论文部分内容阅读
现代通信网络中非话业务比重的剧增、多种网络的出现、多种网络应用程序在网络中运行以及网络的逐步融合直接改变了传统的网络业务流特性。早在上世纪80年代中期，人们就发现网络上的聚集流量在大时间尺度仍呈突发现象，即所谓的自相似和长相关现象，这与传统的泊松流量模型相抵触。此后各国网络界及研究团体就此纷纷展开广泛的研究和探索，但至今仍未有定论，成了一件“令人生畏的事儿”。流量建模之所以重要是由于在网络通信的性能分析与设计等环节中，数据流量的特性起至关重要的作用，理解网络流量的模型有助于人们更好地进行网络的构筑、规划、预测，设计更好的协议、拓扑，更好的路由和交换硬件，以及提供更好的业务给用户。长相关对网络性能也有深远的影响，其它受影响的重要领域有：数据分析，统计推断，数学建模，排队及性能分析。这些问题仍在调查研究之中，为了回答这些问题需做许多努力。用C．Partridge的话说：“我们仍然不理解数据通信流量是如何表现的，在近1/4世纪的数据通信中，研究人员仍然在苦苦寻找精确的流量模型，然而我们每天必须基于不适当的数据流量模型做决定：如何配置网络和进行网络设计。今后极有必要把研究工作放在非泊松的排队模型上”。因此考虑具有长相关特性的流量模型成了上述其它工作的基础。
对网络流量建模，目前主要存在两种方法：i)黑箱方法；ii)结构方法。黑箱方法往往存在其物理意义不易为网络工程人员所理解的弊端，而结构方法又往往无法利用现有的有意义的物理参数对模型加以全面的刻画。建模需要用到许多数学知识，数学家与网络工程人员考察问题的角度和思路又往往不同，是造成目前模型难有定论的主要原因之一；另一方面，模型必须与物理应用背景相适应，即必须从实测的流量中去寻找答案，对网络流量的收集和分析也是件令人头疼的事。幸好，近十几年来已有很多团体和个人对此做出了重要贡献，提供了大量的数据和有用的分析结果，后来研究者可从中受益。
本文通过参考大量的文献资料、考察大量从网络上测得的数据，试图把两种方法统一起来，遵循的指导思想是：所建模型参数必须有物理意义，因此应把黑箱模型中的某些参数转化为结构模型的参数；而且模型参数应尽可能少，以反映流量的主成分为度，以利于模型的应用。基于以上考虑，本文进行了如下探索：
(1)通过提炼十几年来网络界的研究成果，进一步对模型加以规范，对参数进行了优选；
(2)在理解数学背景及实证结果基础上提出了在长相关业务流中，流量满足的几个基本定律。这些基本关系为通过测量获取建模参数以及实现黑箱参数向有物理意义的参数转化起重要作用；
(3)在广泛的模型中我们把注意力集中在两种模型上，一种是MMPP模型。作为从传统模型到渐近自相似模型的代表，我们对该模型的参数适配进行了改进，提出了两级适配的方法，与几个基本定律有机结合从而提高了模型的适配精度；一种是串模型，作为更合乎现代网络流量的模型给出，我们也对该模型的参数适配问题进行了探讨；
(4)提出把层次MMPP模型与串模型的融合，以便更好地同时捕捉不同时间尺度的流量特性的新观点；
(5)通过计算机仿真，探讨了这些模型中的参数对流量特性的影响以及参数的适配问题，进而提出了针对不同时间尺度的有效模型，为智能建模提供了参考方向。
本文得出的基本结论是：(i)在网络中不同位置的节点，流量模型中的参数一般是不同的；(ii)由于应用程序日新月异，它们在网络中运行极大地影响流量特性。当网上的主流应用程序(包括协议)改变时，就得增加模型参数或建立新模型。我们相信这是现代网络流量特性的一个基本特征；(iii)对流量特性与网络机制有更全面的理解之后，为了获得最佳的网络性能，网络界有必要制定网络应用程序的基本标准，届时才有可能获得通用的网络流量模型；(iv)就目前的应用背景而言，采用MMPP模型比采用串模型更有优势。