專利名稱：一種非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法
技術(shù)領(lǐng)域：
本發(fā)明涉及網(wǎng)絡(luò)通信技術(shù)領(lǐng)域，特別涉及一種用于非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真的方法。
背景技術(shù)：
網(wǎng)絡(luò)流建模是現(xiàn)代通信中的一個(gè)基本問(wèn)題。它對(duì)網(wǎng)絡(luò)設(shè)計(jì)、仿真、監(jiān)控、行為預(yù)測(cè)， 及為不同應(yīng)用提供不同的服務(wù)質(zhì)量都具有重要意義。為此，網(wǎng)絡(luò)流模型必須能夠準(zhǔn)確描述實(shí)際通信流的統(tǒng)計(jì)特性與時(shí)間動(dòng)態(tài)過(guò)程。常用的網(wǎng)絡(luò)流建模方法主要從以下三方面刻畫(huà)網(wǎng)絡(luò)流特性統(tǒng)計(jì)特征、結(jié)構(gòu)特征與時(shí)間特征。統(tǒng)計(jì)模型在基于統(tǒng)計(jì)方法的統(tǒng)計(jì)模型中，統(tǒng)計(jì)分布函數(shù)用于描述網(wǎng)絡(luò)流的統(tǒng)計(jì)特征。這一類方法的主要目的是使用已知的統(tǒng)計(jì)分布函數(shù)或它們的組合來(lái)描述網(wǎng)絡(luò)流的統(tǒng)計(jì)特性，例如流量分布。這些統(tǒng)計(jì)特征被認(rèn)為是是網(wǎng)絡(luò)流形成的基本機(jī)制，并影響著網(wǎng)絡(luò)流的行為表現(xiàn)。在獲得網(wǎng)絡(luò)流的統(tǒng)計(jì)特征后，這些統(tǒng)計(jì)特征被用于改善鏈路的性能、生成仿真網(wǎng)絡(luò)流。 典型的統(tǒng)計(jì)分布模型包括基于泊松分布的到達(dá)過(guò)程模型、基于重尾分布(例如=Pareto 分布和Weibull分布)。泊松模型是一種被廣泛應(yīng)用在傳統(tǒng)電信網(wǎng)絡(luò)，并進(jìn)行通信流分析的模型。它是一種無(wú)記憶模型。在一個(gè)泊松過(guò)程中，到達(dá)率服從以λ為參數(shù)的指數(shù)分布 P{An^t} = l_e_At。泊松模型的潛在假設(shè)條件是(1)到達(dá)的事件(例如呼叫、分組)來(lái)自于大量相互獨(dú)立的源，這些源稱為泊松源；( 泊松源的數(shù)量接近無(wú)限；C3)流到達(dá)模式是隨機(jī)的。從而模型可以用一個(gè)相同的參數(shù)λ來(lái)表示統(tǒng)計(jì)分布的均值和方差。重尾分布是另外一種典型的方法用于描述網(wǎng)絡(luò)流。Pareto分布可以用于描述獨(dú)立、同分布的分組互到達(dá)時(shí)間間隔；Weibull分布則被用于描述網(wǎng)絡(luò)流的ON和OFF的長(zhǎng)度。基于統(tǒng)計(jì)分布的網(wǎng)絡(luò)流模型的主要缺陷在于(1)這些模型無(wú)法反映網(wǎng)絡(luò)流在時(shí)間域上的動(dòng)態(tài)變化信息；使用統(tǒng)計(jì)分布模型產(chǎn)生的仿真流往往與實(shí)際網(wǎng)絡(luò)流的差異非常大。而且，沒(méi)有一種統(tǒng)計(jì)分布模型可以描述不同場(chǎng)景下的不同的網(wǎng)絡(luò)流。( 統(tǒng)計(jì)模型僅能刻畫(huà)網(wǎng)絡(luò)流的長(zhǎng)期平均特征，無(wú)法描述網(wǎng)絡(luò)流行為的局部細(xì)節(jié)，特別是那些小概率事件。結(jié)構(gòu)模型結(jié)構(gòu)模型的目的是重現(xiàn)被觀測(cè)網(wǎng)絡(luò)流的結(jié)構(gòu)特征，例如自相似性、長(zhǎng)相關(guān)性。這些模型的參數(shù)與網(wǎng)絡(luò)流的生成機(jī)制及網(wǎng)絡(luò)行為相關(guān)。最早被發(fā)現(xiàn)的網(wǎng)絡(luò)流結(jié)構(gòu)特征是突發(fā)性及大時(shí)間尺度的相關(guān)性，隨后自相似性、長(zhǎng)相關(guān)性被廣泛用于描述網(wǎng)絡(luò)流的結(jié)構(gòu)特性。這兩種結(jié)構(gòu)特征是傳統(tǒng)泊松過(guò)程及馬爾科夫過(guò)程無(wú)法描述的，但是卻可以在自相似或分形過(guò)程中進(jìn)行描述。在自相似與長(zhǎng)相關(guān)提出后，許多不同的結(jié)構(gòu)模型被提出并用于刻畫(huà)網(wǎng)絡(luò)流的自相似性與長(zhǎng)相關(guān)性。例如經(jīng)典的0N/0FF模型、M/G/⑴隊(duì)列模型、小波模型、分形布朗運(yùn)動(dòng)模型等。然而，這些模型存在的問(wèn)題是幾乎所有這些模型都只關(guān)注自相似特性，而它們所提到的自相似特性又都是由一個(gè)單一的參數(shù)(Hurst)所決定。實(shí)際的網(wǎng)絡(luò)流往往具有多種不同的尺度變化，使用一個(gè)單一的參數(shù)來(lái)描述不同尺度下的特性變化并不是一種理想的辦法。例如理論上網(wǎng)絡(luò)流存在不同的尺度，其擴(kuò)張因子可以從0—直到⑴。而現(xiàn)有的結(jié)構(gòu)模型在處理尺度問(wèn)題時(shí)，往往只考慮有限個(gè)尺度，無(wú)法完整地考慮0到⑴的尺度變化。因此，這些模型只能是簡(jiǎn)化地表示網(wǎng)絡(luò)流而無(wú)法完整描述它。已有的研究表明，目前廣泛使用的、單參數(shù)的網(wǎng)絡(luò)流結(jié)構(gòu)化模型在大尺時(shí)是接近的實(shí)際網(wǎng)絡(luò)流，但在小尺度時(shí)，則需要更多的參數(shù)。結(jié)構(gòu)模型另一個(gè)缺點(diǎn)是它們無(wú)法獲得/描述網(wǎng)絡(luò)流的時(shí)間特性，因此難以用這些模型描述實(shí)際場(chǎng)景中隨時(shí)間動(dòng)態(tài)變化的網(wǎng)絡(luò)流。時(shí)間序列模型時(shí)間序列模型是一種通用的方法刻畫(huà)網(wǎng)絡(luò)流的時(shí)間動(dòng)態(tài)過(guò)程。這一類方法把網(wǎng)絡(luò)流看成時(shí)間序列，并通過(guò)觀測(cè)數(shù)據(jù)訓(xùn)練得到時(shí)間序列模型參數(shù)。確定了參數(shù)的模型可以用于網(wǎng)絡(luò)性能分析和網(wǎng)絡(luò)流的重構(gòu)。典型的時(shí)間序列模型包括自回歸移動(dòng)平均模型、馬爾科夫族模型(例如馬爾科夫到達(dá)率模型、馬爾科夫調(diào)制源模型)。最近，隱馬爾科夫模型 (hidden markov model, HMM)也被用于網(wǎng)絡(luò)流的建模與分析。主要的應(yīng)用包括使用HMM 刻畫(huà)邊界路由器的網(wǎng)絡(luò)流特性、利用HMM描述分組信道的狀態(tài)、利用HMM分析分組的互到達(dá)時(shí)間和分組字節(jié)數(shù)、利用HMM刻畫(huà)網(wǎng)絡(luò)流的周期性和隨機(jī)行為、使用HMM描述分組間的時(shí)間相關(guān)性并應(yīng)用于網(wǎng)絡(luò)流的異常檢測(cè)。這些時(shí)間序列模型的主要問(wèn)題是(1)它們大多是針對(duì)平穩(wěn)網(wǎng)絡(luò)流設(shè)計(jì)的，平穩(wěn)隨機(jī)過(guò)程模型適合傳統(tǒng)的網(wǎng)絡(luò)環(huán)境，卻不適合非平穩(wěn)流的場(chǎng)景?，F(xiàn)代的網(wǎng)絡(luò)環(huán)境與十年前大不相同，在電子商務(wù)及信息網(wǎng)絡(luò)化的驅(qū)動(dòng)下，非平穩(wěn)網(wǎng)絡(luò)流成為現(xiàn)代網(wǎng)絡(luò)的一大特點(diǎn)，例如在線播放的體育賽事、在線播放的熱點(diǎn)新聞、商務(wù)網(wǎng)站的限時(shí)搶購(gòu)(秒殺)等都會(huì)產(chǎn)生非平穩(wěn)突發(fā)流。因此，需要設(shè)計(jì)適合描述現(xiàn)代非平穩(wěn)網(wǎng)絡(luò)流的模型。( 它們都采用平板形的模型結(jié)構(gòu)。這種模型結(jié)構(gòu)易于實(shí)現(xiàn)，但難以真實(shí)刻畫(huà)實(shí)際網(wǎng)絡(luò)流的分層特性、多尺度特性。難以同時(shí)描述長(zhǎng)期時(shí)間動(dòng)態(tài)過(guò)程以及短期突發(fā)性。當(dāng)網(wǎng)絡(luò)流變得復(fù)雜時(shí)，例如非規(guī)則性或具有大尺度的變化，這些模型的性能將大打折扣。這些問(wèn)題導(dǎo)致現(xiàn)有的大部分時(shí)間序列模型在處理實(shí)際復(fù)雜網(wǎng)絡(luò)流時(shí)，缺乏靈活性和準(zhǔn)確性。提高模型性能的一種方法是增加模型的參數(shù)，例如增加HMM的隱狀態(tài)數(shù)。然而，對(duì)于大部分?jǐn)?shù)學(xué)模型，參數(shù)的數(shù)量和計(jì)算復(fù)雜度并不是線性關(guān)系，因此，參數(shù)的增加往往會(huì)導(dǎo)致復(fù)雜度的顯著增加，從而使這些方法難以在實(shí)際的應(yīng)用中使用。此外，簡(jiǎn)單地增加模型的參數(shù)并不能保證性能的提升，例如在 HMM中，當(dāng)狀態(tài)數(shù)增加到一定程度時(shí)，會(huì)發(fā)生“過(guò)載”問(wèn)題，即參數(shù)的增加不但沒(méi)有改進(jìn)模型的性能，反而損害了模型的描述能力。另外，實(shí)際的非平穩(wěn)網(wǎng)絡(luò)流包含了大概率事件和小概率事件。但是由于常用網(wǎng)絡(luò)流模型結(jié)構(gòu)的單一化，這些模型往往無(wú)法捕抓到實(shí)際網(wǎng)絡(luò)流中的小概率事件，而只能描述網(wǎng)絡(luò)流的大概率事件。如果利用這樣的網(wǎng)絡(luò)流模型進(jìn)行實(shí)時(shí)的監(jiān)控、預(yù)測(cè)或仿真，會(huì)產(chǎn)生比較大誤差。而且，在網(wǎng)絡(luò)性能評(píng)估時(shí)，如果忽略了小概率事件，往往會(huì)導(dǎo)致不可估計(jì)的損失。 例如在非平穩(wěn)網(wǎng)絡(luò)流中，突發(fā)的超高流量是屬于小概率事件，如果一個(gè)網(wǎng)絡(luò)流模型無(wú)法準(zhǔn)確刻畫(huà)這一特點(diǎn)，在使用該網(wǎng)絡(luò)流模型進(jìn)行新業(yè)務(wù)測(cè)試時(shí)必然會(huì)忽略非平穩(wěn)網(wǎng)絡(luò)流的突發(fā)性超高流量場(chǎng)景，最終導(dǎo)致該新業(yè)務(wù)無(wú)法有效應(yīng)對(duì)實(shí)際網(wǎng)絡(luò)環(huán)境中的突發(fā)高流量(諸如 限時(shí)搶購(gòu)、秒殺等電子商務(wù)活動(dòng))。
可見(jiàn)，統(tǒng)計(jì)模型與結(jié)構(gòu)模型并不能全面刻畫(huà)實(shí)際網(wǎng)絡(luò)流的時(shí)間特性。而現(xiàn)有的時(shí)間序列模型由于采用單一的平板化結(jié)構(gòu)，難以描述實(shí)際網(wǎng)絡(luò)環(huán)境下非平穩(wěn)Web流的時(shí)間過(guò)程特性。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有網(wǎng)絡(luò)流模型的不足，使用一種新的結(jié)構(gòu)化模型專門用于描述復(fù)雜的非平穩(wěn)Web流，實(shí)現(xiàn)有效的監(jiān)控、預(yù)測(cè)與仿真。為了達(dá)到上述目的，本發(fā)明采用了一下技術(shù)方案一種非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，包括步驟Sl 根據(jù)非平穩(wěn)Web流到達(dá)率大小將非平穩(wěn)Web流劃分為若干不同的階段， 每一階段由一宏?duì)顟B(tài)集合表示，每一宏?duì)顟B(tài)具有子狀態(tài)集合，宏?duì)顟B(tài)過(guò)程與子狀態(tài)過(guò)程構(gòu)成雙狀態(tài)鏈模型；步驟S2 用雙層隱馬爾科夫模型來(lái)描述上述的雙狀態(tài)鏈模型；步驟S3 根據(jù)上述雙層隱馬爾科夫模型對(duì)非平穩(wěn)Web流進(jìn)行監(jiān)控、預(yù)測(cè)和仿真。進(jìn)一步地，步驟Sl中所述的若干階段為波谷階段、過(guò)渡階段、波峰階段。進(jìn)一步地，步驟Sl中所述的子狀態(tài)集合相互不交疊。進(jìn)一步地，步驟S2中，宏?duì)顟B(tài)過(guò)程是不可見(jiàn)的馬爾科夫過(guò)程，而且控制相應(yīng)的子狀態(tài)過(guò)程，在給定的宏?duì)顟B(tài)下，子狀態(tài)過(guò)程也是不可見(jiàn)的馬爾科夫過(guò)程，它控制非平穩(wěn)Web 流在當(dāng)前宏?duì)顟B(tài)下的到達(dá)率表現(xiàn)。進(jìn)一步地，所述的雙隱馬爾科夫過(guò)程的輸出是突發(fā)網(wǎng)絡(luò)流的到達(dá)率過(guò)程，也是該模型唯一可以觀測(cè)到的變量。進(jìn)一步地，步驟S3中所述的監(jiān)控是在給定一個(gè)非平穩(wěn)流的到達(dá)率序列與模型情況下，推斷出對(duì)應(yīng)的隱狀態(tài)過(guò)程，以及在給定一個(gè)非平穩(wěn)流的到達(dá)率序列與模型情況下，測(cè)量該到達(dá)率序列相對(duì)于模型的最大或然概率。進(jìn)一步地，步驟S3中所述的預(yù)測(cè)是根據(jù)非平穩(wěn)流的到達(dá)率模型預(yù)測(cè)下一個(gè)非平穩(wěn)流的到達(dá)率序列。進(jìn)一步地，步驟S3中所述的仿真是根據(jù)給定的模型，生成非平穩(wěn)網(wǎng)絡(luò)流。與現(xiàn)有技術(shù)相比，本發(fā)明基于兩層的隱馬爾科夫模型，該技術(shù)不依賴模型參數(shù)的增加來(lái)改進(jìn)模型的性能，而是通過(guò)調(diào)整模型的結(jié)構(gòu)使它更適合描述非平穩(wěn)Web流。因此，在相同復(fù)雜度的情況，該發(fā)明技術(shù)在描述非平穩(wěn)網(wǎng)絡(luò)流方面具有比現(xiàn)有其它時(shí)間序列模型更好的性能。


圖1是雙層隱馬爾科夫模型示意圖；圖2是實(shí)現(xiàn)非平穩(wěn)網(wǎng)絡(luò)流仿真的流程圖。
具體實(shí)施例方式
下面根據(jù)附圖對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
本發(fā)明采用以下技術(shù)方案
非平穩(wěn)Web流的建模方法考慮到網(wǎng)絡(luò)流的日變化及其突發(fā)性，本發(fā)明根據(jù)非平穩(wěn)網(wǎng)絡(luò)流的到達(dá)率大小把網(wǎng)絡(luò)流分為若干個(gè)不同的階段，例如波谷階段、過(guò)渡階段、波峰階段。非平穩(wěn)網(wǎng)絡(luò)流在任一時(shí)刻的到達(dá)率都可以歸入這三個(gè)階段中的一個(gè)。流量階段隨時(shí)間的變化構(gòu)成了 “階段過(guò)程”， 它是一個(gè)時(shí)間序列。因此，網(wǎng)絡(luò)流隨時(shí)間的長(zhǎng)期變化趨勢(shì)可以用“階段過(guò)程”來(lái)表示，也就是“階段過(guò)程”刻畫(huà)了非平穩(wěn)網(wǎng)絡(luò)流的粗輪廓。不同的“階段”可以視為產(chǎn)生不同類型的非平穩(wěn)Web流的潛在機(jī)制；“階段”之間的跳轉(zhuǎn)表示非平穩(wěn)Web流觸發(fā)機(jī)制發(fā)生了變化，例如 從波谷到過(guò)渡階段、從過(guò)渡階段到波峰階段。每一個(gè)階段都具有自己的流量特性，例如在波谷階段，網(wǎng)絡(luò)流到達(dá)率的波動(dòng)僅在一個(gè)小范圍變化；在過(guò)渡階段，到達(dá)率可能從小值變化到大值或從大值下降；而在波峰階段，到達(dá)率則在比較大的區(qū)間內(nèi)波動(dòng)。由于在一個(gè)給定的階段內(nèi)，網(wǎng)絡(luò)流的波動(dòng)相對(duì)比較穩(wěn)定，因此可以用不同的平穩(wěn)隨機(jī)過(guò)程來(lái)描述不同階段內(nèi)的網(wǎng)絡(luò)流變化過(guò)程。因此，可以采用下述的兩層隨機(jī)過(guò)程模型來(lái)描述非平穩(wěn)Web流的時(shí)間動(dòng)態(tài)過(guò)程。定義宏?duì)顟B(tài)集合表示非平穩(wěn)Web流不同的流量階段，例如=MS1表示波谷階段、MS2 表示過(guò)渡階段、M&表示波峰階段。每一個(gè)宏?duì)顟B(tài)具有自己的子狀態(tài)集合，這些子狀態(tài)控制非平穩(wěn)Web流在該宏?duì)顟B(tài)出現(xiàn)期間的小尺度波動(dòng)。假設(shè)每一個(gè)宏?duì)顟B(tài)內(nèi)包含一個(gè)子狀態(tài)過(guò)程，不同宏?duì)顟B(tài)所包含的子狀態(tài)集合相互不交疊。當(dāng)系統(tǒng)進(jìn)入一個(gè)宏?duì)顟B(tài)時(shí)，將觸發(fā)一個(gè)新的子狀態(tài)過(guò)程，這個(gè)子狀態(tài)過(guò)程將控制非平穩(wěn)Web流在當(dāng)前宏?duì)顟B(tài)下的表現(xiàn)，即宏?duì)顟B(tài)過(guò)程與子狀態(tài)過(guò)程構(gòu)成了一個(gè)雙狀態(tài)鏈，這個(gè)雙狀態(tài)鏈的每一步輸出都對(duì)應(yīng)一個(gè)非平穩(wěn)Web流的到達(dá)率。因此，這個(gè)雙狀態(tài)鏈可以視為生成非平穩(wěn)Web流到達(dá)率過(guò)程的觸發(fā)機(jī)制，但該雙狀態(tài)鏈?zhǔn)遣豢梢?jiàn)的，它的參數(shù)(包括宏/子狀態(tài)轉(zhuǎn)移概率、子狀態(tài)輸出概率)只能通過(guò)觀測(cè)到的非平穩(wěn)Web流到達(dá)過(guò)程來(lái)估計(jì)。模型的公式化方法對(duì)于上述的雙狀態(tài)鏈模型，當(dāng)假設(shè)宏?duì)顟B(tài)鏈與子狀態(tài)鏈都是馬爾科夫鏈時(shí)，上述用于描述非平穩(wěn)網(wǎng)絡(luò)流的雙狀態(tài)鏈模型等價(jià)于一個(gè)兩層隱馬爾科夫模型來(lái)表示(1)宏?duì)顟B(tài)過(guò)程是不可見(jiàn)的馬爾科夫過(guò)程，而且控制相應(yīng)的子狀態(tài)過(guò)程；(2)在給定的宏?duì)顟B(tài)下，子狀態(tài)過(guò)程也是不可見(jiàn)的馬爾科夫過(guò)程，它控制非平穩(wěn) Web流在當(dāng)前宏?duì)顟B(tài)下的到達(dá)率表現(xiàn)；(3)這個(gè)雙馬爾科夫過(guò)程的輸出是突發(fā)網(wǎng)絡(luò)流的到達(dá)率過(guò)程，也是該模型唯一可以觀測(cè)到的變量。根據(jù)本發(fā)明的設(shè)計(jì)目的，對(duì)于這個(gè)兩層隱馬爾科夫模型，我們關(guān)注以下問(wèn)題(1)給定一個(gè)實(shí)際的非平穩(wěn)Web流，如何估計(jì)兩層隱馬爾科夫模型的參數(shù)；(2)給定一個(gè)兩層隱馬爾科夫模型，如何計(jì)算觀測(cè)到的非平穩(wěn)網(wǎng)絡(luò)流相對(duì)于模型的或然概率；(3)給定一個(gè)兩層隱馬爾科夫模型，如何生成非平穩(wěn)Web流的仿真流；本發(fā)明使用的符號(hào)如表1所示。
權(quán)利要求
1.一種非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于包括步驟Sl 根據(jù)非平穩(wěn)Web流到達(dá)率大小將非平穩(wěn)Web流劃分為若干不同的階段，每一階段由一個(gè)宏?duì)顟B(tài)表示，每一個(gè)宏?duì)顟B(tài)具有子狀態(tài)集合，宏?duì)顟B(tài)過(guò)程與子狀態(tài)過(guò)程構(gòu)成雙狀態(tài)鏈模型；步驟S2 用雙層隱馬爾科夫模型來(lái)描述上述的雙狀態(tài)鏈模型；步驟S3 根據(jù)上述雙層隱馬爾科夫模型對(duì)非平穩(wěn)Web流進(jìn)行監(jiān)控、預(yù)測(cè)和仿真。
2.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟Sl 中所述的若干階段為波谷階段、過(guò)渡階段、波峰階段。
3.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟Sl 中所述的子狀態(tài)集合相互不交疊。
4.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟 S2中，宏?duì)顟B(tài)過(guò)程是不可見(jiàn)的馬爾科夫過(guò)程，而且控制相應(yīng)的子狀態(tài)過(guò)程，在給定的宏?duì)顟B(tài)下，子狀態(tài)過(guò)程也是不可見(jiàn)的馬爾科夫過(guò)程，它控制非平穩(wěn)Web流在當(dāng)前宏?duì)顟B(tài)下的到達(dá)率表現(xiàn)。
5.根據(jù)權(quán)利要求4所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于所述的雙隱馬爾科夫過(guò)程的輸出是突發(fā)網(wǎng)絡(luò)流的到達(dá)率過(guò)程，也是該模型唯一可以觀測(cè)到的變量。
6.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟S3 中所述的監(jiān)控是在給定一個(gè)非平穩(wěn)流的到達(dá)率序列與模型情況下，推斷出對(duì)應(yīng)的隱狀態(tài)過(guò)程，以及在給定一個(gè)非平穩(wěn)流的到達(dá)率序列與模型情況下，測(cè)量該到達(dá)率序列相對(duì)于模型的最大或然概率。
7.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟S3 中所述的預(yù)測(cè)是根據(jù)非平穩(wěn)流的到達(dá)率模型預(yù)測(cè)下一個(gè)非平穩(wěn)流的到達(dá)率序列。
8.根據(jù)權(quán)利要求1所述的非平穩(wěn)Web流的監(jiān)控、預(yù)測(cè)與仿真方法，其特征在于步驟S3 中所述的仿真是根據(jù)給定的模型，生成非平穩(wěn)網(wǎng)絡(luò)流。
全文摘要
本發(fā)明所設(shè)計(jì)的兩層隱馬爾科夫模型是一種結(jié)構(gòu)化的模型，它克服了現(xiàn)有單步平板結(jié)構(gòu)的時(shí)間序列模型的缺點(diǎn)，通過(guò)結(jié)構(gòu)化的模型實(shí)現(xiàn)對(duì)復(fù)雜、多層次的非平穩(wěn)流的描述。在相同參數(shù)下，兩層隱馬爾科夫模型描述非平穩(wěn)流的性能優(yōu)于現(xiàn)有的其它時(shí)間序列模型?；诒景l(fā)明所設(shè)計(jì)的方法，可以在真實(shí)網(wǎng)絡(luò)環(huán)境下，在線實(shí)現(xiàn)非平穩(wěn)網(wǎng)絡(luò)流的監(jiān)控與預(yù)測(cè)，從而改善網(wǎng)絡(luò)負(fù)載均衡，提升網(wǎng)絡(luò)的服務(wù)質(zhì)量與用戶體驗(yàn)。該方法也可以用來(lái)產(chǎn)生非平穩(wěn)網(wǎng)絡(luò)流的仿真流，用于對(duì)即將投入運(yùn)營(yíng)的網(wǎng)絡(luò)服務(wù)、設(shè)備進(jìn)行性能測(cè)試。
文檔編號(hào)H04L12/24GK102571432SQ20121000674
公開(kāi)日2012年7月11日 申請(qǐng)日期2012年1月10日 優(yōu)先權(quán)日2012年1月10日
發(fā)明者謝逸 申請(qǐng)人:中山大學(xué)