具有重尾特性的自相似网络通信量建模及预测

论文摘要

最近二十年来,高速网络已延伸到现代生活的各个角落,网络技术正在深刻地改变着我们的生活方式。二十世纪九十年代初,人们发现:在各种网络传输条件下,网络通信量特性均呈现自相似性。虽然通信量自相似性产生的物理机理还没有满意的解释,但它对网络技术的影响极其深远。自相似通信量的建模及预测是网络性能分析、网络管理与协议设计基础,并已为计算机网络研究的焦点。近年来,研究表明:网络中广泛存在重尾特性,即非高斯特性,是自相似网络通信量在广泛的时间尺度上产生长程相关性的关键原因,但现有的绝大多数自相似网络通信量模型与预测方法均未考虑网络通信量中的重尾因素。本文是在国家自然科学基金重大项目“基于MIMO-OFDM系统的空中接口自适应技术研究”（No. 60496315）、国家863计划课题“数字视音频编码、传输、测试与应用示范”（No. 2003AA12331005）的项目下,开展了具有重尾特性的自相似网络通信量建模及预测的研究。本文介绍了自相似性及其相关概念,解释了网络通信量自相似特性产生的可能原因,从自相似网络通信量与排队性能、拥塞控制与调度算法、TCP传输机制、多媒体通信量的服务质量等之间的相互关系,全面地分析了自相似网络通信量对网络发展的深刻影响,进一步阐明了针对网络通信量自相似进行研究的重要性与紧迫性。由于重尾特性,即非高斯特性是自相似网络通信量产生长程突发的重要原因,而alpha-平稳过程理论具有刻画这种重尾特性的能力,使之成为了描述具有重尾特性的自相似网络通信量的理想工具,这是该理论相对于其它理论的比较优势所在。本文针对已知的具有代表性的几种自相似网络通信量模型进行了分析,比较了这些模型的优缺点后,提出了一种新的自相似网络通信量模型,其形式简约,参数物理意义明确。对来自Bellcore Lab的实际踪迹进行了模拟实验,结果证实了该模型的准确性与有效性。根据新模型,进一步提出了在无限方差准则意义下的多种自相似通信量预测方法,包括: AR（AutoRegressive）预测、MA（Moving Average）预测、FARIMA（FractionalAutoRegressive Integrated Moving Average）预测。对来自Bellcore Lab和Lawrence Berkeley Lab的实际踪迹据进行预测实验表明:这些预测方法均在广泛的时间尺度上有效预测自相似网络通信量,对这些独立的预测值进行混合预测可以进一步预测精度。最后全文对新的自相似网络模型及预测方法进行了总结分析,指出了本文研究结果的应用前景与以后的研究方向。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 自相似网络通信量的研究重点
• 1.3 本文的主要内容与结论
• 2 网络通信量的自相似性
• 2.1 引言
• 2.2 自相似性的基本概念
• 2.3 网络通信量的自相似特性对网络工程的影响
• 2.4 现有自相似网络通信量模型的比较
• 2.5 本章小结
• 3 具有重尾特性的自相似网络通信量模型
• 3.1 引言
• 3.2 ALPHA-平稳分布的概念与特性
• 3.3 基于ALPHA-平稳过程的自相似通信量模型
• 3.4 模拟实验与结果分析
• 3.5 本章小结
• 4 自相似网络通信量的线性预测
• 4.1 引言
• 4.2 自相似网络通信量的线性自回归预测
• 4.3 自相似网络通信量的滑动平均预测
• 4.4 预测实验与结果分析
• 4.5 本章小结
• 5 具有重尾特性的自相似网络通信量的线性预测
• 5.1 引言
• 5.2 基于FISHER 信息最小化的自相似网络通信量FARIMA 预测
• 5.3 基于递归神经网络的自相似网络通信量FARIMA 预测
• 5.4 混合预测与结果分析
• 5.5 本章小结
• 6 结论
• 致谢
• 参考文献
• 附录1 攻读博士学位期间发表的学术论文目录
• 附录2 英文缩写对照表