长相关网络流量Hurst指数估计算法

针对传统长相关网络流量Hurst指数估计算法估计结果不准确、可变信息受损严重的情况,提出时域内滑窗时变方差之差Hurst指数估计算法,采用已知参数的人工分形高斯噪声序列及Bellcore采集的真实网络流量序列BC—pOct89对其进行验证。结果表明该算法减少了可变信息损失,能动态地刻画全域上的长相关特性,具有较高的准确性和鲁棒性。     

网络流量长相关特性的滑窗时变估计算法

网络流量在动态演进过程中呈现出长相关(LRD)特性,定量描述LRD特性是网络行为研究的重要问题之一.由于传统LRD估计算法采用全域求和平均,造成序列中突发信息损失,致使传统算法均不能在复杂条件下有效估计LRD.在引入时变Hurst指数函数的概念后,提出了时域滑窗时变Hurst(SWTV-H)估计算法.SWTV-H算法在某一分辨率水平上给出局域内Hurst指数的估计,并通过局域时移实现流量序列全域内LRD趋势的动态估计.分别用仿真以及真实网络流量数据对其有效性进行了验证,与传统算法的估计结果相比,SWTV-H算法能更准确估计LRD特性,且具有更好的鲁棒性.     

基于小波的Hurst指数自适应估计方法

对局域网和广域网上大量突发网络流量的分析结果表明,网络流量普遍存在着自相似性和长相关性,其中Hurst指数是表征网络流量突发特性的重要参数.通过在小波域内对网络流量这种特性的分析,给出了其小波系数的本质和统计特性.针对基于小波的Hurst指数估计方法的自适应问题,结合方差分析给出了一种有效的解决方法,从而提出了自适应的参数估计方法,并且该方法在一般意义上是无偏的.分形高斯噪声和真实突发网络数据的仿真结果均表明,自适应方法比传统估计方法具有更高的估计精度,能够自适应地选择最优尺度区间,而且仅具有O(N)的计     

基于EMD的自相似流量Hurst指数估计

针对表征自相似网络流量统计特性的赫斯特(Hurst)指数,讨论一种基于经验模式分解的Hurst指数估计算法。该算法通过对自相似网络流量数据进行自适应分解,得到一组满足指定余项误差的固有模态函数分量,由其能量对数化函数与Hurst指数之间的线性拟合,估计出Hurst指数。实验表明,该算法能对自相似网络流量的Hurst指数进行自适应估计。     

基于EEMD与DFA的Hurst指数估计

去趋势波动分析(DFA)是一种研究时间序列长相关幂律特性的简单而有效的方法,其中关键的去趋势步骤就是获取序列在不同时间尺度上的局部波动函数.提出采用整体平均经验模态分解(EEMD)确定局部趋势项,去趋势操作通过移除基于EEMD的局部趋势项完成,从而给出了一种基于EEMD的DFA方法,并将其用于时间序列的Hurst指数估计.采用分形高斯噪声(FGN)和真实网络流量数据的仿真结果表明,该方法具有较好的估计效果,相比于基于EMD的DFA估计法,具有更高的估计精度.     

7种Hurst系数估计算法的性能分析

讨论影响Hurst系数估计算法的因素，包括方差、周期信号和相关结构。调整分形高斯噪声（FGN）序列，从而产生具有部分尺度范围相关结构的序列。不断改变尺度范围并估计序列的Hurst系数，发现算法的估计结果依赖于特定尺度范围的相关结构，而尺度范围以外的相关结构的改变对估计结果无影响。对于实际业务流量，相关结构的变化导致算法估计结果的不同。     

TCP流量的多尺度分析

基于小波技术对多组局域网和广域网流量的实测数据进行了全局缩放性质和局部缩放性质的研究。讨论了分形高斯噪声模型和多分形小波模型。在全局缩放性质的研究中，讨论了一类Hurst参数估计器．并将实际数据与分形高斯噪声模型相比较，发现大时间尺度上的网络流量可以用分形高斯噪声来近似。在局部缩放性质的研究中，分析了局部缩放指数及相应的结构函数．并将实际数据与多分形小波模型相比较，发现在小时间尺度上，无论是分形高斯噪声还是多分形小波模型都不能很好地近似网络流量，大小时间尺度的划分在典型的往返时间附近。     

低分辨率小规模网络流量数据的混沌特性鉴别

使用非线性时间序列分析方法,对低分辨率采样的小规模网络流量数据进行混沌特性分析。给出了网络流量数据的平滑策略,计算了网络流量数据的最大Lyapunov指数,并对流量数据与噪声序列加以区分,从不同角度验证了小规模网络流量数据具有低维混沌特性。为采用混沌方法研究网络流量行为特性奠定了基础。     

基于FRFT自相似参数估计的异常流量检测方法

针对传统异常流量检测方法检测精度较低, Hurst指数估计受估计序列尺度的影响, 提出了基于分数阶傅里叶变换（FRFT）估计Hurst指数的方法。在此基础上, 实现了基于Hurst指数变化的异常检测, 有效解决了方法实现过程中FRFT最佳估计的分数阶阶数选择及Hurst参数求解的关键问题。实验表明, 基于FRFT的估计不受序列非平稳性影响, 对Hurst指数估计具有较高的估计精度, 并且可以准确地检测网络异常。     

去相关卡尔曼滤波算法在视频跟踪中的应用

针对测量噪声去相关下的卡尔曼滤波算法在视频目标跟踪中的应用问题展开了研究,首先分析了图像目标质心测量噪声的统计特性,指出测量误差是具有较强相关性的有色噪声;通过提出一种噪声白化方法,将测醋噪声视为在高斯自噪声激励下所产生的一阶马尔科夫序列,并对系统测量模型进行了改进;最后借助噪声去相关虑义下的卡尔曼滤波算法对所拍摄的航模飞机视频图像进行了跟踪仿真测试.仿真实验结果证明所给出的滤波算法可以明显提高目标位置的估计精度,并有效抑制了背景的干扰.     

Blind maximum likelihood estimation of traffic matrices under long-range dependent traffic

A new method, based on the maximum likelihood principle, through the numerical Expectation–Maximization algorithm, is proposed to estimate traffic matrices when traffic exhibits long-range dependence. The methods proposed so far in the literature do not account for long-range dependence. The method proposed in the present paper also provides an estimate of the Hurst parameter. Simulation results show that: (i) the estimate of the traffic matrix is more efficient than those obtained via existing techniques; (ii) the estimation error of the traffic matrix is lower for larger values of the true traffic intensity; (iii) the estimate of the Hurst parameter is slightly negatively biased.     

基于提升框架的赫斯特指数自适应估计方法

对局域网和广域网上大量突发网络流量的分析结果表明,网络流量普遍存在着自相似性和长相关性,其中赫斯特指数是表征网络流量突发性的重要参数。以小波提升框架为基础,结合相关系数分析法,给出了自适应的赫斯特指数估计方法,与传统的小波估计法相比,该法执行原位计算,使计算复杂性减少了约一半,同时该方法在一般意义上是无偏的。分形高斯噪声和真实突发网络数据的仿真结果均表明,自适应方法比传统估计方法具有更高的估计精度,能够自适应地选择最优尺度区间,因此可望应用于高速网络的网络管理和实时控制。     

基于FIR神经网络的以太网网络流量预测

对原始数据进行R／S分析得到Hurst系数以选择合适的神经网络结构，重点分析了FIR的阶及两种不同学习算法（Wan和Back-Tsio算法）对预测结果的影响。结果表明FIR阶的选择依赖于流量数据的变化周期，Wan算法在Hurst数接近1的网络流量预测中具有更好的精确性。     

一种改进型经验模态分解及其在信号消噪中的应用

针对非线性非平稳信号的消噪问题, 基于经验模态分解提出一种模态单元滤波新方法. 该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元, 并以之作为基本分析对象, 通过对模态单元振幅的阈值处理来判断模态单元的类型, 进而建立模态单元滤波模型. 分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律, 并建立了一种用于高斯消噪的阈值选取规则. 为验证本文方法的有效性, 进行了数字仿真与实例应用实验. 仿真和实验结果均表明, 所提方法的消噪效果整体上优于最优小波阈值消噪方法, 同时模态单元滤波消噪算法具有自适应性, 是一种有效的信号消噪新方法.     

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法 得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。