自相似業(yè)務(wù)流的預(yù)測(cè)研究.pdf

1、近年來(lái)的網(wǎng)絡(luò)業(yè)務(wù)流特性研究表明，多種不同類型的網(wǎng)絡(luò)業(yè)務(wù)流不僅具有短相關(guān)特性，還呈現(xiàn)長(zhǎng)相關(guān)特性或自相似性。正是這種長(zhǎng)相關(guān)性給業(yè)務(wù)流的長(zhǎng)期預(yù)測(cè)提供了可能性。 本文闡述了網(wǎng)絡(luò)業(yè)務(wù)流的特性，給出了自相似的定義和相關(guān)的一些重要定理，分析了自相似業(yè)務(wù)流的特點(diǎn)，對(duì)業(yè)務(wù)流的自相似性進(jìn)行了總結(jié)。 根據(jù)自相似業(yè)務(wù)流的長(zhǎng)相關(guān)特性，本文重點(diǎn)討論了兩種數(shù)學(xué)模型，目的是用這兩種模型對(duì)自相似業(yè)務(wù)流進(jìn)行預(yù)測(cè)，進(jìn)而根據(jù)預(yù)測(cè)結(jié)果對(duì)計(jì)算機(jī)網(wǎng)絡(luò)節(jié)點(diǎn)的存儲(chǔ)器資源

2、進(jìn)行合理的分配，使得丟失率達(dá)到最小。 第一種模型是FARIMA(FractionalAutoRegressiveIntegratedMovingAverage)模型。該模型可以描述和預(yù)測(cè)同時(shí)具有短相關(guān)和長(zhǎng)相關(guān)特性的網(wǎng)絡(luò)業(yè)務(wù)，通過(guò)選擇合適的模型參數(shù)，對(duì)自相似業(yè)務(wù)流進(jìn)行預(yù)測(cè)研究。 本文的重點(diǎn)放在對(duì)FARIMA模型的研究上，因?yàn)樗且粋€(gè)線性模型，實(shí)現(xiàn)起來(lái)更容易一些。本文首先介紹了FARIMA模型的定義，產(chǎn)生FARIMA過(guò)程的方

3、法，并進(jìn)行了仿真來(lái)驗(yàn)證FARIMA過(guò)程是一個(gè)自相似過(guò)程。接著，介紹了利用FARIMA模型進(jìn)行建模的過(guò)程，即根據(jù)網(wǎng)絡(luò)業(yè)務(wù)流，求解FARIMA(p，d，q)模型中的三個(gè)參數(shù)p、d、q的過(guò)程，即FARIMA模型的擬合過(guò)程。最后，根據(jù)已經(jīng)得到的FARIMA(p，d，q)模型，提出了預(yù)測(cè)未來(lái)業(yè)務(wù)流流量的方法，并通過(guò)實(shí)際業(yè)務(wù)量進(jìn)行了驗(yàn)證。研究結(jié)果表明，F(xiàn)ARIMA模型是進(jìn)行自相似網(wǎng)絡(luò)業(yè)務(wù)流預(yù)測(cè)的有效模型。為了減小計(jì)算量，本文對(duì)FARIMA模型擬合的

4、方法和具體步驟進(jìn)行了深入的研究，簡(jiǎn)化了運(yùn)算步驟，提出了一種簡(jiǎn)化的預(yù)測(cè)方法。這種方法的關(guān)鍵是將FARIMA模型的擬合問(wèn)題轉(zhuǎn)化為ARMA模型問(wèn)題，從而大大縮短了模型建立的計(jì)算難度和時(shí)間。 第二種模型是神經(jīng)網(wǎng)絡(luò)反向傳播算法模型。本文介紹了該算法的特點(diǎn)和具體實(shí)現(xiàn)步驟。根據(jù)自相似業(yè)務(wù)流的長(zhǎng)相關(guān)特性，采用5層神經(jīng)網(wǎng)絡(luò)模型和后向傳播算法，對(duì)自相似業(yè)務(wù)流的預(yù)測(cè)進(jìn)行了研究。研究結(jié)果表明，該模型能夠較好地預(yù)測(cè)自相似業(yè)務(wù)流，特別是在預(yù)測(cè)精度上比FAR