论文部分内容阅读
预测网络业务的行为在通信网络的接入管理和拥塞控制等方面有着重要的意义。随着现代通信技术的高速发展,网络规模不断扩大,网络业务呈现多样性。越加复杂的网络行为特征给网络流量建模和预测带来了新的挑战。近年来的许多的研究表明,网络业务流量普遍存在着自相似性。自相似业务流对网络性能有着不可忽视的影响。另一方面,业务的这种自相似性也暗示了网络流量具有可预测的结构。网络流量预测传统方法是利用流量的统计特性建立数学模型。随着神经网络研究的深入,一些学者也将其用于网络流量的建模和预测。本文根据网络业务的自相似特征,利用神经网络进行自相似流量的预测和应用研究。对神经网络的结构和学习算法进行了探索性研究,引入一种基于自适应增益系数改进的学习算法。本论文的主要研究工作包括以下几个方面:1.总结网络流量的自相似的特征、及其产生原因和对网络性能的影响。在分析神经网络在网络流量预测方面研究的基础上,使用BP和FIR两种前向神经网络作为自相似流量的预测模型。2.研究神经元模型的结构和对信息的处理方式,在分析BP和FIR神经网络标准学习算法基础上,引入一种基于自适应增益系数改进的方法。将改进算法用于BP和FIR神经网络,推导参数的更新方式。在相同的网络结构和初始参数条件下,分析改进算法对预测结果和均方误差收敛速度的影响。3.应用BP和FIR神经网络进行自相似业务流量的预测。对于相同的网络流量样本,通过比较不同结构的BP和FIR神经网络的预测结果确定用于预测的最优结构。比较BP、FIR和Wiener滤波器对自相似流量的预测结果,选择其中预测性能最好的模型用作缓冲区动态分配的预测器。4.根据预测结果动态地分配排队系统的缓冲区空间。在几种缓冲区分配方案中,分析自相似程度对排队系统性能的影响,为进行缓冲区的动态分配提供依据。在分析完全分割(CP)和实时动态共享(RTDS)方案的基础上,提出基于预测的动态共享(PBDS)方案。通过仿真比较三种不同方案对排队系统分组丢失率的影响,同时分析各个方案对不同业务源的公平性。