视频流量的相似性分析与仿真设计

1、齐齐哈尔大学毕业设计(论文)齐 齐 哈 尔 大 学 毕业设计（论文）题 目 视频流量的相似性分析与仿真设计 学 院 计算机与控制工程学院 专业班级 计算机科学与技术123 学生姓名 侯翰林 指导教师 李大辉 成 绩 2016年 6月 12日摘 要21世纪以来随着科学技术的高速发展和计算机网络与多媒体业务的普及，在宽带网络服务中视频业务的激增，产生大量的数据流量已占据网络流量业务总体中的80%以上。基于传统的网络流量分析模型已经不再适用于目前的网络流量的分析高速网络传输技术的多数据流量中。然而，大量的视频流量数据中存在自相似的性质，由于自相似模型能够更加真实地描述网络流量的特性对于研究数据流之间

2、偶合关系。因此，视频流量自相似的研究对网络的拥塞控制、信息监测、带宽分配及网络性能评价等有着重要的意义。本文主要介绍了视频流量的自相似性在国内外的研究现状，视频流量相似性的性质，形成原因，描述视频流量自相似程度的Hurst参数估算方法，以及几个典型能体现视频流量自相似性的网络模型：分形布朗运动模型（FBM），基于小波的多重分形小波模型以及ON/OFF模型。介绍了视频流量自相似的形成原因、据流在不同尺度下的相似性的计算方法，本文的实验基于Wireshark和matlab进行获取数据、数据对比、数据分析，为了研究再不同尺度下视频流量的相似性，进行各个尺度的分析。基于以上的理论，进行了视频流量相似性

3、的实验设计。本文以研究视频流量的自相似性作为切入点，用分类测量的方法选取视频流量的不同特征进行不同尺度的自相似性分析；表示出视频流量在不同尺度下的相似性信息，在此项研究中主要进行几组实验：视频在单数据流情况下的网络传输采样、多数据流下的传输采样并进行相似度运算；在不同分辨率下的视频流量对视频流量相似性的影响；在不同码率下视频流量对视频流量相似性的影响。综合以上几组实验数据进行对比分析。关键词：视频流量；相似性；不同尺度；数据分析；matlabAbstractSince the 21st century with the rapid development of science and tech

4、nology and the popularization of computer network and multimedia business, a surge of video in broadband service business, to generate a large amount of data traffic has accounted for more than 80% of the overall network traffic business. Based on the traditional network traffic analysis model is no

5、 longer suitable for the analysis of the current network traffic in high-speed network transmission technology of data flow. , however, a large number of video traffic data in the nature of the self-similar, due to the self-similar model can more truly describe network traffic characteristics to stu

6、dy coupling relationship between the data flow. Therefore, video traffic self-similar research on network congestion control, information monitoring, bandwidth allocation and network performance evaluation has important significance.This article mainly introduced the video traffic self-similar in do

7、mestic and overseas research status, the nature of the video traffic self-similarity, forming reason, describe the video traffic self-similar degree of Hurst parameter estimation method, and several typical network model that can reflect the video traffic self-similarity: Fractional Brownian Motion

8、(FBM) model, based ON wavelet multifractal wavelet model and the ON/OFF model. Introduces the reasons for the formation of video traffic self-similar, according to flow under different scales of similarity calculation method, this paper experiment based on Wireshark and matlab to get the data, data

9、comparison, data analysis, to study the similarity of video flow to different scales, each scale analysis. Based on the above theory, has carried on the experimental design of similarity video flow. Based on the study of video traffic self-similarity as a breakthrough point, measured with classifica

10、tion method of selecting the different characteristics of video traffic self-similarity of different scale analysis; Show video information flow under different scales of similarity, several groups of experiments in this study mainly: video in the case of a single data flow of network transmission s

11、ampling, sampling data flow transmission and more similarity calculations; Under different resolutions of video traffic impact on video flow similarity; Under the different bit rate video traffic impact on video flow similarity. Comprehensive above several groups of experimental data were analyzed.K

12、ey words: video flow; Similarity; Different scales; Data analysis;Matlab目 录摘 要IAbstractII第1章 绪论11.1 研究的背景11.2 国内外关于视频流量的研究现状11.3 研究意义3第2章 基本概念与理论知识42.1 视频流量自相似性基础42.2 小波理论基础与Haar算法6第3章 视频流量特征与相似性的设计83.1 软件介绍83.2 视频流量特征选择83.3 视频流量相似性的度量103.3.1 不同尺度下的相似性研究103.3.2 流量数据捕获与分析123.3.3 视频流量在不同尺度下分析13第4章 视频流

13、量相似性仿真设计154.1 常规视频相似性分析154.2 多数据流下视频流量相似性分析194.3 分辨率对视频流量相似度的影响214.4 码率对视频流量相似度的影响25结 论32参考文献33致 谢34III第1章 绪论1.1 研究的背景20世纪中最为重要科技进步便是以多媒体计算机为基础的远程通信网络的建设，这促使全球步入了全面信息时代。网络逐步渗透到教育，医疗，建设的各个领域，对于全世界产生了深远的影响1。而步入21世纪以来随着科学的技术高速进展和计算机的网络与多媒体业务的普及，现在随着科技迅速的发展，在宽带网络服务中视频业务的激增，产生大量的数据流量已占据网络流量业务总体中的80%以上。所以

14、对于视频流量相似性的研究显然成为了网络流量相似性研究的重要问题。视频流量数据流量具有持续出现、易变性和无穷性等特性。在多数视频流量数据流量中，大量视频流量有着相似性。研究视频流量的相似性对于互联网的拥塞管理控制、用户信息监管、带宽分拨及互联网性能评估等有着重要的意义，在不同尺度下的相似性的讨论也同样具备有重要的意义2。本课题通过Wireshark和matlab进行获取数据、数据对比、数据分析，来展开视频流量在不同尺度下的相似性研究，为了研究再不同尺度下视频流量的相似性可以进行各个尺度的分析。视频流量的相似性中，大量的视频流量或许还有一些差别的相似关系，关于体现出强相似关系的流量或许有可变的相似

15、性，所以，讨论视频流量的相似性具有实际应用价值。本文对于视频流量在进行传输时，在网络链路中总体流量出现的自相似现象，通过模拟结果的统计分析，结合小波技术研究视频流量的方法。得到新方法是对视频流量进行计算对比，从而达到监测网络性能，预防攻击的目的。1.2 国内外关于视频流量的研究现状文献3Leland等人对LAN的流量进行分析和Klivansky等对WAN的流量探究发现网络流量具有相似性。说明网络数据在规定尺度为千分之一秒级时具有自相似的特性，数据流量的自相似特性与该过程尺度较大的关联特性有关，即可以用尺度较大的方程数值用来估算相似度的二阶参数 H。而H的获取只有经过二阶数值的估算方式，我们已然

16、提供了多个可用方式来估算 H，如 R/S 法、方差时间图法、周期图法、Whittle估计量法和小波分析法。小波变更及多种分辨率的分析涵盖多尺度分析的特性，尤其合适于长相关的过程分解2。但离散的正交的小波变更的主体信息聚合在低频处，高频的部分不能再进一步进行分析；小波的分析方法中只采 用了小波变更的系数，失去了对多尺度的测量与分析。小波的分解是成为进一步的提高涵盖中频率的分析率，克服了小波转换深入高频率局的局限性，以满足对不同特性的信号进行时频局部细分的需要而产生的一种强有力的信号变换方法4。依据已有的小波分析法，文献提出了以小波包分解为基础的自相似参数 H 的估计方法（DWPT 法），而且也指

17、出该方法是精确稳定的。 以下是几种常用的流量相似性研究模型：分形布郎运动模型（FBM）是Manderbrot和Vanness于1968年得出的传统的自相似计算过程的结构，Norros5中研究了如何使用分形理论进行对网络中的流量进行估算。FBM同样简单构建的数字模型建模的方式，令A在时间段(0，t)中分别达到各个数量要求，普通的FBM所形成的非定值，只须要将网络数据的均匀速度、互联网数据平方落差拟合Hurst数值就能经过的公式进行完全地建立这个模型。FBM为当前使用率最为高的数学模型之一，同样也是速度最为迅速的。本文中的算法也是通过此模型的基础编写的。由于此模型的适用范围界定在比较严格的相似性当

18、中，所以并不能体现出所有网络环境中的复杂情形。ON/OFF的源叠加模型在传统的数据流模型中进行了一定程度的拓展，把网络数据的自相似基于多次的网络流量的层叠。此模型采用了很大量的数据进行重复定义，所有的数据都有ON和OFF两种状况。在ON情况下，采样网络流量的流量源接连的向目标发送数据包；在OFF状态下，采样数据的数据源不会发送数据。本模型的物理意义尤为重要，可以根据此模型了解流量传输中自相似的物理性质。但这种模型对于前提的要求太严格，即是每个数据源都是独立分布的，而且输出的速率也是规定的数值。所以此模型注定值应用于实验当中，并不能反应实际的网络环境。多分形小波模型（MWM）是多分型的相乘的数学

19、模型，用相对少量的数据数值对网络流量中的短相关以及大尺度关联进行了系统的叙述，而且还可以测量流量中较小的尺度下的多分形的特征，而且能构成较为迅速的收缩。较为简单的运算难度可很好的配合现实中的网络数据6。但是多分型小波的模型系数不一定是在所有尺度下都是单独的，并且数据的选取同样会这组数据的运算质量。本文以研究视频流量的相似度作为切入点，采取不同尺度下视频流量的相似度进行分解；精准表示出视频流量于不同尺度下的相似度信息。并且根据视频不同的特征展开采样和相似度运算，用来了解在实际应用中视频流量的相似性对网络的整体影响。1.3 研究意义视频流量的相似性研究对于我们的互联网生活是息息相关的。工业革命以来

20、，人类社会的科学技术发展步入了一个新的高度。然而如今的互联网发展规模和速度已经不低于工业的革命。现在的多媒体已然成为了网络传播的重要载体，而本文研究的视频流量也是在网络多媒体中占有重要的地位。同样，关于数据流量的相似性讨论早已形成互联网讨论的重要一项。本文的主体部分放在了视频流量的相似性的讨论、在不同网络环境中视频流量相似性的变化规律以及相似视频的不同参数对视频流量相似性的影响。在已有的算法中，我们可以计算出在我们观看视频时与过往的相同时间段的流量相似度，靠这一项就可以用来监测相关的网络行为的波动起伏以达到监测网络可以摒除安全隐患。如今多媒体发展的速度加剧，很多不法的信息通过视频媒体或夹杂在媒

21、体数据流中对网络用户的信息安全构成了一定的安全隐患。而研究视频流量的相似性对视频进行相似性的分析，用来达到监测此段数据流当中是否有非常规的数据波动，防患于未然。第2章 基本概念与理论知识2.1 视频流量自相似性基础对于本文所讨论的视频流量的相似性问题，自相似的性质不仅仅是在视频流量中而是涵盖了所有网络流量的通性。翻阅了很多相关资料，关于自相似性的定义众说纷纭。本文所采用的基本界定为文献16对流量自相似性的描述：设是一个协方差稳定的随机过程即：X有常均值，有限方差并且X的自相关函数 （2-1）在以上表达式中，设x的自相似函数关系同样具有： （2-2）其中，以及下文出现的表示固定正常数。对于每个使

22、表达出由X所产生的新序列，从X中依次提取m个X元素当中的均值，使每个“”不重叠，即： （2-3）对于个别m来说，定义了一个协方差恒定的过程。令表示相应的自相关函数。假如相似度的函数与X的度函数有相同组成，另一种说法，假如X与在统计采样数据上是同样地，那么就称X为严格的相似。如果X满足与符合，则称X为自相似。自相似参数H又称为Hurst参数，并且。自相似过程的特点是它的聚台过程(agg regated processes)。的结构在m趋无限时是非退化，即是传统模型随机产生X对应的当m趋于无限时渐进于0。序列的Hurst参数为H=05。自相似过程还具有以下特点，平均值的方差的减少速度要小于此组数据

23、的长度倒数，即:当时，自相似性的频率分别于在时。有以及之前的特点则判断为自相似的形成依据。计算相似参数H被提到过很多的方式，而本文所用的方式主要为方差法、Rs法。以下简单介绍小波分析算法。3中主要提到了如何进行H参数的计算。以下主要介绍在本文所用到的计算参数前用到的一些关于小波技术的基本理论。假定用一时间序列kt，k盎0，12，用于表示本段数据中所取的最小的间隔内所体现的字节的数量n表示出其中影响的分辨率。可以采用下面计公式将监测的数据进行降级： （2-4）而这两个序列的差别可以用细节信号(detailsignal)： （2-5）来表示。我们可以将x用降级之后的与之前比较细致的来表达：不断重复

24、这十过程,可以得到: （2-6）我们称为离的散小波变换，可以用表示。而以上表达式就构成了较为简单的Haar离散小波转换。而表示被分析信号在时刻和，在这之中是所这组小波数据的基础频率。依据流量的自相似特性，用以上公式，计算后得到以下下公式： （2-7）其中H的结果是对相似度参数H的一个估计值，j表示在不同的分辨率级别所下降的数量n表示下降的j级同时的个数。根据以上公式我们能够得出相似度的参数H的估算值，而且还可从不同的频率中得到平均值的特征变化2.2 小波理论基础与Haar算法小波和分形技术是最近几年以来在数学理论中新兴的新的数学结构分支，被推广至图像的算法处理、语音智能识别、信号模拟分析等相关

25、学科。它不同于傅里叶变换，而没有相对的局限性，在处理不稳定的信号的有相当的限制性，13在小波和分形技术有着很好的定位性能，在时间、区域和局域性质；在频率较高的部分中，细微的采样方法是在时域上运行，由焦点到细小的数据信息，所以被誉为“数学的显微镜”。本文结合了小波理论对视频流量的相似性在不同尺度下进行了分析与讨论，为了分析不同尺度下的相似性，引用Haar算法与小波定义。多重分形的小波理论以及Haar算法是由以下的公式推导所构成的：Haar的小波变换中不同数值以及小波参数可通过F的递推式子得到： 因为网络中的数据都是正直，所以要想仿真出现实中的网络数据情况，就要保证参数为正值。即，因为要保证流量的

26、数值为正数所以在模型中引入:这里A是-1，1的随机变量，由式子(4)可以了解，如果把A限于-1，1之间就能保证流量的数值为正数。MWM模型所形成的模拟数据的过程有以下几个步骤：（1）设，所测算参数较大的为,所构成的流量模型的平均值；（2）在更小的尺度下，会产生不同的变量A，选A为此分布中的的分布，通过方程(6)计算出，；（3）在尺度上，由式(4)计算出尺度j+1的，k=0，；（4）增加j重复步骤(2)、(3)，直至达到尺度j=n为止。互联网中因为传播载体和传播技术的跨越性进展，形成大量数据流量，从而促使了我们对现在网络环境中的流量进行比对研究。就像通话历史数值、股票的流通率数值、道路的监管大数

27、据、环境的监控系统的天气大数据、发射的卫星和回收传送回来的监控日志和移动网络每日的记载等等。在多数据流的流量中相对的应用划分中，一些流量之中大概有着相互关联，所以讨论多数据流的流量相似对于研究视频流量的相似性具有重要意义。根据相同的网络内容，一些流量尽管出现较弱的相似倾向，对齐相对应的差值以后，则会体现异步较强的相似关系。例如:在饭店交管的系统之中，面的价格如果发生一些变化，那么大米的价值不一定马上就发生改变，面的价值改变要低于大米价值的改变。当前，我们主要讨论网络流量的监管，还有对网络流量的变化对比，现在讨论的初步探索阶段是多数据流的出现的偶合现象。小波转换的方法对于网络流量的特性的相似度阐

28、述中，我们使用小波转换来对流量进行聚合之类的分析、还有相似检索和数据的处理，基本上不见使用小波方法来讨论视频流量之中的偶合度问题。以下是针对小波转换方法是如何解决这类问题的阐述。一定时间段内的相似和多数据流的非同步相似度的问题所进行的工作有以下这些：在Haar小波算法问题和网络流量的挖掘方式问题的融合，主要讨论网络流量之间的同步相似与异步相似关系内容的方法；为了测量之间的数据流的耦合度合理的耦合强度，局部同步耦合度和流量数据的本地异步耦合度分别定义从概率统计的观点。对Haar小波是如何进行数据的挖掘的方法基础进行了探讨，并对局部耦合等效度量构成，提出了Haar小波的作用和网络流量的挖掘相互影响

29、的实质，还有证明H数值测量了视频流量的相似水平中的基础。网络流量的简化处理的问题结合了小波思想，为方便去运用小波思想中压缩流量完整数据，推算了流量强弱相似度给出了重要的基础跟据，防止了重组网络数据包的最初内容期间的花费。第3章 视频流量特征与相似性的设计3.1 软件介绍Wireshark（也叫做Ethereal）是常用的网络抓包工具。这款软件的功能非常强大，主要提取目标网路中的网络封包，并显示出非常详尽的封包资料Wireshark是以WinPCAP为接口的，通过网卡监测正在进行的数据传输。在过去，网络封包分析的成本是非常高昂的，只能通过专业的硬件设施或者或是为盈利而产生软件。Wireshark

30、的诞生从根本上改变了这一切。由于GNUGPL的通用许可下，广大的网络技术和从业人人员可以免费获得这款软件与它的源代码，而且可以更改源代码达到自己心中的理想软件。Wireshark现在已经成为最为普遍较为宽泛的网络数据抓包及分析用软件之一。MATLAB是美国MathWorks公司开发的数学计算软件，被应用到数值分析、数值和符号的计算、工程科学绘图、数字图像于信号处理，有重要的两部分MATLAB和Simulink。MATLAB是MATLAB众多产品中的基础，它涵盖了基础的数学算法，如数据的分析算法和矩阵算法，而且MATLAB还融合了图形功能。为了完成更为复杂的计算工作MATLAB还提供了一种交互式

31、的高级编程语言M语言，利用M语言可以通过编写脚本或运行函数文件的方式实现用户自己的算法。3.2 视频流量特征选择目前的视频在互联网中主要以RMVB、FLV、WMV、RM和MOV等规格进行动态画面的传输，内容涵盖比较广泛主要包括点播的影视资源、视频电话、体育比赛、新闻直播、植入广告等。由于网络视频的存储性强，也可以用于视频监控和保护用户财产安全等安全方向应用。网络的视频发展相当于为我们的生活提供了一双无处不在的千里眼，是我们能够快捷方便的看到想看的内容，也可以足不出户的进行远程监控、交流，根据视频数据的不同类型，主要选取分辨率和码率两项主要参数进行分析。分辨率是指视频在一定区域内的色彩点。通常表

32、示成每英寸像素（Pixel per inch, ppi）和每英寸点（Dot per inch, dpi）。单位区域内的像素点越多，储存的空间就会相对增大，而且质量也会更好更清晰。但是较大视频容量意味着更多的储存空间的要求。7如果视频涵盖的内容不算充分（分辨率比较低），就会体现得比较模糊，比如是把视频放大成比较大显示区域进行观看的情况。所以我们在观看视频影像的时候要时常注意分辨率是否与当前的硬件设备和视频资源是否相互匹配的，如果吧分辨率较小的资源用在大型分辨率的硬件上播放这样就会令我们的观看体验下降很多。反过来，如果我们用分辨率较高的视频资源在硬件设施达不到标准的播放器上播放的时候，同样也会出现

33、很模糊的画面。PPI和DPI经常都会出现混用现象。DPI最一开始是出现在打印机和打印的成果中的，往往成为了衡量这项打印成品的效果。也就是在每英寸内最多能够显示多少个点。DPI值越小图片越不精细。然而如今随着电脑的普及，一个与DPI类似的能够用于衡量显示器的显示效果的名词诞生了它就是：PPI。同理： PPI和DPI一样也是通过对每个英寸显示多少个点的个数来进行数据衡量，如果你说 DPI大伙也能理解。Windows系统默认PPI 为96， Mac OS系统默认PPI 为72。如果不是可以要求视网膜屏幕现在的显示器基本数值为72PPI到120PPI之间。还有一点值得注意，使用这种显示规格会使你在电脑

34、上的作品在打印之后看着差不多。码率对于视频质量具有重要的参考意义；码率就是数据传输时单位时间传送的数据位数,一般我们用的单位是kbps即千位每秒。 通俗一点的理解就是取样率，单位时间内取样率越大，精度就越高，处理出来的文件就越接近原始文件，也就是说画面的细节就越丰富。 一般来说码率越大，处理出来的文件就越接近原始文件，但文件体积与码率是成正比的，所以几乎所有的编码格式重视的都是如何用最低的码率达到最少的失真，围绕这个核心衍生出来的CBR（固定码率）与VBR（动态码率），都是在这方面做的文章。关于码率一些的原则：（1）码率和质量是成正比的，但是文件体积大小也和码率成正比。（2）码率是不是越大越好

35、呢，当码率超过一定的数量之后，对画面的质量就没有太大的影响了。对于高清在线视频 这取决于你对“高清”一词的概念如何理解。网上那些标有“高清”字样的在线视频最好状态充其量也只是能接近DVD的画质而已 这也是在网页上的小播放器上的效果感觉当你全屏观看时就能理解和明白了。对于为什么出现“颗粒感”这个与你原始文件的情况关系稍大一些高码率压缩时以AVI格式为佳因为它是逐帧扫描的画面清晰细节表现也好当然文件也会相应地大些低码率时以RMVB为佳柔化压缩虽然会模糊些但会带来流畅的画面感觉。另外转码时码率不要高于源文件的，那样没有意义无损压缩可以完整地保留住源文件的视频与音频质量否则有损压缩的话只能是越转越差。

36、3.3 视频流量相似性的度量3.3.1 不同尺度下的相似性研究本节通过wireshark对视频流量进行采样分析，并对对不同数据流的样本进行波形分析与对比，利用多数据流之间的偶合特征，对数据的采集方法和数据的波形进行了分析，主要进行以下几项验证:（1）验证多数据流中的数据序列小波转换遵从能量守恒定律，而且将能量守恒规律运用于数据流量相似度的处理中。（2）揭示了视频流量间的相似度度和变化趋势的相关性8。模拟复杂的网络中，一些视频流量当中有着程度不一的相似关系，当两组视频流量的相似度超过一定值时，两组视频流量的改变规律就存在很大程度的相似性，我们应用视频流量之间相似程度，让表示改变趋势的视频流量数据

37、成为基准数据，运用存在特点的数据流的小波参数表现出和它的较强相似的视频流量数据，以达到压缩数据流的目的。为了再现数据流，使用该数据流的能量和特征流序列的小波系数重构。传统的小波方法是对每个数据流分别压缩处理，而新方法是将多个偶合数据流作为整体压缩。（3）通过大量的具有比较明显的haar特数据用模式识别的方法找出类器，分类器是个级联的，每级都以大概相同的识别率保留进入下一级的具有数据特征的候选数据组，识别数据的时候，同样计算积分数据为后面计算haar特征做准备，然后采用之前的数据特征相似的历史数据，即计算该组数据内的haar特征。（4）当地伽柏滤波器组可以克服传统伽柏滤波器的缺点,需要很多时间来

38、提取伽柏特征向量和高维伽柏特征向量非常冗余10。Haar小波是拥有很特殊的优秀特质，它所在的对应区域不存在重复叠加的问题，也就是说它没有所谓的边界。普通情况下在交宽阔的尺度下，他被用来这段信号波形较为宽阔的轮廓特征，而在较为细致的尺度下，它就会被用来表现此段信号波形的细致的特点。此外，因为在互联网数据包的传输进程中有着关于时间的延迟，假如能将此段延迟的数据大小向网络缓存进行预报，这样则对网络的拥塞控制和对故障的发生机率有较大的帮助，如此就能提高偌大的互联网业务数据传输的品质，也能提升网络的延迟问题。我们用小波于不同的尺度下进行一步步的细致表现信息的方法，针对动态下的数据应用不同尺度下的信息获取

39、。这就会把存在相似性的随机数据流量的不同信息在不同尺度下进行分析，还能在这项基础之上，针对动态下的数据应用不同尺度进行结合，实现可以预测这些数据的长度而且是动态的。以下为对于动态的数据应用详尽信息进行多尺度下的采样提取，设计出来关于多种尺度的数据结合的动态缓存怎样进行预测的方案。首先设置一个网络节点为Q它的缓存长度q(t) 为: （3-1） 其中: 表示数据流的发送速率,表示数据流中间节点服务速率,表示网络业务数据流总个数。则队列缓存长度可以表示为 （3-2） 直接运用式(2) 获得时刻的该Q 队列长度预测值 是行不通的，其中表示预测长度。根据小波进行分析的理论与时间序列分析方式，针对此队列的

40、范围进行采集，获取了这项队列中的时间非静态序列。互联网中的各个节点的资源与之前预算的范围有所不同，这就为采集带来了一些困难。假如采集的次数过去频繁，就会一定将占据网络中交换机的节点庞大的空间。而且，即便是能将采集很多次数的高频率采集也会因为互联网中的数据的复杂不确定存在这多变性，将使受到各类“噪音”的影响力度的加大；此外，互联网中的网络延迟通常都要比正常的周期要大，所以当想要预算的长度很大时，其中存在较大的误差也是必然的。因此，考虑如何避免这些客观的因素，我们就提出来关于多种尺度数据结合的数据长度预算。假设经过采样得到队列序列长度为，队列序列信息表示为。其中对序列。作不同尺度的分解, 即 （3

41、-3）为便于讨论，选取4 个尺度进行分析, 取J = 4,N = 16。 （3-4）其中， M 多尺度分解矩阵可表示为; （3-5）其中:表示尺度小波空间的第个小波基,表示尺度空间的尺度基；有，；，；，；，；，T 相当于一个循环算子，表示单位阵。3.3.2 流量数据捕获与分析在单位时间段内获取网络中的流量信息，并拦截下来将获取的数据以封包的形式保存到本地。11网络流量分析指的就是根据不同的方法从不同的侧面对网络流量展开的分析。互联网的功能就是传输数据包，数据包在互联网中交流方式就行收发邮件一样。接收数据包要通过物理层的来接收数据包，最后通过应用层还原成分段前的原数据。图3-1为Wireshar

42、k所抓取的数据。由于数据较为庞大，进行实验之前还要进行数据提取和优化。 图3-1 wiershark流量获取3.3.3 视频流量在不同尺度下分析流量控制一般需要实时数据。对于网络规划和流量管理，12有价值的可能是原始数据经过处理后得到的一些分析结果。运用Wireshark将获取的数据包导入进数据表中，分别截取0.1s,0.01s和0.001s 的I/O分析图。图3-2为速度与激情3视频传输，尺度0.1s的流量波形图3-2 0.1s尺度的流量波形图3为速度与激情3视频传输，尺度0.01s的流量波形图3-3 0.01s尺度下的流量波形图4为速度与激情3视频传输，尺度0.001s的流量波形图3-4

43、0.001s尺度下的流量波形根据以上分析，在尺度越精细的情况下波形抖动频率越高。这间接的说明了大尺度的数据的相似性更容易被抓取，16反之在小尺度下的视频流量相似性由于抖动频繁，要得到小尺度下的流量数据的相似性就需要做大量的计算，所以并不容易被获取。根据以上视频流量数据量较为庞大，第四章所采用的数据尺度为0.1s尺度下的分析。这样尽可能的避免运算不准确的问题，而且还能避免小尺度下过于庞大的计算量。第4章 视频流量相似性仿真设计如今视频的种类繁多，网络常用的视频有很多都会影响视频的传输质量。如分辨率大小、画面宽高比、帧率、码率、制式、隔行扫描、DC分量精度、运动检测精度等。然而这些指标是否会对视频

44、的相似度也会产影响呢？鉴于篇幅长度提取三项重要指标，本文主要分析了多数据流下对视频流量的相似度的影响、在不同分辨率下对视频流量相似性的影响以及码率对视频流量相似性的影响。4.1 常规视频相似性分析本试验为基础实验，主要分析相同视频在前后两次播放过程中的相似度进行计算。图4-1为在0.1s尺度下的西游记分辨率为640*480前后两次传输的图形对比图4-1波形对比西游记第一次播放截取图4-2原始数据图7为西游记的二次播放截取图4-3原始数据由于所截取的数据过于庞大，并且内容杂乱需要进一步整理。以下为整理之后的数据：图8为第一组数据优化结果：图4-4第一组优化结果第二组数据优化结果：图4-5第二组优

45、化结果-利用matlab将优化后的两组数据进行相似性的对比如下：（1） 函数：function hurst,aa,bb = estimate_hurst_exponent(data0) %定义子函数的标题data=data0; %将data0赋值给dataM,npoints=size(data0); %M是data0的行，npoints是data0的列数yvals=zeros(1,npoints); xvals=zeros(1,npoints);data2=zeros(1,npoints); %分别生成一个npoints列，一行数据预存空间给上述值index=0; %索引初始值为0binsiz

46、e=1; %初始值为1while npoints>4 %while语句，如果npoints大于4则执行下面的语句 y=std(data); %求出data的标准差 index=index+1; %索引加1 xvals(index)=binsize; %将binsize初始值赋值给xvals yvals(index)=binsize*y; %将binsize初始值乘以data的标准差存到yvals里面 npoints=fix(npoints/2); %向小取整 binsize=binsize*2; %2倍 for ipoints=1:npoints % 从1到npoints data2(i

47、points)=(data(2*ipoints)+data(2*ipoints)-1)*0.5; %相邻差分 end data=data2(1:npoints); end % whilexvals=xvals(1:index);yvals=yvals(1:index);logx=log(xvals); %取对数logy=log(yvals); %取对数p2=polyfit(logx,logy,1); %拟合直线hurst=p2(1); % 返回斜率值aa=logx;bb=logyreturn;2）输出命令如下：clear all %清除变量A=xlsread('e:/m2.xlsx&#

48、39;) %读取数据data=A(:,3); %第三列数据hurst,aa,bb=estimate_hurst_exponent(data') %计算其hurst数plot(aa(2:end),bb(2:end) %画出直线hold on plot(aa(2:end),bb(2:end),'o') title('R/s方法对数线拟合图') %标题ylabel('log(R/S') %y坐标xlabel('log(n)') %x坐标运行以上输出命令得出结果：图4-6输出结果在命令栏再次中输入：hurst图4-7输出结果结果为hurst=0.5380可见两组数据的相似度达到很高的程度，所以尽管是相同的视频在网络点播中播放的时间有所不同，也会存在相似性的差异4.2 多数