近年来对网络业务流量的测量和分析表明,网络业务是自相似(分形)的。网络业务的自相似特性对网络的分析、设计、控制和性能评价等均具有重大的影响。本文介绍了自相似的常见定义,描述了该随机过程在数学和物理上的若干特征,并讨论了多重分形的分析方法。实际业务流量在小时间尺度上符合多重分形特征。 本文研究了7种常见的估计Hurst系数的方法与实现。重点讨论了影响Hurst系数估计算法的因素:方差、周期信号和相关结构。本文通过调整FGN(Fractional Ganssian Noise)序列,产生具有部分尺度范围相关结构的序列,通过不断改变尺度范围并估计序列的Hurst系数,发现各个估计算法的估计结果依赖于特定尺度范围的相关结构,而尺度范围以外的相关结构的改变对估计结果无影响。对于实际业务流量,相关结构的变化导致各个估计算法估计结果的不同。通过对实际业务的分析验证了该观点。 ON/OFF、FGN、RMD(Random Midpoint Displacement)、FARIMA是四种常见自相似业务模型。本文介绍了这四种模型的实现过程,并分析了它们产生自相似业务的准确性。研究结果表明ON/OFF模型生成的序列接近期望值,但是序列的Hurst系数是不稳定的,随序列长度改变而改变。相比其它模型,Durbin FGN模型产生的业务比较稳定和准确。 在网络性能分析中排队性能是一个重要的指标。作者采用业务源产生的不同数据来驱动G/M/1模型进行仿真,从而讨论影响排队时延与队长的因素。经研究发现发包间隔时间的分布特征决定了排队性能;自相似序列比短相关序列有更大的排队时延,而且变化也更剧烈;方差对排队性能指标有重要影响;ON/OFF模型的排队性能与ON、OFF的Pareto分布有直接关系。