基于分形的网络流量建模及排队性能研究

论文摘要

面向新一代互联网大规模实时流媒体业务的应用需求，高性能宽带信息网（3Tnet）示范工程采用一体化网络接入设备，经过一级交换就能直接完成业务接入汇聚，在接入段从机制上保证了用户的带宽独享。在核心段，3Tnet采用高性能、突发式分组交换设备构建，由于网络流量的特性能充分反映业务与承载网络之间的相互作用与影响，因此迫切需要定量描述核心网聚合网络流量特性。而且，网络流量的复杂特性及其对网络性能的影响已成为当前计算机网络基础理论研究的热点之一。 本文将3Tnet对核心网聚合流量特性的研究需求推广到一般情况，基于分形理论，研究了聚合网络流量建模、特性分析以及分形流量输入时的排队性能等问题。对自相似理论框架下的网络流量模型及其主要参数的估计算法进行了评估，在此基础上，构建了描述聚合网络流量特性的联合多重分形（JMF）模型，其统计特性的理论分析结果以及真实流量数据的拟合结果，均验证了JMF模型描述聚合流量的有效性。分析了网络流量的具体特性，以级联方式抽象了3Tnet对流量的汇聚过程，并基于网络流量的客观特性及聚合流量的实际汇聚方式，提出了能够定量描述汇聚过程的多尺度突发性约束非平稳（MBCN）聚合网络流量描述方法，进一步验证了JMF模型中特征函数对定量刻画流量特性的有效性。最后在流量特性研究的基础上，提出了具有分形特性流量输入时单队列溢出概率的解析性计算方法。 本文主要包括如下几个方面的工作： ■ 综合评估了当前常用的自相似框架下的网络流量模型，系统分析了自相似框架下具有代表性的流量模型的提出背景、应用条件、各自的优缺点以及应用前景。研究表明：虽然自相似框架下的网络流量模型在一定程度上能够较好地拟合网络流量在大时间尺度上的长相关特性与突发特性。但是各个模型总是存在各自的局限性，不能充分反映网络流量的复杂特性，尤其是它们的共同缺陷是不足以准确描述网络流量短时的瞬态变化特性。 ■ 采用对已知参数的人工长相关序列重新进行参数估计的逆向方法，对流量序列长相关特性的传统估计算法进行了性能评估，并提出了定量分析流量序列长相关特性的滑窗时变Hurst指数（SWTV-H）估计算法。由于传统的Hurst指数估计方法所采用的统计量多是在全域内求和取平均的结果，会导致网络流量数据序列中的高可变信息受损，故任何一种传统的估计方法都不能准确估计复杂条件下流量序列的Hurst指数。基于此，提出了时域内的SWTV-H算法。SWTV-H算法通过选择合适的窗宽，按照相应的分辨率在局部实现Hurst指数估计，并通过加窗的时移，以时变Hurst指数量化全域内流量序列的长相关特性。 ■ 基于多重分形理论与数据拟合的方法，提出了联合多重分形（JMF）网络流量模型及模型参数的估计算法，为聚合网络流量的分形建模与特性分析提供了一个理论研究平台。JMF模型以瀑布过程的构建类比Web会话业务流量的产生过程，以尺度函数与矩因子

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 表目录
• 图目录
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究目的及意义
• 1.3 该领域的研究历史
• 1.3.1 传统网络流量模型及相关研究
• 1.3.2 自相似网络流量建模、特性研究
• 1.3.3 自相似流量输入时的排队性能研究
• 1.4 该领域的研究现状
• 1.4.1 网络流量特性的继续深入研究
• 1.4.2 复杂特性条件下的网络系统性能研究
• 1.5 本文的主要工作
• 第二章 自相似网络流量模型的评估
• 2.1 引言
• 2.2 自相似网络流量模型
• 2.2.1 重尾分布的ON/OFF模型
• 2.2.2 FBM/FGN模型
• 2.2.3 FARIMA模型
• 2.2.4 M/G/∞模型
• 2.3 网络流量模型评估
• 2.3.1 四种模型之间的内在联系
• 2.3.2 四种流量模型的优缺点
• 2.4 长相关特性估计方法的性能评估
• 2.4.1 Hurst指数的估计算法
• 2.4.2 Hurst指数估计算法的可靠性评估
• 2.4.3 评估结果的分析与结论
• 2.5 长相关特性的态势估计算法
• 2.5.1 滑窗时变Hurst指数估计算法
• 2.5.2 性能分析
• 2.6 小结
• 第三章 网络流量的联合多重分形模型
• 3.1 引言
• 3.2 多重分形的有关定义及性质
• 3.2.1 分形维数和奇异谱
• 3.2.2 尺度函数与奇异谱的关系
• 3.3 联合多重分形网络流量模型
• 3.3.1 连乘瀑布模型与Web会话过程类比
• 3.3.2 JMF模型
• 3.3.3 模型参数提取
• 3.4 模型分析
• 3.4.1 特性分析
• 3.4.2 与其他多重分形模型的比较
• 3.5 模型的合理性检验
• 3.5.1 真实流量数据分析
• 3.5.2 数据拟合
• 3.6 小结
• 第四章 聚合网络流量的特性及汇聚过程分析
• 4.1 引言
• 4.2 网络流量特性分析
• 4.2.1 包到达时间间隔分布
• 4.2.2 非平稳特性
• 4.2.3 不同时间尺度的影响
• 4.3 3Tnet网络架构下聚合流量的汇聚过程
• 4.4 MBCN描述方法
• 4.4.1 网络流量汇聚问题的抽象
• 4.4.2 聚合流量的随机突发值
• 4.4.3 非平稳FGN过程
• 4.4.4 MBCN描述方法
• 4.5 数据实验与分析
• 4.6 小结
• 第五章 多重分形流量输入下的排队性能研究
• 5.1 引言
• 5.2 多重分形流量输入下的排队性能
• 5.2.1 排队模型
• 5.2.2 队列溢出概率的计算框架
• 5.3 排队性能分析
• 5.3.1 FBM过程输入下的排队性能
• 5.3.2 多重分形过程输入下的排队性能
• 5.4 单、多重分形流量输入下的排队性能的比较分析
• 5.4.1 单重分形过程输入下排队性能
• 5.4.2 多重分形过程输入下排队性能
• 5.5 小结
• 第六章 结束语
• 6.1 本文的研究成果及意义
• 6.2 主要创新点
• 6.3 需要进一步研究的问题
• 致谢
• 参考文献
• 作者在学期间取得的学术成果