确定模型参数.     

重尾分布对网络流量性质的影响

重尾边缘分布的网络流量同时存在尺度突发和局部突发。对重尾分布的性质的研究表明重尾分布变量有很强的不稳定性,在网络流量建模中需要足够长的序列来减小重尾分布不稳定性引起的误差。仿真实验结果表明重尾分布的流量在小时间尺度上符合重分形模型。     

微信流量特性分析与建模

微信是现代互联网的主要应用之一,到目前为止有关微信流量特性分析与建模的研究较少.本文以微信流量为研究对象,分析验证微信流量同时具有自相似性和突发性.针对这两种特性进行微信流量建模,采用线性分形稳定噪声模型刻画微信流量特性,完成了模型的参数估算和效果分析.本文的研究成果是后续的网络性能分析、网络流量监管等的基础.     

自相似网络流量预测的分析和研究

网络流量模型能准确和全面地刻画流量数据的各种统计特性,因而成为网络研究的热点。讨论了传统模型预测的弊端,描述了网络流量自相似的基本特征,分析了三个重要自相似模型的特点和存在的问题,使用实际网络流量验证了流量的自相似性并结合多分形小波模型对网络流量进行预测,探讨了流量模型预测的新技术和进一步研究的问题。     

自相似网络流量预测的分析和研究

网络流量模型能准确和全面地刻画流量数据的各种统计特性，因而成为网络研究的热点。讨论了传统模型预测的弊端，描述了网络流量自相似的基本特征，分析了三个重要自相似模型的特点和存在的问题，使用实际网络流量验证了流量的自相似性并结合多分形小波模型对网络流量进行预测，探讨了流量模型预测的新技术和进一步研究的问题。     

网络业务多重分形特性研究

聚集网络业务的多重分形特性既能考查多尺度下业务的突发性,又能描述突发性相对于时间的变化,是网络业务最显著的统计特性之一.使用网络流量的联合多重分形(JMF)模型 [7]对实际数据进行分析及参数估计,检测网络业务多重分形结构,并产生理论多重分形流量.将JMF模型理论流量、基于自相似特性的分形布朗运动(FBM)模型的理论流量和实际测量流量作为OPNET仿真驱动,进行网络性能仿真.仿真结果显示由JMF模型产生的理论流量与实际测量流量的性能更为接近,进一步验证了网络业务的多重分形特性.     

一种天地一体化智能网络流量模型

针对天地一体化智能网络流量具有长相关,且突发性强的特点,通过对多分形小波模型构造系数分布合理化选取,构建了基于威布尔分布的混合小波网络流量模型(W＿OWM,Weibull of wavelet model).模型结合独立小波模型的长相关描述能力和多重分形模型的短期突发描述能力,选取威布尔分布重构流量,解决了传统多分形小波模型构造系数的分布选取与实际流量分布特性无关的问题,该模型能够准确、有效的描述天地一体化智能网络流量的行为特征.仿真分析表明：W＿OWM重构流量表现了突出的重尾特性,与实际流量的分布特性相似,W＿OWM多分形谱的描述贴合于实际流量多分形谱,更能体现流量的长相关性.     

基于LFSN和小波变换的业务流预测算法

针对实际业务流预测精度偏低的问题,结合线性分形稳定运动(LFSM)模型和小波变换提出一种新的业务流预测算法(SPWL)。定义线性分形稳定噪声(LFSN)分布特征,利用离散傅里叶变换产生满足LFSN过程的数列,并给出实际业务流数据拟合方法。通过小波变换降低实际业务流的突发特性,同时融合LFSM模型的预测结果提高实际业务流的预测精度。基于NS2和Matlab进行仿真实验,结果表明,与FARIMA算法相比,SPWL算法预测精度较高,其预测误差仅为12.83%。     

一种自相似流量模型的带宽估计新算法

针对现今网络业务流量的自相似特性,选取具备显著自相似特征的分形布朗运动流(FBM)为自相似流量模型,提出一种基于统计网络演算理论的带宽估计算法。该算法利用统计网络演算建模,根据时延与带宽的关系建立出自相似业务流量模型带宽需求的统计模型。通过仿真验证和数值分析,结果表明该算法比有效带宽算法更为优越,得到的带宽估计结果更紧,可以更好地提高带宽资源利用率。     

长程突发通信量的分数自回归预测

以数据包传输的通信量在不同网络条件下均表现出自相似性,自相似通信量在各时间尺度上均具有长程突发特性,其是以泊松过程为模型所描述的短程相关通信量所无法描述的.近来对自相似通信量的高精度测量与研究证实:网络中广泛存在的重尾特性是通信量自相似产生的原因.同时充分提取通信量的自相似性与重尾特性相关信息,是准确预测长程突发通信量的关键.在一种α-基于平稳过程的自相似通信量模型基础上,提出两种独立的自回归预测方法:FAR(Fractional AutoRegressive)预测、FNAR(Fractional Nonlienar AutoRegressive)预测.对这两种预测值进行不同方案的混合预测得到最终预测结果,进一步提高预测精度.