Leland和Klivansky等对LAN和WAN流量进行研究发现网络流量具有自相似性,传统的流量模型不能完全描述流量的真实特性。自相似性对信元丢失率、网络延迟等系统性能有重要影响。因此基于自相似模型的研究显得很重要。 论文首先给出了自相似序列的数学定义,并给出了其在数学上和物理上的一些特征,随后介绍了怎样检测一个序列是自相似的。 本文利用经典流量数据,对现有的长相关自相似模型进行了比较研究。ON/OFF模型包含明确物理意义,是其他模型无法具有的,但是计算量复杂,RMD算法计算速度快,但是描述短相关的能力不强,FARIMA具有长短相关的数据结构,与实际中的大部分相关函数结构是吻合的。 而对于网络的随机过程的合并和分解是研究网络流量时两个最基本的操作。因此,对自相似序列的合并和分解的研究,对研究网络流量的自相似性对网络性能的影响有着重要的意义。本文通过分析,从理论上证明了自相似合并过程合并后仍然是自相似过程,且自相似系数是他们当中最大的;并用计算机进行了仿真验证,仿真结果支持了本节的推导。