[發明專利]一種非平穩Web流的監控、預測與仿真方法

有效

• 申請號: 201210006742.6
• 申請日: 2012-01-10
• 公開（公告）號: CN102571432A
• 公開（公告）日: 2012-07-11
• 發明（設計）人: 謝逸
• 申請（專利權）人: 中山大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L29/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 邱奕才;禹小明

技術領域

本發明涉及網絡通信技術領域，特別涉及一種用于非平穩Web流的監控、預測與仿真的方法。

背景技術

網絡流建模是現代通信中的一個基本問題。它對網絡設計、仿真、監控、行為預測，及為不同應用提供不同的服務質量都具有重要意義。為此，網絡流模型必須能夠準確描述實際通信流的統計特性與時間動態過程。

常用的網絡流建模方法主要從以下三方面刻畫網絡流特性：統計特征、結構特征與時間特征。

統計模型

在基于統計方法的統計模型中，統計分布函數用于描述網絡流的統計特征。這一類方法的主要目的是使用已知的統計分布函數或它們的組合來描述網絡流的統計特性，例如流量分布。這些統計特征被認為是是網絡流形成的基本機制，并影響著網絡流的行為表現。在獲得網絡流的統計特征后，這些統計特征被用于改善鏈路的性能、生成仿真網絡流。典型的統計分布模型包括：基于泊松分布的到達過程模型、基于重尾分布(例如：Pareto分布和Weibull分布)。泊松模型是一種被廣泛應用在傳統電信網絡，并進行通信流分析的模型。它是一種無記憶模型。在一個泊松過程中，到達率服從以λ為參數的指數分布：P{A_n≤t}＝1-e^-λt。泊松模型的潛在假設條件是：(1)到達的事件(例如：呼叫、分組)來自于大量相互獨立的源，這些源稱為泊松源；(2)泊松源的數量接近無限；(3)流到達模式是隨機的。從而模型可以用一個相同的參數λ來表示統計分布的均值和方差。

重尾分布是另外一種典型的方法用于描述網絡流。Pareto分布可以用于描述獨立、同分布的分組互到達時間間隔；Weibull分布則被用于描述網絡流的ON和OFF的長度。

基于統計分布的網絡流模型的主要缺陷在于：(1)這些模型無法反映網絡流在時間域上的動態變化信息；使用統計分布模型產生的仿真流往往與實際網絡流的差異非常大。而且，沒有一種統計分布模型可以描述不同場景下的不同的網絡流。(2)統計模型僅能刻畫網絡流的長期平均特征，無法描述網絡流行為的局部細節，特別是那些小概率事件。

結構模型

結構模型的目的是重現被觀測網絡流的結構特征，例如：自相似性、長相關性。這些模型的參數與網絡流的生成機制及網絡行為相關。最早被發現的網絡流結構特征是突發性及大時間尺度的相關性，隨后自相似性、長相關性被廣泛用于描述網絡流的結構特性。這兩種結構特征是傳統泊松過程及馬爾科夫過程無法描述的，但是卻可以在自相似或分形過程中進行描述。在自相似與長相關提出后，許多不同的結構模型被提出并用于刻畫網絡流的自相似性與長相關性。例如：經典的ON/OFF模型、M/G/∞隊列模型、小波模型、分形布朗運動模型等。然而，這些模型存在的問題是幾乎所有這些模型都只關注自相似特性，而它們所提到的自相似特性又都是由一個單一的參數(Hurst)所決定。實際的網絡流往往具有多種不同的尺度變化，使用一個單一的參數來描述不同尺度下的特性變化并不是一種理想的辦法。例如：理論上網絡流存在不同的尺度，其擴張因子可以從0一直到∞。而現有的結構模型在處理尺度問題時，往往只考慮有限個尺度，無法完整地考慮0到∞的尺度變化。因此，這些模型只能是簡化地表示網絡流而無法完整描述它。已有的研究表明，目前廣泛使用的、單參數的網絡流結構化模型在大尺時是接近的實際網絡流，但在小尺度時，則需要更多的參數。

結構模型另一個缺點是：它們無法獲得/描述網絡流的時間特性，因此難以用這些模型描述實際場景中隨時間動態變化的網絡流。

時間序列模型

時間序列模型是一種通用的方法刻畫網絡流的時間動態過程。這一類方法把網絡流看成時間序列，并通過觀測數據訓練得到時間序列模型參數。確定了參數的模型可以用于網絡性能分析和網絡流的重構。典型的時間序列模型包括：自回歸移動平均模型、馬爾科夫族模型(例如：馬爾科夫到達率模型、馬爾科夫調制源模型)。最近，隱馬爾科夫模型(hidden?markov?model，HMM)也被用于網絡流的建模與分析。主要的應用包括：使用HMM刻畫邊界路由器的網絡流特性、利用HMM描述分組信道的狀態、利用HMM分析分組的互到達時間和分組字節數、利用HMM刻畫網絡流的周期性和隨機行為、使用HMM描述分組間的時間相關性并應用于網絡流的異常檢測。