WWW通信量自相似模型的建立与分析

近年来的大量研究表明,传统的泊松模型无法准确地描述实测网络通信量中的突发性,而自相似模型可以较好地刻画突发性。排队论的方法很适合用来进行网络建模。针对WWW通信量的自相似的主要成因,建立了排队模型M^x／D／1,模型的分析结果为WWW及相关性能指标的研究提供了理论依据。     

高速网络环境下突发通信量生成算法研究

文章对高速网络模拟中必需的突发(或称自相似)通信量生成方法进行了研究,提出了一种基于分数高斯噪声(FGN,Fractional Gaussian Noise)过程和二进小波变换(DWT,Dyadic Wavelet Transform)的突发通信量生成算法——FGN-DWT算法,并对该算法的精度和计算复杂度进行了数学分析和仿真实验,研究结果表明,利用FGN-DW T算法生成的突发通信量的精度和速度都令人满意,为实际网络模拟的进一步深入研究提供了基础。     

基于FAR模型的网络通信量自适应预测

本文分析了网络通信量中存在的自相似现象,并讨论了自相似通信量的预测及其对于网络性能分析的重要意义,提出了一种考虑了网络通信量自相似性的自适应预测方法,该预测方法在利用通信量自相似性的同时也考虑了通信量的短程相关特性,能够对实际通信量进行良好的预测。最后用实验仿真验证了这种方法在通信量预测中的有效性。     

用近邻算法预测通信量时间序列

为了对通信系统进行有效的调控,需要对通信量进行预测,而通信量具有在不同日期遵循不同规律的特点。本文采用基于实例的近邻算法进行时间序列预测,并在考虑动态长度序列、序列特征提取和近似样例的选取上做出改进,取得很好的效果。将近邻预测算法应用到广东省电话网智能管理系统(GTNIMS)中,能够为路由求解提供快速、准确的预测话务量,为更精确的求解创造了条件。     

小时间粒度网络流量自回归预测分析

网络流量测量和预测是网络QoS管理和流量工程中一个重要的组成部分,尤其是对于为了保证网络QoS而引入的一些实时方法,比如接纳控制,资源预留等。较好的网络流量预测效果,能有效地提高这些方法的工作效率,从而有效提高网络带宽的利用率,保证网络QoS。所以高效的网络流量预测不仅是值得的,而且是必要的。由于许多文献研究的是网络流量在大时间粒度(天、周、月等)上的自回归特性,不能用于这种以秒级为单位的接纳控制、资源预留等实时方法,所以本文具体分析了网络流量在小时间粒度的自相似特性,并提出了其自回归预测模型。在模拟实验中采用了实际网络流量,并证明了在大多数情况下预测误差小于15%的概率为90%,它可有效地应用到接纳控制等方面的网络流量预测中。     

网络流量测量中相关参数的自回归预测分析

具体分析了两个参数的自回归预测模型。通过分析数据源NLANR给出的真实网络流量数据，比较SCV和分组数的预测效果，以及对网络流量估计的影响。通过大量模拟实验和数据分析得出了文献【1】预测模型中相关参数结果，对于在网络流量测量中真正应用该模型提供了重要依据。     

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。     

自相似通信量对CSMA/CD性能的影响

大量网络通信量测量研究表明，通信量在长时间尺度上的突发性规律可以用分形或自相似模型来描述。为准确评估CSMA／CD协议性能，基于RMD算法产生近似的FBM，并利用近似FMB构造了自相似通信量模型。基于自相似通信量，采用离散事件仿真技术对CSMA／CD协议建立了排队模型，对网络性能进行了分析，适过与通信量服从泊松到达的仿真结果进行对比，说明了自相似特性对网络性能分析的影响。     

基于自组织映射神经网络的局部自回归方法在网络流量预测中的应用

针对网络流量预测,提出一类基于自组织映射（self-organizing map,SOM）神经网络的局部自回归（auto-regressive,AR）方法．根据SOM的联想记忆在时域的推广,在矢量量化临时联想记忆（vector-quantized temporal association memory,VQTAM）建模技术的基础上,给出具有多个局部线性AR模型的AR-SOM方法,基于前K个获胜神经元用权值代替输入向量建立单一时变局部AR模型的K-SOM方法,以及在完成数据向量聚类的同时,更新多个局部AR模型系数的LLM（local linear map）-SOM方法．相对于全局模型,基于SOM神经网络的局部AR方法能够灵活给出有效的监督神经结构,降低了计算复杂度．将本文方法应用于不同的网络流量预测实例中,并与现有方法相比,实验结果表明所提出的方法能有效地改善预测精度,且性能更好．     

工业大气污染物浓度的复合自回归网络预测

针对工业园区大气污染管理中预测能力较弱的问题,考虑工业大气污染物的多因素耦合及非线性时序特征,提出一种工业大气污染物浓度预测方法。根据预测指标数值特征,提出复合自回归神经网络（CNAR）。对目标预测指标及影响因素进行关联分析及时序建模,实现对工业大气污染物浓度的短期预测。选用河北省某市大气网格化监测数据进行模型训练与方法验证,实验结果表明CNAR预测模型可对工业大气污染物浓度进行有效预测,效果优于传统自回归神经网络,为工业大气污染防控提供参考依据。     

基于自回归滑动平均的网络数据流量预测模型

在无线网络中,对入侵攻击的准确和迅速的检测是关系到无线网络安全的重要问题。各种入侵攻击可以由其导致的网络流量的变化来检测。针对网络流量复杂的非线性以及混沌性,结合网络流量的时间序列特性,提出了一种基于自回归滑动平均(ARMA)的网络数据流量预测模型。该模型利用第三方检测系统,不需要耗费网络资源,能够迅速和准确地预测网络流量。采用从16个信道分析器获得的数据流量测量值对模型进行了初始化。仿真实验结果表明,文中提出的模型能够有效地检测网络入侵攻击,提高了整个网络的性能,延长了网络的寿命。     

自相似网络流量的长相关分析方法

网络流量的长相关性的发现，不仅对传统的流量模型提出了挑战，而且引发了新的长相关性流量模型的研究，文章结合网络流量的研究进展，讨论了现有的几种长相关性流量模型，比较它们各自的优缺点，并预测了未来流量模型的发展方向     

基于时变自回归模型的非平稳数据预测方法研究

针对现有的自回归（Autoregressive,AR）模型对非平稳数据预测效果不佳的问题,提出了基于时变自回归（Time-Varying Autoregressive,TVAR）模型的时序预测方法.针对某型国产飞机发动机的低压转速信号,使用TVAR模型分别进行点预测和区间预测,并与AR模型的点预测结果进行对比.研究结果表明,TVAR模型能够很好地反映非平稳数据的变化趋势.在给定置信水平下,TVAR预测区间能够包含真实数据,因此TVAR模型在时序预测中具有更好的预测效果.     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法,将流量数据构成的原始序列进行小波分解,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建立自回归模型,由所拟合的模型分别进行预测;结合各个重构后序列的预测结果,可以得到对原始序列的预测结果。实验结果表明,这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

基子自适应泸波器理论的自相似流量预测

根据流量特徵预测其到达速率是基于测量的网络控制机制的关键问题。本文研究了基于最小均方（Least Mean-Square，LMS）自适应滤波器对自相似流量进行速率预测的方法。通过分析对不同实际流量记录和仿真流量的预测结果，发现该方法不但减小了采用指数加权平均估计带来的计算复杂度，而且其滤波器系数自适应特性可以有效地跟踪流量的高度变化，从而更加准确地估计流量速率。此外，实验还得出了用LMS自适应滤波器进行流量预测的几个基本参数。     

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.     

一种基于平衡指数平滑的交通流数据预测方法

为了解决传统指数平滑法在滤波后的数据与原始数据之间存在一个因累积误差而导致右偏移的问题,提出一种基于平衡指数平滑的交通流数据预测方法。该方法对传感器采集的异常数据和缺失数据进行处理,对于超过阈值的数据,则用前一时刻数据取代该数据;对于缺失数据,则插人前后时刻的均值。对处理过的数据采用平衡指数平滑法进行滤波。通过三次指数平滑预测模型对数据进行预测。实验仿真表明,该方法能有效消除传统指数平滑的右偏移误差,提高数据预测的准确性。     

Prediction and tracking of long-range-dependent sequences

Long-range-dependent (LRD) sequences have been found to be of importance in various fields such as telecommunications, signal processing and finance. Since the history of an LRD sequence has significant impact on the present values, it is expected that accurate prediction and tracking of these sequences are easier than of short-range-dependent sequences. The purpose of this paper is to verify whether distant observations in the past might increase the performance of a constrained tracker significantly when this information from the past is used in combination with recent observations.     

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。