（计算机科学与技术专业论文）网络流量预测模型系统的研究.pdf

o 。三 c o m b i n a t i o no fn e t w o r kt r a f f i cp r e d i c t i o nm o d e ls y s t e m s p e c i a l t y ： 一c o m p u t e r s c i e n c ea n dt e c h n o l o g y m a s t e rd e g r e ec a n d i d a t e ：w e n b a oy a n g s u p e r v i s o r ： p r o f j i el i s c h o o lo fi n f o r m a t i o ns c i e n c ea n d e n g i n e e r i n g c e n t r a ls o u t hu n i v e r s i t y c h a n g s h ah u n a n p r c h i n a nl 359呲mmi m，1洲y 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获 得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的 同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名：貅 日其目：啦年丘月上日 ， 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校有权 保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学 位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以 采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息 研究所将本学位论文收录到中国学位论文全文数据库，并通过网络向 社会公众提供信息服务。 作者徘扭聊签名盔嗍盟年月上 摘要 随着计算机的日益普及，网络规模越来越大，网络的管理也变地 越来越重要。为了更好地对目前及未来的网络运行状态进行监控，对 网络流量的分析和建模预测是十分必要的，也是目前研究的热点之 。 为了适应目前网络管理的发展，本文首先设计并实现了一个网络 流量预测组合模型系统，该系统主要由主进程模块、数据采集模块与 流量预测模块构成。本文在流量预测模块上做了深入的研究。 针对流量预测模块的实现，本文提出了一种基于小波与神经网络 预测的模型。该模型使用小波变换对流量序列进行多层分解，得到各 层的细节信号序列与近似信号序列。对近似信号序列使用改进后的 b p 神经网络预测；对细节信号序列使用a r i m a 模型预测。 针对b p 神经网络的改进，首先就b p 神经网络中输入层神经元 个数与输出层神经元个数没有一个合理的取法的问题，本文提出了一 种根据相关性确定神经网络中输入层与输出层神经元个数的新方法。 这种方法完全根据样本与样本之间最为紧密的相关性来确定，使得对 样本的学习更加有针对性与科学性。之后本文还对b p 算法本身作了 一系列的改进，主要加入变长学习率，根据误差的大小动态的改变学 习的速率，使误差能得到很快速的收敛。但过快的收敛速度会引起系 统的不稳定性所以本文加入了动量项，根据上一时刻权值的修改方向 改变学习率。最后针对神经元内部提出了一种动态偏置的方法，这种 方法是根据误差动态调整偏置的大小。 在细节信号的a r i m a ( p ，d ，q ) 预测方面，由于单支重构的细节 信号具有一定的规律性，所以可以按规律提取所需要的序列部分，对 他们进行分析建模。这样可以明显减少计算的复杂性。 最后用真实网络流量数据拟合模型，结果表明该模型具有较高的 预测效果。 关键词自相关，神经网络，小波变换，细节信号，近似信号 a b s t r a c t w i t ht h ei n c r e a s i n gp o p u l a r i t yo fc o m p u t e r s ，t h es i z eo ft h en e t w o r k i s b e c o m i n gl a r g e ra n dl a r g e r , n e t w o r km a n a g e m e n ti s a l s ob e c o m i n g m o r ea n dm o r ei m p o r t a n t f o rt h ec u r r e n ta n df u t u r en e t w o r kr u n n i n g s t a t u sh a v eab e t t e rm o n i t o r , n e t w o r kt r a f f i ca n a l y s i sa n dm o d e l i n g p r e d i c t i o ni sv e r yn e c e s s a r y , a n do n eo f t h er e s e a r c hh o t s p o t s i no r d e rt om e e tt h ed e v e l o p m e n to fn e t w o r km a n a g e m e n t ，f i r s tt h i s p a p e rd e s i g na n di m p l e m e n tac o m b i n e dm o d e lo fn e t w o r kt r a f f i c p r e d i c t i o ns y s t e m ，i nt h i ss y s t e mt h e r ea r et h em a i np r o c e s sm o d u l e ，d a t a a c q u i s i t i o nm o d u l ea n dt h et r a f f i cp r e d i c t i o nm o d u l e t h i sp a p e rh a v ea t h o r o u g h l ys t u d y o nt r a f f i cp r e d i c t i o nm o d u l e f o rt h et r a f f i cp r e d i c t i o nm o d u l e ，t h i sp a p e rp r e s e n t sap r e d i c t i o n b a s e do nw a v e l e tt r a n s f o r ma n dn e u r a ln e t w o r km o d e l s f i r s t ，t h i sp a p e r u s et h em u t l i l a y e rd e c o m p o s i t i o no ft h ew a v e l e tt r a n s f o r mo nf l o w s e q u c e c e s ，a f t e rt h ew a v e l e td e c o m p o s i t i o nw ec a ng e ta p p r o x i m a t e s i g n a ls e q u e n c ea n dd e t a i l ss i g n a ls e q u e n c e f o ra p p r o x i m a t es i g n a l ，w e u s ei m p r o v e db pn e u r a ln e t w o r k sp r e d i c t i o n f o rd e t a i ls i g n a l ，w eu s e a r i m ap r e d i c t i o n f o rt h ei m p r o v e db pn e u r a ln e t w o r k ，f i r s tt h en u m b e ro fn e u r o n si n t h ei n p u tl a y e ra n dt h en u m b e ro fn e u r o n si nt h eo u t p u tl a y e rn e u r o ni n t h eb pn e u r a ln e t w o r ki sn o tar e a s o n a b l ec h o i c e ，t h ep a p e rp r e s e n t sa n e ww a yt h a td e t e r m i n et h en u m b e ro fn e u r o n so ft h en e u r a ln e t w o r k s i n p u ta n do u t p u tl a y e ra c c o r d i n gt or e l e v a n c et h e o r y t h i sa p p r o a c h c o m p l e t e l yb a s e do nt h es a m p l ea n dt h es a m p l ec o r r e l a t i o nb e t w e e nt h e m o s tc l o s e l yt od e t e r m i n e ，t h i sa p p r o a c hm a k e st h ef l o wo fs a m p l e st o l e a r nm o r et a r g e t e da n ds c i e n t i f i c a f t e rt h a tb pa l g o r i t h mi sf u r t h e r i m p r o v e m e n ti nt h i sp a p a r , j o i n e dt h ed y n a m i cl e a r n i n gr a t e ，a c c o r d i n gt o t h es i z eo ft h ee r r o rd y n a m i c a l l yc h a n g et h er a t eo fl e a r n i n g ，t h ee r r o rc a n b ev e r yf a s tc o n v e r g e n c e h o w e v e r , t h ec o n v e r g e n c er a t et o of a s tc a n c a u s es y s t e mi n s t a b i l i t y , s ot oi m p r o v eb ya d d i n gm o m e n t u mi n t ot h e s e c o n di t e m ，a c c o r d i n gt ot h el a s tm o m e n tt h ed i r e c t i o no fw e i g h tc h a n g e t h er a t eo fl e a r n i n g f i n a l l yf o rt h ew i t h i no ft h en e u r o n s ，p r o p o s ea m e t h o do fd y n a m i cb i a s ，a c c o r d i n gt ot h es i z eo ft h eb i a se r r o rd y n a m i c a d j u s t m e n t f o rt h ed e t a i ls i g n a l sa r i m a ( p ，d ，q ) p r e d i c t i o n ，a st h ed e t a i ls i g n a l o fs i n g l er e c o n s t r u c t i o nh a sac e r t a i nr e g u l a r i t y , t h en e e d e ds e q u e n c e c a n b ee x t r a c t e da c c o r d i n gt ot h el a w s ，t h e n a n a l y s i sa n dm o d e l i n gt h e m 1h i sc a ns i g n i f i c a n t l yr e d u c et h ec o m p u t a t i o n c o m p l e x i t y f i n a l l y , t h er e a ln e t w o r kt r a f f i cd a t ai su e s e dt of i tt h em o d e l ，t h e r e s u l t ss h o wt h a tt h em o d e lh a s h i g h e rp r e d i c t i v e k e yw o r d sa u t oc o r r e l a t i o n ，n e u r a ln e t w o r k ，w a v e l e tt r a n s f o r m ，d e t a i l s i g n a l ，a p p r o x i m a t i o ns i g n a l i l l 目录 第一章绪论1 1 1 研究背景及意义1 1 2 国内外研究现状2 1 - 3 研究内容3 1 4 本文结构4 第二章网流量特性与传统方法预测模型5 2 1s n m p 简介5 2 1 1s n m p 结构5 2 1 2s n m p 角色5 2 1 3m i b 概述6 2 1 - 4s n m p 的操作7 2 2 实际网络流量的特性7 2 2 1 网络流量的自相似特性8 2 2 2 网络流量的长相关与短相关特性8 2 2 3 单分形和多分形9 2 3 若干传统模型及其性能评价1 0 2 3 1 半马尔科夫模型1 0 2 3 2p o is s o r l 模型1 l 2 3 3a r m a 模型1 2 2 4 本章小结1 3 第三章预测新理论的研究与模型系统的设计1 4 3 1 预测模型的提出1 4 3 1 1 传统模型的不足1 4 3 1 2 新模型的提出1 5 3 2 小波理论研究1 5 3 2 1 小波变换1 5 3 2 2 多分辨率分析1 6 3 2 3 基于m a l l a t 方法的信号分解与重构算法1 7 3 2 4 小波变换具体步骤总结1 9 3 3 神经网络理论的研究1 9 3 3 1 神经网络的基本概述1 9 3 3 2 神经网络结构模型2 0 i v 3 3 3b p 神经网算法原理2 1 3 4 预测模型系统的设计2 2 3 4 1 系统的总体设计2 2 3 4 2 系统模块说明2 3 3 5 本章小结。2 7 第四章小波与神经网络组合模型的设计2 8 4 1 网络流数据的采集与存储2 8 4 2 流量的初步处理小波分析3 0 4 2 1 小波基与层数的选取3 0 4 2 2 流量的小波变换3 1 4 3 近似信号序列的预测模型3 2 4 3 1 神经网络初步模型3 2 4 3 2 输入与输出层神经元的设计3 3 4 3 3 隐藏层节点数的确定3 4 4 3 4 其他参数的设定与选择3 5 4 4 细节信号预测模型3 5 4 4 1a r i m a 模型预测步骤3 5 4 4 2 差分d 参数的确定3 7 4 4 3 模型的识别与估计3 7 4 4 4 系数估计3 8 4 4 小波的合成3 8 4 5 本章小结3 9 第五章网络流量预测模型实现与改进4 0 5 1 数据的采集与预测数据的预处理4 0 5 1 1 数据的采集4 0 5 1 2 小波分析对数据预处理4 0 5 2 近似信号预测实现4 2 5 2 1b p 算法的设计4 2 5 2 2b p 算法的改进4 5 5 2 3 预测值与真实值的对比4 8 5 3 细节信号预测实现4 8 5 4 小波合成5 l 5 5 性能分析5 l 5 5 1 各模型的误差分析5 l v 5 5 2 模型的时间性能分析5 3 5 6 本章小结5 4 第六章研究总结与展望5 5 6 1 本文总结5 5 6 2 下一步工作5 5 参考文献5 7 致谢6 1 攻读学位期间主要的研究成果6 2 硕七学位论文第一章绪论 1 1 研究背景及意义 第一章绪论 随着计算机网络技术的迅速发展和网络应用的迅速增加，计算机网络己经渗 透到社会生活的各个方面，并对社会的进步和经济的发展起着越发重要的作用。 计算机网络在使得人们的工作和生活方式发生巨大变革的同时，也使得人们对它 的依赖性越来越强。随着用户对网络性能及服务质量的要求越来越高，这就使得 计算机网络本身运行的可靠性变得至关重要。有研究表明，在现有的技术条件下， 一个普通的局域网在一年中平均出现重大故障二十次，由此产生的服务失效时间 长达十六小时。企业在分享计算机网络带来的高效率、低成本的同时，也不得不 承受这些故障带来的损失。而一个高效的网络管理系统可以给网络管理员提供良 好的信息来源，及时发现运行中出现的故障，找出性能瓶颈，缩短网络失效时间。 因此，网络管理已成为网络发展中一个重要的关键技术，对网络的发展有着很大 的影响。 随着i n t e m e t 及其应用的迅速发展，网络规模同益增大，网络应用日益复杂， 以流媒体为代表的多媒体网络业务量快速增加，电子商务、电子政务、网络电视、 远程教育等复杂网络应用已经或即将为国民经济的可持续增长提供巨大的推动 力。这些应用的发展都对网络的服务质量提出了更高的要求，同时也迫切要求提 高i n t e m e t 的可运营性、可管理性和生存性。然而，由于互联网是一个高度复杂 的非线性系统，目前，对互联网络的流量特征、性能特征、可靠性和安全性特征、 网络行为模型缺乏理解和有效描述。因此难以确定网络流量的影响因素，以及与 网络性能之问的关系，使得网络q o s 、网络故障监测、网络性能评价、基于流量 特征所进行的异常检测、攻击应对等研究工作难以深入开展，导致互联网产业的 发展受到制约和牵制。为了实现可靠的数据传输及合理的网络资源分配，就需要 深刻了解网络的控制机制和复杂的行为特性。网络流量分析和建模对网络性能评 价具有重要的意义，完全符合网络流量复杂统计特性的模型，能够帮助对网络流 量进行精确的分析和仿真，非常有助于网络的设计和控制。 目前各国均对流量建模的研究给予了充分的重视，在中国所启动的有关高性 能网络、下一代互联网、网络与信息安全的研究计划中，均将网络流量建模和性 能分析等研究作为基础性的工作。在国家支持下，国内外学术界，如l b n l ( l a w r e n c eb e r k e l e yn a t i o n a ll a b o r a t o r y ) 、m i t 的l i n c o l nl a b o r a t o r y 、p u r d u e 大 学的n e t w o r ks y s t e m sl a b 、中科院计算所、清华大学计算机网络技术研究所等 硕七学位论文 第一章绪论 均对网络流量建模和性能分析及其应用等方面进行了大量的研究。 1 2 国内外研究现状 为了能够准确预测网络的流量，就必须建立一个合适的模型。建立一个合适 模型的基础是必须对网络流量特性有个详细的了解。通过大量的分析与研究表明 现实中的网络流量是十分复杂的，它具有相当多的特性，如长相关、自相似性、 分形特性【1 】【2 】【3 1 等。 一个合适的模型一定是在这些特性的基础上建立起来的。准确的流量模型能 捕获实际网络流量的统计特征，如果一个模型对这些网络流量所体现出的流量特 性不能完全或部分捕获，那么该模型对实际网络实际性能的预测将会产生很大的 错误。它要么对真实流量的预测过于简单，就是过于偏离。国内外专家根据网络 流量特性的不断发展也陆续提出个许多模型。目前对网络流量预测的模型很多， 大致分类如下，按预测长短分类、平稳性分类等。这些模型拥有各自的优缺点。 最早对流量预测的模型是p o i s s o n 模型，当时对流量研究发现流量是服从指 数分布的，而不记录包的到达过程【4 l 。从1 9 9 4 年w e ，l e l a n d 等人提出网络流量 的尺度特性后，p o i s s o n 模型不在适用，流量预测的研究进入了一个新的历史阶 段【5 1 。 文献1 6 j 使用长相关模型差分自回归求和滑动平均模型( f a r i m a ) ，利用”后向 预报”技术对序列进行分析反滤波，在参数估计中利用粗、精估计结合的方法建 立模型。其他的长相关模型还有利用分形布朗运动【7 】建立流量预测模型。文献【8 】 最早使用a r i m a 模型对i p 网络流量的进行预测，将i p 网络流量用时间序列表 示。a r i m a 是一种短相关模型。其他的短相关模型还有马尔科夫模型【9 】，利用 的现在状态和动向去预测该未来状态和动向的一种模型。在马尔科夫模型基础上 推广的半马尔科夫模型【l o 】。 流量预测模型中另一个重要的分类是按平稳性分类【1 1 1 。所谓稳定性是指其统 计特性不随时间的平移而变化，即均值和协方差不随时间的平移而变化。回归模 型都属于稳定的模型，主要有：自回归模型( a r y 眩1 ，自回归滑动平均模型 ( a r m a ) 1 3 】，自回归求和滑动平均模型_ j ( a r i m a ) h l 。 实际的流量往往是多特性的，而且是非平稳性的，但是上面介绍的模型大都 是根据平稳的流量序列进行建模。所以在选用上述模型进行建模时对流量的平稳 化处理是十分必要的。国外学者提出了许多平稳化的方法。传统的平稳化方法 是进行差分处理，它对具有线形趋势的时间序列具有很好的平稳化效果【1 5 】。此 外，文献【1 6 】提出了平稳化的另一种方法季节性差分。 网络流最虽然可以通过平稳化处理使其平稳化，但是不同的平稳化方法也会 2 硕十学位论文第一章绪论 带来不同的误差。随着小波理论和神经网络的广泛应用为流量预测开辟了一片广 阔的天地。将小波分析与传统预测模型相结合【1 7 】以及与神经网络【1 8 】相结合的模 型相继提出。 在流量预测方面国内很多学者也进行了大量的研究工作。例如，李捷等人提 出一种基于卡尔曼滤波和小波变换混合的网络流量模型【l 川；白翔宇等人将小波 变换与自回归模型组合起来预测的方法，用小波分解得到近似部分和细节部分然 后分别建立自回归模型【2 川：雷霆等人将小波变换与人工神经网络结合，先用小波 分解得到尺度与小波系数，然后分别构造人工神经网络进行训练预测【2 u ：曹建华 提出了残差改进的灰色预测方法和灰色神经网络组合的多种预测模型【2 2 1 ；李丽 提出了以机器学习与统计学习为基础的支持向量机网络流量预测等【2 引。 1 3 研究内容 根据网络流量的特性和传统流量预测模型的各种缺陷，寻找一种有效的能适 应目前网络特性的模型是十分重要的，因此本文的研究重点主要是对流量的不同 特性采用不同的模型进行预测，主要研究内容有如下几个方面： 1 网络管理系统的研究。本文设计与实现了一种网络流量预测组合模型系 统，该系统由主进程模块、数据采集模块与流量预测模块构成。 2 预测模型的研究。针对流量预测模块本文提出了一种基于小波与神经网 络预测的模型。首先使用小波变换对流量序列进行多层分解，得到一系列的细节 信号序列与一个近似信号序列。近似信号序列它是流量的主体部分，对它使用 b p 神经网络进行预测；细节信号序列体现了流量的局部特征，对它使用a r i m a 模型预测。 3 b p 神经网络模型的研究。由于目前输入层神经元个数与输出层神经元的 个数没有一个合理的取法。本文提出了一种根据相关性确定神经网络中输入层与 输出层神经元个数之间的关系。这种方法完全根据样本与样本之间最为紧密的相 关性来确定，使得对流量样本的学习更加有针对性与科学性。对b p 算法本身作 了进一步的改进，主要加入变长学习率，根据误差的大小动态的改变学习的速率， 使误差能得到很快速的收敛。但过快的收敛速度会引起系统的不稳定性所以本文 加入动量项。根据上一时刻权修改的方向改变学习率。针对神经元内部提出了一 种动态偏置的方法，根据误差动态调整偏置的大小。 4 对非平稳的细节信号预测模型的研究。本文使用a r i m a ( p ，d ，q ) 进行预 测。由于单支重构的细节信号具有一定的规律性，所以可以按规律提取所需要的 序列部分，对他们进行分析建模。这样可以明显减少计算的复杂性。 硕十学位论文第一章绪论 1 4 本文结构 的组织结构如下： 章绪论，主要介绍了当今网络管理协议、流量预测的背景和意义以及 研究现状。在总结现有成果的基础上，说明了本文研究内容和章节安排。 章网络流量特性和传统预测模型的研究。研究目前网络呈现的新的特 比较各种传统模型，找到他们的优缺点。 章预测新模型的研究。针对目前传统模型的不足，提出了新的预测模 由数据采集模块、主进程模块与流量预测模块构成。主要的流量预测模 基于小波与神经网络组合的流量预测模型。 章小波与神经网络的设计。对模型中所有的参数的选取进行设计以及 构进行设计。 章小波与神经网络的实现与改进。根据实际的网流量设计各模型的参 际验证参数的选取，然后对b p 算法进行了一系列的改进。最后进行预 章研究总结与展望。对论文所做工作进行总结，并指出有待于今后进 的工作。 4 硕士学位论文第二章网络流量特性与传统方法预测模型 第二章网流量特性与传统方法预测模型 2 1s n m p 简介 s n m p 的全名为“简单网络管理协议”，它是网络管理的协议。s n m p 协议的 思想是：为了不同种类的设备、不同厂家生产的设备、不同型号的设备。定义一 个统一的接口和协议，使得管理员可以使用统一的外观面对这些需要管理的网络 设备进行管理。通过网络，管理员可以管理位于不同物理空间的设备，从而大大 提高网络管理效率，简化网络管理员的工作。 2 1 1s n m p 结构 简单网络管理协f , s ( ( s n m p ) i 拘体系结构由被管理的设备( m a n a g e dd e v i c e ) 、 s n m p 管理器( s n m pm a n a g e r ) 【ls n m p 代j 望( s n m pa g e n t ) 三个部分组成。代理 实现被管理设备与管理站的s n m p 通信【2 1 1 。 s n m p 的协议逻辑结构如图2 1 所示。 图2 - 1s n m p 逻辑结构图 管理站与代理使用m i b 进行接口统一，m i b 定义了设备中的被管理对象。 管理站和代理都实现相应的m i b 对象，使得双方可以识别对方的数据，实现通 信。管理站向代理申请m i b 中定义的数据，代理识别后，将管理设备提供的相 关状态或参数等数据转换成m i b 定义的格式，应答给管理站，完成一次管理操 作。 2 1 2s n m p 角色 根据管理者和被管理的设备在网络管理操作中的不同职责，s n m p 定义了3 种角色，如图2 2 所示。 硕士学位论文第二章网络流量特性与传统方法预测模型 图2 2s i q m p 角色图 它们的职责和功能如下所述： 网络管理系统( 管理站) ：是系统的总控台，向管理员提供界面以获取与改变 设备的配置、信息、状态、操作等信息。管理站与代理进行通信，执行相应的 s e t 与g e t 操作，读取或设置设备配置，并接收代理发过来的警报( t r a p ) 。管理 站是网络管理的发起平台。 代理：介于管理站与设备之间，与管理站通信并响应管理站的请求。代理也 需要具有根据设备的相应状态使用m i b 中定义的t r a p 向管理站发送报告的能 力。代理是网络管理的代理人，负责管理站和设备s n m p 操作的传递。站在管 理站的角度，代理是操作的执行者。站在设备的角度，代理是操作的发起者。 代理服务器：是一种特殊的代理，在不能直接使用s n m p 协议的地方，比 如异种网络、不同版本s n m p 代理等情况，代理服务器代替相关设备向管理站 提供一种外观，为设备代理s n m p 协议的实现。管理站看起来面对着一个s n m p 设备，其实这是由代理服务器所模拟出来的，代理服务器做了异种网络或不同版 本代理和相应s n m p 请求的数据转换工作。 2 i 3m i b 概述 管理信息数据库( m i b ) 是一个管理信息的集合，它包含了管理代理中的有关 配置和性能的数据，每个管理信息的点都被定义成一个管理信息，一个管理信息 有类型、名称、意义、权限等属性。对管理信息进行相应的读、写操作，就可以 完成管理。 m i b 是一个树形的结构。每个被管理资源用一个对象表示，是一个树形结 构的数据库。 6 硕七学位论文第二章网络流餐特性与传统方法预测模型 r o o t 广 c c i h ( o ) i s “i )j i o n t - i s o - c c i t t ( 2 ) o 电( 3 ) d o d ( 6 ) i n t e e t ( 1 、 歹7 ： d i r c t o r y ( ! ) m g m t ( 2 ) e x p e r i m e n t a l ( 3 ) p r i v a t e ( 4 ) m i b ( 1 ) 二歹夕弋专专= 甚 s y s t e m ( ! ) i n t e r f a c e s ( 2 )a t ( 3 )i p ( 4 ) i c m l r 5 ) t c p ( 6 ) u d p c 7 ) 图2 - 3m i b 信息库示意图 从图2 3 可以看出管理信息的对象标识是从根结点到该管理信息的路径，比 如s y s d e s c r 这个管理信息，对照图2 3 ，可以找到如下的路径1 3 6 1 2 1 1 1 ，也 可以表示为i s o o r g d o d i n t e m e t m i b s y s t e m s y s d e s c r ，这就是s y s d e s c r 的对象标识 f o i d ) 。不同的设备都有相应的管理信息库，网管系统可以通过m i b 查询自己需 要了解的信息。 2 1 4s n m p 的操作 s n m p 支持的操作仅仅是对变量的修改和检查，共有5 中操作： 1 g e t r e q u e s t 读对象值操作，是n m s 能够从被管理a g e n t 中检索对象值。 2 g e t n e x t r e q u e s t 读取当前对象的下一个可读取的对象实例值。 3 s e t r e q u e s tn m s 更新a g e n t 中对象的值。 4 g e t r e s p o n s ea g e n t 对g e t r e q u e s t g e t n e x t r e q u e s t s e t r e q u e s t 3 种操作 的应答。 5 t r a pa g e n t 向n m s 发送对象值。 以上是s n m p v l 版定义的基本操作，s n m p v 2 版本在此基础上有所增加， 如s n m p v 2 t r a p 代理向管理站主动发起的通告消息；i n f o r m r e q u e s t 管理站向 另一个管理站报告通报的消息；g e t b u l k r e q u e s t 管理站向代理读取表中若干行 的标准。 2 2 实际网络流量的特性 本节将描述真实环境中网络流量的特性，如自相似性、长相关、多重分形性、 突发性等特征。 7 硕七学位论文第二章网络流量特性与传统方法预测模型 2 2 1 网络流量的自相似特性 自相似性( s e l f - s i m i l a r i t y ) 是指一个随机过程在各个时间规模上具有相同的统 计特性。网络通信中的自相似性表现在较长一段时间罩，单位时间内分组数的统 计特性不随时l 、h j 规模的变化而变化。自相似性的另一个重要特性是长程相关性， 主要表现在随机过程的二阶统计特性上。 定义2 1 ：设一个平稳的随机序列x = 五：f = o ，1 ，2 ，- ) ，= 研( 工) 】是其平 均值，盯2 = 研( 五一) 】是平稳随机序列的方差【2 5 1 ，自相关函数定义为公式( 2 1 ) ： 7 ( 七) ：坐l 掣掣，k 0 公式( 2 1 ) 盯一 对每个m ：0 , 1 ，2 ，。令碰m ) ：兰虹型芷兰五型_ 二! 生，k ：l ，2 ，3 ， ，竹 x 肼= 碰，k = l ，2 ，3 ，) 是一个根据x 得到的m 阶聚会序列，记7 伽为x 仰的自 相关函数。如果对所有的m = 1 ，2 ，3 ，都有v a r ( x 沏) = 仃2 m 一声且以神= 以，则称x 为二阶自相似的，其自相似系数为h = 卜i l l 2 。如果对所有足够大的k 值，有 y ：州一九，m 专o o ，则成x 为渐进二阶白相似的。 自相似性流对网络性能有着十分重要的影响，网络流的自相似性对于传输过 程中的丢包率、信道利用率以及接纳控制会产生严重的影响，很多分析研究显示 自相似的长程相关性引起网络性能的下降，原因在于网络流的自相似性特征随着 丢失率增加而增加。当连接数增加时，若丢失率固定，其自相似参数也在增加。 当多个流通过瓶颈链路时，会有较高的突发性。当链路延迟增加时，自相似程度 也在增加。当超时重传值减小时，自相似程度也相应减少。所以它需要较常规队 列分析更大的缓冲区，增加队列延迟、包丢失率，因此降低了网络的性能。 2 2 2 网络流量的长相关与短相关特性 对实际流量新的分析发现，无论是局域网还是广域网，网络流量在很大的时 间尺度上呈现高可变性和突发性。统计学上，这种高可变性可以用长相关性( l r d ) 描述。短相关模型的自相关衰减速度比实际观测到的要快很多，从而使得使用它 们进行的排队分析、性能估计与实际有相当差距。因此，新的长相关性流量分析 模型被提了出来，它们中有的是对现有模型的扩展，有的和其它领域的理论结合， 这些根据网络流量的长相关特性提出来的模型对更加准确的分析、预测网络流量 起到了很大的推动作用。 由上可知长相关是指两个相距比较远的时间点上网络流量的相关性，所以其 与自相关函数紧密联系在一起【2 引。设一网络流量序列x = z ：f = 0 1 ，2 ， ，z 表 示t 时刻的网络流量值。序列的自协方差函数为岛= 目一u x x , 一删，为序 硕+ 学位论文第二章网络流量特性与传统方法预测模型 列的平均值。满足： 反p = 瑚， o 公式( 2 2 ) 公式( 2 2 ) 中h 臣p 为h u r s t 系数。若厅( o 5 1 ) ，则流量序列x = 找：f = o ，l ，z 为长相关过程。而日( 0 0 5 】则流量序列为短相关序列，当h = 0 5 流量序列为经 典的短相关过程。 2 2 3 单分形和多分形 如果一个图形的部分以某种方式与其整体本身相似，这个图形就称为分形。 这就是分形的最基本定义。多重分形是许多个单一分形在空间上的相互缠结、镶 嵌，是单一分形的推广，单一分形可以看作是多重分形的一种特例【2 9 1 。 分形具有以下的一些基本的特征和性质f 3 0 l ； 1 形态的不规则性； 2 结构的精细性； 3 局部与整体的自相似性； 4 维数的非整数性； 5 迭代性。 分形与自相似紧密结合在一起，如果一个序列是分形的那么它一定是自相似 的。分形作为一个数学集，内部具有精细的结构，设一网络流量序列，可以把流 量序列按时间比例尺度分解为一个一个的部分，根据流量的自相似原理，这些部 分与部分之问是自相似的，将这些按时间比例尺度分解的部分组成整体。这个整 体本身是自相似的。所以分形流量以独特的手段来解决整体与部分的关系问题。 当然正如天下没有绝对圆的物体一样，只是数学家对一类物体所作的抽象概括， 完全自相似的分形也是一种数学抽象。随着对分形研究的深入开展，现在对分形 和多重分形( m u l t i f i a c t a l ) 概念的理解，已经对自相似性作了适当的修正和推广， 使分形更接近自然界中的各种现实事物。 分形理论是非线性科学的前沿和重要分支。它可以当作一种方法论和认识论， 其启示是多方面的：一是分形整体与局部形态的相似，启发人们通过认识部分来认 识整体，从有限中认识无限；二是分形揭示了介于整体与部分、有序与无序、复 杂与简单之间的新形态、新秩序；三是分形从一特定层面揭示了世界普遍联系和 统一的图景。 9 硕士学位论文第二章网络流量特性与传统方法预测模型 2 3 若干传统模型及其性能评价 硕+ 学位论文 第二章网络流餐特性与传统方法预测模型 定义2 6 ：如果i d l e t h r e s h o m v ( t ) b u s y t h r e s h o m ，且y ( f ) v ( t - 1 ) ，那么 s ( t ) = s 2 。则此时为下降状态。 定义2 7 ：设有网络流量序列矿( f ) 以及根据定义2 3 - - 一定义2 6 生成的与矿( f ) 对应的流量状态序列s ( f ) ，s ( f ) = 墨( f = 1 ，2 ，3 ，4 ) 是一个半马尔科夫模型。它满足以 下条件： 1 设乙表示为第n 次转换到达的状态，则 乙，刀0 ) 是一个马尔科夫链，其 转移概率为只。 2 在当前状态为s ，进入下一个状态为s ，的条件下，直到发生从墨到s ，转移 为止的时间服从分布e 。 通过上面的定义可以看出半马尔科夫模型现在的状态不仅与过去的状态有 关，而且与过去状态到现在状态所需要的时间有关。 2 3 2p o i s s o n 模型 1 p o i s s o n 模型的基本概念 泊松模型就是指时间序列间隔是离散的、呈指数分布的随机过程，并且时间 序列到达也是服从指数分布的【3 2 】。 设单位时间内到达数据包的概率为九，当满足以下三个条件时，可以证明具有 突发特性的数据包的到达过程服从泊松分布。 ( 1 ) 数据包到达的时问序列之间要保持独立分布的即不存在相关性。 ( 2 ) 在任意小的时间段出内，到达一个包的概率与起始时刻无关，只与时间段 长度出成j 下比： ( 3 ) 在任意小的时间段出内，到达的帧数不为l ，就为0 。 设p k ( t ，t 2 ) 表示在时间段( f 。，t 2 ) 有k 个帧到达的概率。由条件( 1 ) 可知，从时间零 算起，到达衿帧的概率可写成p k ( 0 , t ) = 只( t ) 。由条件( 2 ) 和( 3 ) o - - i 知，在任意小的时 间段f 内，到达一个帧的概率为怂f ，未到达帧的概率为l 一尬，将有限时间段t 分 成n 个小的时间段尬，即t = n a t ，那么到达k 个帧，可以分布在任意阶勉f 中。根据 二次项分布，在时间f 内到达阶帧的概率为公式( 2 3 ) ： 擀* ”鲥 其中， 令玎一得： 只( f ) = 。l i m 丛竺! 掣( 旯i tr ( 1 一五i t ) 玎- t 最后得到公式( 2 4 ) ： 公式( 2 3 ) 志 i i r_j 以后 。l 硕士学位论文 第二章网络流量特性与传统方法预测模型 只( f ) = t e - a t ( 2 t ) k ，七= 。，1 ，2 ， 公式(