网络流量模型.pdf

网络流量建模 •  背景 •  泊松模型 •  马尔可夫模型 –  Simple on/off model –  MMPP: Markov Modulated Poisson Process –  Stochasc Fluid Model •  回归（Regression）模型 –  AutoRegressive Model •  自相似模型 –  重尾分布的on/ off模型 南京理工大学 1 概念 •  网络流量模型反映流量的行为特征，是真 实流量行为的近似述 •  网络流量建模以随机过程的形式来刻画网 络流量的到达流 –  流量trace只是随机过程的一个实例 •  网络流量模型可能受访问策略或协议机制 （如TCP拥塞控制协议）的影响 南京理工大学 2 网络流量建模的意义 •  精确的网络建模对网络服务供者维护QoS至关重 要 –  更大的网络容量意味着更好的网络性能和更高的用户 满意度，但服务供者需要更大的投资 –  网络容量一般根据网络流量模型为报文流供一定的 QoS保证 •  端到端的报文丢失率 •  最大的报文时延 •  时延抖动 •  验证在特定控制流量下的网络性能 –  应用举例：不同流量模型下的网络性能 •  依据流量的峰值进行准入控制 南京理工大学 3 Session, flow, burst, packet 南京理工大学 4 随机过程简介 •  网络流量是报文到达的一个随机过程X(t) –  也可以看作一组报文到达时间{t1, t2, …}定义的点过程， 或一组报文的到达时间间隔τ =t – t 定义的点过程 n n n-1 •  随机过程定义：一个以实数t为参数的随机变量族， 其中t称为时间，随机变量的取值称为状态 –  时间指参数，不一定是普通的时间 •  独立同分布的随机变量族是随机过程的一个特例 •  基于时间与状态的取值特点进行的分类: –  时间离散状态连续：Ws(t) –  时间连续状态离散：Ls(t) 南京理工大学 5 计数过程 •  定义：N(t1,t2)为某同类事件在t1到t2 间发生 的数量 –  网络流量模型中对应的事件为报文的到达 •  时间连续状态离散的随机过程 •  取值为大于等于0 的整数 南京理工大学 6 泊松过程 •  一个计数过程N(t1,t2)，若当Δt→0时，对 时间轴上的任何t( ≥0)满足下列条件，则称 该计数过程为泊松过程： –  P(N(t,t+ Δt)=1)= λΔt –  P(N(t,t+ Δt)1)=o( Δt) •  有关结论： –  不可能有多于一个事件同时发生（普通性） –  λ为泊松强度 –  P(N(t,t+ Δt)=0)