基于时序分析的网络业务分析与预报

随着网络应用的迅速发展，提供保证一定质量的通信服务(QoS)成为一个重要的研究方向，而网络业务的分析与预报是保证QoS的关键技术。分析了天津市163，169，2163的拨号上网业务在线总时长，应用时间序列分析的方法对网络业务进行分析，并在模型基础上进行准确的预报。其结果对网络容量进行规划并提前进行相应的调整或升级，确保网络的整体运行状况是有意义的。     

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。     

基于网络的并行计算系统模型

网络并行计算系统是以网络为基础的并行计算系统。近年来随着Internet的迅速发展它引起了人们越来越多的关注。基于这种情况，本文首先对并行计算环境进行了抽象的分析和描述，并建立了一个网络并行计算模型，然后给出了一个基于移动Agent的计算模型实例。     

基于复杂网络的Internet结构模型

在Internet网络的演化过程中,新增节点进行服务器选择时,不但要考虑网络的流量和带宽,而且还要考虑与服务器的距离.基于Internet网络中选择服务器的条件,建立了一个Internet网络结构演化模型.在网络模型中,把Internet网络流量作为链路的权重、节点的服务量能力作为节点强度、节点的连接负载作为连接度.应用数值分析方法,研究了网络的动态演化规律和节点强度的概率分布特性.研究结果表明,新模型的强度分布服从幂律分布,而且该模型是一个更一般化的BBV加权网络模型.     

Internet网络数据的自动下载

引言 随着Internet的普及,越来越多的信息可以从网上获得。人们获取数据的方法也不再限于书本、文件。而单纯从网上取得数据文本的情况并不多见,很多数据是镶嵌在网页中。如何从网页中找到所需数据并存储到数据库中?这个需求逐渐变得重要。本文正是针对这个问题给出了一种解决方法。整个方法的实现是通过前台VB可执行程序与后台SQL Server     

高速网络的自相似业务模型及其性能评价

文中介绍了９０年代高速网络性能评价领域中一个重大发现，即真实的网络业务具有自相似性。传统的基于Ｍａｒｋｏｖ模型的性能评价结果对自相似业务已不再适用，需要研制新的模型与工具。文中介绍了自相似过程的数学定义及其性质，讨论了重尾分布和诺亚效应及它们与自相似过程的关系，还介绍了几种生成自相似业务的方法和自相似业务模型下队列系统性能评价方面的研究成果。     

Internet发展方向之一：主动网络

1.引言随着Internet的迅速发展,用户对网络服务的需求变化快,在需要高带宽的实时多媒体通信和只需低带宽的无线移动计算两方面的需求都很显著。尽管Internet的带宽增长速度十分迅速,但由于目前Internet体系结构的限制,网络提供商无法针对用户需求变化而及时地提供相应服务,主动网络(Active Network)的出现为解决这一难题提供了新的思路。2.主动网络的产生背景及基本思想传统层次型网络体系结构,对等层间的通信需要采用相同的协议。为了能使各种计算机互联,就要制定一些标准协议。新协议要能广泛应用于Internet都需要一个前提:通过标准化过程成为一个标准协议。然而,满足用户新需求的新协议     

基于Internet的网络学校浅析

Internet的出现使人类社会真正进入了信息社会，以互联网作为现代教育重要手段的网络学校，将给传统教育带来极其深远的影响。本文对基于Internet网络学校的产生背景、表现特点、发展现状等进行分析，指出了我国现今网络学校存在的问题，并对未来进行了展望。     

Internet 流量预报研究

介绍了网络流量的单分形和多分形特征, 在此基础上提出了基于遗传程序设计的 网络流量预报模型 ; 引入了分享操作 ; 设计了特定的变异算子。     

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。     

基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

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。     

Internet 流量模型分析与评述

Internet流量模型对网络性能管理、QoS、准入控制等都有很重要的意义和作用.首先总结了现阶段已发现的主要网络流量的特性及相关度量参数,概要地介绍网络流量建模的意义和分类,然后按照"传统-自相似-流量建模的新发展"这3个阶段阐述网络流量建模的发展历程与最新的研究成果,最后针对目前网络流量建模中存在的难点问题,展望了该领域未来的研究发展方向.     

Internet流量模型的研究

对于网络性能评价,一种有效的流量模型是不可或缺的,然而很难找到这种既简单又正确的模型。本文吸取了经验模型的TCP连接流量模型的优点,提出一种WWW流量模型。通过严格的仿真和模型验证,证明该模型与实际的流量吻合得很好,且易于实现。     

基于注意力机制和长短期记忆神经网络的流量预测研究

准确的流量预测提升通信网络技能、改善通信网络管理具有重要意义.考虑到长短期记忆(Long Short-Term Memory,LSTM)神经网络可解决长序列数据在训练过程中的存在梯度消失问题,采用LSTM作为长期流量预测的基准模型,为提高模型准确性,在LSTM模型的基础上,引入Attention机制(Attention...     

基于加权组合模型的短时交通流预测研究

为了改善城市路网中短时交通流预测效果,提高预测精度,设计了一种基于改进的K近邻非参数回归和小波神经网络加权组合的短时交通流预测方法.针对K近邻非参数回归预测方法搜索量大、相似性差等问题,采用基于交叉口相关系数加权的欧氏距离选择K近邻值.小波变换与神经网络有机结合形成的前馈型网络,对非平稳的输入信号能够呈现出良好的时频特性和变焦能力,对短时交通流预测效果有着明显的提升.通过算例分析,说明所设计的预测方法能够获得比较精确的短时交通流预测结果.     

基于遗传程序设计的IP业务流量长期预测

针对流量行为分析对自动化、智能化和预测精度的进一步需求和存在的不足，提出了基于遗传程序设计(GP)的IP业务流量长期预测算法．论文首先给出了GP的定义和GP个体的二叉树表示，然后重点论述了GP的演化算法设计流程、数据样本获取、GP的演化建模和实验．实验结果表明，通过对Web业务流量进行GP建模实验，搜索到了两个较好的业务流量预测模型，模型所对应的预测曲线与原始数据曲线拟合得较好，说明采用GP建模是有效的，能反映业务流量的变化规律．     

Network Traffic Prediction Using Radial Kernelized-Tversky Indexes-Based Multilayer Classifier

Accurate cellular network traffic prediction is a crucial task to access Internet services for various devices at any time. With the use of mobile devices, communication services generate numerous data for every moment. Given the increasing dense population of data, traffic learning and prediction are the main components to substantially enhance the effectiveness of demand-aware resource allocation. A novel deep learning technique called radial kernelized LSTM-based connectionist Tversky multilayer deep structure learning (RKLSTM-CTMDSL) model is introduced for traffic prediction with superior accuracy and minimal time consumption. The RKLSTM-CTMDSL model performs attribute selection and classification processes for cellular traffic prediction. In this model, the connectionist Tversky multilayer deep structure learning includes multiple layers for traffic prediction. A large volume of spatial-temporal data are considered as an input-to-input layer. Thereafter, input data are transmitted to hidden layer 1, where a radial kernelized long short-term memory architecture is designed for the relevant attribute selection using activation function results. After obtaining the relevant attributes, the selected attributes are given to the next layer. Tversky index function is used in this layer to compute similarities among the training and testing traffic patterns. Tversky similarity index outcomes are given to the output layer. Similarity value is used as basis to classify data as heavy network or normal traffic. Thus, cellular network traffic prediction is presented with minimal error rate using the RKLSTM-CTMDSL model. Comparative evaluation proved that the RKLSTM-CTMDSL model outperforms conventional methods.