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。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于组合模型的自相似业务流量预测

针对经验模式分解存在的模态混叠问题,提出了一种基于组合模型的自相似业务流量预测方法。首先通过对网络流量进行集合经验模式分解,有效地去除自相似网络流量中存在的长相关性。接着根据分解得到的各本征模态函数分量的不同特性,分别采用人工神经网络与自回归滑动平均模型对其进行预测,最终再将预测结果进行组合。仿真结果表明,提出的方法对于实际网络流量数据具有较高的预测精度。     

基于小波技术的网络流量分析和预测

互联网流量数据属于非平稳的时间序列,具有很强的突发性和自相似性等分形特征.小波分析能够保持对象的尺度不变性,很适合分析和处理自相似过程.分析了常见流量模型的优缺点,利用小波技术将网络流量分解、重构,并结合传统FARIMA模型分析和预测网络流量,实验结果表明该方法可以有效地对网络流量进行建模和预测.     

基于流量特征的网络流量预测研究

传统的非线性模型已经不再适用于网络流量建模,为了能够更精确地对网络流量建模,必须考虑到网络流量的特性。针对网络流量的自相似、长度分布、周期等特征进行分析,结合小波变换与时间序列模型,有效地建立流量预测模型。首先对流量的自相似和平稳性进行分析,并对长度、周期等特征进行描述,其次根据实际流量的自相似性和平稳性选择小波变换与时间序列相结合的方法进行建模,产生预测结果,最后根据长度与周期特征粗略判断预测的合理性。根据实验验证与分析,该方法具有极大的灵活性,相比单一的小波-FARIMA模型可以减少大量的运算,同时能够描述网络流量的短相关与长相关特性。     

FARIMA网络流量预测模型的研究与改进

网络流量模型以考察网络流量特性为出发点,以数学理论为基础,通过建立数学模型来反映真实的网络流量及其变化趋势.传统的泊松模型在现代数据网络中已经不再适用,不能真实地反映流量的趋势.但是自从网络流量的自相似性被发现后,网络流量的自相似模型不断涌现.文中应用了既能反映长相关性又能反映短相关性的FARIMA模型对真实网络流量数据进行了分析预测,经过研究和实践的验证,对模型进行了改进,提出了SFARIMA网络流量预测模型.     

网络流量自相似特性的研究与探讨

针对校园网络流量自相似特性问题,以测量、分析为启发并对验证机制进行了研究,以数据和分析模型为依据,用典型的工程方法对HTTP流量进行了测量、分析和预测。证实校园网络流量具有典型的自相似性。     

基于分组采样组播网络流量预测研究

组播网中网络流量分布的不均衡是网络拥塞主要原因,而网络流量预测是解决拥塞问题的关键.本文介绍了网络流量预测的两种重要方法:分组采样和频率采样.通过建立相应的采样模型,分析真实的网络流量数据,进行模拟实验的验证,得出了采样周期时间序列上的相关性和网络流量有很强的自相似特性.分组采样在流量估计精度,预测误差和分组数的取值方面优于频率采样.从而为组播网络拥塞的控制的研究提供了可靠的数据根据,保证了网络质量.     

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

网络服务质量（QOS）参数研究

ＱＯＳ参数定义是实现ＱＯＳ控制的基础，但是ＩＳＯ和ＩＴＵ等组织定义的ＱＯＳ参数之间存有不一致和不兼容的情况，直接影响ＱＯＳ控制的有效实施。文中为此针对多媒体实时应用的特征，首次提出并定义运输层最小ＱＯＳ参数集，指明了由ＯＳＩ和ＩＴＵ所定义的有关ＱＯＳ参数均能用运输层最小ＱＯＳ参数集中的参数或参数组合加以表示，该集合具有开放性和可管理性，它能成为实现不同ＱＯＳ参数定义兼容的统一基础。     

An empirical comparison of generators for self similar simulated traffic

It is generally recognised that aggregated network traffic is self similar and that self similar traffic models should be used in simulation experiments when assessing the performance of a network. Many generators have been proposed to synthetically produce self similar simulation input; however most of them require the trace length to be known a priori. Four generators that allow continuous generation of self similar time series are evaluated in this work with respect to their ability to reproduce the desired level of self similarity. This extensive investigation uses ten times as many traces and twice the number of parameter values as previously reported. Three of the tested generators perform well but surprisingly the generator supplied with a widely used commercial network simulator is unusable. The reported results indicate that the generator based on multiplexing strictly alternating ON/OFF sources may perform better than generators based on chaotic maps, provided that more than 100 ON/OFF sources can be used. Three estimators for the degree of self similarity of a time series have been evaluated as part of the process, and the only acceptable one is based on a Wavelet decomposition of the traffic trace.     

基于小波技术的网络流量特性刻画

网络流量特性是我们深刻理解整个网络体系的架构及网络控制机制和行为特征的切入点,所以当务之急是寻求一种全面切实的方法来刻画现代的网络流量特征,本文以此为契机,通过对流量特性与尺度特性的研究,利用小波技术对网络流量特性如局域网的自相似特性及广域网的多分特性进行刻画,并对我们从国内收集的有代表性的网络流量进行分析,力求通过对真实的网络流量的小波变换系统（小波系数,尺度系数）,能量谱的分析,来进一步翔实,全面的刻画网络流量的自相似特性和多分特性。     

Self similarity analysis via fractional Fourier transform

Self similarity has taken great interest in computer networks since modeling of Ethernet traffic via self similarity. Recent studies have shown that network traffic exhibits long range dependency which could not be modeled with Poisson distribution. Time and frequency domain representations are frequently utilized to better visualize and characterize self similar stochastic processes.Fractional Fourier transform is a generalization of ordinary Fourier transform and find applications in many areas that ordinary Fourier transform has found. In this study, a network traffic analysis via fractional Fourier transform is performed. This study aims to better evaluate self similarity of network traffic via using fractional Fourier transform. Due to their high self similarity degrees, real IPv6 packet traffic is used for the analysis. We also perform analysis with an exact self similar process, fractional Gaussian noise to compare the results.     

自相似流量下的ATM交换机缓存溢出概率分析

近期的研究表明,在ＷＡＮ,ＬＡＮ及ＶＢＲ业务、ＩＳＤＮ中传输的业务等多种通信业务中普遍存在着相似特性（或称为长相关）,对自相似流量模型睛的排队分析方法目前还很不成熟,分析并得到了在二斩近自相似流量下的ＡＴＭ交换机的缓存溢出概率的上下界,从分析可以看出,流量的自相似特性对缓存溢出概率有着非常３显著的影响,与利用传统流量模型得到的结果相比,得到的缓存溢出概率随着缓存的增加,下降的速度要缓慢得多。     

组合核函数高斯过程的网络流量预测模型

针对网络流量的非线性和时变性等特点,为了提高网络流量预测精度,提出一种组合核函数高斯过程的网络流量预测模型。用自相关法和假近邻法计算网络流量的延迟时间和嵌入维数,构建网络流量学习样本;采用组合核函数高斯过程对训练集进行学习,并且参数通过遗传算法进行优化;最后采用网络流量数据对模型性能测试。仿真表明,相对于对比模型,组合核函数高斯模型获得了更高的预测精度,预测结果更加稳定、可靠,具有较大的实际应用价值。     

大型M/P/C/C排队系统仿真研究

理论上推测Erlang B 公式对服务时问为任意分布的M/G/C/C系统的呼叫损失概率是有效的但缺乏严格证明.据此,对服务时间呈 Pareto 分布的M/P/C/C排队系统的仿真问题进行了研究,特别是对排队系统中服务装置数目很大的情况进行了研究.采用一种名为红黑树的数据结构较好地解决了超长序列、超大C值所造成的计算时间问题,并采用基于事件驱动的时间调度法进行排队仿真,结果与 Erlang-B 公式相符.表明Erlang B公式对M/P/C/C系统的呼叫损失概率是有效的.为采用仿真方法对自相似流下的网络性能进行深入研究打下了基础.     

自相似网络业务的一个FARIMA模型

近来发现,高速网络业务具有自相似及长相关特性,分数噪声可描述该类业务。但它仅表现长相关特性,给出了利用ＦＡＲＩＭＡ模型拟合自似网络业务的一整套方法,该模型同时刻画了实际业务的长相关与短相关行性,通过对实测数据的实验, 模型的优效性。     

基于动态扩散卷积交互图神经网络的网络流量预测

现有的网络流量预测模型存在着泛化能力弱和预测准确率低等问题,为了解决此问题,提出了一种结合动态扩散卷积模块和卷积交互模块的预测模型。动态扩散卷积模块可以提取网络流量中复杂的空间特征和动态特性,而卷积交互模块则能捕获到流量中的时间特征,两者的有机结合可以有效预测网络中的流量。通过与其他网络流量预测模型在美国能源科学网（ESnet）流量数据上进行对比实验,验证了提出的动态扩散卷积交互图神经网络模型（DDCIGNN）的有效性。实验结果表明,DDCIGNN模型的均方根误差（RMSE）在最好的情况下优化了大约13.0％,说明该模型能够进行更有效的网络流量预测。