自相似流与自相似性.pptVIP

传统的业务流模型 基于泊松（Poison）--连续时间 基于贝努利（Benolli）--离散时间 Birth-Death Processes Pk（t+?t）= Pk（t） pk,k（?t） + Pk-1（t） pk-1,k（?t） + Pk+1（t） pk+1,k（?t） + O（?t） k≥1 概率分布函数（Poison case） M/M/1排队系统 Markov Process 当前时间t与过去的时间（t-s），若时间差足够大，则 t与（t-s）间隔的业务量是不相关； 在s较小时，考虑到达业务量的相关性，称之为“短相关”模型（SRD） 自相似（self-similar） Leland 对Bellcore的局域网的测试与分析结果，表明实际网络的业务流在很长的时间范围内都具有相关性，即LRD。 Hurst系数 描述一个过程的自相关函数只需要 问题： 自相似流作仿真时，数据源如何产生？ 控制流量生成程序，如何得到符合特定方差和Hurst系数的自相似流？ 与用户数、用户数据流的特征、网络拓扑结构等物理量关联。 自相似系数的在线测量如何实施？如何减少计算量并得到精度允许的估计值？ 1.自相似过程的概念 设X（t）是随机过程， R（ t ）是该随机过程的相关函数。 令X（t）是宽平稳随机过程 存在均值E[X] 有限方差 假设： L（k）是随k缓慢变化的函数。