（计算机应用技术专业论文）自相似业务流量建模与性能评价研究.pdf

西南交通大学硕士研究生学位论文第1 页 摘要 大量实际测量发现网络流量具有普遍的自相似性( 或长相关性) ，对网络业 务建模、性能评价和网络控制技术产生了重要影响。传统的网络模型在描述实 际网络业务时，认为网络流量具有m a r k o v 性，并在此基础上建立了以p o i s s o n 过程为主的数学描述模型，这种模型具有短程相关结构。长程相关性在多个时 间尺度上存在，并且在大时间尺度上对网络时延、抖动、丢包率以及吞吐量等 网络性能具有重大的影响。自相似流量建模及性能分析已成为当前研究的热 点。 本文深入研究自相似流量建模和性能评价问题。论文首先介绍自相似的常 见定义，描述自相似过程在数学和物理上的若干特征；研究网络白相似业务的 建模与流量数据生成方法，并对这些业务模型的性能进行了分析；通过仿真实 验研究了自相似特性对网络性能的影响。 在网络流量建模和性能分析方面，目前提出的流量模型较多，本文集中精 力重点研究了基于f b m 和f a r i k & 的流量建模和网络性能评价。首先通过数学 建模，推导出基于模型的理论分析结果，然后通过o p n e t 仿真来验证理论分析 结果，以测试现有自相似业务模型的精确度及其适用范围，找出适合于刻画各 种不同应用特性的自相似业务模型。 文中利用能够反映自相似特性的f b m 模型，采用g d 1 排队模型研究了自 相似性对网络性能的影响，讨论了在n o r r o s 给出的缓冲区溢出概率公式的基 础上，f b m 模型为输入时，网络性能指标的解析公式。通过理论分析与仿真相 结合的方法研究了包丢失概率、平均时延、队列长度等性能指标随h u r s t 系数、 缓冲区长度、利用率、方差和负载等模型参数的变化情况，发现除了h u r s t 系 数外，缓冲区长度、利用率、方差和负载等参数对系统的性能也存在重要的影 响，有的影响甚至比h u r s t 系数还要大，传统的只考虑h u r s t 系数的性能评价 方法既不全面，有时还可能会发生误导。研究结果还发现，f b m 模型性能具有 明显的时间尺度特性，长短时间尺度的性能支配因素不同，它们之间存在状态 转变或突变。 实际网络测量还显示，网络业务同时呈现长相关和短相关特性，长短相关 对网络的性能产生了极大的影响，因此建立可以能够同时描述长相关和短相关 特性的网络业务模型是个重要的问题。文中给出了利用f a r i m a 模型进行建模、 西南交通大学硕士研究生学位论文第1 i 页 拟合实际网络流量的方法和参数估计的具体步骤，研究了长短相关对网络性能 的影响。研究表明：f a r i m a 模型可以较精确地拟合实际业务的长相关和短相关； 当缓存较小时，网络性能将由短相关特性支配，而且随着缓冲区增加时，长相 关业务下系统的衰减要比短相关模型下的衰减方式慢，这些发现对今后网络设 计性能研究具有重要的参考价值。 关键词：流量建模；性能评价；自相似：分形自回归整合滑动平均运动；分 形布朗运动 西南交通大学硕士研究生学位论文第1 ii 页 a bs t r a c t t h ed i s c o v e r yo ft h es e l f - s i m i l a rc h a r a c t e r i s t i co fn e t w o r kt r a f f i ch a sg r e a t i n f l u e n c eo nn e t w o r kt r a f f i cm o d e l i n g ，p e r f o r m a n c ee v a l u a t i o na n dn e t w o r kc o n t r 0 1 t r a d i t i o n a lp o i s s o n b a s e dm o d e l so fn e t w o r kt r a m ca r eb a s e do nt h eh y p o t h e s i so f m a r k o vw h i c hh a s t h en a t u r eo fs h o r t r a n g ed e p e n d e n c e ( s r d ) r e c e n tt r a f f i c a n a l y s i sf r o mv a r i o u sp a c k e tn e t w o r k ss h o w st h a tn e t w o r kt r a f f i cp r o c e s s e se x h i b i t u b i q u i t o u sp r o p e r t i e so fs e l f - s i m i l a r i t ya n dl o n gr a n g ed e p e n d e n c e ( l r d ) ，i e o f c o r r e l a t i o no v e raw i d er a n g eo ft i m es c a l e s l r de x i s t so nm u l t i p l et i m es c a l e sa n d h a sg r e a ti n f l u e n c e so nn e t w o r kp e r f o r m a n c e ss u c ha sd e l a y , ji r e r , c e l ll o s sr a t ea n d t h r o u g h p u t o nt h e l a r g et i m es c a l e m o d e l i n ga n dp e r f o r m a n c ea n a l y s i s o f s e l f - s i m i l a rt r a f f i cb e c o m e sc u r r e n th o t s p o t i nt h i st h e s i s ，t h ep r o b l e m so fn e t w o r km o d e l i n ga n dp e r f o r m a n c ee v a l u a t i o n o fs e l f - s i m i l a rt r a f f i ca r es t u d i e dw i t h d e p t h f i r s t l y , s e v e r a l m a t h e m a t i c a l d e f i n i t i o n so fs e l f - s i m i l a r i t ya r eg i v e n s o m em a t h e m a t i c a la n dp h y s i c a lf e a t u r e s d e s c r i b i n gt h es e l f - s i m i l a rp r o c e s s e sa r ed e s c r i b e d t h em e t h o d so fm o d e l i n ga n d g e n e r a t i o no ft h es e l f - s i m i l a rt r a m ca r ed i s c u s s e d t h ep e r f o r m a n c eo ft h e s em o d e l s i sa n a l y z e d t h ei n f l u e n c e o fn e t w o r kp e r f o r m a n c eo ns e l f - s i m i l a r i yi ss t u d i e d t h r o u g hs i m u l a t i o n t h o u g hm a n yt r a f f i cm o d e l sh a v eb e e np r o p r o s e d ，t h i st h e s i sf o c u so nt h e p r o b l e m so ff b ma n df a r i m a b a s e dt r a f f i cm o d e l i n ga n dp e r f o r m a n c ea n a l y s i s m a t h e m a t i c a lm o d e li sp r o v i d e d ，a n di t st h e o r yr e s u l t sa r ed e r i v e d i na d d i t i o n ，t h e v a l i d i t ya n de 硒c i e n c yo ft h e s er e s u l t sa r ec o n f o r m e dt h r o u g hs i m u l a t i o nb a s e do n o p n e t s oa st ot e s tt h ep r e c i s i o na n da d a p t a b i l i t yo fe x i s t i n gs e l f - s i m i l a rm o d e l a n df i n do u tt h eb e s tt r a f f i cm o d e lf o rg i v v e na p p l i c a t i o n s t h ef b mt r a f n cm o d e lw h i c hh o l d ss e l f - s i m i l a r i t yi su s e dt os t u d yt h e p e r f o r m a n c eo ft h eg d 1q u e u i n gm o d e l b a s e do nt h eb u f f e ro v e r f l o wr a t eg i v e n b yn o r r o s ，t h ea s y m p t o t i ca n a l y t i ce x p r e s s i o no ft h en e t w o r kp e r f o r m a n c ew i t h f b mi n p u ti so b t a i n e d t h ev a r i a n c eo ft h es y s t e mp e r f o r m a n c ei n d i c e s s u c ha s p a c k e tl o s sp r o b a b i l i t y , e f f e c t i v eb a n d w i d t h ，a v e r a g ed e l a ya n dq u e u el e n g t h ，w i t h t h em o d e lp a r a m e t e r s ，n a m e l yh u r s ti n d e x ，b u f f e rs i z e ，u t i l i z a t i o n ，v a r i a n c ea n d l o a do f t h et r a f j c i c i ss t u d i e dt h r o u g ht h e o r e t i c a la n a l y s i sa n ds i m u l a t i o n t h er e s u l t s 西南交通大学硕士研究生学位论文第1 v 页 s h o wt h a tb e s i d eh u r s ti n d e x ，s e v e r a lo t h e r p a r a m e t e r s ，s u c h a sb u f f e rs i z e ， u t i l i z a t i o n ，v a r i a n c ea n dl o a do ft h et r a f f i ch a v ea l s og r e a ti n f l u e n c eo ns y s t e m p e r f o r m a n c e ，s o m ei n f l u e n c ea r ee v e ng r e a t e rt h a nt h a to fh u r s ti n d e x t h e t r a d i t i o n a lc o n e e p tw h i c h o n l yc o n s i s tt h ei n f l u e n c eo fh u r s ti n d e xi sn o to v e r a l l ，i t m a y b es o m e t i m e sm i s l e a d i n g t h es t u d yr e s u l t sa l s or e v e a lt h a tt h ep e r f o r m a n c eo f t h ef b mm o d e lh a so b v i o u s l yt h ec h a r a c t e r i s t i co ft i m es c a l e ，t h ed o m i n a t i v e f a c t o r so fl a r g ea n ds m a l lt i m es c a l ea r ed e f f e r n e n t ，a n dt h e r ei sas t a t ec h a n g eo r a b r u p tc h a n g e sb e t w e e ns m a l lt i m es c a l ea n dl a r g et i m es c a l e m e a s u r e m e n ta l s os h o w st h a tn e t w o r kt r a 伍ce x h i b i t sp r o p e r t i e so fs h o r t r a n g e a n dl o n g r a n g ed e p e n d e n c e s h o r t r a n g ea n dl o n g r a n g ed e p e n d e n c eh a v eg r e a t i m p a c to nn e t w o r kp e r f o r m a n c e f a r m i aq ，d ，q ) m o d e li sag o o dt r a f f i cm o d e l c a p a b l eo fc a p t u r i n gb o t hl o n g r a n g ea n ds h o r t - r a n g eb e h a v i o ro fn e t w o r kt r a f f i c i n t h i sp a p e r ，f a r i m a ( p ，d ，q ) m o d e li su s e dt om o d e l ，g e n e r a t et r a f f i ca n de s t i m a t e p a r a m e t e r sw h i c hf i tt h ea c t u a lt r a 伍ct r a c e t h er e s u l t so fa n a l y s i sa n ds i m u l a t i o n d e m o n s t r a t et h a tf a r i m am o d e lf i t sr e a lm u l t i m e d i at r a m cv e r yg o o d t h e s h o r t r a n g ed e p e n d e n c e i st h ea s c e n d a n tw i t hs m a l lb u f f e r w h i l en e t w o r k p e r f o r m a n c er e d u c e sl o w e ri nl o n g r a n g et r a f f i ct h a ns h o r t r a n g et r a f f i c t h e s e r e s u l t sa r ev e r yi m p o r t a n tf o rt h ef u t u r er e s e a r c ho ft h en e t w o r kp e r f o r m a n c e k e y w o r d s ：t r a f f i cm o d e l i n g ；p e r f o r m a c ee v a l u a t i o n ；s e l f - s i m i l a r i t y ；f a r i m a ； f b m 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1 保密口，在年解密后适用本授权书； 2 不保密酊使用本授权书。 ( 请在以上方框内打“”) 学位论文作者签名：娟王i 焉 日期：2 p d 子s f | 指导老师签名： 无擎线务 日期：纱够，、f 多 西南交通大学学位论文创新性声明 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所 得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。 本学位论文的主要创新点如下： 1 对自相似流量建模研究中存在的问题进行了全面的概括和总结，分析了 计算机网络中业务量的统计特性，验证了计算机网络中普遍存在的自相似特 性。 2 深入研究了f b m 的自相似流量建模与性能分析方法。( 1 ) h u r s t 系数、负 载、方差和缓冲区长度对网络性能( 丢包率、时延、时延抖动、有效带宽等) 均有影响，但影响程度不同；( 2 ) 流量的特性( 自相似参数h 和方差等) 对网 络性能均有影响，并且方差对网络性能的影响比自相似参数h 的影响要大得多； ( 3 ) 对实际网络流量的刻画不足够精确。 3 深入研究了f a r i m a 的自相似流量建模与性能分析方法。主要讨论 f a r i m a ( p ，d ，q ) 模型的拟合方法，给出了实现过程的理论推导和具体的实现算 法，本算法是基于实际业务的特性而产生的f a r i m a ( p ，d ，q ) 流量，能很好的描 述实际流量。 西南交通大学硕士研究生学位论文第1 页 1 1 研究背景 第1 章绪论 近十年里，i n t e r n e t 在全球得到了飞速发展，w w w 、视频会议、多媒体传 输等新的网络业务不断出现，使得现代网络业务的复杂性和突发性已非传统通 信网所能比拟。能否揭示现代网络业务的真实特性并为网络研究提供一个正确 有效的模型，成为研究现代网络技术成功与否的关键。 随着通信与网络技术的不断发展，网络的流量特性发生了根本性的变化 h 吨1 2 1 。如原来的密集流，现在可能变成了稀疏流；原来的背靠背流量变成了现 在的突发流量，等等。1 9 9 3 年以来的大量研究结果表明，现代网络业务的一个 关键特性是分形或自相似特性，即网络数据在绝大部分时间尺度范围内具有统 计相似性( 高度相关) 和重尾特性( 高变化或突发) 。不论是什么样的网络， 也无论网络的拓扑结构、用户数量、服务和利用类型如何变化，但所有研究表 明网络流量都在多个尺度上呈现出了统计自相似性心3 1 。从传统模型得到的结 论是：当业务源数目增加时，突发性会被吸收，聚集业务将变得越来越平滑； 而对于自相似模型：其聚集业务总的来说平滑要慢得多。网络业务的自相似和 重尾特性与基m a r k o v i a n 假设的业务模型有着截然不同的特性，对网络的分析、 设计、控制和性能评价等均具有重大的影响哺嵋1 刿。目前，国外围绕这一新课题 的研究工作虽然开始了1 0 多年，取得了一些成果，但还有问题待解决。主要 的困难在于传统排队论基本上是在短相关的假定下研究队列性能，目前还没有 一套完整的技术能解决长相关下队列性能的分析问题心1 。由于网络业务测量工 作的滞后，使得研究人员很少从统计意义上考查这些传统模型与网络实际业务 的拟合程度，导致在网络研究过程中，不断有研究人员对传统模型的有效性提 出置疑川1 。 为了描述自相似业务，提出了多个自相似流量模型旧，如重尾o n o f f 模型 u 3 1 ，基于分形的分形布朗运动( f b m ) 模型n 4 1 和分形自回归整合滑动平均 ( f a r i m a ) 模型n 引、基于稳定过程的a 一稳定自相似过程n 引、随机瀑布模型n 7 1 、 用于描述多尺度行为的多分形流量模型n 舯、多尺度流量模型n 鲫等。在上述自相 似流量模型中，最简单且最常用的是分形布朗运动( f b m ) 模型。f b m 模型是一 西南交通大学硕士研究生学位论文第2 页 个精确自相似过程，它是高斯过程，只有三个参数( m ，a ，h ) ，应用比较简单。 根据中心极限理论，无限多个自相似过程聚合的结果是f b m 过程，因此可以用 f b m 模型来对聚合的精确自相似流量进行有效的建模。 但是最近的实际网络测量显示，网络业务同时呈现长相关和短相关，f b m 只能刻画长相关性不能刻画短相关性。因此建立同时可以描述长相关和短相关 特性的网络业务模型是很有必要的，f a r i m a ( p ，d ，q ) 是具有这种能力的模型之 一。以往对于f a r i m a 模型的研究主要集中在视频业务，风能和经济方面，到 目前为止，很少发现将f a r i m a 用于实际网络业务建模与性能评价的。 网络流量特性分析与业务建模的主要目的是通过理论研究来为实际的网 络工程提供理论参考依据。目前的自相似流量建模和性能评价方法大都片面强 调流量过程统计特性的某些方面的影响，而忽略其它因素。特别地，因为h u r s t 参数表示自相似的存在及程度，目前的网络分析、测量、建模研究主要集中于 研究自相似参数h u r s t 上，性能分析所采用的业务模型也只匹配h u r s t 参数， 片面强调h u r s t 系数的影响，这是很不全面的，其分析结果甚至引起了部分人 的质疑。只有充分考虑网络流量的自相似、长相关、多分性等特性，才能合理 地规划和设计这些网络控制机制。 针对上述自相似流量模型、自相似特性对网络性能的影响等研究工作中存 在的问题，本文在这几个方面进行了深入的研究，提出了相应的解决方案。在 现有研究成果的基础上，深入研究不同网络环境、不同应用场合下的网络流量 特性。结合网络流量的不同特性，提出能精确刻画流量特性的业务模型，研究 基于各流量模型的网络性能评价方法。结合流量模型，研究不同参数对网络性 能的影响及其影响方式，总结出各个流量模型的适用场合及精度。 1 2 课题研究意义 网络业务的白相似( 长相关) 特性对网络的分析、设计、控制和管理产生 了巨大影响，对网络的服务质量提出了更严峻的挑战瞳1 1 。网络性能评价就成为 网络设计与控制的重要研究部分，尤其随着网络的发展，网络上承载的业务也 由语音扩展到视频，多媒体等，这一切都对网络性能和网络业务建模提出了更 高的要求，同时也出现了越来越精确和复杂的业务模型。 然而传统模型一般是基于泊松( 连续时间) 或贝努利( 离散时间) 过程的。 西南交通大学硕士研究生学位论文第3 页 虽然随着研究的深入逐渐引入了各种推广的p o i s s o n 过程和其它较为复杂的随 机模型，如，马尔科夫调制p o i s s o n 过程( 删p p ：m a r k o vm o d u l a t e dp o i s s o n p r o c e s s ) 等等。这些模型的共同特点是所描述的业务序列具有短时相关性 ( s h o r tr a n g ed e p e n d e n c e ，s r d ) ，即业务序列的自相关函数随序列间隔增大 呈指数衰减趋势。当时间标度增加时，统计上单位时间内得到的数据包数将趋 于白噪声，所以这些模型所表示的业务流在不同的时间标度下具有不同的特 性。由于一般它们假设业务的到达模式具有马尔柯夫特性，使得相应的队列系 统及网络性能评价易于数学解析。 现代网络业务的分形或自相似特性，即网络数据在绝大部分时间尺度范围 内具有统计相似性( 高度相关) 和重尾特性( 高变化或突发) 。它们不适合于 用传统的网络业务模型，如m a r k o v ，p o i s s o n 或g a u s s i a n 等来描述啪飙州。 各种具有突发特性的业务源呈现出的自相似特征严重影响到网络的传输 性能和流量控制策略。自相似性对网络性能产生的这些意想不到的影响，例如 对时延、丢包率、吞吐量等网络性能指标的直接影响，使网络的设计、控制、 分析和管理变得复杂。通过基于自相似业务流量的网络性能评价，才能掌握在 自相似业务下网络所表现出来的特性，减少流量自相似所带来的不利影响，使 网络性能得到优化。而网络业务的排队性能分析，是网络性能评价中一个重要 的指标。因此，对自相似业务源的数学建模和排队分析已成为当前网络性能评 价和优化、流量控制和业务量管理中不可缺少的要素。 在任何网络性能评价中，都必须对网络业务进行建模，网络业务建模是系 统性能评价与控制的基础和核心。网络模型需要精确并且能够反映实际业务的 统计特性，否则就会低估或高估网络性能。所以，对于网络业务模型的研究， 还必须考虑其精确性和易实现性，数学工具的选择非常重要。而自相似模型与 往常使用的马尔可夫模型不同，用于传统网络性能分析的马尔可夫数学解析模 型，技术手段都相对成熟，自相似模型的研究还处于起始阶段，对于流量的描 述刻画精确性和易实现性都还不是非常理想。因此对于自相似业务的数学建 模，更深入的研究是很有现实意义的。 总而言之，传统的基于p o i s o n 假设的网络性能分析结论已不能精确地刻 画网络的业务及其性能特性，就需要研究自相似业务环境下新的网络模型与性 能评价的理论与方法。通过研究不同流量模型的特性及其适用场合，根据不同 的应用场合提出不同的流量模型选择参考依据；通过研究网络流量特性以及网 西南交通大学硕士研究生学位论文第4 页 络参数对网络性能的影响，为网络规划、设计、优化和控制等提供理论参考依 据。 1 3 国内外研究现状 自从网络业务的自相似性被揭示后，该领域的研究就逐渐引起各国研究人 员的重视。由于传统模型不能描述业务的自相似性，使得许多以传统模型为基 础的网络研究成果需要重新修订，加之围绕自相似业务的研究还处于初级阶 段，有大量课题需要深入研究，所以近年来该领域的研究活动成为大家研究的 热点。 目前，概括起来研究主要集中：网络业务建模的研究和自相似业务对网络 性能影响的研究。 1 3 1 网络业务建模研究现状 网络业务模型是网络规划与性能评价的重要基础，广泛应用于网络规划设 计、网络优化、网络性能评价、网络控制( 拥塞控制、带宽分配、呼叫准入控 制) 等方面。 一般而言，m a r k o v 模型是s r d 的，不适合于自相似过程建模。文献e 2 9 研究表明，从数学性质方面看m m p p 不能刻画l r d ，因为总可以找到一个时间滞 后( t i m el a g ) 值，超过该值后m m p p 相关结构指数衰减。由此，文章作者定 义了一个“局部h u r s t 参数”，使之在有限时间尺度范围内近似为l r d 。但文献 3 0 指出，超出定界限后业务的长程相关性不会影响系统的性能。 文献 4 6 的分析结果也认为主要是工程时间尺度影响队列长度分布，研究 表明m a r k o v 模型可以匹配多个时间尺度的自相关函数，因而可以用于小时间尺 度的相关流量建模。文献 4 7 推导出了m a r k o v 模型的平均队列长度。文献 4 8 的研究结果表明，2 状态m m p p 的合成足以刻画多个时间尺度内的二阶自相似行 为。文献 4 9 详细描述了m a r k o v 调制泊松过程( 删p p ) 。 伪自相似流量模型心7 t 矧试图通过采用离散时间马尔科夫调制贝努利过程 m m b p ，即马尔科夫调制泊松过程m m p p 的离散时间模拟形式，来刻画流量的自相 似特性。 这类模型的共同特点是只存在短时相关性，即当时间尺度增加时，统计上 西南交通大学硕士研究生学位论文第5 页 单位时间内得到的报文数将趋于白噪，其相关函数趋于。函数。换句话说，这 些模型所表示的业务流在各个时间尺度下具有不同的特性。( 注：m m p p 等排队 模型从总的趋势来看是短相关的，但在局部时间尺度范围内表现为长相关特 性) 。 最简单并且具有明确物理含义的自相似长相关业务模型是o n o f f 模型。 它将总的业务看成是许多独立同分布的o n o f f 过程的合成。每个过程代表单个 源目的对之间的流量，0 n 周期( 期间发送源以一个恒定的速率发送数据) 和 o f f 周期( 期间不传送任何业务) 交替出现。0 n 周期长度的分布独立，并且可 以不同于o f f 周期长度的分布，但0 n 周期的长度分布与o f f 周期长度的分布均为 独立同分布。如果o n ，o f f ( 或两者) 的持续时间为指数分布时，则无限多个 o n o f f 源聚合的结果是短相关的。在o n o f f 自相似模型的排队分析方面，文献 5 8 对o n o f f 模型进行了详细的描述，给出了以流量参数为函数的队列长度计 算公式，给出的是队列尾分布。 f b m 作为最著名的简洁( p a r s i m o n i o u s ) 、易于求解的聚集流量模型，得到 了广泛的应用。研究结果表明，在大量独立的、相对于链路容量其峰值速率很 小的用户流量聚集，并且流量控制影响不是很明显的前提下，f b m 模型是一个 比较精确的模型。但是，由于f b m 模型的g a u s s i a n 性限制，只有当流量为 g a u s s i a n 分布时，二阶自相似才是流量的基本特性。然而，正如许多例子显示 的那样，具有相同二阶结构的不同流量的排队行为可能是完全不同的。尽管看 起来长相关( 即近似二阶自相似) 是大部分i n t e r n e t 流量的内在性质，但流量 的g a u s s i a n 特性需要满足高聚集程度条件，这一点是许多网络实例不满足的。 一般情况下小时间间隔下i n t e r n e t 流量分布具有强的不对称分布。 但目前的f b m 模型研究存在如下问题：( 1 ) f b m 模型是精确自相似过程，实 际业务量并不是一个纯粹的自相似过程，其自相似性只在一定的时间刻度范围 之内有效，在什么时间刻度范围内有效呢? ( 2 ) 目前在f b m 建模与性能分析方 面，给出的只有缓冲区溢出概率的计算公式，没有其它性能参数的计算公式； ( 3 ) f b m 模型的精确性如何? 模型中哪些因素影响系统的性能? 如何影响? ( 4 ) f b m 模型只能刻画长相关特性，不能刻画短相关等特性，不适合于多媒体 等同时具有长、短相关特性的网络流量建模；据作者本人了解，上述问题都没 有得到很好的回答。 文献e g 提出了一个广义的f a r i m a 过程，称为稳定f a r i m a 模型。稳定 西南交通大学硕士研究生学位论文第6 页 f a r i m a 模型基于q 一稳定过程。q 一稳定过程的一个性质是p q ，q ( 0 ， 2 ) 时，e x p = 。因此，a 2 时q 一稳定过程的方差无限旧1 。只有作为q = 2 时的特例，q 一稳定过程的方差才有限。广义的f a r i m a 过程很有趣，但由于几 乎所有的流量过程的方差均为无限，分析起来非常困难，因此稳定f a r i m a 模 型实际应用很少。 在f a r i m a 的网络建模和性能评价问题，主要针对下列有待进一步研究的 问题：( 1 ) 实际网络流量的参数估计问题：( 2 ) 给出参数时的自相似流量产生问 题；( 3 ) f b m 和f a r i m a 业务模型的适应性问题。 本文研究自相似长相关业务模型的出发点主要包括下列两个方面：( 1 ) 业务拟合( t r a c ef i t t i n g ) ；( 2 ) 性能分析。业务拟合模型采用精致的随机过 程来拟合实际业务量，试图对所观察到的自相似长相关特性进行数学解释。 反之，性能分析模型强调排队行为，侧重于网络规划与定维( p l a n n i n g ，a n d d i m e n s i o n i n g ) ，模型比较复杂，提供业务特性的表象近似，并不试图解释为 什么i n t e r n e t 业务是自相似长相关的，仅研究自相似长相关特性对网络性 能有什么影响 1 3 2 自相似业务对网络性能影响的研究现状 在网络实际应用中，使用排队论分析的结果与实际的性能有很大的差异， 其原因在于排队论依赖数据流量的泊松分布性质，网络业务流的分布具有白相 似性，不完全符合泊松分布的特性，它对依赖泊松特性设计的网络性能有很大 的影响。w i l li n g e r 哺1 等指出，在业务建模阶段不考虑自相似性的影响，将会导 致对网络性能过于乐观的估计，从而在实际网络环境中难以保证一定的服务质 量。在广泛应用有效带宽的各种呼叫接纳允许控制策略中，上述发现显得尤为 重要。 基于m a r k o v 模型的网络性能评价技术在自相似业务下是不适用的。例如， 在自相似业务下，随着缓冲区的增加信元丢失率并非按负指数方式迅速下降而 是下降得很慢，信元延迟不是下降反而增加引。但是目前仍未找到对所有自相 似业务到达过程都有效的数学描述，能用于分析自相似业务下队列统计性质的 解析工具还很少，因而有关队长分析的研究就显得更为困难。 但有关自相似和长相关特性对网络性能的影响还没有定论，有时候争议还 很大。文献 5 1 认为在为a t m 网络设计缓存大小时可以忽略v b r 流量的自相似 西南交通大学硕士研究生学位论文第7 页 性。文献 5 2 认为v b r 视频流量的长相关性质在性能分析时，有时重要有时不 重要。 有关网络设备对流量自相似特性影响的研究非常少，具体的影响方式还不 是很清楚。文献 5 3 通过仿真方法研究了交换网络对流量自相似特性的影响， 发现对于高度自相似流量，交换网络会降低流经它的流量的自相似性( 使h u r s t 参数减小) ，原因是包丢弃会截断长的突发。反之，对于非自相似流量( 如 p o i s s o n 分布流量) ，交换网络具有相反的影响，它会增大流量的自相似性( 使 h u r s t 参数增大) 。文献 5 4 研究了流量控制机制对自相似业务流量的影响，指 出当自相似业务流量经过流量整形器后仍然具有自相似性，整形器并不能减弱 业务流量的自相似性，基于t c p 的传输是网络业务流量呈现自相似性的原因。 从整体上讲，网络性能自相似性的研究活动已走出了初期以业务的测量分 析为主的阶段，转向了以自相似业务下的网络性能评价与工程应用研究为主。 但目前的研究工作还存在着一些问题和困难。目前性能研究的缺点是结果都集 中在一阶性能测量，如延迟的方差等二阶性能研究很少。但是二阶性能测量在 有实时约束的多媒体传输中非常重要，例如两个丢包过程可能有相同的一阶性 质，但是如果一个在丢包集中的时间内有较高的方差，那么这就会对在q o s 敏 感的实时流量传输中卜5 7 1 所使用的包级前向纠错( f e c ) 产生影响。即使在采用小 缓存的资源提供策略来界定自相似流量的排队性能时，如果时间敏感的流在丢 包率和剧烈的包间延迟抖动期间发送，那么由q o s 反映的性能就会下降。包级 f e c 等实时q o s 控制技术的有效性直接受突发结构畸瞒7 1 的影响并且其显式嵌入的 二阶性能测量也会被影响。 另一方面，人们一直在争论是否当具有强的s r d 署i h u r s t 参数不是很大( h x ) = e x p ( 一乏i 磊石；! 三 ；专 等兰矿z 2 - 2 h ) 系统的平均队列长度、队列长度的变化情况、时延、时延抖动如何计算? 综上可知，目前针对某一具体业务模型进行的队列性能的数学解析并不充 西南交通大学硕士研究生学位论文第8 页 分，而用于自相似业务仿真的模型具有局限性，不能通用于各种业务流量模型 产生的流量，使网络性能的仿真受到一定制约。本文将就f b m 模型及f a r i m a 模 型的队列性能进行分析讨论，提供一种在o p n e t 下实现的模型，可以输入不同 自相似业务模型产生的流量数据，对其进行队列性能的仿真研究。 1 4 本文的研究工作及论文内容安排 本文针对上述研究背景和研究现状中存在的问题，对自相似性能进行了一 些研究，研究了自相似网络业务对网络性能的影响及其建模方法，分析各种模 型的特点，并进行分类和评价，指出几种重要模型的参数获取的复杂度，并对 模型的意义进行初步的探讨，提出有待进一步研究的问题，建立通用网络性能 评价及仿真模型，对网络进行性能评价。 本文具体的研究目标为： ( 1 ) 对i n t e r n e t ，a t m ，w w w 网具有自相似的特性进行了研究，研究影响网络 性能的主要因素及其影响方式，寻找影响网络性能的敏感参数； ( 2 ) 网络性能指标的计算方法研究； ( 3 ) 分析各种模型的特点，并进行分类和评价，指出几种重要模型参数估 计的方法和参数获取的复杂度； ( 4 ) 对实际网络流量进行参数估计，以及给出参数时产生自相似流量； ( 5 ) 根据流量模型产生自相似流量，采用m a t l a b 和o p n e t 网络仿真工具对 自相似业务下的网络性能进行仿真，以及建立仿真模型和优化性能评价模型， 寻求能恰当刻画实际各种不同业务流( 音频，视频，一般数据流) 的对应模型， 对网络进行优化和规划设计。 在网络流量建模和性能分析方面，目前提出的流量模型较多，本文集中精 力重点研究了基于f b m 、f a r i m a 的流量建模和网络性能评价。f b m 模型只能刻 画流量的长相关特性，不能刻画短相关特性。而多媒体等流量同时具有长、短 相关特性，为此，本文引入了时间序列分析方法，采用f a r i m a 模型，可以同 时刻画流量的长相关和短相关。 在网络性能分析研究方面，本文采用的做法是首先通过数学建模，推导出 基于模型的理论分析结果，然后通过o p n e t 仿真来验证理论分析结果。仿真的 基本过程为：首先按某个模型，估算实际测量得到的网络流量的参数，然后用 西南交通大学硕士研究生学位论文第9 页 该模型产生具有相同参数的流量，最后将按模型产生的流量和实际测量流量分 别作为仿真输入，驱动o p n e t 仿真模拟，以测试现有自相似业务模型的精确度 及其适用范围，找出适合于刻画各种不同应用特性的自相似业务模型。 论文的组织结构如下： 第1 章绪论介绍了课题背景、研究意义、国内外研究情况及存在的问题、 以及本论文的主要研究内容和研究方法。 第2 章基于传统模型存在的缺陷和不足引入了新的网络模型，对自相似过 程的定义和性质进行了描述，并对一些概念进行了总结。 第3 章介绍了度量流量的方法，并且分析了实际流量的特性。紧接着介绍 了几种自相似流量生成方法，并指出了它们的优缺点。最后搭建了仿真模型。 第4 章主要介绍基于f m b 的白相似网络建模与性能评价方法。 第5 章主要介绍基于f a r i m a 的自相似网络建模与性能评价方法。并对几 种模型对实际流量的刻画进行了重点讨论。 西南交通大学硕士研究生学位论文第1 0 页 第2 章网络业务自相似特性 2 1 传统的网络流量模型 传统网络设计中采用了泊松过程、马可夫调制的泊松过程拍1 1 、自回归模型 等作为网络的流量模型。这些模型产生的业务，通常在时域仅具有短期相关性， 随着时间分辨率的降低，即时间尺度变大，网络流量将趋于一个恒定值，即流量 的突发性得到缓和。以下对这些模型作简单介绍。 2 1 1 基于m a r k o v 过程的流量模型 在许多情况下，通信业务的行为都可以用有限个状态来建模。例如图2 1 就是一个在电话业务建模中常用的有限状态模型瞄叫。该模型中主要有两个状 态：i d l e 和b u s y ，当处于b u s y 状态时就发送数据包。 图2 - 1 描述话音业务的状态空间模型 一般来说，增加状态数会使模型更加精确，同时也增加了计算的复杂性。 对于一个给定的状态空间s = s 1 ，s 2 ，s m ) ，令x n 为一个定义1 3 时刻状态的随 机变量。如果x n + ，的取值概率只依赖于x n ，这表明随机过程 x n 具有m a r k o v 性， 也就是一个m a r k o v 过程。m a r k o v 性表明系统将来的状态决定于当前状态而与以 前状态和已经花费在当前状态的时间无关。 在一个简单的m a r k o v 流量模型中，每一个新的状态转换就表示一个新的到 达，到达时间间隔为指数分布，其速率则依赖于所处状态哺0 | 。下面介绍一种基 于m a r k o v 过程的泊松过程m m p p ： b i a r k o v 调制的泊松过程是传统流量模型中非常重要的一种，如图2 2 所示。 在这个模型中，调制结构只规定某一状态k ，而到达过程是参数为入k 的泊松过 程，状态改变，则到达速率就改变。m m p p 过程能够对时变过程进行建模，同时 还能使相应的排队解析结果易于处理。另外，m m p p 参数可以