基于形式化方法网络业务流自相似性研究.docVIP

基于形式化方法网络业务流自相似性研究 　　摘要：在当今世界，计算机网络发挥了非常重要的作用，伴随着科学技术日新月异的发展，网络研究人员逐渐对网络的发展发现了一种新的现象—网络业务流突发与团结。网络业务流呈现出自相似的特性，传统的业务流建模方法不再适用。近年来，许多网络研究人员测量与分析现实实际运行中的网络，发现了一种具有统计学原理上的自相似性质也就是长相关性存在于真实的网络业务流。传统的网络业务流模型在描述实际网络业务流时，忽略了这个重要的特性，不能真实地刻画网络业务流的实际情况，网络业务流呈现出的自相似性对网络数据传输过程中的吞吐量和利用率具有极其重大的影响，最终结果可能将产生自相似网络业务流与传统模型在数据传输性能上产生很大的差异性。要想将网络数据传输的真实特性得以表达就需要对模型重新建立，以此对网络业务流的自相似性进行描述。该文所提出的需要建立的模型能够将不同的网络流量性质特质进行很好的拟合，以至于对网络特性的分析及网络模型的构建和对评估网络的特性提供了很好的理论依据基础。 　　关键词：随机Petri网；网络业务流；自相似性 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）29-6522-03 　　伴随着对不断发展的网络测量技术的研究及分析。在20世纪90年代初期，Bellcore实验室的研究员采集了大量的视频业务数据，科研人员并使用分形的思想对这些大量的数据进行了分析和研究，其结果却证实了一个事实即：统计上的自相似性质确实存在于现实中的网络业务流上[1]。将排队分析方法运用在现实的网络系统中所得到的结论与实际测量所得到的结论有存在很大的差异性，这也意味着利用传统分析方法所建立的模型对自相似业务流不再适用，对网络性能的分析和测量就意味着需要一种新型的科学的方法。[2-5] 　　1 自相似网络业务流模型 　　建模、分析与仿真的根本前提条件就是能够产生具有自相似性的网络业务流。绪论里我们曾叙述过，现有的模型有分形布朗运动、分形ARIMA过程、混沌映射法、M/G/∞排队模型、NO/OFF模型，这些模型都可以产生比较令人满意的自相似业务流。但是，在前三种模型中却有着他们所特有的不足之处：第一，它们属于纯粹的数学模型，虽然他们产生的业务流数据具有很好的自相似性质特征，但却并不符合现实中真实网络业务流所具有的特点；第二，M/G/∞排队模型的不足之处是：由于其引入泊松过程，然而在所产生业务流数据的自相似性却不够强大；而现实中的真实网络数据流却往往表现出特有的性质：突发和结团。换种说法也就是在现实中的网络业务数据流是时大时小、没有规则的。针对这个特点我们采用ON/OFF模型就能体现出它很多优点：第一，网络中单个数据源时断时续的特点能够在ON/OFF模型中直观地模拟体现出来，也是目前比较理想的模型，可以产生较理想的自相似业务流，到目前为止，在国内外的业务流研究领域受到了广泛的关注。下面只详细介绍后文用到的ON/OFF模型。 　　ON/OFF模型的理论依据就是在现实网络中单个流量源的动态特性可以从两个阶段来体现：第一个阶段就是ON阶段，第二个阶段就是OFF阶段。当业务源所处的阶段是ON状态时，那么所表现的特征是流量源连续不断地对外界发送数据包；当业务源所处的阶段是OFF状态时，流量源所表现的特征是停止向外界发送一切的数据，它的工作过程如图1所示。 　　那么将ON/OFF模型理想化的含义可以这样定义，在ON阶段后可以伴随以概率p出现的ON阶段，同时以概率1-p出现的OFF阶段也可以伴随。同理，在OFF阶段后可以伴随以概率q出现的OFF阶段，同时以概率1-q出现的ON阶段也可以伴随。然而从严格意义中定义ON/OFF模型为ON和OFF阶段都以概率1严格交替出现（p，q=0），然而在本文中所采用的ON/OFF模型都是严格意义上定义的ON/OFF模型。 　　2 建模方法的介绍 　　下面我们详细介绍网络中各单位的建模方法[7-8]，主要就是数据的发送端、数据的接收端和数据传输部分。 　　2.1 数据的发送端 　　描述网络数据源的理想模型是ON/OFF模型，它不但更加符合网络中的真实情形，而且也可以产生符合自相似规律的业务流。那么我们使用Petri网建立网络中具有自相似性的单个数据源的模型如图2所示。 　　在在图2中，托肯处于位置Pon中，此时表示数据源处于ON状态，数据源要不断的向外界发送数据，那么同理，托肯如果处于位置Poff中时就表示数据源处于OFF状态，数据源不向外发送任何数据，而变迁Ton和Toff分别表示数据源从发送数据状态到不发送数据状态以及从不发送数据状态到发送数据状态的转换。位置Psource和变迁Tsource可形成一个无穷的数据源，当变迁Tsource每执行一次就意味着