网络流量特性分析及预测研究

论文摘要

随着网络通信技术的快速发展,新的网络业务与网络应用不断增加,这对网络的服务质量、流量控制和网络管理均提出了很高的要求。对流量的分析与预测是网络管理和性能分析的基础。本文以流量特性分析为基础,对基于网络流量的特征模型及其预测进行了相关研究。论文首先叙述了国内外对流量研究的现状,接着分析了网络流量的几个主要特性及其在网络流量中的表现与对网络业务的影响。重点分析了网络流量的自相似性,包括其数学定义、自相似过程判断、网络流量中自相似现象的成因及对网络业务的影响。然后,给出了网络流量预测的方法——行为建模方法,并介绍了行为建模方法的基础——时间序列分析理论。随后,归纳了业务流基于短相关或长相关特性的典型模型及其优、缺点,并提出了一个建立在小波技术和时间序列分析基础上的混合模型,该混合模型通过小波分解得到不同特性的时间序列分量,基于不同特性的时间序列分量建立相应模型。最后应用经典的FARIMA模型与基于小波的混合模型对实际业务流量进行了建模,并评价了两个模型的拟合效果。实验结果表明通过小波分解可以实现对网络业务的特性分解,该混合模型能比较全面地描述业务流量的各种特性,拟合效果更好。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 网络流量研究背景及意义
• 1.2 网络流量研究现状
• 1.3 论文的主要工作
• 1.4 论文的组织结构
• 第二章 网络流量特性分析
• 2.1 网络流量数据的获取
• 2.2 网络流量特性概述
• 2.3 网络流量的自相似性
• 2.3.1 自相似过程的定义与性质
• 2.3.2 自相似过程的判断——Hurst参数
• 2.3.3 网络流量中自相似性
• 2.4 网络流量的周期性
• 2.5 网络流量的混沌性
• 2.6 本章小结
• 第三章 网络流量预测方法及模型分析
• 3.1 时间序列分析概述
• 3.1.1 时间序列的相关概念
• 3.1.2 时间序列分析方法
• 3.2 流量建模预测的发展历程
• 3.3 短相关模型
• 3.3.1 马尔可夫模型
• 3.3.2 回归模型
• 3.3.3 短相关模型的优缺点
• 3.4 长相关模型
• 3.4.1 开关模型（ON/OFF）
• 3.4.2 分形布郎运动模型（FBM）
• 3.4.3 长相关模型的优缺点
• 3.5 基于长相关和短相关特性的模型
• 3.5.1 分形自回归求和滑动平均模型（FARIMA）
• 3.5.2 基于小波的混合模型
• 3.6 网络流量模型研究的新发展
• 3.6.1 小波分析理论
• 3.6.2 神经网络理论
• 3.6.3 混合预测模型
• 3.7 本章小结
• 第四章 网络流量预测分析实例
• 4.1 基于FARIMA模型预测实例分析
• 4.1.1 数据采集及初始化分析
• 4.1.2 自相似性检验
• 4.1.3 模型识别及参数估计
• 4.1.4 预测结果及分析对比
• 4.2 基于小波的混合模型预测实例分析
• 4.2.1 原始流量小波分解
• 4.2.2 近似分量FARIMA模型拟合
• 4.2.3 细节分量拟合
• 4.2.4 原始业务流量拟合
• 4.3 两个模型拟合效果比较
• 4.4 本章小结
• 结束语
• 参考文献
• 致谢