關(guān)于網(wǎng)絡(luò)流量自相似特性研究

1、關(guān)于網(wǎng)絡(luò)流量自相似特性研究關(guān)于網(wǎng)絡(luò)流量自相似特性研究2提綱問題提出問題提出自相似的數(shù)學描述自相似的數(shù)學描述產(chǎn)生自相似的原因產(chǎn)生自相似的原因自相似對網(wǎng)絡(luò)性能的影響自相似對網(wǎng)絡(luò)性能的影響國內(nèi)相關(guān)工作國內(nèi)相關(guān)工作可能的研究方向可能的研究方向 關(guān)于網(wǎng)絡(luò)流量自相似特性研究3問題提出研究起源研究起源Will Leland, Murad Taqqu, Walter Willinger, and Daniel Wilson, On the Self-Similar Nature of Ethernet Traffic (Extended Version), IEEE/ACM Transactions on N

2、etworking, February 1994.(Bellcore 510 citations)Vern Paxson, Sally Floyd, Wide-Area Traffic: The Failure of Poisson Modeling, IEEE/ACM Transactions on Networking,3(3), June 1995. (Lawrence Berkeley Lab. 408 citations, FTP & Telnet)J. Beran, R. Sherman, M. S. Taqqu, and W. Willinger, Long-Range Depe

3、ndence in Variable-Bit-Rate Video Traffic, IEEE Transactions on Communications, February/March/April, 1995. (193 citations) 關(guān)于網(wǎng)絡(luò)流量自相似特性研究4問題提出意義意義開拓了全新的研究領(lǐng)域，經(jīng)典的理論分析依據(jù)（如泊開拓了全新的研究領(lǐng)域，經(jīng)典的理論分析依據(jù)（如泊松過程和馬爾可夫模型），不在適合網(wǎng)絡(luò)流量的分析松過程和馬爾可夫模型），不在適合網(wǎng)絡(luò)流量的分析和建模。和建模?！?the (r)evolution of the Internet is impacting the wo

4、rld of mathematics in the small as well as in the large - both on how mathematics is done, and, for understanding the network itself, on what sort of mathematics is done - and why this, in turn, makes Internet engineering a gold mine for new, exciting and challenging research opportunities in the ma

5、thematical sciences.” by Walter Willinger and Vern Paxson in “Where Mathematics meets the Internet”“Goodbye Poisson” & “Hello Fractal” !關(guān)于網(wǎng)絡(luò)流量自相似特性研究5問題提出什么是自相似？什么是自相似？為什么研究自相似？為什么研究自相似？產(chǎn)生自相似的原因？產(chǎn)生自相似的原因？ 泊松過程泊松過程隨機變量隨機變量( (單位時間呼叫到達的次數(shù)單位時間呼叫到達的次數(shù)) )是獨是獨立的、且服從相似分布，即立的、且服從相似分布，即PXknet(t)n/n! (n0) 馬爾可夫

6、模型馬爾可夫模型對過去具有有限記憶，即在已經(jīng)知道對過去具有有限記憶，即在已經(jīng)知道“現(xiàn)在現(xiàn)在”的條件下，其的條件下，其“將來將來”不依賴于不依賴于“過去過去” 時間時間t與過去時間與過去時間t-s，若，若s足夠大，則足夠大，則t與與t-s時的業(yè)務(wù)量時的業(yè)務(wù)量是不相關(guān)的，即僅考慮是不相關(guān)的，即僅考慮s較小時業(yè)務(wù)到達間的相關(guān)性，較小時業(yè)務(wù)到達間的相關(guān)性，稱之為短時相關(guān)稱之為短時相關(guān)Short Range DependenceSRD模型模型 關(guān)于網(wǎng)絡(luò)流量自相似特性研究6自相似的數(shù)學描述網(wǎng)絡(luò)流量模型網(wǎng)絡(luò)流量模型時間序列，表示每單位時間到達的字節(jié)數(shù)或數(shù)時間序列，表示每單位時間到達的字節(jié)數(shù)或數(shù)據(jù)包數(shù)量據(jù)包數(shù)

7、量自相似的物理描述自相似的物理描述網(wǎng)絡(luò)流量在很寬的時間尺度內(nèi)存在突發(fā)現(xiàn)象，網(wǎng)絡(luò)流量在很寬的時間尺度內(nèi)存在突發(fā)現(xiàn)象，“Burst”時間尺度時間尺度幾十毫秒、秒、分鐘、小時幾十毫秒、秒、分鐘、小時關(guān)于網(wǎng)絡(luò)流量自相似特性研究7關(guān)于網(wǎng)絡(luò)流量自相似特性研究8關(guān)于網(wǎng)絡(luò)流量自相似特性研究9關(guān)于網(wǎng)絡(luò)流量自相似特性研究10關(guān)于網(wǎng)絡(luò)流量自相似特性研究11自相似的數(shù)學描述數(shù)學定義數(shù)學定義假設(shè)前提假設(shè)前提平穩(wěn)隨機過程，即統(tǒng)計特性（均值、平穩(wěn)隨機過程，即統(tǒng)計特性（均值、方差、相關(guān)等）不隨時間推移而變化。一階平穩(wěn)方差、相關(guān)等）不隨時間推移而變化。一階平穩(wěn)（均值為常數(shù)），二階平穩(wěn)（均值和方差為常數(shù)，（均值為常數(shù)），二階平穩(wěn)

8、（均值和方差為常數(shù)，任意兩時間點之間的協(xié)方差只取決于時間間隔，任意兩時間點之間的協(xié)方差只取決于時間間隔，又稱之為廣義平穩(wěn)）又稱之為廣義平穩(wěn)）自相關(guān)函數(shù)定義為：自相關(guān)函數(shù)定義為：r(k)E(Xt)(Xt+k)/E(Xt)2 關(guān)于網(wǎng)絡(luò)流量自相似特性研究12自相似的數(shù)學描述自相似自相似條件條件1針對一個平穩(wěn)隨機過程針對一個平穩(wěn)隨機過程X(Xt: t0,1,2,3) 條件條件2其自相關(guān)函數(shù)滿足其自相關(guān)函數(shù)滿足r(k) kL1(k)，當，當k，其中，其中01，L1是慢變函數(shù)，即對所有是慢變函數(shù)，即對所有x0，limtL1(tx)/L1(t)1（常見的慢變函數(shù)，如（常見的慢變函數(shù)，如L1(t)常數(shù)，常數(shù)，

9、L1(t)(t)）條件條件3- -對對X進行堆疊，堆疊產(chǎn)生的時間序列為進行堆疊，堆疊產(chǎn)生的時間序列為X(m)(Xk(m)：k1,2,3 )，其中，其中Xk(m) 1/m(Xkm-m+1 Xkm)，k1, 2, 3, 關(guān)于網(wǎng)絡(luò)流量自相似特性研究13自相似的數(shù)學描述自相似自相似(Exactly second order) self-similarX(m)的自相關(guān)函數(shù)的自相關(guān)函數(shù)r(m)滿足：滿足：r(m)(k)r(k)，對所有，對所有m1, 2, (k1, 2, 3, )漸進自相似漸進自相似(Asymptotically second order) self-similarX(m)的自相關(guān)函數(shù)的自

10、相關(guān)函數(shù)r(m)滿足：滿足：r(m)(1)211，當當mr(m)(k)1/22(k2)，當，當m (k2, 3, )2表示一個算子符，其作用于函數(shù)表示一個算子符，其作用于函數(shù)f(k)表示表示2(f(k)f(k1)2f(k)f(k1) 關(guān)于網(wǎng)絡(luò)流量自相似特性研究14自相似的數(shù)學描述自相似參數(shù)自相似參數(shù)HH1/2 r(k)k(2-2H)L1(k)，當當k漸進自相似漸進自相似( (asymptotically self-similar)r(k)1/2(k1)2H2k2H(k1)2H嚴格自相似嚴格自相似 (exactly self-similar)參數(shù)參數(shù)H滿足滿足H1，參數(shù)參數(shù)H用來表示自相似的程度

11、用來表示自相似的程度關(guān)于網(wǎng)絡(luò)流量自相似特性研究15自相似的數(shù)學描述自相似的特性自相似的特性長相關(guān)（長相關(guān)（LRDlong range dependence、large scale correlation、long term correlation ）長相關(guān)定義長相關(guān)定義若一個隨機過程滿足自相似的條件若一個隨機過程滿足自相似的條件1 1和條和條件件2 2，即其自相關(guān)函數(shù)隨時滯的增加呈雙曲線衰減（冪，即其自相關(guān)函數(shù)隨時滯的增加呈雙曲線衰減（冪律衰減），則該隨機過程呈現(xiàn)長相關(guān)性律衰減），則該隨機過程呈現(xiàn)長相關(guān)性長相關(guān)長相關(guān)自相似，自相似是長相關(guān)的特例自相似，自相似是長相關(guān)的特例/ /簡單模型簡單模型

12、不可和性，即不可和性，即k r(k)。不可和性的物理意義在于高不可和性的物理意義在于高滯后的相關(guān)雖然是個別的小量，但其累計的結(jié)果則十滯后的相關(guān)雖然是個別的小量，但其累計的結(jié)果則十分重要分重要短相關(guān)過程短相關(guān)過程( (short-range dependence)自相關(guān)函數(shù)呈指自相關(guān)函數(shù)呈指數(shù)衰減，即數(shù)衰減，即r(k)k，當當k(01)，其自相關(guān)函其自相關(guān)函數(shù)是可和的，即數(shù)是可和的，即0k r(k) 關(guān)于網(wǎng)絡(luò)流量自相似特性研究16自相似的數(shù)學描述自相似的特性自相似的特性慢衰減方差慢衰減方差自相似過程的方差滿足自相似過程的方差滿足var(X(m)am，當當m，其中其中01，a是與是與m無關(guān)的正常數(shù)

13、，無關(guān)的正常數(shù)，與前條件與前條件2 2中中相同相同短相關(guān)過程的方差滿足短相關(guān)過程的方差滿足var(X(m)bm1，當當m，其中其中b是與是與m無關(guān)的正常數(shù)無關(guān)的正常數(shù) 自相似過程的方差衰減要慢于短相關(guān)過程自相似過程的方差衰減要慢于短相關(guān)過程關(guān)于網(wǎng)絡(luò)流量自相似特性研究17自相似的數(shù)學描述自相似的特性自相似的特性Hurst效應(yīng)效應(yīng) H表示表示Hurst參數(shù)，自相關(guān)程度的度量參數(shù)，自相關(guān)程度的度量重新調(diào)制尺度權(quán)差重新調(diào)制尺度權(quán)差(R/S)對于一個給定的觀對于一個給定的觀察序列察序列X1, X2, X3 .Xn，樣本均值為，樣本均值為X(n)，樣 本 方 差 為樣 本 方 差 為 S2( n ) ，

14、則， 則 R ( n ) / S ( n ) 1/S(n)max(0, W1, W2, , Wn)min(0, W1, W2, , Wn)，其中其中Wk(X1X2X3.Xk)kX(n)，k1,2,3n，R表示重新調(diào)整尺度表示重新調(diào)整尺度的極差的極差R/S: Rescaled adjusted range analysis關(guān)于網(wǎng)絡(luò)流量自相似特性研究18自相似的數(shù)學描述自相似的特性自相似的特性Hurst效應(yīng)效應(yīng)Hurst在在1991年和年和1995年發(fā)現(xiàn)大多數(shù)自然產(chǎn)生的時間序年發(fā)現(xiàn)大多數(shù)自然產(chǎn)生的時間序列滿足列滿足ER(n)/S(n)cnH，當當n，其中其中Hurst參數(shù)典參數(shù)典型為型為，c是與是

15、與n無關(guān)的正常數(shù)無關(guān)的正常數(shù) 若觀察序列取自一個短相關(guān)模型，曼德博羅等發(fā)現(xiàn)，若觀察序列取自一個短相關(guān)模型，曼德博羅等發(fā)現(xiàn)，滿足滿足ER(n)/S(n)dn，當當n，其中其中d與與n無關(guān)的正常無關(guān)的正常數(shù)數(shù)上述兩式的差異通常稱之為赫斯特效應(yīng)或赫斯特現(xiàn)象上述兩式的差異通常稱之為赫斯特效應(yīng)或赫斯特現(xiàn)象 Hurst赫斯特赫斯特英國的水文專家，長期從事尼羅河水壩工程研究英國的水文專家，長期從事尼羅河水壩工程研究Mandelbrot曼德博羅曼德博羅分形理論的創(chuàng)始人，美籍法國數(shù)學家分形理論的創(chuàng)始人，美籍法國數(shù)學家關(guān)于網(wǎng)絡(luò)流量自相似特性研究19自相似的數(shù)學描述自相似自相似r(k) kL1(k)，k(01)，L

16、1是慢變函數(shù)是慢變函數(shù)k r(k)var(X(m)am，m(01)短相關(guān)短相關(guān)r(k)k，當當k(01)0k r(k)var(X(m)bm1，m關(guān)于網(wǎng)絡(luò)流量自相似特性研究20自相似的數(shù)學描述Measurement periodTotal number of bytesTotal number of packetsEthernet utilizationAugust 1989 total(27.45 hours)11,448,753,13427,901,9849.30%October 1989 total(20.86 hours)14,774,694,23627,915,37615.70%Jan

17、uary 1990 total(40.16 hours)7,112,417,58927,954,9613.90%如何測度自相似如何測度自相似n數(shù)學定義針對無限長度的時間序列數(shù)學定義針對無限長度的時間序列n實際中僅僅一段時間的取樣，保證取樣點足夠多實際中僅僅一段時間的取樣，保證取樣點足夠多 關(guān)于網(wǎng)絡(luò)流量自相似特性研究21自相似的數(shù)學描述如何測度自相似如何測度自相似針對有限的時間序列來估計針對有限的時間序列來估計Hurst參數(shù)參數(shù)方法方法1 1分析堆疊過程分析堆疊過程X(m)的的方差，自相似的慢衰減方方差，自相似的慢衰減方差特性差特性var(X(m)am- (m)(var(X(m)(m)(a) (

18、m) )關(guān)于網(wǎng)絡(luò)流量自相似特性研究22自相似的數(shù)學描述如何測度自相似如何測度自相似方法方法2基于基于R/S統(tǒng)計的時域統(tǒng)計的時域分析分析ER(n)/S(n)cnH (n) (ER(n)/S(n)H(n)(c) (n) ) 原始的時間序列分為大小原始的時間序列分為大小為為n的塊，對每個塊計算的塊，對每個塊計算其其R(ti,n)/S(ti,n)關(guān)于網(wǎng)絡(luò)流量自相似特性研究23自相似的數(shù)學描述如何測度自相似如何測度自相似基于周期圖基于周期圖(Periodogram)的頻域分析的頻域分析協(xié)方差函數(shù)協(xié)方差函數(shù)傅立葉變換傅立葉變換功率譜功率譜用周期圖近似估計功率譜用周期圖近似估計功率譜從譜密度中找到參數(shù)從譜密

19、度中找到參數(shù)H關(guān)于網(wǎng)絡(luò)流量自相似特性研究24自相似的數(shù)學描述具備自相似的數(shù)學模型具備自相似的數(shù)學模型自相似理論廣泛地應(yīng)用在水文和經(jīng)濟學領(lǐng)域自相似理論廣泛地應(yīng)用在水文和經(jīng)濟學領(lǐng)域分形分形( (分數(shù)分數(shù)) )高斯噪聲高斯噪聲fractional Gaussian noise FGN分形分形( (分數(shù)分數(shù)) )布朗運動布朗運動fractional Brownian motion FBM，是分形高斯噪聲的增量和過程，是分形高斯噪聲的增量和過程分形分形( (分數(shù)分數(shù)) )自回歸滑動平均過程自回歸滑動平均過程fractional ARIMA processes AutoRegressive Integra

20、ted Moving-Average，漸進自相似過程，漸進自相似過程 關(guān)于網(wǎng)絡(luò)流量自相似特性研究25自相似的數(shù)學描述網(wǎng)絡(luò)流量的建模網(wǎng)絡(luò)流量的建模ON/OFF模型模型疊加大量的疊加大量的ON/OFF源，每個源有兩個源，每個源有兩個狀態(tài)，即狀態(tài)，即ON和和OFF。在。在ON狀態(tài)，以連續(xù)速率發(fā)送數(shù)據(jù)狀態(tài)，以連續(xù)速率發(fā)送數(shù)據(jù)包，在包，在OFF狀態(tài)，不發(fā)送數(shù)據(jù)包。每個發(fā)生源狀態(tài)，不發(fā)送數(shù)據(jù)包。每個發(fā)生源ON或或OFF的時長獨立地符合重尾分布的時長獨立地符合重尾分布（Heavy-tailed distribution）重尾分布重尾分布若一隨機變量滿足重尾分布，則若一隨機變量滿足重尾分布，則PXx x-，當

21、，當x, , 00，xk，分布函數(shù)為，分布函數(shù)為F(x)PXx1(k/x)，當當減小，大量的概率質(zhì)量集中在分布的尾部減小，大量的概率質(zhì)量集中在分布的尾部H(3)/2佩瑞多佩瑞多. .韋爾福雷多韋爾福雷多（Pareto Vilfredo）意大利經(jīng)濟學家和社會學家意大利經(jīng)濟學家和社會學家 關(guān)于網(wǎng)絡(luò)流量自相似特性研究26自相似的數(shù)學描述ON/OFF網(wǎng)絡(luò)流量模型網(wǎng)絡(luò)流量模型關(guān)于網(wǎng)絡(luò)流量自相似特性研究27對流量自相似研究的三個方面分析流量的特征，建模分析流量的特征，建模小波分析小波分析（Discrete Wavelet Transform）和分形和分形理論理論分形和多重分形分形和多重分形(Multifr

22、actal)模型模型“可信的可信的”網(wǎng)絡(luò)流量生成模型網(wǎng)絡(luò)流量生成模型產(chǎn)生流量自相似的原因產(chǎn)生流量自相似的原因評估自相似流量對網(wǎng)絡(luò)的影響評估自相似流量對網(wǎng)絡(luò)的影響 關(guān)于網(wǎng)絡(luò)流量自相似特性研究28產(chǎn)生自相似的原因 是流量內(nèi)在的特性還是網(wǎng)絡(luò)協(xié)議的調(diào)制作用？是流量內(nèi)在的特性還是網(wǎng)絡(luò)協(xié)議的調(diào)制作用？Web流量的自相關(guān)性流量的自相關(guān)性( (Boston University, 1996, 1998,實際數(shù)據(jù)實際數(shù)據(jù))Web文件大小的分布（包括用戶請求的文件、實文件大小的分布（包括用戶請求的文件、實際傳輸?shù)奈募⑽募膫鬏敃r間、服務(wù)器端存儲際傳輸?shù)奈募?、文件的傳輸時間、服務(wù)器端存儲的文件等）呈重尾分布，客戶

23、端的文件等）呈重尾分布，客戶端Cache的影響相的影響相對較小對較小Web文件傳輸時間的重尾分布文件傳輸時間的重尾分布Web流流量的自相似性量的自相似性關(guān)于網(wǎng)絡(luò)流量自相似特性研究29產(chǎn)生自相似的原因 若文件大小符合重若文件大小符合重尾分布，則對應(yīng)的尾分布，則對應(yīng)的文件傳輸均導致鏈文件傳輸均導致鏈路層的自相似性，路層的自相似性，Web、NFS、FTP等等( (Purdue University, Boston University, 1996, NS模擬模擬)上述情況似乎都可上述情況似乎都可以從以從ON/OFF模型找模型找到解釋的理由到解釋的理由關(guān)于網(wǎng)絡(luò)流量自相似特性研究30產(chǎn)生自相似的原因 對

24、對IP流量成分的進一步流量成分的進一步分析分析（Hungary, Budapest Uni. Of Tech.&Econo. 實際數(shù)據(jù)實際數(shù)據(jù), ,2000）不 同 協(xié) 議 成 分 如不 同 協(xié) 議 成 分 如 I P 、ICMP、TCP、UDP、HTTP、SMTP、OSPF、Telnet，是否多，是否多重分形重分形( (multifractal)和和分形分形( (monofractal，即自即自相似相似) )關(guān)于網(wǎng)絡(luò)流量自相似特性研究31產(chǎn)生自相似的原因 對對IP流量成分的進一步分析流量成分的進一步分析（Hungary, Budapest Uni. Of Tech.&Econo. 實際數(shù)實際

25、數(shù)據(jù)據(jù), ,2000）關(guān)于網(wǎng)絡(luò)流量自相似特性研究32產(chǎn)生自相似的原因 重傳機制重傳機制( (Retransmission)產(chǎn)生自相似特性產(chǎn)生自相似特性( (CMU，1997) ) 模擬條件模擬條件輸入是泊松到達（即，新數(shù)據(jù)包（不包括輸入是泊松到達（即，新數(shù)據(jù)包（不包括重傳的數(shù)據(jù)包）到達是一個簡單的泊松過程），數(shù)據(jù)重傳的數(shù)據(jù)包）到達是一個簡單的泊松過程），數(shù)據(jù)包長度為常數(shù)，一個隊列情況，先進先服務(wù)，無擁塞包長度為常數(shù)，一個隊列情況，先進先服務(wù)，無擁塞控制的重傳機制控制的重傳機制結(jié)論結(jié)論當時間尺度超過當時間尺度超過1010倍的數(shù)據(jù)包傳輸時間，重傳倍的數(shù)據(jù)包傳輸時間，重傳數(shù)據(jù)包流量的方差在總的流量（

26、新數(shù)據(jù)包、重傳數(shù)據(jù)數(shù)據(jù)包流量的方差在總的流量（新數(shù)據(jù)包、重傳數(shù)據(jù)包和丟失的數(shù)據(jù)包）中占據(jù)絕大多數(shù)成分。包和丟失的數(shù)據(jù)包）中占據(jù)絕大多數(shù)成分。即使改變重傳機制的參數(shù)，如緩存大小、重傳企圖的即使改變重傳機制的參數(shù)，如緩存大小、重傳企圖的次數(shù)和超時時限，不能改變重傳負載的自相似特性次數(shù)和超時時限，不能改變重傳負載的自相似特性關(guān)于網(wǎng)絡(luò)流量自相似特性研究33產(chǎn)生自相似的原因 TCP擁塞控制的渾沌特性擁塞控制的渾沌特性( (Ericsson，Traffic Analysis and Network Performance Lab. 2000)渾沌系統(tǒng)的特征：非線性渾沌系統(tǒng)的特征：非線性(Nonlinear

27、ity)、確定性、確定性(Determinism)、混亂中的有序、混亂中的有序(Order in disorder)、對初始狀態(tài)的敏感性對初始狀態(tài)的敏感性( (蝴蝶效應(yīng)蝴蝶效應(yīng)) )(Sensitivity to initial conditions or the “butterfly effect”)、不可預見性、不可預見性(Unpredictability)模型模型(NS模擬模擬)：TCP Tahoe（Slow-Start、Congestion Avoidance、Fast Retransmit）參數(shù)設(shè)置參數(shù)設(shè)置：link rate-C、delay-D、buffer size-B以及以及T

28、CP流的數(shù)量流的數(shù)量- -N 關(guān)于網(wǎng)絡(luò)流量自相似特性研究34產(chǎn)生自相似的原因 TCP擁塞控制的渾沌特性擁塞控制的渾沌特性( (Ericsson，Traffic Analysis and Network Performance Lab. 2000)結(jié)論：結(jié)論：B/N的比率控制著系統(tǒng)的相位遷移，即從周期的比率控制著系統(tǒng)的相位遷移，即從周期性到渾沌，并在特定的參數(shù)下產(chǎn)生自相似時間序列；性到渾沌，并在特定的參數(shù)下產(chǎn)生自相似時間序列；單個的單個的TCP流量符合漸進自相似，流量符合漸進自相似，H；在瓶頸緩存；在瓶頸緩存處堆疊的處堆疊的TCP流量是短時相關(guān)的，其物理解釋是流量是短時相關(guān)的，其物理解釋是TCP

29、擁塞控制使瓶頸緩存占用率最大來平滑流量，堆擁塞控制使瓶頸緩存占用率最大來平滑流量，堆疊的流量得到平滑，單個疊的流量得到平滑，單個TCP流仍保持長相關(guān)性。流仍保持長相關(guān)性。為什么堆疊的網(wǎng)絡(luò)流量仍具有長相關(guān)性為什么堆疊的網(wǎng)絡(luò)流量仍具有長相關(guān)性( (H0.5)？TCP擁塞控制和具有重尾特性的上層協(xié)議共同作用。擁塞控制和具有重尾特性的上層協(xié)議共同作用。TCP本身是一個產(chǎn)生自相似特性的確定性過程本身是一個產(chǎn)生自相似特性的確定性過程 關(guān)于網(wǎng)絡(luò)流量自相似特性研究35產(chǎn)生自相似的原因 針對傳輸層針對傳輸層(TCP和和UDP)更進一步的研究更進一步的研究(Purdue University, Boston Un

30、iversity, 1996, NS模擬模擬)TCP(Tahoe、Reno或或Vegas)可靠的傳輸機制和流可靠的傳輸機制和流量控制機制保留了由文件大小重尾分布所引發(fā)的量控制機制保留了由文件大小重尾分布所引發(fā)的長相關(guān)性長相關(guān)性無流量控制和不可靠的無流量控制和不可靠的UDP并不使生成的流量具并不使生成的流量具有長相關(guān)性有長相關(guān)性 關(guān)于網(wǎng)絡(luò)流量自相似特性研究36產(chǎn)生自相似的原因 網(wǎng)絡(luò)拓撲的影響網(wǎng)絡(luò)拓撲的影響(Purdue University, Boston University, 1996, NS模擬模擬)對流量自相似的估計并不因網(wǎng)絡(luò)拓撲結(jié)構(gòu)變化而改變對流量自相似的估計并不因網(wǎng)絡(luò)拓撲結(jié)構(gòu)變化而改

31、變 關(guān)于網(wǎng)絡(luò)流量自相似特性研究37產(chǎn)生自相似的原因 重尾分布的重尾分布的ON/OFF和渾沌的和渾沌的TCP導致導致Internet流量的分形特性流量的分形特性( (自相似自相似) )Application LayerTransport/NetworkLayerApplication LayerTransport/NetworkLayerHeavy-Tailed Distribution Congest Controland ReliabilitySelf-Similarity Link Traffic H關(guān)于網(wǎng)絡(luò)流量自相似特性研究38自相似流量對網(wǎng)絡(luò)性能的影響網(wǎng)絡(luò)性能的度量網(wǎng)絡(luò)性能的度量吞吐量

32、吞吐量( (throughout)、延時延時( (delay)、數(shù)據(jù)包丟失數(shù)據(jù)包丟失( (packet loss)從排隊論的視角，網(wǎng)絡(luò)是隊列的集合，每個隊列從排隊論的視角，網(wǎng)絡(luò)是隊列的集合，每個隊列有一個緩存有一個緩存( (buffer) )臨時保存到達的數(shù)據(jù)包。數(shù)臨時保存到達的數(shù)據(jù)包。數(shù)據(jù)包到達緩存等候轉(zhuǎn)發(fā)，則會產(chǎn)生延時。若達到據(jù)包到達緩存等候轉(zhuǎn)發(fā)，則會產(chǎn)生延時。若達到數(shù)據(jù)包的數(shù)量超過緩存大小，則產(chǎn)生丟棄數(shù)據(jù)包數(shù)據(jù)包的數(shù)量超過緩存大小，則產(chǎn)生丟棄數(shù)據(jù)包的現(xiàn)象，同時需要對丟棄的數(shù)據(jù)包進行重發(fā)，導的現(xiàn)象，同時需要對丟棄的數(shù)據(jù)包進行重發(fā)，導致吞吐量降低。實際上，網(wǎng)絡(luò)的緩存通常保持很致吞吐量降低。實

33、際上，網(wǎng)絡(luò)的緩存通常保持很大以避免數(shù)據(jù)包丟失，維護高的吞吐量大以避免數(shù)據(jù)包丟失，維護高的吞吐量關(guān)于網(wǎng)絡(luò)流量自相似特性研究39自相似流量對網(wǎng)絡(luò)性能的影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響緩存占用比傳統(tǒng)排隊論的分析結(jié)果要大，結(jié)果導緩存占用比傳統(tǒng)排隊論的分析結(jié)果要大，結(jié)果導致更大的延時（也即隊列長度分布在自相似流量致更大的延時（也即隊列長度分布在自相似流量作用下的衰減比短時相關(guān)源（泊松到達過程）作作用下的衰減比短時相關(guān)源（泊松到達過程）作用下要慢），由長相關(guān)特性決定用下要慢），由長相關(guān)特性決定 關(guān)于網(wǎng)絡(luò)流量自相似特性研究40自相似流量對網(wǎng)絡(luò)性能的影響自相似流量對網(wǎng)絡(luò)性能

34、產(chǎn)生負面影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響緩存的線性增長導致指數(shù)規(guī)律減少的數(shù)據(jù)包丟失，緩存的線性增長導致指數(shù)規(guī)律減少的數(shù)據(jù)包丟失，以及成比例增長的傳輸帶寬利用率。該理論對自以及成比例增長的傳輸帶寬利用率。該理論對自相關(guān)流量不適用相關(guān)流量不適用關(guān)于網(wǎng)絡(luò)流量自相似特性研究41自相似流量對網(wǎng)絡(luò)性能的影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響數(shù)據(jù)包丟失率與緩存大小和自相似之間的關(guān)系數(shù)據(jù)包丟失率與緩存大小和自相似之間的關(guān)系當當趨近于趨近于1 1，自相似程度增大，自相似程度增大( (H(3)/2)，數(shù)據(jù)包丟，數(shù)據(jù)包丟失率增大失率增大 關(guān)于網(wǎng)絡(luò)流量自相似特性研究42自相似流量對網(wǎng)

35、絡(luò)性能的影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響自相似流量對網(wǎng)絡(luò)性能產(chǎn)生負面影響文件大小的重尾分布與吞吐量的關(guān)系文件大小的重尾分布與吞吐量的關(guān)系平均緩存平均緩存占用占用( (字節(jié)字節(jié)) )與與數(shù)據(jù)包數(shù)據(jù)包平均延時平均延時成比例成比例關(guān)于網(wǎng)絡(luò)流量自相似特性研究43國內(nèi)相關(guān)工作“自相似業(yè)務(wù)量的多重分形分析自相似業(yè)務(wù)量的多重分形分析”，電子學報，電子學報，20002000年，第年，第2828卷，第卷，第1 1期，；期，；“CERNET網(wǎng)絡(luò)業(yè)務(wù)的自相似性及性能分析網(wǎng)絡(luò)業(yè)務(wù)的自相似性及性能分析”，天津大學學報（自然科學與工程技術(shù)版），天津大學學報（自然科學與工程技術(shù)版），20002000年，第年，第3333卷，第卷，第3 3期，；期，； “突發(fā)業(yè)務(wù)的多重分形建模及其參數(shù)估計突發(fā)業(yè)務(wù)的多重分形建模及其參數(shù)估計”，電子學報，電子學報，19991999年，第年，第4 4期，第期，第2727卷；卷； “網(wǎng)絡(luò)中業(yè)務(wù)流的自相似性與線性網(wǎng)絡(luò)中業(yè)務(wù)流的自相似性與線性AR1模型模型”，電子學報，電子學報，19991999年，第年，第4 4期，第期，第2727卷；卷；“自相似業(yè)務(wù)模型下的隊列分析自相似業(yè)務(wù)模型下的隊列分析大偏差技大偏差技術(shù)術(shù)”，通信學報，通信學報，19991999年，第年，第2020卷，第卷，第4 4期；期；