網(wǎng)絡(luò)視頻流量的多重分形建模與多步預(yù)測研究.pdf

1、在網(wǎng)絡(luò)傳輸中，網(wǎng)絡(luò)流量影響現(xiàn)實網(wǎng)絡(luò)的業(yè)務(wù)傳送質(zhì)量。網(wǎng)絡(luò)流量的自相似性(SelfSimilarity，SS)被發(fā)現(xiàn)后，利用分形和多重分形理論研究網(wǎng)絡(luò)流量的測量、建模和控制，成為一個熱點研究問題。
　　 由于分形理論揭示了分形整體與局部形態(tài)的相似，揭示了介于整體與部分、有序與無序、復(fù)雜與簡單之間的新形態(tài)、新秩序。分形形體中的自相似可以是完全相同，也可以是統(tǒng)計意義上的相似。對于流量的分析經(jīng)過三階段，第一階段是傳統(tǒng)的流量模型，如Pois

2、son，Markov和ARMA等模型，第二階段是自相似特征的流量模型，如FGN模型，F(xiàn)BM模型，F(xiàn)ARIMA模型。第三階段是多重分形特征的流量模型，如MWM、MFM。并給出分割函數(shù)S(q)的定義和h(q)的定義，并說明了用S(q)和h(q)函數(shù)判斷流量的單分形和多重分形，為流量分析提供了有利方法。
　　 在對網(wǎng)絡(luò)流量的分形特征與估計方法充分分析基礎(chǔ)上，對視頻流量的圖像質(zhì)量和壓縮比YUV、均值X-、方差系數(shù)Sx/X-和峰值/均值X

3、max/X-參數(shù)進行統(tǒng)計，統(tǒng)計數(shù)據(jù)表明視頻流量的質(zhì)量越高，突發(fā)性就越強，這種波動性體現(xiàn)在整體，對于局部卻沒有發(fā)現(xiàn)，說明了方差系數(shù)反映的是流量整體的波動性，而不能反映局部的波動性的。
　　 對流量的LRD特性分析中，明確了不同內(nèi)容的視頻流均表現(xiàn)出LRD特性，只是其LRD的程度相差很大；對于不同質(zhì)量的同一視頻內(nèi)容，它的LRD的程度也不同，一般圖像質(zhì)量越高，其LRD越強；對于相同質(zhì)量、不同內(nèi)容視頻流，其LRD程度不同，其原因在于YUV

4、越高，而壓縮比越小，視頻越清晰，同時Ⅳ也越強，當(dāng)然LRD也越高。在相同內(nèi)容中，如果前景與背景相對出現(xiàn)快速變化，形成了流量的突發(fā)性，Xmax/X-就會變大，LRD也就產(chǎn)生變化。
　　 對視頻流量的多重分形特征分析中，明確MPEG-4視頻流量中的I、P、B幀相關(guān)性，在各尺度系數(shù)下，分析了MPEG-4視頻流量中的I幀的邊緣分布性質(zhì)和相關(guān)性，用較少的數(shù)據(jù)進行統(tǒng)計參數(shù)，達到估計長相關(guān)性的目的，奠定了網(wǎng)絡(luò)視頻流量的多重分形模型設(shè)計基礎(chǔ)。

5、r>　　 本論文在相關(guān)的理論基礎(chǔ)、方法和技術(shù)基礎(chǔ)上，研究了網(wǎng)絡(luò)流量的分形特征，對網(wǎng)絡(luò)流量的單分形和多重分形特征進行分析，確定了基于單分形的Hurst參數(shù)估計方法、Holder指數(shù)估計和多重分形譜的估計方法；同時研究了具有分形特征的網(wǎng)絡(luò)流量建模技術(shù)，綜合分析了傳統(tǒng)的網(wǎng)絡(luò)流量模型、單分形和多重分形的網(wǎng)絡(luò)流量建模。又由于多媒體技術(shù)的廣泛應(yīng)用，網(wǎng)絡(luò)視頻流量在Internet網(wǎng)絡(luò)流量中占據(jù)了很大的比重，本文在針對網(wǎng)絡(luò)視頻流量的分析、多重分形建模

6、和預(yù)測開展了一些具有創(chuàng)新意義的工作。
　　 第一分析了多重分形模型的小波基、消失矩和因子等因素對仿真序列的影響，確定了選取各因素的方法和策略。通過選用Haar、Daubechies、Coifets和Symlets小波分別生成多重分形模型的仿真序列，以及對仿真序列的長相關(guān)和多重分形特征進行分析，基于Haar小波的多重分形模型仿真序列最接近真實視頻流量；通過分析Haar、Daubechies、Coifets和Symlets小波的消失

7、矩，選用Daubechies和Haar小波進行仿真實驗，實驗表明，由于Haar小波有最短的支集和最小的消失矩，并且它是Daubechies小波的一種，在多重分形模型中，Haar小波是最理想的選擇。
　　 針對傳統(tǒng)多重分形模型中因子分布的缺陷，選用了β分布、點集(pointmass)分布和pareto分布等因子完成了多重分形建模過程，分析了仿真流量的分布特性、長相關(guān)性和多垂：分形等特征，并通過定義Kullback-Leiblar(

8、KL)方法，判斷具有距離最近的因子，實現(xiàn)多重分形模型仿真序列具有最佳分布，使得各尺度上的因子參數(shù)具有魯棒性，因此多重分形模型中β分布就不是唯一的選擇，可以依據(jù)信號的不同特性選擇不同的因子分布。
　　 第二針對視頻流量的長相關(guān)性(long range dependence，LRD)進行了研究，通過對多重分形的各尺度系數(shù)和邊緣分布進行了分析，以及對系數(shù)間的相關(guān)函數(shù)進行分析，提出了一個控制LRD的方法，這個方法主要對最粗的尺度系數(shù)建模

9、，而這種建模具有自回歸的短相關(guān)性(short range dependence，SRD)，目的是將具有SRD特性的最粗尺度能夠與兵有LRD特性的最終流量序列建立聯(lián)系，達到能夠精確地控制流量序列的LRD，實驗驗證了這各方法能夠保證了流量序列的LRD，也驗證了多重分形模型的有效性。
　　 第三由于多重分形樹的分解能力，將時間序列進行分解細化為多層結(jié)構(gòu)，通過對多重分形模型的各尺度系數(shù)進行性質(zhì)分析，由于這個模型保持流量序列自相關(guān)函數(shù)的主

10、體形狀不變，設(shè)計了網(wǎng)絡(luò)視頻流量的多步預(yù)測方法，針對網(wǎng)絡(luò)視頻流量的多步預(yù)測方法，完成了多重分形可預(yù)測的分析，詳細地設(shè)計了預(yù)測模型，介紹了尺度系數(shù)預(yù)測和因子預(yù)測方法，仿真表明多步預(yù)測模型的視頻流量仿真有較好地效果。
　　 第四將視頻流量多步預(yù)測和流量控制相結(jié)合，主要討論了網(wǎng)絡(luò)QoS中的一些應(yīng)用問題。在排隊分析中，定義了一種廣義尺度參數(shù)，并推導(dǎo)用于排隊分析的多重分形模型的統(tǒng)計參數(shù)，然后利用Norris提出的排隊理論，用廣義尺度參數(shù)定義