张爱萍[1]2004年在《基于FARIMA的网络流量分形维数的分析方法研究》文中研究指明Leland和Klivansky等对LAN及WAN流量进行研究发现网络流量具有自相似性，传统的流量模型不能完全描述流量的真实特征。自相似性对信元丢失率、网络延迟等系统性能有重要影响，因此基于自相似模型的研究显得日益重要。其中流量的分形维数的求解问题是相关研究中的一大难点。 本文由分形自回归整合滑动平均(FARIMA)流量模型产生自相似性数据。针对流量分形维数的求解，本文分别从直接估计和间接估计两个方面进行研究，采用分形分析方法对产生的业务流进行统计分析，其中重点讨论了变标度极差分析法(R／S)。本文拓展了Hurst提出的原始的R／S方法，引入广义情况下的R／S概念，对它的计算条件、尺度范围以及系统误差进行分析。在运用R／S分析数据时，初始标度和最大窗长是影响计算准确度的主要因素。因为非理想的自相似性分形，只在部分范围内能比较好的拟合成直线，而这个范围则由初始标度和最大窗长把握。 另外还探讨了聚集过程的方差分析法和基于分形维数的定义的变换分析法的计算条件和精确度等特点。研究发现，与R／S算法相似，聚集过程的方差分析法也有一定的计算尺度范围，那就是m序列中元素的范围界限。只有选择恰当的m的大小范围，才能得到较好的估计结果。经仿真分析观察，由于在较长范围内，流量数据涨落差距的增幅远远小于矩阵宽度的增幅，变换算法估计得到的结果偏高于实际值，而且计算量较大。此算法不适合作为流量时间序列的分析工具。
于秦[2]2006年在《无线网络流量分形特性分析与建模》文中研究说明自从1993年W. E. Leland等人将分形学中“自相似(self-similarity)”概念引入通信领域的网络流量研究中，由此而发展起来的用分形(fractal)理论来研究网络流量行为的思路为网络理论的发展开辟了新的途径，同时也对网络性能分析、服务质量(QoS)控制以及网络设计产生了深远影响。但十余年的大量研究和探索主要针对有线环境下的网络流量而进行，揭示的是有线网络流量在不同时间尺度上所呈现出的复杂分形特性，而无线网络在物理层传输机制和介质访问控制上与有线网络有较大差异，网络中流量的分布及其参数取决于用户移动性、分组大小、无线链路的比特率、网络负载、无线接入点的调度、越区切换、位置管理等因素，因此，有线网络环境中流量所呈现的分形特性以及据此建立的流量模型和进行的排队性能分析不能直接照搬到无线网络中。目前，对无线网络流量特性的相关研究尚处于起步阶段，还缺乏一套完整有效的研究方法和体系，这就要求研究者从网络技术和工程实际的角度出发，从现有数学理论和工具中选择适用于无线网络流量特性研究的方法，建立一个包括无线网络流量特性分析、流量建模、流量预测以及网络性能评价的体系。本论文的主要研究工作就是围绕上述问题而进行。论文在利用分形理论分析无线网络流量特性、比较多种不同的网络流量数学模型的基础上，引入了时间序列分析、多重分形谱理论、小波分析法、排队论、计算机仿真等研究方法，对无线网络流量建模、流量预测以及网络性能评价进行了较为系统的研究。本论文对研究所必需的理论基础、方法工具和技术手段做了详实的基础工作，主要有：分形网络流量理论、分形特性检验与估计、自相似业务流合成特性研究、分形特性流量建模及预测和分形流量的网络性能分析等。在研究过程中，针对无线网络流量的分形特性检测、业务流合成、流量建模及预测和网络性能评价，开展了一些具有创新意义的工作。本文第二章对分形理论中与流量研究相关的概念以数学定义和解释的方式做出全面总结，从单分形(monofractal)和多重分形(multifractal)的视角出发，探究概念和定义的理论依据、本质内涵和相互关系，为后续进一步的研究工作打下理论基础。第叁章研究分形特性的检验与估计。本章从自相似和多重分形两条主线出发给出常用的时／频域和小波域内自相似性检验的Hurst参数估计方法，以及利用H(?)lder指数和多重分形谱进行多重分形检验和估计的算法。通过实验一和实验二分别对OPNET仿真所得以及真实无线网络环境中的流量数据序列的自相似性和多重分形特性进行检验和估计。针对传统Hurst参数估计方法所存在的不足，在本章中提出了一种基于最优化线性回归模型的小波域内Hurst参数估计方法，并对无线局域网的网络流量利用所提出的方法和传统Hurst参数估计方法进行比较分析。为实现对大、小时间尺度上分形特性的统一检验与估计，本章还提出了一种基于分形维数的分形特性统一检测方法，能同时对网络流量在大时间尺度上的自相似性和小时间尺度上的多重分形性进行判定，并通过实验验证该方法的有效性。由于自相似反映了网络流量在较长时间周期上的相关性，而合成操作又是网络中的一种基本操作，因此，第四章对自相似业务流的合成特性进行研究。本章在对N(N∈Z_+，N＞3)个严格二阶自相似、长程相关和强二阶自相似输入流合成后的流量分形特性进行理论推导的基础上，以IEEE 802.11无线局域网(WLAN)为研究对象，详细分析研究了其在四向握手机制、退避机制下的业务流具体汇聚过程，并在OPNET中基于Sup-FRPP节点模型和WLAN环境对自相似业务合成流特性进行实验研究。第五章基于分形网络流量理论、分形特性检验与估计和自相似业务流合成特性的研究结果，进行分形特性无线网络流量建模的研究。对传统的流量模型从物理模型和统计模型两条主线加以概括，对物理模型中的ON／OFF模型从单一业务源到多业务源组进行研究，而对统计模型则从时域内的短相关和长相关模型进行归纳总结。本章提出了一种基于分形自回归综合滑动平均(FARIMA)过程的无线网络流量模型，给出模型辨识过程，通过实验研究利用该过程对无线网络流量的建模，并对模型有效性进行验证。给出GARMA模型的构建及其模型辨识算法。本章还提出了一种基于稳定分布的无线网络流量自相似模型，包括稳定分布的定义和属性、参数估计和验证，并给出实验与结论。由于小波变换的一些独有优点，本章还提出了基于小波分解的无线网络流量模型，对连续小波变换(CWT)、多解析度分析(MRA)和小波变换的Mallat算法进行研究，并由此建立无线网络流量的小波模型并进行实验研究。第六章基于第五章所提出的分形网络流量模型进行流量预测。提出了基于FARIMA模型的自相似无线网络流量自适应预测，并对真实无线网络流量在不同时间尺度上的流量数据序列进行预测，对预测结果进行分析以验证预测算法和评估预测性能。由于小波变换具有很好的去相关性，因此对无线网络流量trace进行小波分解所得的尺度系数和小波系数可利用短相关模型ARMA进行建模。本章基于小波分解的无线网络流量模型，提出自回归预测算法，对不同时间尺度上无线网络流量的近似分量和细节分量进行预测，进而得到对整个网络流量的预测结果，并对预测性能进行分析。第七章在流量建模及流量预测的基础上进行网络性能分析。本章第一部分通过引入一类混合指数分布并证明此类分布服从Pareto重尾分布，得到相应的LST变换闭合形式及服务时间渐进级数，同时将形状参数γ=3/2时的服务时间及其LST变换推广到更一般的情形，较为有效地解决了重尾分布的信源排队等待时间分析问题。此外，本章还提出了一种通用的分组丢失率分析方法，在对流量过程的平稳增量过程利用normal分布和Log-normal分布进行大、小时间尺度建模的基础上，定量分析研究稳态和瞬态时网络性能，将排队系统中发生的分组丢失划分为绝对丢失和随机丢失，分别对相应的分组绝对丢失率和随机丢失率进行定量分析研究，并通过实验研究真实无线网络环境中流量在大、小时间尺度上的分形特性带给网络性能的影响。
王楠[3]2003年在《无线局域网的网络流量特性与建模研究》文中研究说明当前无线局域网的发展趋势表明,迅速增加的笔记本电脑和PDA的用户迫切要求为他们提供灵活的宽带无线服务。要想满足这一需求,研究无线局域网的流量特性和流量模型就显得十分重要,这也是本文研究的目的。受到有线网络流量具有自相似性的启发,本文针对Standford大学无线局域网的流量测试结果做了大量的分析,首次发现无线局域网的真实流量特性在不同的时间尺度下都呈现出显着的自相似性。为考察无线链路的流量是否也具有自相似性,本文进行了无线链路流量特性若干项测试,首次验证了无线链路的流量具有自相似性。本文认为这是无线局域网的流量具有自相似性的首要原因。不仅无线链路的流量具有自相似性,我们还知道无线局域网的流量就是由各条无线链路上的流量汇聚、迭加而形成的,而汇聚、迭加是产生自相似的重要原因,本文认为这是无线局域网的流量呈现出典型自相似特征的另外一个原因。Hurst系数、信息维数和盒维数是反映分形特性的重要指标,本文总结了Hurst系数、信息维数和盒维数在不同时间尺度下的变化规律,并结合无线局域网的用户行为方式给出了部分解释。本文计算并绘制出了无线局域网流量的多重分形谱,从而首次发现无线局域网的真实流量具有多重分形的典型特征。作为建立基于自相似理论的无线链路特性的数学模型的初步尝试,本文给出并验证了丢包率PLR的一个近似的计算公式。该公式的参数是Hurst系数、Buffer容量大小和该无线链路服务率。鉴于无线局域网流量自相似性的发现,本文使用了两种基于分形理论的预测算法用于预测无线局域网流量,并与非分形的预测算法在预测效果上进行了比对,证实了基于分形理论的预测算法在预测无线局域网流量时的优越性。实际体现了发现无线局域网流量自相似性的意义。本文还对分段变维分形插值预测法进行了改进,提高了预测精度,克服了原方法的缺陷。本文讨论了无线局域网可采用的提高性能可靠性的各种措施。并且,为在蓝牙应用层提高可靠性,本文研究并部分实现了支持断点续传的高可靠的新型蓝牙文件传输协议。
张爱萍[4]2006年在《基于仿真的网络流量分形维数的估计与分析》文中指出由分形自回归整合滑动平均(FARIMA)流量模型产生自相似性数据,针对不同维数仿真得出的流量样本,采用变标度极差分析法(R/S)在不同时间尺度上对流量分形维数进行估计分析,并分析了R/S分析法在流量估计中存在的系统偏差。
杨双懋[5]2012年在《无线网络中的流量预测与MAC算法研究》文中认为无线网络以其不受时间和空间束缚的特点，帮助人们实现无处不在的服务和应用，在国民经济中发挥着越来越重要的作用。由于无线信道具有时变和不可靠等物理特性，无线网络数据链路层中的媒体接入控制（MAC）算法对无线网络的吞吐量、容量和时延等性能都具有很大的影响。为此，本文针对单跳无线网络中流量预测和MAC算法、多跳无线网络MAC算法以及认知多跳无线网络中的MAC机制展开了研究。与网络业务的流量特性结合以提升无线网络数据链路层性能是当前MAC算法研究中的难点。由于无线网络流量的波动性与自相似特性给流量预报技术提出了很大的挑战，本文在第二章中对无线网络流量预测算法进行了研究，并提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测，并在此基础上将序列进行零均值化；然后采用限定搜索法对分数差分阶数进行精确估计；在获得必要的模型参数后，利用GARCH模型对新息序列进行建模，以跟踪流量序列波动性的变化；最后对模型预测的结果进行均值补偿。仿真结果表明，该算法能与传统的FARIMA预测算法保持相同的时间复杂度，并能提供比后者更好的预测性能。第叁章则进一步将第二章提出的预测算法应用到单跳无线网络MAC算法设计中。通过将预测结果结合冲突分解算法对信道进行合理调度，我们提出了两种新的冲突分解算法。首先，我们针对分组的到达时间间隔建立流量模型，提出了一种基于流量预测的混合冲突分解算法，仿真结果表明其性能比已有的FCFS算法有所提高；然后，由于小时间尺度上流量特性太过复杂，于是针对聚合的业务流，我们又提出了一种基于流量预测的两段式树形冲突分解算法。仿真结果表明，相对于现有的二叉树形算法，该算法能有效地提高系统吞吐率和降低平均时延及平均分解周期，从而改善系统的整体性能。针对传统的FPRP算法在多跳无线网络场景下调度单播业务效率不高的问题，第四章提出了一种基于FPRP改进的MAC算法。该算法通过增加一轮预约过程和对业务的区分服务来提高节点的空间复用率。仿真结果表明其性能比FPRP算法有所提升。同时，针对物理层具有多包接收能力的多跳无线网络，我们又提出了一种结合多包接收的预约调度MAC算法。该算法将多包接收和FPRP的多轮预约调度相结合，通过邻居节点之间的控制信息交互，充分利用节点多包接收能力。通过理论推导，我们得出了该算法在理想条件下的节点吞吐率估计式。此外，对该算法的仿真结果也验证了其有效性。第五章研究了认知多跳无线网络中网络容量的求解与网络吞吐量的优化问题。我们首先推导了混迭（Underlay）模式下认知多跳无线网络容量上界的闭合表达式，并指出该上界只与用户空间分布特性相关；然后提出了一种新的基于遗传算法的跨层优化MAC算法，通过联合优化邻居选择与功率分配实现网络吞吐量的最大化。仿真结果表明，该算法所获得的吞吐量能够较好地逼近网络容量上界。最后，第六章对本文所做的研究工作进行了总结，并对未来的研究方向作出了展望。
汪志勇[6]2009年在《结合分形神经网络理论的网络流量预测研究》文中认为网络流量特性的分析、流量建模以及流量预测对于新一代网络协议设计、网络管理和提高网络服务质量等都有重要的意义。本文也正是以网络流量特性分析为出发点,对网络流量预测模型算法及其应用进行了相关的研究。论文首先对网络流量特性进行了详细分析,介绍并实现了六种网络流量分形维度的估算方法,通过仿真实验对比验证了各种估算方法的精度以及周期和噪声信号对估算方法的影响;同时论文探讨了网络流量自相似的成因和对网络性能的影响。其次本文归纳总结了网络流量建模预测发展过程中的传统的短相关模型、自相似模型各自的优缺点,讨论了网络流量领域最新的分析方法和理论,分析得出:针对同时具有长相关和短相关的自相似网络业务流应当采用混合模型才能更精细的刻画其特性。在详细分析网络流量特性的基础上,提出基于分形滤波神经网络的混合流量预测模型,改进神经网络训练算法,应用该模型对真实网络流量的变化趋势进行拟合和预测,实验结果表明:分形滤波神经网络模型能同时描述自相似流量的长相关和短相关特性,并且其拟合真实流量效果比FARIMA模型、AR模型和BP网络模型更好;Hurst参数值越大的仿真流量,其预测精度越高;分形滤波去长相关后真实网络流量短期预测精度高于传统回归模型;分形滤波去短相关的预测模型,在多步预测中更能抓住业务流的未来变化趋势。最后论文将分形预测模型与网络动态带宽分配相结合,仿真实验表明针对具有分形特性突发性较强的业务流,基于预测的动态网络带宽分配策略能有效的减少信元丢失率、传送时延及队列长度,大大提高了网络传输质量。
吴文清[7]2004年在《基于系统动力学的网络业务研究》文中认为网络流量特征分析和建模是网络技术研究的一个分支. 由于网络拥赛控制（包括丢包率、队列延时、网络吞吐率）和网络资源利用（如队列缓冲区容量、带宽利用率及 QOS 保证）等关键技术都依赖于特定的流量特性，因而网络流量的特性分析和建模对网络结构设计和性能优化具有重要的理论和实际意义. 在计算机网络模型的设计评价和优化中，网络业务模型起着非常重要的作用.其中，时间序列模型作为研究网络业务的工具，有着很好的应用前景. 然而，传统时间序列模型只能处理短相关，如泊松过程，Markov 过程，AR, MA，ARMA和 ARIMA 过程等. 随着网络测量技术的发展，网络研究人员发现高速网络的业务具有长相关性(long-range dependence), 亦称自相似性(self-similarity). 而这些传统模型是不能处理的. 于是，一些长相关模型，如 FGN（分数高斯噪声，Fractional Gaussian Noise）和 FARIMA(0,d,0)被用作网络业务模型. 新发展起来的FARIMA(p,d,q)模型克服上述长相关模型的缺点，可同时处理长相关过程和短相关过程. 但其预报是建立在概率基础上的，预报的步长也受到网络流量特性的制约，从而限制了它们运用于实际控制. 目前，用混沌动力学处理时间序列问题正在蓬勃发展，在许多领域得到或开始得到发展. 同时，网络流量的自相似性已被证实，自相似性和混沌具有紧密联系，这为我们研究网络业务模型开辟了新的途径. 我们注意到，用混沌方法研究网络流量的文献较少，仅有的研究仍停留在网络流量的混沌特性上. 这启发我们用混沌理论对网络业务进行系统研究，探讨网络流量混沌的成因. 神经网络具有并行处理及强大的非线性映射能力，对于未知的动力系统，可以通过它来学习混沌时间序列，然后进行预测和控制. 本文应用混沌理论对网络流量的系统动力学特征进行了认真分析，并结合网络流量的具体数据，计算了网络流量的 Hurst 参数，关联维数，Lyapunov 指数. 在此基础上，运用小波理论对网络流量数据进行了去长相关处理，进一步对网络流量混沌成因进行了探讨，指出网络流量的混沌与网络流量的长相关存在着联系.在此基础上，运用 BP 神经网络理论，建立了相关模型，对实际网络流量进行了预测. 研究表明，基于混沌理论建立的 BP 神经网络模型和 FARIMA(p,d,q)模型都能较准确地对网络流量进行预测，而 BP 神经网络模型能够经过学习，获得较长的预测步长.
冯慧芳[8]2006年在《IEEE 802.11无线局域网业务流特性研究及预报》文中提出网络业务特性分析是网络性能评价、规划、设计、管理和控制的基础。无线局域网业务特性的研究对提供更好的服务质量,提高IEEE 802.11无线局域网的性能,以及设计更好的网络设备都有非常重要的意义,比如,无线局域网业务特性有助于我们设计更好的MAC层无线信道共享机制,或更好的缓存调度算法等。另外,精确地业务流预报可以进行有效地拥塞控制、准入控制和动态带宽分配等,从而提高无线局域网资源的利用率。随着无线局域网的蓬勃发展,研究这一环境下的网络业务流特性及预报是非常有意义的。本文研究了真实无线局域网业务流的数据包到达间隔和聚集业务流的统计特性。研究发现无线局域网中数据包到达过程不能用传统的Poisson过程描述,数据包到达间隔具有长相关性,是渐进自相似的,不能将有线网络中的建模方法直接应用到无线局域网的性能分析中。单位根检验发现无线局域网聚集业务流是非平稳的,而且都是一阶单整序列。对聚集业务流的二阶统计特性分析发现,上行和下行的混合业务聚集流在秒级以下的时间尺度上,自相似性较弱,在秒级以上呈现明显自相似特性。通过小波能量谱分析发现,和Poisson过程相比,无线局域网业务流在各个时间尺度上都具有明显的突发性。本文首次使用混沌理论研究了无线局域网聚集业务流的特性。首先对无线局域网聚集业务流进行定性分析,功率谱分析发现业务流序列与随机序列、周期序列存在着差异,主分量分析表明业务流序列均具有非线性特性,功率谱和主分量分析结果都表明无线局域网业务流序列具有混沌迹象。在定性分析的基础上,依据关联维数和最大Lyapunov指数进行混沌定量分析。通过计算发现叁个业务流序列均存在饱和关联维数,其值均为非整数,叁个业务流序列的最大Lyapunov指数都为正数,这些说明了无线局域网业务流具有混沌特性。支持向量机是一种适合于在小样本情况下进行建模的机器学习方法。本文尝试把支持向量机引入到无线局域网业务流的预报中,为小样本情况下业务流预报提供一种行之有效的可选择方法,建立了基于支持向量机的无线局域网业务流一步和多步预报模型。应用真实的无线局域网业务流序列检验了该模型的预报性能,结果表明,和时间序列、神经网络和基于小波的常用网络业务预报技术相比,基于支持向量机预报技术表现出了良好的预报性能,说明了基于支持向量机的预报方法对无线局域网业务流的预报是有效的和可行的,为它在无线局域网中的进一步应用提供了指导。
王汉珍[9]2005年在《自相似网络流量的自适应控制》文中进行了进一步梳理对于网络流量的控制,首先需要了解流量特性并建立准确的流量模型。过去由于网络流量测量技术和设备的局限而只能对业务的统计特性进行假设。网络业务模型在很长一段时间都采用传统的话务模型或其改进形式,即假定业务的到达过程为Poisson过程,到达间隔服从指数分布。这些模型的共同特点是所描述的业务序列具有短时相关性,当时间标度增加时,统计上单位时间内得到的数据包数将趋于白噪声。Leland和Klivansky等人对LAN和WAN流量进行研究发现网络流量具有自相似性,传统的流量模型不能完全描述流量的真实特性。自相似性对信元丢失率、网络延迟等系统性能有重要影响。因此基于自相似模型的研究显得很重要。FARIMA(p,d,q)过程有效的描述了样本流量的长相关特性,同时也能很好表示具有短相关结构的业务流量。该方法生成的数据在不同时间下具有的长相关和短相关特征都与真实业务一致,这是AR、ARIMA等模型所不具备的。 本文利用FARIMA(p,d,q)模型拟合真实网络流量并将其看作不可控输入即噪声输入,其中差分算子(1-z~(-1))~d同时体现了自相似业务的长相关性和短相关性,但由于其阶数太高而难于用于控制。本文首先利用Pade降阶算法对其进行降阶,然后将降阶后的表达式转换为噪声项,采用最小方差控制以消除由此不可控输入所造成的对系统输出(交换节点缓冲区队列长度)误差的影响,使得系统输出(队列长度)稳定在阈值附近。 本文通过分析,从理论上证明了最小方差控制算法应用于自相似网络流量控制的可行性和系统的稳定性;并用计算机进行了仿真验证,仿真结果支持了本文的推导,但还与理论有一定的差别。
李大辉[10]2011年在《网络视频流量的多重分形建模与多步预测研究》文中研究指明在网络传输中，网络流量影响现实网络的业务传送质量。网络流量的自相似性（SelfSimilarity，SS）被发现后，利用分形和多重分形理论研究网络流量的测量、建模和控制，成为一个热点研究问题。由于分形理论揭示了分形整体与局部形态的相似，揭示了介于整体与部分、有序与无序、复杂与简单之间的新形态、新秩序。分形形体中的自相似可以是完全相同，也可以是统计意义上的相似。对于流量的分析经过叁阶段，第一阶段是传统的流量模型，如Poisson，Markov和ARMA等模型，第二阶段是自相似特征的流量模型，如FGN模型，FBM模型，FARIMA模型。第叁阶段是多重分形特征的流量模型，如MWM、MFM。并给出分割函数S (q)的定义和h (q)的定义，并说明了用S (q)和h(q)函数判断流量的单分形和多重分形，为流量分析提供了有利方法。在对网络流量的分形特征与估计方法充分分析基础上，对视频流量的图像质量和压缩比YUV、均值X|-、方差系数S x/X|-和峰值/均值X_(max)/X|-参数进行统计，统计数据表明视频流量的质量越高，突发性就越强，这种波动性体现在整体，对于局部却没有发现，说明了方差系数反映的是流量整体的波动性，而不能反映局部的波动性的。对流量的LRD特性分析中，明确了不同内容的视频流均表现出LRD特性，只是其LRD的程度相差很大；对于不同质量的同一视频内容，它的LRD的程度也不同，一般图像质量越高，其LRD越强；对于相同质量、不同内容视频流，其LRD程度不同，其原因在于YUV越高，而压缩比越小，视频越清晰，同时H也越强，当然LRD也越高。在相同内容中，如果前景与背景相对出现快速变化，形成了流量的突发性，X max/X|-就会变大，LRD也就产生变化。对视频流量的多重分形特征分析中，明确MPEG-4视频流量中的I、P、B帧相关性，在各尺度系数下，分析了MPEG-4视频流量中的I帧的边缘分布性质和相关性，用较少的数据进行统计参数，达到估计长相关性的目的，奠定了网络视频流量的多重分形模型设计基础。本论文在相关的理论基础、方法和技术基础上，研究了网络流量的分形特征，对网络流量的单分形和多重分形特征进行分析，确定了基于单分形的Hurst参数估计方法、Holder指数估计和多重分形谱的估计方法；同时研究了具有分形特征的网络流量建模技术，综合分析了传统的网络流量模型、单分形和多重分形的网络流量建模。又由于多媒体技术的广泛应用，网络视频流量在Internet网络流量中占据了很大的比重，本文在针对网络视频流量的分析、多重分形建模和预测开展了一些具有创新意义的工作。第一分析了多重分形模型的小波基、消失矩和因子等因素对仿真序列的影响，确定了选取各因素的方法和策略。通过选用Haar、Daubechies、Coifets和Symlets小波分别生成多重分形模型的仿真序列，以及对仿真序列的长相关和多重分形特征进行分析，基于Haar小波的多重分形模型仿真序列最接近真实视频流量；通过分析Haar、Daubechies、Coifets和Symlets小波的消失矩，选用Daubechies和Haar小波进行仿真实验，实验表明，由于Haar小波有最短的支集和最小的消失矩，并且它是Daubechies小波的一种，在多重分形模型中，Haar小波是最理想的选择。针对传统多重分形模型中因子分布的缺陷，选用了β分布、点集（pointmass）分布和pareto分布等因子完成了多重分形建模过程，分析了仿真流量的分布特性、长相关性和多重分形等特征，并通过定义Kullback-Leiblar（KL）方法，判断具有距离最近的因子，实现多重分形模型仿真序列具有最佳分布，使得各尺度上的因子参数具有鲁棒性，因此多重分形模型中β分布就不是唯一的选择，可以依据信号的不同特性选择不同的因子分布。第二针对视频流量的长相关性（long range dependence, LRD）进行了研究，通过对多重分形的各尺度系数和边缘分布进行了分析，以及对系数间的相关函数进行分析，提出了一个控制LRD的方法，这个方法主要对最粗的尺度系数建模，而这种建模具有自回归的短相关性（short range dependence, SRD），目的是将具有SRD特性的最粗尺度能够与具有LRD特性的最终流量序列建立联系，达到能够精确地控制流量序列的LRD，实验验证了这各方法能够保证了流量序列的LRD，也验证了多重分形模型的有效性。第叁由于多重分形树的分解能力，将时间序列进行分解细化为多层结构，通过对多重分形模型的各尺度系数进行性质分析，由于这个模型保持流量序列自相关函数的主体形状不变，设计了网络视频流量的多步预测方法，针对网络视频流量的多步预测方法，完成了多重分形可预测的分析，详细地设计了预测模型，介绍了尺度系数预测和因子预测方法，仿真表明多步预测模型的视频流量仿真有较好地效果。第四将视频流量多步预测和流量控制相结合，主要讨论了网络QoS中的一些应用问题。在排队分析中，定义了一种广义尺度参数，并推导用于排队分析的多重分形模型的统计参数，然后利用Norris提出的排队理论，用广义尺度参数定义了长相关和短相关的的控制策略，给出了基于多重分形的预测模型，利用RTT设计了流量控制算法，实现了实际应用中的控制目的仿真实验证明了这个预测算法是有效性的。
参考文献：
[1]. 基于FARIMA的网络流量分形维数的分析方法研究[D]. 张爱萍. 武汉科技大学. 2004
[2]. 无线网络流量分形特性分析与建模[D]. 于秦. 电子科技大学. 2006
[3]. 无线局域网的网络流量特性与建模研究[D]. 王楠. 中国科学院研究生院（计算技术研究所）. 2003
[4]. 基于仿真的网络流量分形维数的估计与分析[J]. 张爱萍. 计算机与现代化. 2006
[5]. 无线网络中的流量预测与MAC算法研究[D]. 杨双懋. 电子科技大学. 2012
[6]. 结合分形神经网络理论的网络流量预测研究[D]. 汪志勇. 江西师范大学. 2009
[7]. 基于系统动力学的网络业务研究[D]. 吴文清. 天津大学. 2004
[8]. IEEE 802.11无线局域网业务流特性研究及预报[D]. 冯慧芳. 天津大学. 2006
[9]. 自相似网络流量的自适应控制[D]. 王汉珍. 武汉科技大学. 2005
[10]. 网络视频流量的多重分形建模与多步预测研究[D]. 李大辉. 哈尔滨工程大学. 2011
标签：互联网技术论文; 网络流量论文; 分形维数论文; 网络模型论文; 业务建模论文; 预测模型论文; 相关性分析论文; 预测控制论文; 系统仿真论文; 自相似性论文; 流量论文; 序列模式论文; 流量系数论文; 无线模式论文; 无线局域网论文;