網(wǎng)絡(luò)流量模型及分析(最終思路)課件

1網(wǎng)絡(luò)流量模型及分析

1網(wǎng)絡(luò)流量模型及分析

我們的工作網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量的采集網(wǎng)絡(luò)流量模型實例分析1234我們的工作網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量的采集網(wǎng)絡(luò)流量模型實例分析2網(wǎng)絡(luò)流量概念分類測量網(wǎng)絡(luò)流量的特點自相似性長相關(guān)性周期性、突發(fā)性、混沌性………網(wǎng)絡(luò)流量相關(guān)概念網(wǎng)絡(luò)流量網(wǎng)絡(luò)流量相關(guān)概念3網(wǎng)絡(luò)流量-概念網(wǎng)絡(luò)流量就是網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量

單位時間內(nèi)通過網(wǎng)絡(luò)設(shè)備或者傳輸介質(zhì)的信息量報文數(shù)數(shù)據(jù)包數(shù)字節(jié)數(shù)網(wǎng)絡(luò)流量-概念網(wǎng)絡(luò)流量就是網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量4網(wǎng)絡(luò)流量-分類Packet-level的流量分類關(guān)注數(shù)據(jù)包（packet）的特征及其到達過程Flow-level的流量分類由源IP地址、源端口、目的IP地址、目的端口、應(yīng)用協(xié)議組成的五元組Stream-level的流量分類由源IP地址、目的IP地址、應(yīng)用協(xié)議組成的三元組上述三種分類方法，流量的粒度由小到大遞增。廣泛使用參考文獻：Internet流量模型分析與評述_張賓，楊家海，吳建平網(wǎng)絡(luò)流量-分類Packet-level的流量分類關(guān)注數(shù)據(jù)包（5網(wǎng)絡(luò)流量-測量主動向目標(biāo)鏈路或目標(biāo)節(jié)點發(fā)送探測包測量延遲、帶寬、丟包率被動接入網(wǎng)絡(luò)的測量探針監(jiān)測、記錄網(wǎng)絡(luò)上的數(shù)據(jù)情況主動測量會額外注入流量，被動測量涉及安全性與私密性問題主動測量確定網(wǎng)絡(luò)整體性能，被動測量故障定位！網(wǎng)絡(luò)流量-測量主動向目標(biāo)鏈路或目標(biāo)節(jié)點發(fā)送探測包測量延遲、帶6理想的網(wǎng)絡(luò)測量不影響數(shù)據(jù)包轉(zhuǎn)發(fā)的速度完整的流量監(jiān)控占用資源少不會泄露用戶的隱私速度完整資源安全理想的網(wǎng)絡(luò)測量不影響數(shù)據(jù)包轉(zhuǎn)發(fā)的速度完整的流量監(jiān)控占用資源少7網(wǎng)絡(luò)測量的意義Internet流量工程和網(wǎng)絡(luò)行為學(xué)的研究的依據(jù)開發(fā)高性能網(wǎng)絡(luò)設(shè)備和設(shè)計網(wǎng)絡(luò)協(xié)議的理論基礎(chǔ)開展Qos敏感應(yīng)用提供Qos保證的前提條件診斷網(wǎng)絡(luò)的運行狀況，進行更好的管理保障網(wǎng)絡(luò)安全，防范網(wǎng)絡(luò)攻擊運營商針對網(wǎng)絡(luò)流量進行業(yè)務(wù)上的收費網(wǎng)絡(luò)測量的意義Internet流量工程和網(wǎng)絡(luò)行為學(xué)的研究的依8網(wǎng)絡(luò)流量的特點自相似性長相關(guān)性周期性突發(fā)性混沌性

采集自臺灣地區(qū)的臺中教育大學(xué)網(wǎng)絡(luò)主節(jié)點服務(wù)器Incmingartides共計71天的每小時網(wǎng)絡(luò)流量數(shù)據(jù)圖網(wǎng)絡(luò)流量的特點自相似性采集自臺灣地區(qū)的臺中教育大學(xué)網(wǎng)絡(luò)主節(jié)點9自相似性

局部結(jié)構(gòu)與總體結(jié)構(gòu)相比具有某種程度的一致性種類確定自相似性隨機自相似性（網(wǎng)絡(luò)流量）赫斯特指數(shù)（Hurst）確定自相似性示例自相似性

局部結(jié)構(gòu)與總體結(jié)構(gòu)相比具有某種程度的一致性確定自相10自相似性-從分布的角度定義

參考文獻：基于時間相關(guān)的網(wǎng)絡(luò)流量建模與預(yù)測研究_高波自相似性-從分布的角度定義

參考文獻：基于時間相關(guān)的網(wǎng)絡(luò)流11自相似性-赫斯特指數(shù)（Hurst）表征自相似特性的一個重要參數(shù)當(dāng)0<H<0.5時，表示負(fù)相關(guān)，即不具備自相似性高低值交替的趨勢持續(xù)一段時間（粗糙曲線）當(dāng)H=0.5時，隨機過程呈現(xiàn)為某種“隨機游走”狀態(tài)，即不同時間的狀態(tài)轉(zhuǎn)換是互不相關(guān)的當(dāng)0.5<H<1時，表示正相關(guān)，即具有自相似性維持高值的趨勢會持續(xù)一段時間（平滑曲線）自相似性-赫斯特指數(shù)（Hurst）表征自相似特性的一個重要參12不同H的分形布朗運動軌跡不同H的分形布朗運動軌跡13長相關(guān)性與自相似性

長相關(guān)：反映了自相似過程中的持續(xù)現(xiàn)象，即突發(fā)特性在所有的時間尺度上都存在的現(xiàn)象兩者聯(lián)系：H≠1/2的穩(wěn)定自相似隨機過程是長相關(guān)的，但長相關(guān)過程不一定就是自相似的。自相似性偏重于數(shù)學(xué)表述上的，長相關(guān)時側(cè)重于業(yè)務(wù)量的統(tǒng)計特性。長相關(guān)性與自相似性

長相關(guān)：反映了自相似過程中的持續(xù)現(xiàn)象，即14周期性、混沌性、突發(fā)性周期性反映了網(wǎng)絡(luò)流量時間序列表現(xiàn)出隨時間的規(guī)律變化混沌性在確定性系統(tǒng)中出現(xiàn)的一種類似隨機的現(xiàn)象突發(fā)性業(yè)務(wù)量在某一時刻或者一段時間內(nèi)變化懸殊周期性、混沌性、突發(fā)性周期性15網(wǎng)絡(luò)流量的采集方法[6]NetFlowsFlowRMON端口鏡像參考文獻：網(wǎng)絡(luò)流量分析關(guān)鍵技術(shù)研究__任春梅網(wǎng)絡(luò)流量的采集方法[6]NetFlow參考文獻：網(wǎng)絡(luò)流量分析16NetFlow將數(shù)據(jù)報文聚類，匯聚成流，置于緩存中轉(zhuǎn)發(fā)的時候?qū)τ趯儆谕粋€流的連續(xù)包，后續(xù)報文不做三層處理同步實現(xiàn)對高速轉(zhuǎn)發(fā)的IP數(shù)據(jù)流的測量和統(tǒng)計集成在路由器中NetFlow將數(shù)據(jù)報文聚類，匯聚成流，置于緩存中17NetFlowAnalyzerNetFlowAnalyzer18sFlow采用數(shù)據(jù)流隨機采樣技術(shù)，詳細(xì)、實時地分析網(wǎng)絡(luò)流的性能、趨勢以及存在問題收集到的數(shù)據(jù)通過sFlow代理進行編碼，轉(zhuǎn)交給中心采集器（已植入設(shè)備中）不僅可以對數(shù)據(jù)包進行IP層分析還可以進行二層分析處理sFlow采用數(shù)據(jù)流隨機采樣技術(shù)，詳細(xì)、實時地分析網(wǎng)絡(luò)流的性19RMONRemoteNetworkMonitoringSNMPMIB兩種方法收集數(shù)據(jù)通過RMON探測器，網(wǎng)管工作站直接獲取全部MIB信息，并控制資源將RMON代理植入網(wǎng)絡(luò)設(shè)備，網(wǎng)管工作站用SNMP交換數(shù)據(jù)RMONRemoteNetworkMonitoring20SNMP&MIBSNMP（簡單網(wǎng)絡(luò)管理協(xié)議）體系結(jié)構(gòu)

被管理的設(shè)備SNMP管理器SNMP代理SNMP&MIBSNMP（簡單網(wǎng)絡(luò)管理協(xié)議）體系結(jié)構(gòu) 21SNMP與MIBMIB（管理信息數(shù)據(jù)庫）樹形結(jié)構(gòu)包含了管理代理中的有關(guān)配合和性能的數(shù)據(jù)對管理信息進行讀寫操作就可以完成管理SNMP與MIBMIB（管理信息數(shù)據(jù)庫）22端口鏡像無損復(fù)制、鏡像采集配置交換機或路由器把一個或者多個端口的數(shù)據(jù)轉(zhuǎn)發(fā)到某一個端口來實現(xiàn)對網(wǎng)絡(luò)監(jiān)聽要監(jiān)聽所有流量，難度巨大，性能要求高端口鏡像無損復(fù)制、鏡像采集23四種流量采集技術(shù)的比較NetFlow：對主機間流量描述精確性接近100%，但是無法做深度檢測基于軟件架構(gòu)，配置方便、安裝簡單利用匯集方式監(jiān)測，適用于廣域網(wǎng)間sFlow：速度快，實時性好分析過程對性能有一定要求利用隨機采樣方式監(jiān)測，適用于局域網(wǎng)間RMON/SNMP：信息準(zhǔn)確，讀取方便對每個數(shù)據(jù)幀都會進行分析，增加負(fù)載端口鏡像方案簡單，無傳輸延遲處理時性能要求高四種流量采集技術(shù)的比較NetFlow：24網(wǎng)絡(luò)流量建模原則以流量的重要特性為出發(fā)點設(shè)計流量模型以刻畫實際流量的突出特性進行數(shù)學(xué)上的研究參考文獻：Internet流量模型分析與評述_張賓，楊家海，吳建平網(wǎng)絡(luò)流量建模原則以流量的重要特性為出發(fā)點參考文獻：Inter25流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展26傳統(tǒng)（短相關(guān)）模型泊松(Poisson)模型馬爾可夫(Markov)模型回歸(regression)模型傳統(tǒng)（短相關(guān)）模型泊松(Poisson)模型27泊松(Poisson)模型時間序列t內(nèi)，包到達的數(shù)量n（t）符合參數(shù)為λt的泊松分布：時間間隔序列T呈負(fù)指數(shù)分布：λ(泊松過程的強度)：單位時間間隔內(nèi)出現(xiàn)包的數(shù)量的期望,即包到達的平均速率泊松(Poisson)模型時間序列t內(nèi)，包到達的數(shù)量n（t）28泊松(Poisson)模型泊松(Poisson)模型29泊松(Poisson)模型前提：假設(shè)網(wǎng)絡(luò)事件(如數(shù)據(jù)包到達)是獨立分布的只與一個單一的速率參數(shù)λ有關(guān).泊松(Poisson)模型前提：30泊松(Poisson)模型優(yōu)點較好地滿足了早期網(wǎng)絡(luò)的建模需求在網(wǎng)絡(luò)設(shè)計、維護、管理和性能分析等方面發(fā)揮了很大的作用。缺點根據(jù)泊松流量模型,從不同的數(shù)據(jù)源匯聚的網(wǎng)絡(luò)流量將隨著數(shù)據(jù)源的增加而日益平滑,這與實際測試的流量是不符合的。泊松(Poisson)模型優(yōu)點較好地滿足了早期網(wǎng)絡(luò)的建模需求31馬爾科夫(Markov)模型對于一個給定的狀態(tài)空間,表示在n時刻狀態(tài)的隨機變量,如果

的概率只依賴于當(dāng)前的狀態(tài)，就形成了一個Markov鏈只有當(dāng)前的狀態(tài)用來預(yù)測將來，過去對于預(yù)測將來是無關(guān)的馬爾科夫(Markov)模型對于一個給定的狀態(tài)空間32馬爾可夫過程-實例33貪吃蛇的兩種規(guī)則青蛙跳荷葉馬爾可夫過程-實例33貪吃蛇的兩種規(guī)則青蛙跳荷葉馬爾科夫(Markov)模型優(yōu)點在隨機過程中引入了相關(guān)性，可以在一定程度上捕獲業(yè)務(wù)的突發(fā)性馬爾科夫方法是一種具有無后效性的隨機過程，用途十分廣泛缺點只能預(yù)測網(wǎng)絡(luò)的近期流量，而且無法描述網(wǎng)絡(luò)的長相關(guān)性馬爾科夫(Markov)模型優(yōu)點在隨機過程中引入了相關(guān)性，可34傳統(tǒng)模型的缺點實際的數(shù)據(jù)包和大部分連接的到達是相關(guān)聯(lián)的,并不嚴(yán)格服從泊松分布流量自相似性反映業(yè)務(wù)在較大時間尺度具有突發(fā)性,對緩存的占用較大,導(dǎo)致更大的延時當(dāng)業(yè)務(wù)源數(shù)目增加時,突發(fā)性會被吸收,聚合業(yè)務(wù)會變得越來越平滑,但卻忽略了流量的突發(fā)性傳統(tǒng)模型的缺點實際的數(shù)據(jù)包和大部分連接的到達是相關(guān)聯(lián)的,并不35流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展36自相似（長相關(guān)）模型構(gòu)造建模（物理模型），利用已知的傳輸知識解釋所觀察到的數(shù)據(jù)特征：（重尾分布的）ON/OFF模型M/G/∞排隊模型行為建模（統(tǒng)計模型），用數(shù)據(jù)擬合方法模擬所測真實數(shù)據(jù)的變化趨勢：FBM/FGN模型FARIMA模型基于小波的模型自相似（長相關(guān)）模型構(gòu)造建模（物理模型），利用已知的傳輸知識37M/G/∞排隊模型M：顧客到達時間間隔，呈指數(shù)分布（改進后為泊松分布）G：顧客的服務(wù)時間，服從帕累托Pareto分布(重尾分布)∞：服務(wù)器數(shù)量，無限大適用于視頻流量模型M/G/∞排隊模型M：顧客到達時間間隔，呈指數(shù)分布（改進后為38M/G/∞排隊模型優(yōu)點排隊系統(tǒng)的角度解釋網(wǎng)絡(luò)流量產(chǎn)生自相似的原因適合于分析自相似網(wǎng)絡(luò)流量輸入時的排隊性能缺點假設(shè)服務(wù)器一直處于忙碌中，對網(wǎng)絡(luò)流量的突發(fā)性描述方面存在不足M/G/∞排隊模型優(yōu)點排隊系統(tǒng)的角度解釋網(wǎng)絡(luò)流量產(chǎn)生自相似的39最早由B.Mandelbrot和J.M.Berger兩人于上世紀(jì)六十年代在有酬更新過程（rewardrenewalprocess）的基礎(chǔ)之上構(gòu)造出來，隨后Taqqu和Levy擴展了該模型的構(gòu)造方法。實質(zhì)：將大量的ON/OFF數(shù)據(jù)源生成的流量疊加在一起ON/OFF模型參考文獻：基于時間相關(guān)的網(wǎng)絡(luò)流量建模與預(yù)測研究_高波最早由B.Mandelbrot和J.M.Berg40ON/OFF模型ON/OFF模型41ON/OFF模型ON/OFF模型：每個發(fā)送源都有兩個周期交替的ON和OFF狀態(tài)，即發(fā)送數(shù)據(jù)狀態(tài)和不發(fā)送數(shù)據(jù)狀態(tài)：發(fā)送數(shù)據(jù)包的速率ON/OFF模型ON/OFF模型：42重尾分布重尾分布：一種比正態(tài)分布還要廣泛的的隨機變量分布，體現(xiàn)在少量個體做出大量貢獻Pareto法則（80/20法則）：最重要的通常只占其中一小部分直觀特征：大頭短+小尾長。重尾分布重尾分布：一種比正態(tài)分布還要廣泛的的隨機變量分布，體43帕累托分布（Pareto）在重尾分布當(dāng)中，Pareto分布是相對簡單的一種分布，令參數(shù)a>0，k>0，則Pareto分布概率密度函數(shù)f(x)是如下描述的分段函數(shù)帕累托分布（Pareto）在重尾分布當(dāng)中，Pareto分布44結(jié)論：當(dāng)多個獨立同分布的ON/OFF數(shù)據(jù)源流量疊加時，如果ON狀態(tài)或者OFF狀態(tài)的持續(xù)時間服從重尾分布，那么疊加流量將具有自相似性[39]帕累托分布（Pareto）帕累托分布（Pareto）45重尾分布的ON/OFF模型優(yōu)點可以解釋產(chǎn)生自相似的部分原因，有助于深入地了解自相似的本質(zhì)缺點各個源端必須是獨立同分布的,且輸出速率為常數(shù)與實際網(wǎng)絡(luò)業(yè)務(wù)不符，適用范圍受限重尾分布的ON/OFF模型優(yōu)點可以解釋產(chǎn)生自相似的部分原因，46C，即Convergence，表示趨同性網(wǎng)絡(luò)趨同性說明：以往的ON/OFF模型中對于各個ON/OFF源之間獨立同分布的假設(shè)變得不切實際，導(dǎo)致ON/OFF模型生成流量的合成流量的自相關(guān)函數(shù)并不滿足實際網(wǎng)絡(luò)流量的長相關(guān)特性C-ON/OFF模型C，即Convergence，表示趨同性C-ON/OFF模型471、根據(jù)Internet中廣泛存在的趨同性改進現(xiàn)有的ON/OFF模型，使各源之間具有一定的相關(guān)性，討論各源之間相關(guān)性與合成流量長相關(guān)性的關(guān)系2、建立基于ON/OFF模型的具有趨同性的新網(wǎng)絡(luò)流量模型。3、使用歸一化子協(xié)方差函數(shù)和Hurst參數(shù)驗證實驗步驟1、根據(jù)Internet中廣泛存在的趨同性改進現(xiàn)有實驗步48假設(shè)ON/OFF模型中有N個ON/OFF源，每個ON/OFF源產(chǎn)生的流量分別是X1(m)、X2(m)、……、XN(m)，其中m為整數(shù)離散時間，m0。這N個源生成流量的合成流量X(m)為：設(shè)n為時間間隔，n為大于等于零的整數(shù)，那么，X(m)的自相關(guān)函數(shù)為：理論驗證假設(shè)ON/OFF模型中有N個ON/OFF源，每個49N個獨立同分布ON/OFF源的合成流量的自協(xié)方差函數(shù)與每個源流量自協(xié)方差函數(shù)的關(guān)系：其中c(n)是合成流量的自協(xié)方差函數(shù)，ci(n)是每個源流量的自協(xié)方差一系列數(shù)學(xué)推導(dǎo)N個獨立同分布ON/OFF源的合成流量的自協(xié)方差函數(shù)與50V.Paxson等人[34]指出，ON周期或OFF周期的持續(xù)時間具有輕尾分布的ON/OFF模型在獨立同分布條件下產(chǎn)生的合成流量是短相關(guān)流量結(jié)論1：當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨立同分布、ON周期或OFF周期持續(xù)時間呈輕尾分布時，源產(chǎn)生的流量具有短相關(guān)性質(zhì)結(jié)論1V.Paxson等人[34]指出，ON周期或OFF51各個源產(chǎn)生流量的自協(xié)方差函數(shù)與互協(xié)方差函數(shù)說明：由于各個源之間不獨立，因此第二項必不為零結(jié)論2：單個流量之間的互協(xié)方差是否可加將直接決定聚合流量自協(xié)方差函數(shù)是否可加，即各源生成流量之間的互相關(guān)性的強弱決定了合成流量自協(xié)方差的可加性當(dāng)On或者Off持續(xù)周期不獨立各個源產(chǎn)生流量的自協(xié)方差函數(shù)與互協(xié)方差函數(shù)當(dāng)On或者Off持52當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨立同分布、ON周期或OFF周期持續(xù)時間呈輕尾分布時，源產(chǎn)生的流量具有短相關(guān)性質(zhì)只要滿足獨立同重尾分布這個條件，無論單個流量還是合成流量都是長相關(guān)流量如果各源之間不獨立，具有一定相關(guān)性，那么，對于重尾分布來說，合成流量必然長相關(guān)理論論證之結(jié)論當(dāng)ON/OFF結(jié)構(gòu)模型滿足獨立同分布、ON周期或OF53歸一化自協(xié)方差函數(shù)，又稱自相關(guān)系數(shù)Hurst參數(shù)估值兩種驗證方法歸一化自協(xié)方差函數(shù)，又稱自相關(guān)系數(shù)兩種驗證方法54實驗條件控制輕尾分布重尾分布數(shù)據(jù)源獨立獨立，輕尾獨立，重尾數(shù)據(jù)源不獨立不獨立，輕尾不獨立，重尾實驗條件控制輕尾分布重尾分布數(shù)據(jù)源獨立獨立，輕尾獨立，重尾數(shù)55第一組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈輕尾分布，且各源之間相互獨立。第二組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈輕尾分布（指數(shù)分布），但各源之間不獨立，具有一定相關(guān)性第三組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈重尾分布（選取Pareto分布作為重尾分布的代表），且各源之間相互獨立第四組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈重尾分布（Pareto分布），各源之間不獨立，具有一定相關(guān)性實驗條件設(shè)置第一組：ON/OFF模型各源的ON、OFF狀態(tài)周期均呈56歸一自協(xié)方差驗證結(jié)論歸一自協(xié)方差驗證結(jié)論57Hurst參數(shù)估值驗證結(jié)論Hurst參數(shù)估值驗證結(jié)論58構(gòu)造新模型C-On/off構(gòu)造新模型C-On/off59條件設(shè)置 1）固定n，觀察C-ON/OFF模型生成流量的歸一化自協(xié)方差隨N值的變化情況； 2）固定N，觀察C-ON/OFF模型生成流量的歸一化自協(xié)方差隨n值的變化情況。使用C-on/off模型測試條件設(shè)置使用C-on/off模型測試60實驗結(jié)果（n固定）實驗結(jié)果（n固定）61實驗結(jié)果（N固定）實驗結(jié)果（N固定）62Hurst驗證新模型Hurst驗證新模型63Hurst驗證新模型Hurst驗證新模型64首先通過理論分析證明了如下結(jié)論：在經(jīng)典ON/OFF模型的基礎(chǔ)上加入各ON/OFF源之間的相關(guān)性，可以在ON周期和OFF周期持續(xù)時間分布為輕尾分布的條件下產(chǎn)生長相關(guān)性質(zhì)的流量然后對上述結(jié)論進行了仿真驗證，仿真結(jié)果表明：

在ON/OFF模型各源之間增加相關(guān)性之后，即使ON/OFF模型的ON周期和OFF周期持續(xù)時間呈輕尾分布，合成流量依然具有長相關(guān)性；若ON周期和OFF周期持續(xù)時間呈重尾分布，那么各源之間的相關(guān)性將加劇合成流量的自相似程度，表現(xiàn)為Hurst參數(shù)值的增加C-on/off結(jié)論首先通過理論分析證明了如下結(jié)論：在經(jīng)典ON/OFF模型的基65流量模型的發(fā)展歷程傳統(tǒng)模型（短相關(guān)）自相似模型（長相關(guān)）流量模型的新發(fā)展泊松模型馬爾科夫模型回歸模型重尾分布的ON/OFF模型M/G/∞排隊模型FBM/FGN模型基于神經(jīng)網(wǎng)絡(luò)的模型多分形模型20時期70年代-1994年1994年-2004年2004年泊松回歸引發(fā)的爭論至今流量模型的發(fā)展歷程傳統(tǒng)模型自相似模型流量模型的新發(fā)展662004年,Karagiannis等人通過分析Tier1ISP的骨干鏈路流量發(fā)現(xiàn),目前高帶寬和高聚合的鏈路流量在極小尺度下近似泊松過程,從而引發(fā)了人們對網(wǎng)絡(luò)流量特征及建模的新思索和爭論之所以這樣劃分,并不表示近時期的流量模型不具有自相似的特征,主要是為了更清晰地了解近些年網(wǎng)絡(luò)流量模型的發(fā)展情況流量建模新發(fā)展2004年,Karagiannis等人通過分析Tier67近年其他模型的發(fā)展流量預(yù)測模型基于神經(jīng)網(wǎng)絡(luò)的模型混沌理論模型模糊理論模型混合模型多分形模型近年其他模型的發(fā)展流量預(yù)測模型68展望流量模型的發(fā)展目前的網(wǎng)絡(luò)模型基本都基于流量時間序列的自相似特性，未來是否還會有別的特性發(fā)現(xiàn)？目前的流量均基于時間特性，是否將來會考慮空間特性？網(wǎng)絡(luò)流量的小尺度行為的研究新的物理模型的發(fā)展模型的簡單和精確性發(fā)展展望流量模型的發(fā)展目前的網(wǎng)絡(luò)模型基本都基于流量時間序列的自相69（1）節(jié)點1：為整個校區(qū)的網(wǎng)絡(luò)出口處，是整個校區(qū)的流量總和，具有最高匯聚度（2）節(jié)點2：

為匯聚層中一個子網(wǎng)絡(luò)結(jié)構(gòu)的總流量，該子網(wǎng)絡(luò)節(jié)點的總流量是3個子網(wǎng)絡(luò)中流量最小的（3）節(jié)點3：

為匯聚層中一個子網(wǎng)絡(luò)結(jié)構(gòu)的總流量，該子網(wǎng)絡(luò)節(jié)點的流量是3個子網(wǎng)絡(luò)中流量最大的（4）節(jié)點4：為最下層路由器連接的交換機的流量總和實例分析：校園網(wǎng)[7]（1）節(jié)點1：為整個校區(qū)的網(wǎng)絡(luò)出口處，是整個校區(qū)的流量總和70采用被動測量技術(shù)，并對采集的報文抽樣統(tǒng)計。運用Solarwinds軟件對校園網(wǎng)流量信息進行抽樣測量。根據(jù)每30min的時間間隔來完成對校園網(wǎng)流量數(shù)據(jù)信息的采集。校園網(wǎng)流量測量參考文獻：校園網(wǎng)絡(luò)流量分析與預(yù)測研究_張昕采用被動測量技術(shù)，并對采集的報文抽樣統(tǒng)計。運用Solarwi71基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟如下：（1）樣本分類。把樣本分為訓(xùn)練樣本和測試樣本，訓(xùn)練樣本用于訓(xùn)練網(wǎng)絡(luò)，測試樣本用于測試網(wǎng)絡(luò)預(yù)測性能。（2）網(wǎng)絡(luò)初始化。隨機初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速率α。（3）預(yù)測輸出。把訓(xùn)練樣本輸入網(wǎng)絡(luò)，計算網(wǎng)絡(luò)預(yù)測輸出并計算網(wǎng)絡(luò)預(yù)測輸出和期望輸出的誤差e。（4）權(quán)值修正。根據(jù)誤差e修正網(wǎng)絡(luò)權(quán)值和閾值，從而使網(wǎng)絡(luò)預(yù)測值逼近期望值。（5）判斷算法是否結(jié)束，如沒有結(jié)束，返回步驟3，繼續(xù)運行。sigmoid基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟如下：72基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測學(xué)習(xí)速率α取0.1基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測學(xué)習(xí)速率α取0.173基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測在網(wǎng)絡(luò)訓(xùn)練達到50次時訓(xùn)練的均方誤差為0.108142，在訓(xùn)練達到500次時均方誤差為0.106294，實際上，當(dāng)訓(xùn)練達到220次時均方誤差基本沒有變化，說明此時訓(xùn)練次數(shù)的增加并不能改善網(wǎng)絡(luò)流量的預(yù)測性能?；贐P神經(jīng)網(wǎng)絡(luò)的流量預(yù)測在網(wǎng)絡(luò)訓(xùn)練達到50次時訓(xùn)練的均74基于小波神經(jīng)網(wǎng)絡(luò)的流量預(yù)測模型將小波分析和神經(jīng)網(wǎng)絡(luò)直接結(jié)合，把神經(jīng)網(wǎng)絡(luò)隱含層的傳輸函數(shù)用小波函數(shù)代替，大多數(shù)前向多層神經(jīng)網(wǎng)絡(luò)都是基于Sigmoid函數(shù)的基函數(shù)網(wǎng)絡(luò)，用這種網(wǎng)絡(luò)作函數(shù)逼近時，由于Sigmoid函數(shù)自身的局限性使得其是一種次優(yōu)網(wǎng)絡(luò)。把神經(jīng)網(wǎng)絡(luò)隱含層的傳輸函數(shù)用小波函數(shù)代替，這樣的結(jié)合從本質(zhì)上改變了預(yù)測模型的結(jié)構(gòu)，在不影響預(yù)測精度的前提下，縮短了模型的訓(xùn)練時間，提高了訓(xùn)練的速度,