多重分形下不同网络流量的合成模型

实际网络流量具有明显的分形特性,流量的多重分形特性对网络性能有着非常重要的影响,建立一个基于多重分形特性的实际流量的合成业务模型很有必要。利用小波变换能够去除实际流量相关性的特点,结合实际研究的过程中所发现的不同类型的流量具有不同的分形特性的结论,建立新的合成模型,提高合成流量的精度。同时,通过对合成后的流量进行尺度刻画和性能评价,验证了新模型的正确性。     

基于多重分形的VBR视频流量多步预测方法

视频流量的实时预测是进行网络资源优化和端到端QoS策略设计的重要前提.然而,目前基于短相关(SRD)的预测模型并不能对非平稳且具有长相关(LRD)和分形特性的视频流量进行有效的预测.分析发现,通过多重分形尺度间系数的相关性,可以把难以直接预测的LRD流量序列转化为可以用SRD模型预测的短相关序列组.基于多重分形的预测算法合理地利用了原始序列的LRD信息,具有很好的多步预测性能.     

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.     

基于强化学习的网络流量非线性多步预测方法

网络流量具有分形特性,用线性方法来预测非线性的网络流量,预测精度不高.为了提高测性能,提出了网络流量的非线性多步预测同题,利用一种结合分形神经网络、强化学习的非线性多步预测方法,用多重分形性质将网络流量序列分解为短相关序列,设计了一种强化学习神经网络(MRLA)流量预测模型,利用强化学习的Q算法训练BP神经网络,预测尺度系数、计算权值,最后构建MRLA网络进行仿真,预测网络流量.实验分析显示,相对MMLP网络,新预测方法具较好的多步预测性能.     

基于多重分数差分和AR模型的网络流量预测

网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用,提出了一种利用多重分数差分与自回归模型进行网络流量建模和预测的新方法.通过多重分数差分的消除长相关序列中的长相关特性,得到多条短相关信号和一条趋势项,分别利用AR模型进行定阶、参数估计及预测操作,用实际网络流量对该模型进行验证,实验表明,该方法比传统的预测方法具有更好的预测效果.     

一种改进的网络流量预测模型研究

网络流量预测是网络优化研究中的热点,由于网络流量的自相似性导致了网络流量的长相关特性,现有的网络流量预测模型无法对其进行准确预测,且时间复杂度高,为了提高网络流量预测的准确性和效率,文中提出了一种改进的网络流量预测模型。首先,基于经验模式分解对长相关的网络流量进行预处理,并证明了它们是短相关的,然后通过AIC准则和逆函数法来建立模型进行流量预测。仿真结果表明,该模型的预测效果较好,不但降低了算法的复杂度,而且预测精度高于传统的方法。     

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.     

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FARIMA模型的Internet网络业务预报

最近的网络研究发现Internet网络业务同时呈现长相关和短相关特性,因此建立可以同时描述,预报长相关和短相关特性的网络业务模型很有必要。文中给出了利用FARIMA模型进行建模和预报的方法,实验表明这种方法用于实际Internet网络trace是非常有效的,另外提供了简化FARIMA模型拟合的方法和具体步骤,这样大大缩短了模型辨识的时间,对于实际网络预报有很好的实用性。     

基于小波技术的网络流量分析与刻画

大量研究结果表明实际网络流量具有明显的尺度特性，在大尺度上表现出自相似，在小尺度上表现出多重分形。多重分形为刻画流量在小尺度上的奇异性提供了良好的数学框架，而小波变换对具有长程依赖性的流量起到了去相关的作用，因此有必要利用小波技术来研究多重分形。为了能全面有效地刻画现代网络特征，利用小波技术对实际流量进行分析，首先判断流量的全局特性与局部特性，然后对流量进行不同分组，分别采取组内打乱和组间打乱顺序的方法，深入探讨影响多重分形的因素，最后发现均值和方差对多重分形有较大影响。     

基于小波的多尺度网络流量预测模型

通过把ARIMA线性预测方法引入小波域内，提出一个基于多重分形小波模型的网络流量预测模型。通过对真实网络流量的仿真实验，结果表明该模型能够对网络流量进行比较精确的预测．     

一种新的光突发交换网络业务流的小波模型

最近大量研究发现实际业务流表现出分形特性,这对业务流的性能产生较大影响。针对光突发交换（OBS）网络边缘节点的汇聚业务流,首先在多重分形条件下利用小波变换提出新的模型。与普通分形模型不同之处,该模型不仅考虑小波变换中各尺度因子的优化,而且充分考虑了实际网络环境（如缓冲区、利用率）等因素。同时经过实验证明业务流性能并非仅由业务流的相关性决定,而且与网络环境有较大的关系,在一定程度上甚至超过了相关性的影响。最后通过对业务流进行的尺度刻画和性能评价,验证了模型的有效性。     

自相似网络通信量的多尺度预测研究

自相似性是网络的普遍属性,并且对网络性能具有重要影响。在网络性能研究中,利用自相似的长程相关性来进行预测对于有效分配和利用网络资源以保证网络QoS及提高网络性能是非常有意义的。然而,由于自相似通信量同时具有长程相关和短程相关性的多尺度性和非线性使得通信量的预测非常困难。文章在充分考虑自相似网络通信量这些特性的基础上,提出了利用人工神经网络来进行预测的方法。我们首先根据研究目标构建了多时间尺度预测的人工神经网络,并且对输入/输出向量处理、参数选择和学习算法进行了讨论;然后,我们利用FARIMA为模型合成的同时具有LRD和SRD性质的通信量trace进行了多尺度预测的实验研究,结果表明可以利用该算法进行多时间尺度预测,这对于优化网络控制策略是非常有意义的。     

基于小波分形自回归整合滑动平均模型的网络流量预测

研究表明Internet通信流量同时呈现长相关和短相关特性。为了精确捕捉上述通信流特性,提出一种基于小波分形自回归整合滑动平均(W-FARIMA)模型的预测方法。首先通过Haar小波的方法将原始数据分解为高频信号和低频信号,接着采用FARIMA模型对低频信号进行建模并预测序列,然后对高频信号采用加权一阶局域法进行预测,最后利用小波重构以合成数据。实验和数学分析的方法证实了该预测模型确实能够很好地进行网络流量的长期预测。     

基于稳态过程的多重分形Web日志仿真生成算法

运行在服务器集群的软件系统需要Web日志的大规模数据集以满足性能测试的需求,但现有仿真生成算法因模型单一而无法满足要求。针对此问题,提出一种基于alpha稳态过程的多分形Web日志的仿真生成算法。首先,在长相关尺度（LRD）下采用alpha稳态过程来描述Web日志的自相似性;其次,在短相关尺度（RSD）下采用二项式b模型描述Web日志的多重分形性;最后,将长相关模型和短相关模型融合于改进的ON/OFF框架中。与单一的模型相比,新算法的参数物理意义明确,具有良好的自相似性和多分形性。实验结果表明,该算法能够较准确地模拟真实Web日志,可以有效地应用于Web日志大规模数据集的仿真生成。     

基于高斯过程回归的网络流量预测模型

针对传统网络流量预测精度低难题,为了获得理想的网络流量预测结果,提出一种基于高斯过程回归(GPR)的网络流量预测模型。该模型首先计算延迟时间和嵌入维数,构建高斯过程回归的学习样本;然后采用高斯过程回归对网络流训练集进行学习,并采用入侵杂草优化对高斯过程回归的参数进行优化;最后采用经典的网络流量测试集对该模型性能进行实验测试。实验结果表明,高斯过程回归模型提高了网络流量的预测精度。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.