自相似网络几种不同模型的比较和分析

随着网络业务的多样化,多媒体数据流已成为网络数据流的主体,网络业务与早期相比有了很大变化,传统的网络理论已不适应当前的网络分析,因而提出了自相似网络建模的理论。目前已有多种方法应用于自相似网络建模中。文中着重介绍了2种类型4种建模方法,即开/关(ON/OFF)模型、分形布朗运动(FBM)模型、分形自回归滑动平均过程(FARIMA)模型和α稳定模型,并比较了它们的优缺点及其应用范围。     

基于高速网络控制的阈交方法

在高速网络控制与带宽分配研究中,网络业务量预报是一个重要的问题.本文给出了一个新方法,通过对高速网络业务超阈值数据采用方差分析的方法构造了一个阈值的能量函数,为阈值的选取提供了一定的依据.最后运用阈交理论,通过对网络业务到达数据对阈值穿越强度的计算来考察已选阈值的有效性.     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

业务流预测在网络编码平台的实现及验证

网络编码由于可以利用无线信道的广播特性带来的空间冗余条件,在无线自组织网络中的应用显示了巨大的潜力。但TCP业务的机会网络编码在无线自组织网络中获得的增益却很小。基于这一问题,提出对TCP业务流具有的自相似性进行FARIMA模型建模,进行数据包到达时间的预测,从而为路由节点根据网络状态进行正确的编码等待决定提供依据,仿真结果验证了TCP业务流的自相似性,预测算法具有良好的预测结果。文中详细介绍了预测算法在COPE网络编码的NS2平台中的具体实现流程。     

协同综合预报IGDSS通用模型的研究与应用

分析了自然灾害综合预报会商式决策系统的特点,研究并提出了一种将智能决策方法作为“特殊预报专家”的协同综合预报IGDSS的通用模型。以地震然灾害综合预报为应用背景,根据地震综合预报的工作原理应用协同综合预报IGDSS通用模型,重点介绍了地震综合预报IGDSS的智能决策方法—贝叶斯网络的设计与实现,建立地震综合预报贝叶斯网络分析器,采用改进后的桶消元算法作为网络推理。给出了应用协同综合预报IGDSS通用模型解决地震综合预报的较完整的解决方案,系统已应用于福建省地震局预报中心。     

一种仿人智能自组织模糊控制算法

针对具有滞后,非线性等难以建立数学模型的系统,本文介绍了一种较新颖的仿人智能自组织模糊控制算法的原理及其设计方法。它基于专家经验,充分利用对系统进行测量所得信息,对系统的被控量进行预报,在控制过程中采用自动修正因子的模糊控制方法,获取系统的维持控制量,并动态收敛到最终的稳态控制量,从而使整个系统的控制过程具有较的调整时间和超调量。文中同时给出了对于用电加热器构成的具有时滞二阶被控对象,仿人智能自组织模糊控制算法的具体实现方法以及实际的温度控制曲线。     

自相似业务模型下的队列分析--大偏差技术

近年来对许多实际运行中的网络（局域网和广域网）的测量与分析证实：真实的网络业务具有统计上的自相似性而且是长相关的。传统的排队理论均假定业务是Poisson或Markovian,因此是短相关的,那里的队列分析方法对自相似业务模型是不适用的。大偏差技术是对自相似业务模型进行队列分析的有效方法。本文应用大偏差技术对以FARIMA为业务模型的队列系统进行了分析,结果证明：队列长度尾分布渐进为Weibullian分布,而且与模型的短相关结构无关。     

220C协议中网络接入控制的分析与研究

文中叙述了MIL-STD-188-220C协议的网络接入控制(NAC)过程,详细分析了该协议的确定自适应网络接入延迟(DAP-NAD),并在此基础上给出了一个DAP-NAD的实现方法.     

时间序列预报法在供热控制中的应用研究

为了节能和优质供热,提出将负荷预报和预测控制施加于供热系统中.文中首先介绍了时间序列法预报原理,接着应用该原理给出供热负荷和模型误差的预报.负荷预报作为供热系统的设定值,模型误差作为预测控制的校正量.最后,给出了两种预报方法在供热系统的应用及仿真结果.     

通信

TN91 02050727自相似过程的合并和分解过程/薛质,施建俊,李建华(上海交通大学)11上海交大学报.一2 001,35(11)一1603一1606对LAN、ISDN的信令信道和其他通信系统中的数据统计分析表明,在宽带网络中的业务流具有自相似特性,它将对网络的设计、控制和分析产生影响,而业务流的合并和分解是网络中业务流的两个基本操作,要研究业务量的自相似特性对网络整体性能的影响,就必须首先研究它们的性质.文中给出了自相似序列经过合并和分解后仍然保持自相似性的充要条件,该结论对进一步研究网络业务量的自相似性对网络性能的影响有理论指导意义.参3(…     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

基于包容性检验和神经网络的网络流量预测模型

网络流量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果,为此,提出一种包容性检验和BP神经网络相融合的网络流量预测模型（ET-BPNN）。首先采用多个单一模型对网络流量进行预测,然后通过包容性检验,根据t统计量检验选择最合适的基本模型,最后采用BP神经网络对基本模型预测结果进行组合得到最终预测结果。实验结果表明,相对于单一模型以及传统组合模型,ET-BPNN更加准确刻画了网络流量变化趋势,各项评价指标均达到更优,为实现网络流量准确预测提供了更为科学的方法。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

A NEW ADMISSION CONTROL APPROACH BASED ON PREDICTION

Admission control plays an important role in providing QoS to network users.Mo-tivated by the measurement-based admission control algorithm,this letter proposed a new ad-mission control approach for integrated service packet network based on traffic prediction .In the letter ,FARIMA(p,d,q,)models in the admission control algorithm is deployed.A method to simplify the FARIMA model fitting procedure and hence to reduce the time of traffic modeling and prediction is suggested.The feasibility-study experiments show that FARIMA models which have less number of parameters can be used to model and predict actual traffic on quite a large time scale.Simulation results validate the promising approach.     

改进的变权组合业务量预测应用方法

对预测误差平方和最小为原则的固定权重最优组合预测模型进行改进,提出了一种应用于移动通信网业务量预测的变权组合预测方法。通过4种预测方法对某地业务量进行预测并比较其精确度,结果表明改进的变权组合预测方法取得了较高的预测精确度。     

网络流量的混乱控制

This paper presents a chaotic control method on network traffic. By this method, the chaotic network traffic can be controlled to pre-assigned equilibrium point according to chaotic prediction and the Largest Lyapunov Exponent (LLE) of the traffic on congested link is reduced, thereby the probability of traffic burst and network congestion can be reduced. Numerical examples show that this method is effective.     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于FARIMA-GARCH模型的网络业务预测算法

网络流量的波动性与自相似特性为其精确预测提出了挑战。为此,提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测,并在此基础上将序列零均值化;然后采用限定搜索法对分数差分阶数进行精确估计;在获得模型参数后,使用FARIMA-GARCH模型对网络流量进行预测。仿真实验表明,限定搜索法能够获得比传统算法更高的估计精度。随后采用真实网络流量验证了预测算法的性能,在保持与FARIMA预测算法等价的时间复杂度下,其均方根和相对均方根误差与RBF神经网络预测算法相当,而高于FARIMA预测算法。同时,预测算法对突发流量的跟踪和预测性能明显优于对比算法,且有更好的区间估计性能。