论文部分内容阅读
近年来的网络业务流特性研究表明,多种不同类型的网络业务流不仅具有短相关特性,还呈现长相关特性或自相似性。正是这种长相关性给业务流的长期预测提供了可能性。本文阐述了网络业务流的特性,给出了自相似的定义和相关的一些重要定理,分析了自相似业务流的特点,对业务流的自相似性进行了总结。根据自相似业务流的长相关特性,本文重点讨论了两种数学模型,目的是用这两种模型对自相似业务流进行预测,进而根据预测结果对计算机网络节点的存储器资源进行合理的分配,使得丢失率达到最小。第一种模型是FARIMA(Fractional AutoRegressive Integrated Moving Average)模型。该模型可以描述和预测同时具有短相关和长相关特性的网络业务,通过选择合适的模型参数,对自相似业务流进行预测研究。本文的重点放在对FARIMA模型的研究上,因为它是一个线性模型,实现起来更容易一些。本文首先介绍了FARIMA模型的定义,产生FARIMA过程的方法,并进行了仿真来验证FARIMA过程是一个自相似过程。接着,介绍了利用FARIMA模型进行建模的过程,即根据网络业务流,求解FARIMA(p,d,q)模型中的三个参数p、d、q的过程,即FARIMA模型的拟合过程。最后,根据已经得到的FARIMA(p,d,q)模型,提出了预测未来业务流流量的方法,并通过实际业务量进行了验证。研究结果表明,FARIMA模型是进行自相似网络业务流预测的有效模型。为了减小计算量,本文对FARIMA模型拟合的方法和具体步骤进行了深入的研究,简化了运算步骤,提出了一种简化的预测方法。这种方法的关键是将FARIMA模型的拟合问题转化为ARMA模型问题,从而大大缩短了模型建立的计算难度和时间。第二种模型是神经网络反向传播算法模型。本文介绍了该算法的特点和具体实现步骤。根据自相似业务流的长相关特性,采用5层神经网络模型和后向传播算法,对自相似业务流的预测进行了研究。研究结果表明,该模型能够较好地预测自相似业务流,特别是在预测精度上比FARIMA模型要高,但是它的计算量较大。建立预测模型及根据模型进行预测,对于网络带宽资源的分配、改进网络中缓冲区的丢弃算法、减小丢失率都具有十分重要的意义。实际数据的仿真实验结果表明,将自相似业务流的预测应用到存储器的分配中,大大地减小了丢失率。