網(wǎng)絡(luò)流量模型及分析(最終思路)課件

1網(wǎng)絡(luò)流量模型及分析

1網(wǎng)絡(luò)流量模型及分析

我們的工作網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量的采集網(wǎng)絡(luò)流量模型實(shí)例分析1234我們的工作網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量的采集網(wǎng)絡(luò)流量模型實(shí)例分析2網(wǎng)絡(luò)流量概念分類測(cè)量網(wǎng)絡(luò)流量的特點(diǎn)自相似性長(zhǎng)相關(guān)性周期性、突發(fā)性、混沌性………網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量網(wǎng)絡(luò)流量相關(guān)概念3網(wǎng)絡(luò)流量-概念網(wǎng)絡(luò)流量就是網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量

單位時(shí)間內(nèi)通過(guò)網(wǎng)絡(luò)設(shè)備或者傳輸介質(zhì)的信息量報(bào)文數(shù)數(shù)據(jù)包數(shù)字節(jié)數(shù)網(wǎng)絡(luò)流量-概念網(wǎng)絡(luò)流量就是網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量4網(wǎng)絡(luò)流量-分類Packet-level的流量分類關(guān)注數(shù)據(jù)包（packet）的特征及其到達(dá)過(guò)程Flow-level的流量分類由源IP地址、源端口、目的IP地址、目的端口、應(yīng)用協(xié)議組成的五元組Stream-level的流量分類由源IP地址、目的IP地址、應(yīng)用協(xié)議組成的三元組上述三種分類方法，流量的粒度由小到大遞增。廣泛使用參考文獻(xiàn)：Internet流量模型分析與評(píng)述_張賓，楊家海，吳建平網(wǎng)絡(luò)流量-分類Packet-level的流量分類關(guān)注數(shù)據(jù)包（5網(wǎng)絡(luò)流量-測(cè)量主動(dòng)向目標(biāo)鏈路或目標(biāo)節(jié)點(diǎn)發(fā)送探測(cè)包測(cè)量延遲、帶寬、丟包率被動(dòng)接入網(wǎng)絡(luò)的測(cè)量探針監(jiān)測(cè)、記錄網(wǎng)絡(luò)上的數(shù)據(jù)情況主動(dòng)測(cè)量會(huì)額外注入流量，被動(dòng)測(cè)量涉及安全性與私密性問(wèn)題主動(dòng)測(cè)量確定網(wǎng)絡(luò)整體性能，被動(dòng)測(cè)量故障定位！網(wǎng)絡(luò)流量-測(cè)量主動(dòng)向目標(biāo)鏈路或目標(biāo)節(jié)點(diǎn)發(fā)送探測(cè)包測(cè)量延遲、帶6理想的網(wǎng)絡(luò)測(cè)量不影響數(shù)據(jù)包轉(zhuǎn)發(fā)的速度完整的流量監(jiān)控占用資源少不會(huì)泄露用戶的隱私速度完整資源安全理想的網(wǎng)絡(luò)測(cè)量不影響數(shù)據(jù)包轉(zhuǎn)發(fā)的速度完整的流量監(jiān)控占用資源少7網(wǎng)絡(luò)測(cè)量的意義Internet流量工程和網(wǎng)絡(luò)行為學(xué)的研究的依據(jù)開(kāi)發(fā)高性能網(wǎng)絡(luò)設(shè)備和設(shè)計(jì)網(wǎng)絡(luò)協(xié)議的理論基礎(chǔ)開(kāi)展Qos敏感應(yīng)用提供Qos保證的前提條件診斷網(wǎng)絡(luò)的運(yùn)行狀況，進(jìn)行更好的管理保障網(wǎng)絡(luò)安全，防范網(wǎng)絡(luò)攻擊運(yùn)營(yíng)商針對(duì)網(wǎng)絡(luò)流量進(jìn)行業(yè)務(wù)上的收費(fèi)網(wǎng)絡(luò)測(cè)量的意義Internet流量工程和網(wǎng)絡(luò)行為學(xué)的研究的依8網(wǎng)絡(luò)流量的特點(diǎn)自相似性長(zhǎng)相關(guān)性周期性突發(fā)性混沌性

采集自臺(tái)灣地區(qū)的臺(tái)中教育大學(xué)網(wǎng)絡(luò)主節(jié)點(diǎn)服務(wù)器Incmingartides共計(jì)71天的每小時(shí)網(wǎng)絡(luò)流量數(shù)據(jù)圖網(wǎng)絡(luò)流量的特點(diǎn)自相似性采集自臺(tái)灣地區(qū)的臺(tái)中教育大學(xué)網(wǎng)絡(luò)主節(jié)點(diǎn)9自相似性

局部結(jié)構(gòu)與總體結(jié)構(gòu)相比具有某種程度的一致性種類確定自相似性隨機(jī)自相似性（網(wǎng)絡(luò)流量）赫斯特指數(shù)（Hurst）確定自相似性示例自相似性

局部結(jié)構(gòu)與總體結(jié)構(gòu)相比具有某種程度的一致性確定自相10自相似性-從分布的角度定義

參考文獻(xiàn)：基于時(shí)間相關(guān)的網(wǎng)絡(luò)流量建模與預(yù)測(cè)研究_高波自相似性-從分布的角度定義

參考文獻(xiàn)：基于時(shí)間相關(guān)的網(wǎng)絡(luò)流11自相似性-赫斯特指數(shù)（Hurst）表征自相似特性的一個(gè)重要參數(shù)當(dāng)0<H<0.5時(shí)，表示負(fù)相關(guān)，即不具備自相似性高低值交替的趨勢(shì)持續(xù)一段時(shí)間（粗糙曲線）當(dāng)H=0.5時(shí)，隨機(jī)過(guò)程呈現(xiàn)為某種“隨機(jī)游走”狀態(tài)，即不同時(shí)間的狀態(tài)轉(zhuǎn)換是互不相關(guān)的當(dāng)0.5<H<1時(shí)，表示正相關(guān)，即具有自相似性維持高值的趨勢(shì)會(huì)持續(xù)一段時(shí)間（平滑曲線）自相似性-赫斯特指數(shù)（Hurst）表征自相似特性的一個(gè)重要參12不同H的分形布朗運(yùn)動(dòng)軌跡不同H的分形布朗運(yùn)動(dòng)軌跡13長(zhǎng)相關(guān)性與自相似性

長(zhǎng)相關(guān)：反映了自相似過(guò)程中的持續(xù)現(xiàn)象，即突發(fā)特性在所有的時(shí)間尺度上都存在的現(xiàn)象兩者聯(lián)系：H≠1/2的穩(wěn)定自相似隨機(jī)過(guò)程是長(zhǎng)相關(guān)的，但長(zhǎng)相關(guān)過(guò)程不一定就是自相似的。自相似性偏重于數(shù)學(xué)表述上的，長(zhǎng)相關(guān)時(shí)側(cè)重于業(yè)務(wù)量的統(tǒng)計(jì)特性。長(zhǎng)相關(guān)性與自相似性

長(zhǎng)相關(guān)：反映了自相似過(guò)程中的持續(xù)現(xiàn)象，即14周期性、混沌性、突發(fā)性周期性反映了網(wǎng)絡(luò)流量時(shí)間序列表現(xiàn)出隨時(shí)間的規(guī)律變化混沌性在確定性系統(tǒng)中出現(xiàn)的一種類似隨機(jī)的現(xiàn)象突發(fā)性業(yè)務(wù)量在某一時(shí)刻或者一段時(shí)間內(nèi)變化懸殊周期性、混沌性、突發(fā)性周期性15網(wǎng)絡(luò)流量的采集方法[6]NetFlowsFlowRMON端口鏡像參考文獻(xiàn)：網(wǎng)絡(luò)流量分析關(guān)鍵技術(shù)研究__任春梅網(wǎng)絡(luò)流量的采集方法[6]NetFlow參考文獻(xiàn)：網(wǎng)絡(luò)流量分析16NetFlow將數(shù)據(jù)報(bào)文聚類，匯聚成流，置于緩存中轉(zhuǎn)發(fā)的時(shí)候?qū)τ趯儆谕粋€(gè)流的連續(xù)包，后續(xù)報(bào)文不做三層處理同步實(shí)現(xiàn)對(duì)高速轉(zhuǎn)發(fā)的IP數(shù)據(jù)流的測(cè)量和統(tǒng)計(jì)集成在路由器中NetFlow將數(shù)據(jù)報(bào)文聚類，匯聚成流，置于緩存中17NetFlowAnalyzerNetFlowAnalyzer18sFlow采用數(shù)據(jù)流隨機(jī)采樣技術(shù)，詳細(xì)、實(shí)時(shí)地分析網(wǎng)絡(luò)流的性能、趨勢(shì)以及存在問(wèn)題收集到的數(shù)據(jù)通過(guò)sFlow代理進(jìn)行編碼，轉(zhuǎn)交給中心采集器（已植入設(shè)備中）不僅可以對(duì)數(shù)據(jù)包進(jìn)行IP層分析還可以進(jìn)行二層分析處理sFlow采用數(shù)據(jù)流隨機(jī)采樣技術(shù)，詳細(xì)、實(shí)時(shí)地分析網(wǎng)絡(luò)流的性19RMONRemoteNetworkMonitoringSNMPMIB兩種方法收集數(shù)據(jù)通過(guò)RMON探測(cè)器，網(wǎng)管工作站直接獲取全部MIB信息，并控制資源將RMON代理植入網(wǎng)絡(luò)設(shè)備，網(wǎng)管工作站用SNMP交換數(shù)據(jù)RMONRemoteNetworkMonitoring20SNMP&MIBSNMP（簡(jiǎn)單網(wǎng)絡(luò)管理協(xié)議）體系結(jié)構(gòu)

被管理的設(shè)備SNMP管理器SNMP代理SNMP&MIBSNMP（簡(jiǎn)單網(wǎng)絡(luò)管理協(xié)議）體系結(jié)構(gòu) 21SNMP與MIBMIB（管理信息數(shù)據(jù)庫(kù)）樹(shù)形結(jié)構(gòu)包含了管理代理中的有關(guān)配合和性能的數(shù)據(jù)對(duì)管理信息進(jìn)行讀寫(xiě)操作就可以完成管理SNMP與MIBMIB（管理信息數(shù)據(jù)庫(kù)）22端口鏡像無(wú)損復(fù)制、鏡像采集配置交換機(jī)或路由器把一個(gè)或者多個(gè)端口的數(shù)據(jù)轉(zhuǎn)發(fā)到某一個(gè)端口來(lái)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)監(jiān)聽(tīng)要監(jiān)聽(tīng)所有流量，難度巨大，性能要求高端口鏡像無(wú)損復(fù)制、鏡像采集23四種流量采集技術(shù)的比較NetFlow：對(duì)主機(jī)間流量描述精確性接近100%，但是無(wú)法做深度檢測(cè)基于軟件架構(gòu)，配置方便、安裝簡(jiǎn)單利用匯集方式監(jiān)測(cè)，適用于廣域網(wǎng)間sFlow：速度快，實(shí)時(shí)性好分析過(guò)程對(duì)性能有一定要求利用隨機(jī)采樣方式監(jiān)測(cè)，適用于局域網(wǎng)間RMON/SNMP：信息準(zhǔn)確，讀取方便對(duì)每個(gè)數(shù)據(jù)幀都會(huì)進(jìn)行分析，增加負(fù)載端口鏡像方案簡(jiǎn)單，無(wú)傳輸延遲處理時(shí)性能要求高四種流量采集技術(shù)的比較NetFlow：24網(wǎng)絡(luò)流量建模原則以流量的重要特性為出發(fā)點(diǎn)設(shè)計(jì)流量模型以刻畫(huà)實(shí)際流量的突出特性進(jìn)行數(shù)學(xué)上的研究參考文獻(xiàn)：Internet流量模型分析與評(píng)述_張賓，楊家海，吳建平網(wǎng)絡(luò)流量建模原則以流量的重要特性為出發(fā)點(diǎn)參考文獻(xiàn)：Inter25流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長(zhǎng)相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊(duì)模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時(shí)期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭(zhēng)論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展26傳統(tǒng)（短相關(guān)）模型泊松(Poisson)模型馬爾可夫(Markov)模型回歸(regression)模型傳統(tǒng)（短相關(guān)）模型泊松(Poisson)模型27泊松(Poisson)模型時(shí)間序列t內(nèi)，包到達(dá)的數(shù)量n（t）符合參數(shù)為λt的泊松分布：時(shí)間間隔序列T呈負(fù)指數(shù)分布：λ(泊松過(guò)程的強(qiáng)度)：?jiǎn)挝粫r(shí)間間隔內(nèi)出現(xiàn)包的數(shù)量的期望,即包到達(dá)的平均速率泊松(Poisson)模型時(shí)間序列t內(nèi)，包到達(dá)的數(shù)量n（t）28泊松(Poisson)模型泊松(Poisson)模型29泊松(Poisson)模型前提：假設(shè)網(wǎng)絡(luò)事件(如數(shù)據(jù)包到達(dá))是獨(dú)立分布的只與一個(gè)單一的速率參數(shù)λ有關(guān).泊松(Poisson)模型前提：30泊松(Poisson)模型優(yōu)點(diǎn)較好地滿足了早期網(wǎng)絡(luò)的建模需求在網(wǎng)絡(luò)設(shè)計(jì)、維護(hù)、管理和性能分析等方面發(fā)揮了很大的作用。缺點(diǎn)根據(jù)泊松流量模型,從不同的數(shù)據(jù)源匯聚的網(wǎng)絡(luò)流量將隨著數(shù)據(jù)源的增加而日益平滑,這與實(shí)際測(cè)試的流量是不符合的。泊松(Poisson)模型優(yōu)點(diǎn)較好地滿足了早期網(wǎng)絡(luò)的建模需求31馬爾科夫(Markov)模型對(duì)于一個(gè)給定的狀態(tài)空間,表示在n時(shí)刻狀態(tài)的隨機(jī)變量,如果

的概率只依賴于當(dāng)前的狀態(tài)，就形成了一個(gè)Markov鏈只有當(dāng)前的狀態(tài)用來(lái)預(yù)測(cè)將來(lái)，過(guò)去對(duì)于預(yù)測(cè)將來(lái)是無(wú)關(guān)的馬爾科夫(Markov)模型對(duì)于一個(gè)給定的狀態(tài)空間32馬爾可夫過(guò)程-實(shí)例33貪吃蛇的兩種規(guī)則青蛙跳荷葉馬爾可夫過(guò)程-實(shí)例33貪吃蛇的兩種規(guī)則青蛙跳荷葉馬爾科夫(Markov)模型優(yōu)點(diǎn)在隨機(jī)過(guò)程中引入了相關(guān)性，可以在一定程度上捕獲業(yè)務(wù)的突發(fā)性馬爾科夫方法是一種具有無(wú)后效性的隨機(jī)過(guò)程，用途十分廣泛缺點(diǎn)只能預(yù)測(cè)網(wǎng)絡(luò)的近期流量，而且無(wú)法描述網(wǎng)絡(luò)的長(zhǎng)相關(guān)性馬爾科夫(Markov)模型優(yōu)點(diǎn)在隨機(jī)過(guò)程中引入了相關(guān)性，可34傳統(tǒng)模型的缺點(diǎn)實(shí)際的數(shù)據(jù)包和大部分連接的到達(dá)是相關(guān)聯(lián)的,并不嚴(yán)格服從泊松分布流量自相似性反映業(yè)務(wù)在較大時(shí)間尺度具有突發(fā)性,對(duì)緩存的占用較大,導(dǎo)致更大的延時(shí)當(dāng)業(yè)務(wù)源數(shù)目增加時(shí),突發(fā)性會(huì)被吸收,聚合業(yè)務(wù)會(huì)變得越來(lái)越平滑,但卻忽略了流量的突發(fā)性傳統(tǒng)模型的缺點(diǎn)實(shí)際的數(shù)據(jù)包和大部分連接的到達(dá)是相關(guān)聯(lián)的,并不35流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長(zhǎng)相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊(duì)模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時(shí)期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭(zhēng)論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展36自相似（長(zhǎng)相關(guān)）模型構(gòu)造建模（物理模型），利用已知的傳輸知識(shí)解釋所觀察到的數(shù)據(jù)特征：（重尾分布的）ON/OFF模型M/G/∞排隊(duì)模型行為建模（統(tǒng)計(jì)模型），用數(shù)據(jù)擬合方法模擬所測(cè)真實(shí)數(shù)據(jù)的變化趨勢(shì)：FBM/FGN模型FARIMA模型基于小波的模型自相似（長(zhǎng)相關(guān)）模型構(gòu)造建模（物理模型），利用已知的傳輸知識(shí)37M/G/∞排隊(duì)模型M：顧客到達(dá)時(shí)間間隔，呈指數(shù)分布（改進(jìn)后為泊松分布）G：顧客的服務(wù)時(shí)間，服從帕累托Pareto分布(重尾分布)∞：服務(wù)器數(shù)量，無(wú)限大適用于視頻流量模型M/G/∞排隊(duì)模型M：顧客到達(dá)時(shí)間間隔，呈指數(shù)分布（改進(jìn)后為38M/G/∞排隊(duì)模型優(yōu)點(diǎn)排隊(duì)系統(tǒng)的角度解釋網(wǎng)絡(luò)流量產(chǎn)生自相似的原因適合于分析自相似網(wǎng)絡(luò)流量輸入時(shí)的排隊(duì)性能缺點(diǎn)假設(shè)服務(wù)器一直處于忙碌中，對(duì)網(wǎng)絡(luò)流量的突發(fā)性描述方面存在不足M/G/∞排隊(duì)模型優(yōu)點(diǎn)排隊(duì)系統(tǒng)的角度解釋網(wǎng)絡(luò)流量產(chǎn)生自相似的39最早由B.Mandelbrot和J.M.Berger兩人于上世紀(jì)六十年代在有酬更新過(guò)程（rewardrenewalprocess）的基礎(chǔ)之上構(gòu)造出來(lái)，隨后Taqqu和Levy擴(kuò)展了該模型的構(gòu)造方法。實(shí)質(zhì)：將大量的ON/OFF數(shù)據(jù)源生成的流量疊加在一起ON/OFF模型參考文獻(xiàn)：基于時(shí)間相關(guān)的網(wǎng)絡(luò)流量建模與預(yù)測(cè)研究_高波最早由B.Mandelbrot和J.M.Berg40ON/OFF模型ON/OFF模型41ON/OFF模型ON/OFF模型：每個(gè)發(fā)送源都有兩個(gè)周期交替的ON和OFF狀態(tài)，即發(fā)送數(shù)據(jù)狀態(tài)和不發(fā)送數(shù)據(jù)狀態(tài)：發(fā)送數(shù)據(jù)包的速率ON/OFF模型ON/OFF模型：42重尾分布重尾分布：一種比正態(tài)分布還要廣泛的的隨機(jī)變量分布，體現(xiàn)在少量個(gè)體做出大量貢獻(xiàn)Pareto法則（80/20法則）：最重要的通常只占其中一小部分直觀特征：大頭短+小尾長(zhǎng)。重尾分布重尾分布：一種比正態(tài)分布還要廣泛的的隨機(jī)變量分布，體43帕累托分布（Pareto）在重尾分布當(dāng)中，Pareto分布是相對(duì)簡(jiǎn)單的一種分布，令參數(shù)a>0，k>0，則Pareto分布概率密度函數(shù)f(x)是如下描述的分段函數(shù)帕累托分布（Pareto）在重尾分布當(dāng)中，Pareto分布44結(jié)論：當(dāng)多個(gè)獨(dú)立同分布的ON/OFF數(shù)據(jù)源流量疊加時(shí)，如果ON狀態(tài)或者OFF狀態(tài)的持續(xù)時(shí)間服從重尾分布，那么疊加流量將具有自相似性[39]帕累托分布（Pareto）帕累托分布（Pareto）45重尾分布的ON/OFF模型優(yōu)點(diǎn)可以解釋產(chǎn)生自相似的部分原因，有助于深入地了解自相似的本質(zhì)缺點(diǎn)各個(gè)源端必須是獨(dú)立同分布的,且輸出速率為常數(shù)與實(shí)際網(wǎng)絡(luò)業(yè)務(wù)不符，適用范圍受限重尾分布的ON/OFF模型優(yōu)點(diǎn)可以解釋產(chǎn)生自相似的部分原因，46C，即Convergence，表示趨同性網(wǎng)絡(luò)趨同性說(shuō)明：以往的ON/OFF模型中對(duì)于各個(gè)ON/OFF源之間獨(dú)立同分布的假設(shè)變得不切實(shí)際，導(dǎo)致ON/OFF模型生成流量的合成流量的自相關(guān)函數(shù)并不滿足實(shí)際網(wǎng)絡(luò)流量的長(zhǎng)相關(guān)特性C-ON/OFF模型C，即Convergence，表示趨同性C-ON/OFF模型471、根據(jù)Internet中廣泛存在的趨同性改進(jìn)現(xiàn)有的ON/OFF模型，使各源之間具有一定的相關(guān)性，討論各源之間相關(guān)性與合成流量長(zhǎng)相關(guān)性的關(guān)系2、建立基于ON/OFF模型的具有趨同性的新網(wǎng)絡(luò)流量模型。3、使用歸一化子協(xié)方差函數(shù)和Hurst參數(shù)驗(yàn)證實(shí)驗(yàn)步驟1、根據(jù)Internet中廣泛存在的趨同性改進(jìn)現(xiàn)有實(shí)驗(yàn)步48假設(shè)ON/OFF模型中有N個(gè)ON/OFF源，每個(gè)ON/OFF源產(chǎn)生的流量分別是X1(m)、X2(m)、……、XN(m)，其中m為整數(shù)離散時(shí)間，m0。這N個(gè)源生成流量的合成流量X(m)為：設(shè)n為時(shí)間間隔，n為大于等于零的整數(shù)，那么，X(m)的自相關(guān)函數(shù)為：理論驗(yàn)證假設(shè)ON/OFF模型中有N個(gè)ON/OFF源，每個(gè)49N個(gè)獨(dú)立同分布ON/OFF源的合成流量的自協(xié)方差函數(shù)與每個(gè)源流量自協(xié)方差函數(shù)的關(guān)系：其中c(n)是合成流量的自協(xié)方差函數(shù)，ci(n)是每個(gè)源流量的自協(xié)方差一系列數(shù)學(xué)推導(dǎo)N個(gè)獨(dú)立同分布ON/OFF源的合成流量的自協(xié)方差函數(shù)與50V.Paxson等人[34]指出，ON周期或OFF周期的持續(xù)時(shí)間具有輕尾分布的ON/OFF模型在獨(dú)立同分布條件下產(chǎn)生的合成流量是短相關(guān)流量結(jié)論1：當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨(dú)立同分布、ON周期或OFF周期持續(xù)時(shí)間呈輕尾分布時(shí)，源產(chǎn)生的流量具有短相關(guān)性質(zhì)結(jié)論1V.Paxson等人[34]指出，ON周期或OFF51各個(gè)源產(chǎn)生流量的自協(xié)方差函數(shù)與互協(xié)方差函數(shù)說(shuō)明：由于各個(gè)源之間不獨(dú)立，因此第二項(xiàng)必不為零結(jié)論2：?jiǎn)蝹€(gè)流量之間的互協(xié)方差是否可加將直接決定聚合流量自協(xié)方差函數(shù)是否可加，即各源生成流量之間的互相關(guān)性的強(qiáng)弱決定了合成流量自協(xié)方差的可加性當(dāng)On或者Off持續(xù)周期不獨(dú)立各個(gè)源產(chǎn)生流量的自協(xié)方差函數(shù)與互協(xié)方差函數(shù)當(dāng)On或者Off持52當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨(dú)立同分布、ON周期或OFF周期持續(xù)時(shí)間呈輕尾分布時(shí)，源產(chǎn)生的流量具有短相關(guān)性質(zhì)只要滿足獨(dú)立同重尾分布這個(gè)條件，無(wú)論單個(gè)流量還是合成流量都是長(zhǎng)相關(guān)流量如果各源之間不獨(dú)立，具有一定相關(guān)性，那么，對(duì)于重尾分布來(lái)說(shuō)，合成流量必然長(zhǎng)相關(guān)理論論證之結(jié)論當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨(dú)立同分布、ON周期或OF53歸一化自協(xié)方差函數(shù)，又稱自相關(guān)系數(shù)Hurst參數(shù)估值兩種驗(yàn)證方法歸一化自協(xié)方差函數(shù)，又稱自相關(guān)系數(shù)兩種驗(yàn)證方法54實(shí)驗(yàn)條件控制輕尾分布重尾分布數(shù)據(jù)源獨(dú)立獨(dú)立，輕尾獨(dú)立，重尾數(shù)據(jù)源不獨(dú)立不獨(dú)立，輕尾不獨(dú)立，重尾實(shí)驗(yàn)條件控制輕尾分布重尾分布數(shù)據(jù)源獨(dú)立獨(dú)立，輕尾獨(dú)立，重尾數(shù)55第一組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈輕尾分布，且各源之間相互獨(dú)立。第二組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈輕尾分布（指數(shù)分布），但各源之間不獨(dú)立，具有一定相關(guān)性第三組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈重尾分布（選取Pareto分布作為重尾分布的代表），且各源之間相互獨(dú)立第四組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈重尾分布（Pareto分布），各源之間不獨(dú)立，具有一定相關(guān)性實(shí)驗(yàn)條件設(shè)置第一組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈56歸一自協(xié)方差驗(yàn)證結(jié)論歸一自協(xié)方差驗(yàn)證結(jié)論57Hurst參數(shù)估值驗(yàn)證結(jié)論Hurst參數(shù)估值驗(yàn)證結(jié)論58構(gòu)造新模型C-On/off構(gòu)造新模型C-On/off59條件設(shè)置 1）固定n，觀察C-ON/OFF模型生成流量的歸一化自協(xié)方差隨N值的變化情況； 2）固定N，觀察C-ON/OFF模型生成流量的歸一化自協(xié)方差隨n值的變化情況。使用C-on/off模型測(cè)試條件設(shè)置使用C-on/off模型測(cè)試60實(shí)驗(yàn)結(jié)果（n固定）實(shí)驗(yàn)結(jié)果（n固定）61實(shí)驗(yàn)結(jié)果（N固定）實(shí)驗(yàn)結(jié)果（N固定）62Hurst驗(yàn)證新模型Hurst驗(yàn)證新模型63Hurst驗(yàn)證新模型Hurst驗(yàn)證新模型64首先通過(guò)理論分析證明了如下結(jié)論：在經(jīng)典ON/OFF模型的基礎(chǔ)上加入各ON/OFF源之間的相關(guān)性，可以在ON周期和OFF周期持續(xù)時(shí)間分布為輕尾分布的條件下產(chǎn)生長(zhǎng)相關(guān)性質(zhì)的流量然后對(duì)上述結(jié)論進(jìn)行了仿真驗(yàn)證，仿真結(jié)果表明：

在ON/OFF模型各源之間增加相關(guān)性之后，即使ON/OFF模型的ON周期和OFF周期持續(xù)時(shí)間呈輕尾分布，合成流量依然具有長(zhǎng)相關(guān)性；若ON周期和OFF周期持續(xù)時(shí)間呈重尾分布，那么各源之間的相關(guān)性將加劇合成流量的自相似程度，表現(xiàn)為Hurst參數(shù)值的增加C-on/off結(jié)論首先通過(guò)理論分析證明了如下結(jié)論：在經(jīng)典ON/OFF模型的基65流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長(zhǎng)相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊(duì)模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時(shí)期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭(zhēng)論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展662004年,Karagiannis等人通過(guò)分析Tier1ISP的骨干鏈路流量發(fā)現(xiàn),目前高帶寬和高聚合的鏈路流量在極小尺度下近似泊松過(guò)程,從而引發(fā)了人們對(duì)網(wǎng)絡(luò)流量特征及建模的新思索和爭(zhēng)論之所以這樣劃分,并不表示近時(shí)期的流量模型不具有自相似的特征,主要是為了更清晰地了解近些年網(wǎng)絡(luò)流量模型的發(fā)展情況流量建模新發(fā)展2004年,Karagiannis等人通過(guò)分析Tier67近年其他模型的發(fā)展流量預(yù)測(cè)模型基于神經(jīng)網(wǎng)絡(luò)的模型混沌理論模型模糊理論模型混合模型多分形模型近年其他模型的發(fā)展流量預(yù)測(cè)模型68展望流量模型的發(fā)展目前的網(wǎng)絡(luò)模型基本都基于流量時(shí)間序列的自相似特性，未來(lái)是否還會(huì)有別的特性發(fā)現(xiàn)？目前的流量均基于時(shí)間特性，是否將來(lái)會(huì)考慮空間特性？網(wǎng)絡(luò)流量的小尺度行為的研究新的物理模型的發(fā)展模型的簡(jiǎn)單和精確性發(fā)展展望流量模型的發(fā)展目前的網(wǎng)絡(luò)模型基本都基于流量時(shí)間序列的自相69（1）節(jié)點(diǎn)1：為整個(gè)校區(qū)的網(wǎng)絡(luò)出口處，是整個(gè)校區(qū)的流量總和，具有最高匯聚度（2）節(jié)點(diǎn)2：

為匯聚層中一個(gè)子網(wǎng)絡(luò)結(jié)構(gòu)的總流量，該子網(wǎng)絡(luò)節(jié)點(diǎn)的總流量是3個(gè)子網(wǎng)絡(luò)中流量最小的（3）節(jié)點(diǎn)3：

為匯聚層中一個(gè)子網(wǎng)絡(luò)結(jié)構(gòu)的總流量，該子網(wǎng)絡(luò)節(jié)點(diǎn)的流量是3個(gè)子網(wǎng)絡(luò)中流量最大的（4）節(jié)點(diǎn)4：為最下層路由器連接的交換機(jī)的流量總和實(shí)例分析：校園網(wǎng)[7]（1）節(jié)點(diǎn)1：為整個(gè)校區(qū)的網(wǎng)絡(luò)出口處，是整個(gè)校區(qū)的流量總和70采用被動(dòng)測(cè)量技術(shù)，并對(duì)采集的報(bào)文抽樣統(tǒng)計(jì)。運(yùn)用Solarwinds軟件對(duì)校園網(wǎng)流量信息進(jìn)行抽樣測(cè)量。根據(jù)每30min的時(shí)間間隔來(lái)完成對(duì)校園網(wǎng)流量數(shù)據(jù)信息的采集。校園網(wǎng)流量測(cè)量參考文獻(xiàn)：校園網(wǎng)絡(luò)流量分析與預(yù)測(cè)研究_張昕采用被動(dòng)測(cè)量技術(shù)，并對(duì)采集的報(bào)文抽樣統(tǒng)計(jì)。運(yùn)用Solarwi71基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟如下：（1）樣本分類。把樣本分為訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本用于訓(xùn)練網(wǎng)絡(luò)，測(cè)試樣本用于測(cè)試網(wǎng)絡(luò)預(yù)測(cè)性能。（2）網(wǎng)絡(luò)初始化。隨機(jī)初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速率α。（3）預(yù)測(cè)輸出。把訓(xùn)練樣本輸入網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出并計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出和期望輸出的誤差e。（4）權(quán)值修正。根據(jù)誤差e修正網(wǎng)絡(luò)權(quán)值和閾值，從而使網(wǎng)絡(luò)預(yù)測(cè)值逼近期望值。（5）判斷算法是否結(jié)束，如沒(méi)有結(jié)束，返回步驟3，繼續(xù)運(yùn)行。sigmoid基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟如下：72基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)學(xué)習(xí)速率α取0.1基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)學(xué)習(xí)速率α取0.173基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)在網(wǎng)絡(luò)訓(xùn)練達(dá)到50次時(shí)訓(xùn)練的均方誤差為0.108142，在訓(xùn)練達(dá)到500次時(shí)均方誤差為0.106294，實(shí)際上，當(dāng)訓(xùn)練達(dá)到220次時(shí)均方誤差基本沒(méi)有變化，說(shuō)明此時(shí)訓(xùn)練次數(shù)的增加并不能改善網(wǎng)絡(luò)流量的預(yù)測(cè)性能?；贐P神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)在網(wǎng)絡(luò)訓(xùn)練達(dá)到50次時(shí)訓(xùn)練的均74基于小波神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)模型將小波分析和神經(jīng)網(wǎng)絡(luò)直接結(jié)合，把神經(jīng)網(wǎng)絡(luò)隱含層的傳輸函數(shù)用小波函數(shù)代替，大多數(shù)前向多層神經(jīng)網(wǎng)絡(luò)都是基于Sigmoid函數(shù)的基函數(shù)網(wǎng)絡(luò)，用這種網(wǎng)絡(luò)作函數(shù)逼近時(shí)，由于Sigmoid函數(shù)自身的局限性使得其是一種次優(yōu)網(wǎng)絡(luò)。把神經(jīng)網(wǎng)絡(luò)隱含層的傳輸函數(shù)用小波函數(shù)代替，這樣的結(jié)合從本質(zhì)上改變了預(yù)測(cè)模型的結(jié)構(gòu)，在不影響預(yù)測(cè)精度的前提下，縮短了模型的訓(xùn)練時(shí)間，提高了訓(xùn)練的速度,