随着网络的不断发展,现在的因特网已发展成为一个海量非线性系统,网络承载的业务日益多元化。因此,人们对于网络的运行和维护提出了新的要求,主要体现在网络流量识别、预测、异常流量的监测和控制。流量识别算法和网络流量模型在网络设计、服务质量、网络管理与监测中起着重要的作用。目前,运营商不得不面临大量“资源占用多、价值利润低”的业务例如P2P下载流量不停的挤占网络带宽,服务质量和网络安全问题难以解决。网络流量模型通过建立数学模型来反应真实网络流量。传统的泊松模型在现代通信网中已经失效,自从Leland等人在90年代初第一次明确的提出了网络流量中存在着自相似现象后,网络流量的自相似模型不断涌现。国外目前主要有基于端口的流量识别方法、对于可变端口业务能做到准确识别的方法、基于流量统计特性的识别方法和跨层业务等识别方法。由于多媒体应用正越来越多的引入安全加密技术和P2P计算技术,同时多媒体应用也不断变换版本,因此使得原有的流量识别方法不再适用,且越来越难以准确和高效的识别出多媒体信息流。鉴于此原因,面对已知、未知、加密和未加密的多种多媒体信息流,识别技术正越来越向着综合化、智能化、自动化、高效快捷、准确化的趋势发展。本文首先介绍了基于多识别引擎的网络业务识别模型,基于机器学习的DPI业务分析系统和基于决策树模型的业务识别方法,然后从网络的自相似出发,介绍了自相似中的1R/S统计法、周期图法和小波分析法,研究和验证了网络流量的时间序列模型,着重运用了既能反映长相关性又能反映短相关性的FARIMA模型对网络流量进行拟合与预测。小波变换是二十世纪八十年代后期发展起来的应用数学分支,可以将时序上比较复杂的网络流量分解为近似不相关的时间序列,并对时间序列进行平滑,它具有多尺度特征,提供了一种由粗及细地观察信号的方法。小波模型在描述网络流量的时候具有独特的优势,即经小波变换后的序列有较好的平稳性。独立小波模型和多重分形小波模型都能生成自相似的流量,后者由于保证了信号的非负性,更适合描述实际流量。小波变换的核心是多尺度分析,研究信号在不同层次上的信息。独立小波模型能生成自相似的网络流量,但因为它会产生大量的负信号,与实际情况不符。网络流量建模的重要作用之一就是对流量进行预测。网络流量具有高可预测性。本文将流量预测问题引入小波域,将小波分析法与时间序列模型结合起来预测了流量,并对这种方法做了改进,先将小波分解后的近似部分和细节部分进行单支重构,再用FARIMA模型进行预测,减小了误差。