自相似業(yè)務(wù)流的預(yù)測研究.pdf

1、近年來的網(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)長相關(guān)特性或自相似性。正是這種長相關(guān)性給業(yè)務(wù)流的長期預(yù)測提供了可能性。 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，對業(yè)務(wù)流的自相似性進行了總結(jié)。 根據(jù)自相似業(yè)務(wù)流的長相關(guān)特性，本文重點討論了兩種數(shù)學(xué)模型，目的是用這兩種模型對自相似業(yè)務(wù)流進行預(yù)測，進而根據(jù)預(yù)測結(jié)果對計算機網(wǎng)絡(luò)節(jié)點的存儲器資源

2、進行合理的分配，使得丟失率達到最小。 第一種模型是FARIMA(FractionalAutoRegressiveIntegratedMovingAverage)模型。該模型可以描述和預(yù)測同時具有短相關(guān)和長相關(guān)特性的網(wǎng)絡(luò)業(yè)務(wù)，通過選擇合適的模型參數(shù)，對自相似業(yè)務(wù)流進行預(yù)測研究。 本文的重點放在對FARIMA模型的研究上，因為它是一個線性模型，實現(xiàn)起來更容易一些。本文首先介紹了FARIMA模型的定義，產(chǎn)生FARIMA過程的方

3、法，并進行了仿真來驗證FARIMA過程是一個自相似過程。接著，介紹了利用FARIMA模型進行建模的過程，即根據(jù)網(wǎng)絡(luò)業(yè)務(wù)流，求解FARIMA(p，d，q)模型中的三個參數(shù)p、d、q的過程，即FARIMA模型的擬合過程。最后，根據(jù)已經(jīng)得到的FARIMA(p，d，q)模型，提出了預(yù)測未來業(yè)務(wù)流流量的方法，并通過實際業(yè)務(wù)量進行了驗證。研究結(jié)果表明，F(xiàn)ARIMA模型是進行自相似網(wǎng)絡(luò)業(yè)務(wù)流預(yù)測的有效模型。為了減小計算量，本文對FARIMA模型擬合的

4、方法和具體步驟進行了深入的研究，簡化了運算步驟，提出了一種簡化的預(yù)測方法。這種方法的關(guān)鍵是將FARIMA模型的擬合問題轉(zhuǎn)化為ARMA模型問題，從而大大縮短了模型建立的計算難度和時間。 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和具體實現(xiàn)步驟。根據(jù)自相似業(yè)務(wù)流的長相關(guān)特性，采用5層神經(jīng)網(wǎng)絡(luò)模型和后向傳播算法，對自相似業(yè)務(wù)流的預(yù)測進行了研究。研究結(jié)果表明，該模型能夠較好地預(yù)測自相似業(yè)務(wù)流，特別是在預(yù)測精度上比FAR