- 1、本文档共11页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
分形维度和hurst指数的实验分析
分形维度和Hurst指数的实验分析
摘nbsp; 要 nbsp;在统计自仿射模型中,分形维度和Hurst指数之间存在着线性关系。但也有很多统计模型允许分形维度和Hurst指数的任意组合。所以,判断那种模型更符合实际问题是十分必要的。本文对四组实际的以太网流量序列的分形维度和Hurst指数做了实验分析,并得出网络流量数据应采用分形维度和Hurst指数相分离的模型的结论。
nbsp;nbsp;nbsp; 关键词nbsp; 自相似;长相关;分形维度;Hurst指数;估计
nbsp;
1 引言
nbsp;nbsp;nbsp; 如果一个随机信号x(t)的统计特性是自相似的(过程x(ct)和cH x(t)具有相同的有限维联合分布),即它在被放大或缩小时其统计特性不变,则它被称为(统计)自相似的,也称为随机分形。若该随机信号x(t)具有平稳的增量,则称x(t)是一个具有平稳增量过程的自相似过程(H-sssi)。当0 lt; H lt; 1时,高斯H-sssi过程称为分数布朗运动(Fractional Brown motion, FBM)。若0.5 lt; H lt; 1,则序列具有长相关性(Long Range Dependence, LRD)。对FBM过程周期地进行采样然后计算一阶差分,可以得到分形高斯噪声(Fractional Gaussian Noise, FGN),它是一个平稳序列。实际的网络流量表现出长相关性,Hurst指数H是描述业务长相关性的重要参数,FGN是目前最为广泛的一种网络流量自相似模型[1,2]。
nbsp;nbsp;nbsp; 数学家Hausdoff在1919年提出了连续空间的概念,也就是空间维数是可以连续变化的,它可以是整数也可以是分数,称为Hausdoff维数,即分形维度,记作D。它在一般情况下是一个分数。
FBM的分形维度D与它的Hurst指数H之间满足以下关系
nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;(1-1)
nbsp;nbsp;nbsp; 其中N为分形数,r为分形成线段的尺寸比例。当0 lt; H lt; 1时,D = 2-H。
nbsp;nbsp;nbsp; 实际工作中,D和H这两个参数都是十分重要的,从而值得研究下列的问题:(1)对于实际以太网网络流量而言,是否满足D = 2-H?(2)是否存在更符合实际的以太网网络流量的统计模型?本文针对这两个问题,结合实际以太网流量数据对D和H的关系做出进一步的论述。
nbsp;nbsp;nbsp; 所采用的四个实际以太网流量数据序列是美国Bellcore的研究人员采集的。数据序列的名称分别为pAug89.TL、pOct89.TL、Oct89Ext.TL和Oct89Ext4.TL[3]。我们将对这四组数据的D和H分别做出估计,并对结果进行分析。
2nbsp; 自相似随机过程模型
nbsp;nbsp;nbsp; 平稳高斯随机过程x(t),它的自相关函数为:
nbsp;nbsp;nbsp;nbsp; (2-1)
nbsp;nbsp;nbsp; 当h→0时,自相关函数有如下的渐近形式
nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;(2-2)
nbsp;nbsp;nbsp; 它表现了x(t)的局部特性,可以定义分形维度为:D = 2-α/2。如果在延时很大的时候,它的自相关函数c(h)是呈幂级数形式缓慢衰减,即当|h|→∞时,
nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; (2-3)
nbsp;nbsp;nbsp; 它表现了x(t)的全局特性,即长相关特性。可以定义Hurst指数为:H = 1-β/2。
FGN是一个平稳自仿射随机过程,它的自相关函数为:
nbsp;nbsp; (2-4)
nbsp;nbsp;nbsp; 此时H∈(1/2, 1)。对于一个自仿射模型,局部特性可以完全由全局特性反应出来,所以D和H间存在着线性关系,D = 2-H。
nbsp;nbsp;nbsp; 相对于上面介绍的自仿射模型,这里给出一种D和H相分离的统计模型——柯西类模型[4]。这类模型的自相关函数可以表示为:
nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; (2-5)
nbsp;nbsp;nbsp; 自相关函数可以是α∈(0,2]和β > 0的任意组合。如果β > 0,c(h)在h→0和|h|→∞时的渐进性满足(2-2)、(2-3)式。因此,随机过程的分形维度D和
您可能关注的文档
- 出版社的赊销管理..doc
- 出院后患者健康教育的做法及效果.doc
- 击碎贫困不要城市贫民窟..doc
- 函授教育衰微原因的分析与对策.doc
- 出路与方法——21世纪西方美学研究管见.doc
- 函数的学习困难与课程设计.doc
- 刀耕火种的生存智慧..doc
- 刁本恕老师治疗小儿厌食症经验.doc
- 分享与铸造集体精神的狂欢仪式——中国校园戏剧的思考与尝试.doc
- 分享欧盟国家构建学习社会的经验借鉴.doc
- 数据仓库:Redshift:Redshift与BI工具集成.docx
- 数据仓库:Redshift:数据仓库原理与设计.docx
- 数据仓库:Snowflake:数据仓库成本控制与Snowflake定价策略.docx
- 大数据基础:大数据概述:大数据处理框架MapReduce.docx
- 实时计算:GoogleDataflow服务架构解析.docx
- 分布式存储系统:HDFS与MapReduce集成教程.docx
- 实时计算:Azure Stream Analytics:数据流窗口与聚合操作.docx
- 实时计算:Kafka Streams:Kafka Streams架构与原理.docx
- 实时计算:Kafka Streams:Kafka Streams连接器开发与使用.docx
- 数据仓库:BigQuery:BigQuery数据分区与索引优化.docx
文档评论(0)