| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-11页 |
| 第二章 长相关及自相似介绍 | 第11-24页 |
| ·自相似概念产生的背景 | 第11-13页 |
| ·长相关和自相似的定义及定理 | 第13-18页 |
| ·自相似业务流H 参数的检测方法 | 第18-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 FARIMA 模型介绍 | 第24-30页 |
| ·FARIMA 模型的定义 | 第24-26页 |
| ·FARIMA（P,D,Q）过程的产生 | 第26-28页 |
| ·仿真验证FARIMA 过程的长相关性 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 网络业务流的FARIMA（P,D,Q）模型拟合 | 第30-35页 |
| ·分数差分算子的实现 | 第30-32页 |
| ·网络业务流的具体拟合步骤 | 第32-33页 |
| ·FARIMA 模型拟合的仿真 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第五章 基于FARIMA 模型的预测 | 第35-43页 |
| ·基于FARIMA（P,D,Q）模型的时间序列预测 | 第35-36页 |
| ·基于概率上限的网络业务预测 | 第36-37页 |
| ·FARIMA 模型的预测仿真 | 第37-42页 |
| ·FARIMA（P,D,Q）模型的研究意义 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第六章 神经网络反向传播算法预测及缓冲区分配 | 第43-52页 |
| ·神经网络反向传播算法简介 | 第43-45页 |
| ·改进的反向传播算法 | 第45-47页 |
| ·基于反向传播算法的业务流预测仿真 | 第47-49页 |
| ·仿真结果及分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第七章 基于预测的网络节点缓冲区分配 | 第52-55页 |
| ·四种缓冲区分配方案 | 第52页 |
| ·仿真实验 | 第52-53页 |
| ·仿真结果及分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第八章 结论及展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60-79页 |
| 程序1：FARIMA（P,D,Q）过程产生程序 | 第60-61页 |
| 程序2：算法三中STEP1 零均值处理程序 | 第61-62页 |
| 程序3：AR 的“后向预测”程序 | 第62-63页 |
| 程序4：“分数差分”程序 | 第63-64页 |
| 程序5：FARIMA（P,D,Q）模型1 期预测程序 | 第64-65页 |
| 程序6：求自相关函数的均方误差MSER 程序 | 第65-66页 |
| 程序7：CS 程序 | 第66-68页 |
| 程序8：CP 程序 | 第68-70页 |
| 程序9：SPS 程序 | 第70-73页 |
| 程序10：DNS 程序 | 第73-76页 |
| 程序7－程序10 的调用函数 | 第76-79页 |
| 在学期间研究成果 | 第79页 |
