网络流量模型展示.pptx

网络流量模型分析
姓名:郝思旭
学号:2014140251
学院:通信工程
网络流量模型概述
传统(短相关)模型(20世纪70年代~1994年)
自相似(长相关)模型(1994年~2004年)
流量建模新发展(2004年至今)
网络流量具体模型
传统(短相关)模型
1、泊松(Poisson)模型
2、马尔可夫(Markov)模型
3、回归(Regression)模型
自相似(长相关)模型
1、重尾分布的ON/OFF模型
2、 M/G/∞排队模型
3、 FBM/FGN模型
4、基于小波的模型
流量预测模型
1、基于神经网路的模型
2、混沌理论模型
3、模糊理论模型
4、混合模型
泊松模型
特点:
泊松模型即指在时间序列 t 内,包到达的数量 n(t)符合参数为λt的泊松分布。泊松模型假设网络事件(如数据包到达)是独立分布的,并且只与一个单一的速率参数有关。
优点:
泊松模型较好地满足了早期网络的建模需求,在网络设计、维护、管理和性能分析等方面发挥了很大的作用。
缺点:
模型已不适于刻画实际的网络流量。
马尔可夫模型
特点:
Markov 模型是利用某一变量的现在状态和动向去预测该变量未来的状态和动向的一种分析方法。
优点:
Markov 模型在随机过程中引入相关性,可以在一定程度上捕获业务的突发性。
缺点:
只能预测网络的近期流量,而且无法描述网络的长相关性。
回归模型
特点:
自回归模型最初是为了预测太阳黑子的数目而提出来的,该模型采用自动回归法,强调时间序列未来的点数由同一时间序列过去的值来决定;在技术上,它采用线性映射,用过去的值来映射未来的值,在给定的时间序列中选取函数的参数使得预测结果的误差最小。
优点:
进行预测只需求解线性方程组,计算相对简单。
缺点:
不能很好地模拟比指数衰减要慢的自相关结构的流量。
传统流量模型的不足
泊松模型、Markov 模型和自回归模型等这些传统模型产生的流量,通常在时域仅具有短期相关性,当业务源数目增加时,突发性会被吸收,聚合业务变得越来越平滑,不能反映业务突发性。而且,传统模型产生的业务流高频成分多而低频成分少,相关结构呈指数衰减,因而不能准确地描述流量自相似性。所以它们都不能准确地描述真实的网络流量。
重尾分布的ON/OFF模型
特点:
ON/OFF 模型就是具有重尾分布特性的模型。首先叠加大量的 ON/OFF 源,每个源都有两个状态,他们是周期交替的 ON 和 OFF。在 ON 状态中,数据源连续地发送数据包;在 OFF 状态中,数据源不发送任何数据包。
优点:
这种模型包含明确的物理意义,有助于深入地了解自相似的本质。
缺点:
假设前提过于严格,即各个源端必须是独立同分布的,且输出速率为常数,而大多数网络业务的分布是无法建立在此前提上的。这些都使得它在实际应用中受到很大限制。
FBM/FGN 模型
特点:
分型布朗运动(Fractional Brownian Motion,简称 FBM)是一种统计自相似过程的数学模型,主要用于生成布朗运动过程。
优点:
FBM 模型能够描述网络业务流的自相似特性,只需要平均速率 m、方差 a 和 Hurst 参数 3 个参数就可以完整地刻画整个模型,在数学上有坚实的理论基础且比较好处理,因而可以很方便地应用于流量的实时仿真和特性分析。
缺点:
无法描述业务的短相关特性,从而不能对既有长相关特性又有
短相关性的流量准确建模;而且,FBM 模型带有高斯性,对于非负的信号(即非高斯性的信号)也不能很好地分析。
M/G/∞排队模型
优点:
从排队系统的角度解释了网络流量产生自相似特性的原因。该模型比较适合于分析自相似网络流量输入时的排队性能。
缺点:
模型假设了服务器一直处于忙期,主要凭借服务时间的随机性来描述自相似特性,对网络流量的 Burst 特性描述能力不足。
基于小波的模型
1、小波域独立高斯 WIG(wavelet-domain independent Gaussian)模型
WIG 的计算复杂度低,使其可以被方便地应用到实际中。但是,WIG 模型仍然是高斯的,对于突发的网络流量参数无法进行完整的描述;当方差大于平均值时,WIG 合成的数据会出现负数,这也与实际
不相符。
2、多重分形小波模型 MWM(multi-fractal wavelet model)
MWM 模型是一个多分形的乘法模型,用较少的参数就能对网络流量中的短相关和长相关进行描述,还能匹配实际流量小尺度下的多分形特性,且能达到比较快速的收敛。其算法复杂度也是 O(n),可以很好地匹配实际网络流量。不足之处是,小波变换系数并非在每个尺度下都独立,而且小波基的选取也影