论文部分内容阅读
随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,基于网络的应用急剧增长,网络互联环境越复杂,就意味着网络服务越容易出现问题,网络的性能越容易受到影响。为了给用户提供优质的服务,网络的维护和管理显得尤为重要。网络流量的准确预测在计算机网络的设计和管理、冲突控制和动态带宽分配具有十分重要的作用。然而,成功的流量预测离不开精确的流量模型的支持,高质量的流量模型对于设计高性能网络协议和高效的网络拓扑结构；对于设计高性价比的网络设备与服务器；对于精确的网络性能分析与预测：对于拥塞管理与流量均衡提高服务质量等都具有非常重要的意义,精确的网络性能分析与预测离不开精确地网络流量模型。文章分析研究了当前网络流量普遍同时存在的长相关和短相关特性,发现这两种特性对网络流量的走势及其他方面有着不同的影响。在小的时间粒度下获得的流量序列,其短相关过程对网络流量的影响较大,随着时间粒度的增大长相关和短相关将同时作用于网络性能,直到尺度足够大时,流量序列的短相关过程几乎不再产生影响,长相关性成为主导。应用这种变尺度性质差异的特点,在不同的时间粒度下对网络流量进行不同的处理,将可以有针对性的提高网络监测的性能和效果。通过对当前各种网络流量模型的研究分析,找到可以同时描述网络流量短相关和长相关过程的FARIMA模型,将这种模型的过程进行分解,获得了针对长相关过程的FARIMA(0,d,0),也就是分数差分过程。对分数差分过程进行了一系列的分析和仿真实验验证之后发现,分数差分可以有效的削弱网络流量序列的长相关结构,从而相应获得短相关特性为主的光滑的序列。利用这种思路,分析了分数差分的逆过程分形滤波,通过实验发现,分形滤波可以增强时间序列的长相关结构。由此结构网络流量的变尺度性质差异的特点,提出了基于分数差分和分形滤波的网络流量模型。应用较大的时间粒度对网络流量进行统计记录,对获得的时间序列进行分形滤波操作,增强序列的长相关结构,应用合适的传统长相关模型进行建模预测,从而获得较大时间跨度的未来流量的走势；在网络异常频发的高峰阶段,应用尽可能小的时间粒度对网络流量进行统计记录,对获得的时间序列进行分数差分操作,削弱序列的长相关结构,对差分序列应用合适的传统短相关模型进行建模预测,以预知网络异常的发生。通过仿真实验,该方法相比传统的流量模型对同时存在长相关和短相关的网络流量具有更好的预测效果。