网络流量 自相似特性.pptVIP

产生自相似的原因 重尾分布的ON/OFF和浑沌的TCP导致Internet流量的分形特性(自相似) Application Layer Transport/Network Layer Application Layer Transport/Network Layer Heavy-Tailed File Size Distribution ? Congest Control and Reliability Self-Similarity Link Traffic H * 最新文档合集 自相似流量对网络性能的影响 网络性能的度量—吞吐量(throughout)、延时(delay)、数据包丢失(packet loss) 从排队论的视角，网络是队列的集合，每个队列有一个缓存(buffer)临时保存到达的数据包。数据包到达缓存等候转发，则会产生延时。若达到数据包的数量超过缓存大小，则产生丢弃数据包的现象，同时需要对丢弃的数据包进行重发，导致吞吐量降低。实际上，网络的缓存通常保持很大以避免数据包丢失，维护高的吞吐量 * 最新文档合集 自相似流量对网络性能的影响 自相似流量对网络性能产生负面影响 缓存占用比传统排队论的分析结果要大，结果导致更大的延时（也即队列长度分布在自相似流量作用下的衰减比短时相关源（泊松到达过程）作用下要慢），由长相关特性决定 * 最新文档合集 自相似流量对网络性能的影响 自相似流量对网络性能产生负面影响 缓存的线性增长导致指数规律减少的数据包丢失，以及成比例增长的传输带宽利用率。该理论对自相关流量不适用 * 最新文档合集 * PPT模板集编辑说明 本模板文件只是整个模板集的一部分，包含各种风格和用途，后面也会一直陆陆续续的更新，这是模板适合多个场合，按照需要获取，使用灵活方便，排版及各个字体限制已经设置好，可以直接使用也可以自动以使用 网络流量自相似特性 * 最新文档合集 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 * 最新文档合集 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 * 最新文档合集 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 * 最新文档合集 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] * 最新文档合集 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, … * 最新文档合集 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) * 最新文档合集 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(asymptotic