网络流量自相似特性.ppt

网络流量自相似特性 提纲 问题提出 自相似的数学描述 产生自相似的原因 自相似对网络性能的影响 国内相关工作 可能的研究方向 问题提出 什么是自相似？ 为什么研究自相似？ 产生自相似的原因？ 泊松过程—随机变量(单位时间呼叫到达的次数)是独立的、且服从相似分布，即 P[Xk＝n]＝e－λ△t(λ△t)n/n! (n≥0) 马尔可夫模型—对过去具有有限记忆，即在已经知道“现在”的条件下，其“将来”不依赖于“过去” 时间t与过去时间t-s，若s足够大，则t与t-s时的业务量是不相关的，即仅考虑s较小时业务到达间的相关性，称之为短时相关Short Range Dependence—SRD模型 自相似的数学描述 网络流量模型 时间序列，表示每单位时间到达的字节数或数据包数量 自相似的物理描述 网络流量在很宽的时间尺度内存在突发现象，“Burst” 时间尺度—几十毫秒、秒、分钟、小时 自相似的数学描述 数学定义 假设前提—平稳随机过程，即统计特性（均值、方差、相关等）不随时间推移而变化。一阶平稳（均值为常数），二阶平稳（均值和方差为常数，任意两时间点之间的协方差只取决于时间间隔，又称之为广义平稳） 自相关函数定义为： r(k)＝E[(Xt－μ)(Xt+k－μ)]/E[(Xt－μ)2] 自相似的数学描述 自相似 条件1—针对一个平稳随机过程 X＝(Xt: t＝0,1,2,3…) 条件2—其自相关函数满足r(k) ～ k－βL1(k)，当k→∞，其中0＜β＜1，L1是慢变函数，即对所有x＞0，limt→∞L1(tx)/L1(t)＝1（常见的慢变函数，如L1(t)＝常数，L1(t)＝㏒(t)） 条件3-对X进行堆叠，堆叠产生的时间序列为X(m)＝(Xk(m)：k＝1,2,3 …)，其中 Xk(m) ＝1/m(Xkm-m+1＋ …＋Xkm)，k＝1, 2, 3, … 自相似的数学描述 自相似(Exactly second order) self-similar X(m)的自相关函数r(m)满足：r(m)(k)＝r(k)，对所有m＝1, 2, … (k＝1, 2, 3, …) 渐进自相似(Asymptotically second order) self-similar X(m)的自相关函数r(m)满足： r(m)(1)→21－β－1，当m→∞ r(m)(k)→1/2δ2(k2－β)，当m→∞ (k＝2, 3, …) δ2表示一个算子符，其作用于函数f(k)表示δ2(f(k))＝f(k＋1)－2f(k)＋f(k－1) 自相似的数学描述 自相似参数H H＝1－β/2 r(k)～k－(2-2H)L1(k)，当k→∞ 渐进自相似(asymptotically self-similar) r(k)＝1/2[(k＋1)2H－2k2H＋(k－1)2H] 严格自相似 (exactly self-similar) 参数H满足0.5＜H＜1，参数H用来表示自相似的程度 自相似的数学描述 自相似的特性 长相关（LRD—long range dependence、large scale correlation、long term correlation ） 长相关定义—若一个随机过程满足自相似的条件1和条件2，即其自相关函数随时滞的增加呈双曲线衰减（幂律衰减），则该随机过程呈现长相关性 长相关≠自相似，自相似是长相关的特例/简单模型 不可和性，即∑k r(k)＝∞。不可和性的物理意义在于高滞后的相关虽然是个别的小量，但其累计的结果则十分重要 短相关过程(short-range dependence)自相关函数呈指数衰减，即r(k)～ρk，当k→∞(0＜ρ＜1)，其自相关函数是可和的，即0＜∑k r(k)＜∞ 自相似的数学描述 自相似的特性 慢衰减方差 自相似过程的方差满足var(X(m))～am－β，当m→∞，其中0＜β＜1，a是与m无关的正常数，β与前条件2中β相同 短相关过程的方差满足var(X(m))～bm－1，当m→∞，其中b是与m无关的正常数 自相似过程的方差衰减要慢于短相关过程 自相似的数学描述 自相似的特性 Hurst效应 H表示Hurst参数，自相关程度的度量 重新调制尺度权差(R/S)—对于一个给定的观察序列X1, X2, X3 …..Xn，样本均值为X(n)，样本方差为S2(n)，则R(n)/S(n)＝1/S(n)[max(0, W1, W2, …, Wn)－min(0, W1, W2, …, Wn)]，其中Wk＝(X1＋X2＋X3…..＋Xk)－kX(n)，k＝1,2,3…n，R表示重新调整尺度的极差 R/S: Rescaled adjusted range analysis 自相似的数学描述 自相似的特