摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
第1章 绪论 | 第10-15页 |
1.1 网络业务流自相似现象的发现 | 第10-12页 |
1.2 研究现状 | 第12-14页 |
1.2.1 自相似产生与检测 | 第13页 |
1.2.2 网络性能仿真与分析 | 第13页 |
1.2.3 分形理论在网络分析设计中的应用 | 第13-14页 |
1.3 本论文的主要工作 | 第14-15页 |
第2章 网络自相似特性 | 第15-24页 |
2.1 自相似的数学描述 | 第15-17页 |
2.2 自相似过程的性质 | 第17-19页 |
2.2.1 Hurst参数 | 第17页 |
2.2.2 自相似是长相关的 | 第17-18页 |
2.2.3 衰减缓慢的方差 | 第18页 |
2.2.4 幂指数特性的谱密度 | 第18-19页 |
2.3 重尾分布与自相似 | 第19-21页 |
2.3.1 重尾分布 | 第19-20页 |
2.3.2 重尾分布与自相似过程的关系 | 第20-21页 |
2.4 网络业务的自相似现象与原因 | 第21-22页 |
2.5 多重分形 | 第22-24页 |
2.5.1 网络多重分形特征 | 第22页 |
2.5.2 多重分形谱和霍尔德(Holder)指数 | 第22-24页 |
第3章 自相似业务识别与参数估计 | 第24-42页 |
3.1 Hurst估计算法 | 第24-30页 |
3.1.1 聚类方差法(aggregated variance) | 第24-26页 |
3.1.2 留数法(Variance of Residuals) | 第26页 |
3.1.3 R/ S法 | 第26-27页 |
3.1.4 周期图法(Periodogram) | 第27-28页 |
3.1.5 Whittle法 | 第28-29页 |
3.1.6 小波法(Wavelet) | 第29-30页 |
3.2 H参数估计算法的实现 | 第30-31页 |
3.2.1 时间复杂性 | 第30-31页 |
3.2.2 对估计序列长度的要求 | 第31页 |
3.2.3 算法的实现 | 第31页 |
3.3 算法的准确性 | 第31-34页 |
3.3.1 随机序列估计 | 第32-33页 |
3.3.2 分形高斯噪声估计 | 第33-34页 |
3.4 影响算法估值的因素 | 第34-42页 |
3.4.1 周期性信号 | 第34-36页 |
3.4.2 相关结构 | 第36-41页 |
3.4.3 小结 | 第41-42页 |
第4章 自相似业务模型及算法实现 | 第42-58页 |
4.1 自相似业务模型 | 第42页 |
4.2 ON/ OFF模型 | 第42-47页 |
4.2.1 ON/OFF模型原理 | 第42-44页 |
4.2.2 ON/OFF的实现 | 第44页 |
4.2.3 产生序列 | 第44-47页 |
4.3 基于分形高斯噪声和分形布朗运动的模型 | 第47-52页 |
4.3.1 分形高斯噪声和分形布朗运动原理 | 第47-48页 |
4.3.2 Durbin FGN算法 | 第48-49页 |
4.3.3 RMD法 | 第49-52页 |
4.4 FARIMA模型 | 第52-55页 |
4.4.1 FARIMA模型的原理 | 第52-53页 |
4.4.2 FARIMA模型的实现 | 第53-55页 |
4.5 几种模型的评价 | 第55-56页 |
4.6 其它单分形模型 | 第56-57页 |
4.7 多分形模型 | 第57-58页 |
第5章 自相似对排队性能的影响 | 第58-75页 |
5.1 网络仿真 | 第58-60页 |
5.1.1 网络性能分析评价基本方法 | 第58-59页 |
5.1.2 OPNET网络仿真过程 | 第59-60页 |
5.2 自相似业务对网络排队性能影响的仿真 | 第60-75页 |
5.2.1 典型的排队模型 | 第60-62页 |
5.2.2 仿真建模 | 第62-64页 |
5.2.3 仿真方案 | 第64-65页 |
5.2.4 包字节数分布对排队性能的影响 | 第65-68页 |
5.2.5 LRD业务的排队性能 | 第68-73页 |
5.2.6 方差对排队性能的影响 | 第73-74页 |
5.2.7 小结 | 第74-75页 |
结束语 | 第75-76页 |
致谢 | 第76-77页 |
参考文献 | 第77-82页 |
攻读硕士学位期间发表的论文 | 第82-83页 |
附录:部分程序代码 | 第83-88页 |