IEEE 802.11无线局域网业务流特性研究及预报

论文摘要

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。通过计算发现三个业务流序列均存在饱和关联维数,其值均为非整数,三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。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究无线局域网业务流特性的意义
• 1.2 网络业务流统计特性研究
• 1.2.1 网络业务自相似性的发现
• 1.2.2 自相似过程的定义及性质
• 1.2.3 无线局域网业务流统计特性研究
• 1.3 网络业务流混沌特性研究
• 1.3.1 混沌的概述
• 1.3.2 有线网络业务流混沌特性研究
• 1.3.3 无线局域网混沌特性研究
• 1.4 网络业务流预报技术研究
• 1.4.1 常用网络业务预报技术
• 1.4.2 无线局域网业务流预报
• 1.5 选题动机
• 1.6 论文贡献
• 1.7 论文结构
• 第二章 无线局域网业务流的统计特性
• 2.1 引言
• 2.2 实验数据来源
• 2.2.1 Stanford大学WaveLAN无线局域网
• 2.2.2 ACM SIGCOMM’01 会议数据
• 2.2.3 天津大学WLAN实验床
• 2.3 数据包到达间隔的统计特性分析
• 2.3.1 下行业务流数据包到达间隔的分布检验
• 2.3.2 下行业务流数据包达到间隔的自相似性分析
• 2.3.3 上行业务流数据包达到间隔的统计特性分析
• 2.4 聚集业务流的非平稳性分析
• 2.4.1 单位根检验ADF
• 2.4.2 聚集业务流的非平稳性分析
• 2.5 聚集业务流的自相似性分析
• 2.6 小结
• 第三章 无线局域网业务流的混沌特性
• 3.1 引言
• 3.2 功率谱分析
• 3.3 相空间重构理论
• 3.4 识别混沌的方法
• 3.4.1 主分量分析
• 3.4.2 关联维数
• 3.4.3 最大Lyapunov指数
• 3.5 无线局域网业务流的混沌特性分析
• 3.5.1 功率谱分析
• 3.5.2 主分量分析
• 3.5.3 关联维数
• 3.5.4 最大Lyapunov指数
• 3.6 延迟时间和嵌入维数对检验网络业务流混沌特性的影响
• 3.6.1 延迟时间对检验网络业务流混沌特性的影响
• 3.6.2 嵌入维数对检验网络业务流混沌特性的影响
• 3.7 小结
• 第四章 基于SVM的无线局域网业务预报
• 4.1 引言
• 4.2 统计学习理论
• 4.2.1 经验风险最小化原则
• 4.2.2 VC维
• 4.2.3 结构风险最小化原则
• 4.3 SVM基本原理
• 4.3.1 线性可分
• 4.3.2 线性不可分
• 4.3.3 SVM
• 4.4 SVM回归理论
• 4.4.1 SVM回归算法
• 4.4.2 核函数
• 4.4.3 SVM中的优化算法
• 4.5 基于SVM的无线局域网业务流一步预报
• 4.5.1 模型核函数和参数选择
• 4.5.2 预报评价指标
• 4.5.3 基于SVM的一步预报
• 4.6 和其他预报技术的比较
• 4.7 基于SVM的无线局域网业务流多步预报
• 4.7.1 业务流最大预报时间长度的度量
• 4.7.2 基于SVM的多步预报
• 4.8 小结
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 研究展望
• 参考文献
• 发表论文和科研情况说明
• 附录常用网络业务预报技术
• 致谢