90年代初,Leland等第一次明确提出了网络流量中存在着自相似现象。此后,网络研究人员通过对实际网络进行测量与分析,得出了这样的结论:不论网络的拓扑结构与业务如何,网络流量中都存在自相似统计特性,即长相关特性。传统的基于泊松到达通信量的假设,不能够真实地描述网络业务的实际情况。为了真实地反映网络数据通信量的特性,需要重新建立模型来描述网络中的自相似现象。本文首先介绍了网络中的自相似现象,接着给出了自相似的数学定义,并描述了它的统计特点;在简要分析了自相似性对网络性能的影响后,指出了如何识别自相似序列以及估计H参数的方法,然后通过实例证明了网络中确实存在着自相似现象。通过对现有自相似模型的深入研究和计算机仿真,比较了各种模型的优缺点和算法的复杂度,指出了现有模型的特性和应用范围。仿真结果表明:模型精度要求决定了算法复杂度,即精度要求越高,则算法复杂度越高,反之亦然。本文在基于ON/OFF模型和混沌映射模型思想的基础上提出了一种新的映射模型。该模型简化了混沌映射模型的映射函数,通过选取带有随机变量的线性分段函数,使模型状态的逗留时间服从重尾分布。这样,模型能够捕获网络流量的自相似特性。在介绍了模型构建思想的基础上,通过数学分析给出了它的统计特性。然后采用ON/OFF模型理论,建立起该模型参数与自相似参数之间的关系,增加了模型的可控性,使其能够产生具有不同突发程度的自相似流量。仿真结果表明模型拟合的H参数与理论值基本吻合。最后对提出的模型进行了排队分析,从理论上推导了排队系统队列长度的分布特性,为自相似过程的排队性能分析提供了理论依据。本文提出的模型在一定程度上能够很好地拟合不同网络的流量特性,为网络构建、网络特性分析和网络性能评估提供了重要的理论基础。