（计算机应用技术专业论文）基于网络演算的自相似网络性能上界模型研究.pdf

摘要 网络所承载的通信量是一切网络研究的基础，它不仅能够直接反映网络性能 的好坏，而且在某种意义上可以用来表示网络动力学行为特征，一直以来从网络 通信量的角度来研究网络性能倍受人们关注。随着信息社会的到来和网络技术的 发展，i n t e r n e t 等高速网络已经逐步形成了一个开放的复杂巨系统。随之而来，网 络通信量呈现“爆炸式”增长，其固有统计特征发生了改变，这使得基于通信量 的网络性能研究也变得越来越重要。自相似性( s e l f - s i m i l a r i t y ) 作为高速网络通信 量的一种重要统计特征，对网络性能具有影响作用。因此，基于自相似通信量的 网络性能建模对高速网络的发展有着深远意义。 到目前为止，人们已经对基于通信量的网络性能或网络自相似通信量等方面 分别进行了深入研究，但这些研究均是针对网络性能或自相似通信量单独进行的， 缺乏基于自相似通信量的网络性能方面的研究。此外，目前对自相似通信量的研 究也主要集中于分析、建模等方面，缺乏自相似通信量控制方面的深入研究。为 了提高自相似网络性能，研究如何有效实施自相似网络的服务质量( q u a l i t yo f s e r v i c e 。q o s ) 控制，以避免自相似网络拥塞，将具有重要的研究价值。本论文针对 自相似性对网络性能所造成的影响，利用网络演算( n e t w o r kc a l c u l u s ) 理论的方法 综合系统地研究了基于自相似通信量的网络性能模型。本论文的主要工作和创新 性成果如下： ( 1 ) 基于网络演算理论提出了适应于自相似通信量控制的分形整形器模型及 其性能模型 在对自相似通信量的控制研究方面，综述了目前国内外在网络自相似通信量 研究方面所做的主要研究工作，基于现有研究成果，引入网络演算理论，给出了 适应于自相似通信量控制的分形整形器( f r a c t a lr e g u l a t o r ) 的一般数学模型，推导 了无损和有损两种分形整形器的输出特性与输入流的自相似参数以及整形器的整 形曲线( s h a p i n gc u r v e ) 之间的关系，分析了分形整形器的队列长度与延迟等性能， 讨论了分形整形器的引入对网络端到端延迟、数据丢失总数以及平均丢失率等性 能的影响。上述分析工作和得出的结果对自相似通信量控制方案的评价和分形整 形器参数的设计具有实际意义，为基于自相似通信量的网络性能研究提供基础。 ( 2 ) 利用网络演算理论，提出了基于分形整形器的通用处理器共享 ( g e n e r a l i z e dp r o c e s s o rs h a r i n g 。g p s ) 系统的性能统计上界与确定上界模型 在对基于自相似通信量的单节点网络性能研究方面，综述了国内外在g p s 系 统性能方面所做的主要研究工作，基于已有研究成果，引入分形整形器来对传输 到g p s 系统入口处的自相似通信量进行整形，建立了以自相似通信量作为输入的 g p s 系统的性能统计上界模型和性能确定上界模型，包括队列长度统计上界和确 定上界、延迟统计上界和确定上界、有效带宽确定上界以及延迟抖动确定上界等 性能模型。数学分析表明，基于分形整形器的g p s 系统的性能统计上界模型和确 定上界模型能够反映通信量的自相似性，并把其输出可用带宽公平地分配给各通 信流，并隔离不同的通信流。 ( 3 ) 基于网络演算理论提出了自相似通信量的端到端延迟上界模型 在对以自相似通信量作为输入的网络端到端延迟研究方面，利用网络演算理 论计算了自相似通信量端到端延迟确定上界问题，推导了利用g p s 调度器和分形 整形器作为节点模型的自相似通信量端到端延迟理想确定上界及其近似确定上 界。数学分析表明，自相似通信量的端到端延迟确定上界随通信量自相似参数的 增大而有所减小，这有利于改善通信量自相似程度越高延迟越大所导致的网络性 能下降。 ( 4 ) 基于网络演算理论提出了一种保证服务性能模型 在对保证服务( g u a r a n t e e ds e r v i c e ) 性能模型研究方面，提出了一种通用的保证 服务性能模型，在边沿核心( e d g e - c o r e ) 网络模型的基础上，基于到达曲线( a r r i v a l c u r v e ) 和服务曲线( s e r v i c e c u r v e ) 概念给出了网络节点的二级调度模型，利用网络 演算理论推导了该模型的队列长度上界和延迟上界、端到端延迟上界和端到端延 迟抖动上界以及有效带宽上界等性能保证。数学分析表明，基于网络演算理论的 保证服务性能模型为保证服务网络环境提供q o s 的有效控制、调度和管理提供一 定的参考作用。 关键词：自相似通信量，网络演算，统计上界，确定上界，保证服务 a b s t r a c t n e t w o f kt e l e t m 伍ci st h ef o u n d a t i o no fa l ln e t w o r kr e s e a r c h e s , n o to n l yi tc a n r e f l e c tt h eq u a l i t yo fn e t w o r kp e r f o r m a n c ed i r e c t l y , b u ta l s oi tc a nb eu s e df o r e x p r e s s i n gt h eb e h a v i o rc h a r a c t e r i s t i co fn e t w o r kd y n a m i c si ns o m ed e g r e e f o ral o n g t i m e ，p e o p l ep a ym o r ea t t e n t i o n st oc o n t i n u o u s l ys t u d y i n gn e t w o r kp c r f o m m c eb a s e d o nt e l e t m 伍c a st h ed e v e l o p m e n to f n e t w o r kt e c h n o l o g ya n dt h ea r r i v a lo f i n f o r m a t i o n s o c i e t y , n t c m c t , a sw e l la sa l lk i n d so fh i g hs p e e dn e t w o r k sg r a d u a l l yh a sa l m a d y f o r m e do n eo p e n , c o m p l e xg i a n ts y s t e m f o l l o w i n gw i t ht h a t , n e t w o r kt e l e t r a f l i ch a s e x p l o d e d , a n di t si n h e r e n tc h a r a c t e r i s t i ch a sc h a n g e d , w h i c hc a u s e st h a tt h er e s e a r c h e s o nn e t w o r kp e r f o r m a n c eb a s e do nt e l c t r a m cb e c o m em o r ea n dm o r ei m p o r t a n t a so n e k i n do fm a i ns t a t i s t i c a lc h a r a c t e r i s t i co fh i 曲s p e e dn e t w o r kt e l e t r a f f i c ，s e l f - s i m i l a r i t y h a st h ei n f l u e n c e0 1 1n e t w o r kp e r f o r m a n c e t h e r e f o r e ，t om a k eam o d e lo fn e t w o r k p e r f o r m a n c eb a s e do ns e l f - s i m i l a rt e l e t r a f f i ch a st h ep r o f o u n ds i g n i f i c a n c ef o rt h e d e v e l o p m e n to f h i g h - s p e e dn e t w o r k s s of a r , n e t w o r kp e r f o r m a n c eb a s e do nt e l e t r a f f i co rs e l f - s i m i l a rt e l e t m t t i ch a sb e e n r e s e a r c h e ds e p a r a t e l y , a i m i n ga tt h en e t w o r kp e r f o r m a n c e0 1 t h es e l f - s i m i l a rn e t w o r k l o n e l y , l a c k i n gi ns t u d y i n gn e t w o r kp e r f o r m a n c eb a s e do ns e l f - s i m i l a rt e l e t r a f f i c i n a d d i t i o n , m o 佗r e s e a r c h e r sp a ya t t e n t i o n st oa n a l y z i n ga n dm o d e l i n gt h es e l f - s i m i l a r t e l e w a t t i co fh i g h - s p e e dn e t w o r k s ，l a c k i n gf o rt h o r o u g hr e s e a r c hi nt h e a s p e c to f s e l f - s i m i l a rn e t w o r kc o n t r 0 1 i no r d e rt oi m p r o v et h ep e r f o r m a n c eo fs e l f - s i m i l a r n e t w o r k , i ti si m p o r t a n tt os t u d yh o wt oi m p l e m e n tt h ec o n t r o lo fq u a l i t yo fs e r v i c e ( q o s ) o fs e l f - s i m i l a rn e t w o r k , s ot h a ti tc a na v o i ds e l f - s i m i l a rn e t w o r kc o n g e s t i o n c o n s i d e r i n gt h ei n f l u e n c eo fs e l f - s i m i l a r i t yo nn e t w o r kp e r f o r m a n c e , t h em o d e lo f n e t w o r kp e r f o r m a n c ei ss t u d i e ds y n t h e t i c a l l ya n ds y s t e m i c a l l yb a s e do ns e l f - s i m i l a r t e l e t r a f f i cu s i n gn e t w o r kc a l c u l u si nt h i sp a p e r n l em a i nw o r ka n dc o n t r i b u t i o n sa r c p r e s e n t e di n t h ef o l l o w i n ga s p e c t s ： ( 1 ) t oa d a p tt oc o n t r o ls e l f - s i m i l a rt c l c t m f f i c t h em a t h e m a t i c a lm o d e lo ft h e f r a c t a lr e g u l a t o r ( o rf f a c t a ls h a p e r ) a n dt h ep e r f o r m a n c em o d e lo fi tw i t hn e t w o r k c a l c u l u sa 舱p r o p o s e d o nt h er e s e a r c h e so f c o n t r o l l i n gs e l f - s i m i l a rt e l e t r a f f i cc o n t r o l ，a l lo v e r v i e wo ft h e c u r r e n tm a j o rw o r k s0 nt h i sf i e l da r ep m s e n t e d , a n dt h e n , o nt h eb a s i so ft h e s ec u r r e n t r e s e a r c hr e s u l t s u s i n gn e t w o r kc a l c l l l u st h e o r y , ag e n e r a lm a t h e m a t i c a lm o d e lo ft h e i l l f r a c t a lr e g u l a t o rf o rc o n t r o l l i n gs e l f - s i m i l a rt c l c t r a f f i ci sp r o p o s e d t h er e l a t i o n s h i p s b e t w e e nt h eo u t p u tp r o p e r t i e so ft h el o s s l e s sf r a c t a lr e g u l a t o ra n dt h el o s sf r a c t a l r e g u l a t o ra n dt h es e l f - s i m i l a rp a r a m e t e ro f t h ei n p u tt r a f f i ca n dt h es h a p e rc u r v ea n dt h e s h a p e r sa r ed e r i v e d t h ep e r f o r m a n c eo ft w ok i n d so ft h ef r a c t a lr e g u l a t o ri sa n a l y z e d , s u c h 勰，q u e u el e n g t ha n dd e l a y a tl a s t ，t h ei n f l u e n c e so f t h ei n t r o d u c t i o no f t h ef r a c t a l r e g u l a t o ro nt h ee n d - t o e n dd e l a y , t h ep a c k e t sl o s tt o t a l sa n dt h ea v e r a g el o s tm t ca r e d i s c u s s e d t h e s ew o r k sa n dr e s u l t so ft h ea n a l y s e sh a v ep r a c t i c a ls i g n i f i c a n c ef o rt h e e v a l u a t i o no ft h ec o n t r o ls t r a t e g yo fs e l f - s i m i l a rt e l e t r a f f i ca n dt h ec o n f i g u r a t i o no ft h e p a r a m e t e ro ft h ef r a e t a lr o g u l a t o rp a r a m e t e r , 船w e l la s p r o v i d et h ef o u n d a t i o nf o rt h e r e s e a r c ho f t h en e t w o r kp e r f o r m a n c eb a s e do ns e l f - s i m i l a rt e l e t r a f f i c ( 2 ) u s i n gn e t w o r kc a l c u l u s 。t h es t a t i s t i c a la n dd e t e r m i n i s t i cm o d e l so ft h eu p p e r b o u n d so nt h ep e r f o r m a n c eo fg e n e r a lp r o c e s s o rs h a r i n g ( g p s ) ，b a s e do nt h ef r a c t a l r e g u l a t o rw i t hs e l f - s i m i l a rt e l e t m f f i ci n p u la r ep r o p o s e d o nt h er e s e a r c h e so ft h ep e r f o r m a n c eo ft h en e t w o r ks i n # e - n o d ew i t hs e l f - s i m i l a r t e l e t r a f f i ei n p u t ，a l lo v e r v i e wo f t h ec u r r e n tm a i nw o r k so nt h eg p s s y s t e mi sp r e s e n t e d b a s e do nt h er e s e a r c hr e s u l t s ，t h es e l f - s i m i l a rt e l e t r a f f i co nt h ei n g r e s so ft h eg p s s y s t e mi sr e s h a p e da n dr e g u l a t e db yt h ef r a c t a lr e g u l a t o r , a n dt h em o d e l so ft h e s t a t i s t i c a la n dd e t e r m i n i s t i cu p p e rb o u n d so nt h ep e r f o r m a n c eo ft h eg p ss y s t e mw i t l l t h es e l f - s i m i l a rt e l e t r a f f i ci n p u ta 肥p r o p o s e d t h e s em o d e l si n c l u d et h es t a t i s t i c a la n d d e t e r m i n i s t i cu p p e rb e u n d so nq u e u el e n g t h , o nd e l a y , a n dt h ed e t e r m i n i s t i cu p p e r b o u n d so ne f f e e t i v eb a n d w i d t ha n do nd e l a yj i t t e ro ft h eg p ss y s t e m n u m e r i c a l e x a m p l e sa n dr e s u l t si n d i c a t et h a t , t h ed e t e r m i n i s t i cu p p e rb o u n d so i le n d - t o - e n dd e l a y t h e s y s t e mw i t hs e l f - s i m i l a rt e l e t r a f l i ci n p u ti n c r e a s ea l o n gw i t ht h es e l f - s i m i l a r p a r a m e t e rr e d u c i n g t h i si sa d v a n t a g e o u st ot h ei m p r o v e m e n to f t h ep e r f o r m a n c ed r o p , w h i c hi so w e dt ot h a tt h eh i g h e rd e g r e eo f t h es e l f - s i m i l a r i t yo f n e t w o r kt e l e t r a f f i c , t h e l o n g e rd e l a y ( 4 ) u s i n gn e t w o r kc a l c u l u s ap e r f o r m a n c em o d e li ng u a r a n t e e ds e r v i c ei s p r o p o s e d o nt h er e s e a r c h e so fp e r f o r m a n c em o d e l si n g u a r a n t e e ds e r v i c e ag e n e r a l p e r f o r m a n c em o d e li ng u a r a n t e e ds e r v i c ei sp r o p o s e d o nt h eb a s i so fe d g e - c o r e n e t w o r km o d e l ，a n du s i n gt h ea r r i v a lc l l r v ea n dt h es e r v i c ec i l r v e ) at w ol e v e ls e h e d a l i n g m o d e lo ft h en e t w o r kn o d ei sp r o p o s e d , a n dt h eu p p e rb o u n d so nq u e u el e n g t h , d e l a y , e n d - t o - e n dd e l a y , e n d - t o - e n dd e l a yj i t t e r , a n de f f e c t i v eb a n d w i d t ho ft h ep e r f o r m a n c e m o d e la r ed e r i v e d n u m e r i c a le x a m p l e sa n dr e s u l t sd e m o n s t r a t et h a t , t h ep e r f o r m a n c e m o d e li ng u a r a n t e e ds e r v i c ew i t hn e t w o r kc a l c u l u sp r o v i d e sar e f e r e n c ef o rt h ea c t i v e c o n t r o l ，t h es c h e d u l i n gs t r a t e g ya n dt h em a n a g e m e n to f t h eg u a r a n t e e ds e r v i c en e t w o r k s p r o v i d i n gf o rq o $ k e yw o r d s ：s e l f - s i m i l a rt e l e t r a f f i c ，n e t w o r kc a l c u l u s , s t a t i s t i c a lu p p e rb o u n d , d e t e r m i n i s t i cu p p e rb o u n d , g u a r a n t e e ds e r v i c e v 图1 1 图1 2 图1 - 3 图2 1 图2 - 2 图2 - 3 图2 - 4 图4 - l 图4 2 图4 - 3 图4 4 图4 5 图4 6 图4 7 图4 8 图4 9 图5 1 图5 2 图5 3 图5 - 4 图5 5 图5 - 6 图5 7 图6 - 1 图6 1 2 图6 3 图6 - 4 图7 - 1 插图索引 队列长度与平均利用率的关系0 = 1 ) 队列长度与队列溢出概率的关系 0 时，( 力+ = x ；当x o 时，( 曲+ ；0 n 个，的最小加卷积运算 指数函数e 。 随机变量x 的平均值，或称期望值 x i l i 原创性声明 本人声明，所呈交的论文是我个人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得中南大学或其它单位的学位或证书而使用过的材料。与我共同 工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明。 作者签名：j 垒篁m 日期：丛业月三l 日作者签名：! 竺兰m 日期：丛业月三l 日 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校有 权保留学位论文，允许论文被查阅和借阅；学校可以公布学位论文的 全部或部分内容，可以采用复印、缩印或其他手段保存学位论文；学 校可根据国家或湖南省有关部门规定送交学位论文。 作者签名：i 量皇! 1 2导师签名： 1 生直太堂盟堂鱼i 金毫墓= 重绪论 第一章绪论 t ；g 章内容提要】本章介绍博士学位课题“基于网络演算的自相似网络性能上界 模型研究”的研究意义；介绍自相似( s e l f - s i m i l a r ) 过程的定义以及分析通信量自相 似性( s e l f - s i m i l a r i t y ) 影响网络性能的机理；综述分析网络自相似通信量及网络演 算( n e t w o r kc a l c u l u s ) 理论的研究现状；介绍课题的主要研究内容，给出论文的组 织结构。 1 1 课题的研究意义 随着计算机与通信网络技术的飞速发展，随着各种网络服务与应用的广泛普 及，无论是基于t c p i p 的i n t e r a c t 网络领域还是a t m 网络领域都正在网络用户、 规模、服务以及通信量等诸多方面发生了急剧变化。根据2 0 0 6 年1 月中国互联网 络信息中心发布的第十七次中国互联网络发展状况统计报告i l 】可知：截至2 0 0 5 年1 2 月3 1 日，我国网民的总人数为1 1 1 0 0 万人，同1 9 9 7 年1 1 月中国互联网络信 息中心发布的第一次 0 其中，丝表示对于任意企。的时间序列t l ，t 2 ，t d 和任意正常数a ，随机过程砥口f ) 和x ( o 具有相同分布或相同统计特征；h 为随机过程x ( o 的自相似参数或h u r s t 参 数。自相似参数是自相似程度( 或持续性程度) 的一种主要度量，其取值范围为 0 5 9 逛1 。当h = 0 5 时，表示随机过程x ( 0 没有自相关性；当日越接近于l ，则表 示随机过程x ( 0 自相似或持续性的程度越大。 定义1 2 ( 长程相关过程) ：一个长程相关( l o n g r a n g ed e p e n d e n c e ，l r d ) 过程 满足如下条件，即它具有双曲型衰减的自协方差c ( 舫 c ) i k l 一，当h _ m 时，0 p l 其中，。一”表示上述表达式两边渐进地成正比，。一”表示趋向于，参数与定义 1 1 中的自相似参数日满足关系口= 2 2 h 。 由定义1 2 中的0 1 以及= 2 2 h 这两个条件可得出自相似参数日满足 0 5 h l 。由此可见，长程相关过程是o 5 h l 的自相似过程的一个特例。对于本 课题所研究的网络通信量而言，自相似性就意味着长程相关性；反之，长程相关 性反映了自相似过程的群集和突发特性在所有时间尺度上都存在的现象。 由定义1 2 也可发现，罗c ( | ) 一。，这表明长程相关过程的自协方差c 二 之和是无限的；反之，如果自协方差c ( 助之和是有限的，则这个随机过程称为短 程相关( s h o r t - r a n g e d e p e n d e n c e ，s r d ) 过程。比如，在排队模型中使用的传统泊松 过程就是一个典型的短程相关过程。 生直态堂丝堂焦i 盆塞筮二童绪途 定义1 3 ( 分形布朗运动过程) ：一个分形布朗运动( f r a c t i o n a lb r o w n i a nm o t i o n , f b m ) 过程e ( t ) 同时满足以下三个条件：( 1 ) b ( t ) 是连续的；( 2 ) 曰( o ) = 0 ；( 3 ) 其增量 服从均值为0 和方差为r 2 ”的一个正态分布，即 p r 【( b o + f ) 一丑( r ) ) 0 、2 7 r r 4 上式左边表示x 小于等于8 ( t + f ) 一b ( t ) 的概率。根据定义1 1 可以看出，i b m 是 一个自相似过程，其中日为f b m 的自相似参数，且0 h i 。当0 5 h l 时，f b m 呈现l r d ；当0 h 0 其中，烈f ) 是自相似参数为日的标准f b m 过程，为平均速率，盯为标准偏差。 1 2 2 自相似性影响网络性能的机理 网络通信量特征是网络性能建模与分析的基础，自相似性对网络性能具有影 响作用。为了更有利于本课题的研究，深入理解自相似性对网络性能的影响机理 是非常重要的。许多研究表明 2 2 1 1 丑q 3 2 4 4 1 q 4 9 1 ，自相似性对网络性能有很大影响。使 用自相似通信量作为输入的网络排队系统性能与基于传统泊松分布到达假设或负 指数服务时间的m m 1 系统性能有明显的差另l j 3 2 。比如，自相似性会增加队列长 度、平均延迟以及包丢失率等性能指标。文献 3 2 】和【4 4 】就自相似性对队列性能所 造成的影响进行研究时发现：( 1 ) 自相似性对队列性能影响的大小与自相似程度、 缓存大小以及系统利用率有关；( 2 ) 当缓存大小和系统利用率固定时，自相似程度 越高，自相似对队列性能造成的影响也就越大；( 3 ) 当利用率很高，且缓存很大时， 自相似对队列性能造成的影响也很大；( 4 ) 当利用率不是非常高，或者缓存较小时， 自相似对队列性能的影响就很小。文献 4 3 1 基于f b m 过程和一个具有定长服务时 间的无穷大缓存提出了一个工作负载模型，得出了存储或缓存容量需求与平均利 用率的关系，如果要达到高利用率，自相似通信量需要的缓存容量比基于具有指 数到达间隔时间和指数服务时间的m 愚i l 系统的经典排队分析所得的预测值要大 4 很多。l a s k i n 等5 哪基于分形利维运动( f r a c t i o n a ll e v ym o t i o n , f l m ) 过程建立了一 个自相似解析模型，并得出以白相似通信量作为输入的队列缓存容量需求( 或队列 长度) b 与平均利用率p 的关系，即 l盟 b = c 0 4 “( 1 一力“( 1 - 2 ) 其中，c 为一个常数，口( o 口2 ) 为特征指数；- i ( 1 a h b o ，有p p o b l “ 图1 - 1 和图1 2 分别给出了自相似通信量作为输入的队列系统与m m i 系统的队 列长度与平均利用率以及队列溢出概率与队列长度的关系。 i i d l i z a t j o ni ，j 图1 1队列长度与平均利用率的关系( c = 1 ) 生直盍堂熊堂僮论塞 箍二童绪j 金 图1 - 2 队列长度与队列溢出概率的关系( p f o 2 7 ) 从图1 - 1 可以看出，自相似参数日越大，曲线斜率变化越大，队列缓存容量 需求也越大，并在平均利用率为3 5 - 6 5 区间内开始急剧增长；而m m i 系统的 有效平均利用率p 一般为8 0 左右。由图l - 2 可以得知，队列溢出概率随着缓存容 量的增加而减少，当缓存容量较小( 约 2 0 ) 时，溢出概率下降得很快，随后呈现平 稳趋势；以自相似通信量作为输入的排队系统的队列溢出概率总比m m 1 系统的 溢出概率要大；当缓存容量较大时，m m 1 系统的溢出概率趋向于0 ，而以自相似 通信量作为输入的排队系统的溢出概率依然还维持较大；且自相似参数日越大， 队列溢出概率也越大。 综上所述，通信量的白相似性对队列长度( 即缓存需求) 有影响，且影响程度 与通信量的自相似程度有关。在一般情况下，又因为队列延迟以及包丢失率与队 列长度有关。因此，为了降低通信量自相似性对网络性能的影响，可以适当地增 加缓存容量或带宽。但是，这种做法并不是最明智的选择，其主要原因是自相似 通信量具有集群现象的持续存在特性，即达到簇集群成更大的簇【2 】。所以，如何对 自相似通信量进行有效控制对网络性能建模显得非常重要。 6 一a-考e-j隹iqjo萱三曹io-l 1 3 国内外研究现状分析 通信量是所有网络研究的基础，通过研究网络所承载的通信量特性，可为探 索身为复杂巨系统的网络的动力学原理提供一条有效的途径。通信量能直接反映 网络性能的好坏，通过提取能够刻画通信量的特征参数，对通信量进行建模与性 能分析，寻找可调控的性能参数，进而对通信量实施有效监控和调节，以改进和 优化网络性能【4 】。与此同时，为了更好地对网络的通信流问题进行更深入地研究， 必须寻找一种适合于解决网络通信流问题的、有效的而又先进的应用工具。本论 文在对正处于发展和完善过程的网络演算这一新型网络通信流分析工具进行了全 面的归纳和总结的基础上，对基于自相似通信量的网络性能模型进行了深入地综 合系统研究。在具体介绍本论文所做的主要工作之前，下面先对近年来有关自相 似通信量建模与特征分析、自相似性对网络性能的影响、网络演算以及基于网络 演算的自相似网络性能分析的国内外研究现状进行了综述和分析。 1 3 1 自相似通信量研究 1 9 9 4 年l e l a n d 等圈发表了题为“o n t h e s e l f - s i m i l a r n a t u r e o f e t h e m e t t r a f f i c ” 的首篇自相似通信量研究论文。这篇著名论文触发了有关这类论题的大量研究。 这些研究主要体现在以下几个方面： 1 网络通信量特征分析 1 9 9 1 年l e l a n d 和w i l s o n 5 i 】对b e l l c o r e 公司的各个e t h e m e t 进行高分辨率通信 量测量所得的结果进行分析，发现通信量在所有时间尺度上都是突发的( b u r s t y ) ， 并在尔后的文献 2 2 0 f 首次引入自相似这一关键概念来描述实际e t h e r n e t 通信量的 突发性。在最近十年里，各类网络通信量特征被广泛研究。1 9 9 5 年p a x s o n 和f l o y d z q 研究发现w a n 通信量具有自相似性。b e r a n 等 2 5 1 研究发现a t m 网络和i n t e r a c t 上的数字化视像是长程相关的。1 9 9 7 年c r o v e l l a 和b e s t a v r o s 2 s 研究发现w e b 通 信量具有突发性。t a q q u 掣5 2 】研究了网络通信量的多分形( m u l t i f r a c t a l ) 特性。1 9 9 8 年f e l d m a n n 等酬发现w a n 通信量也是多分形的。2 0 0 0 年v e r e s 和b o d a l 3 1 i 发现 网络通信量具有混沌特性。2 0 0 2 年z h a n g 等 5 4 1 研究了i n t e r a c t 流量的多分形特性。 2 0 0 2 年l i a n g 1 9 】和2 0 0 5 年y i n 等【5 5 】分别发现a dh o c 无线网络通信量也是自相似 的。2 0 0 3 年王楠等发现了8 0 2 1 1 无线局域网的通信量具有长程相关性。2 0 0 5 年h o n g 和m a d h y a s t h a 3 7 】对i o 通信量进行研究时发现其具有长程相关性。2 0 0 6 7 虫直太堂1 妻堂焦论塞 篡= 童绪i 金 年s h e n 1 0 发现现代网络中的异构网络通信量具有自相似性和多分形特征。总之， 在i n t e r a c t 等高速网络已经成为一个开放的复杂巨系统之后，网络通信量特征也越 来越多样化，这里还有很多潜在的通信量特征有待人们去发现与揭示。 2 自相似通信量建模 在l e l a n d 等发现网络通信量具有自相似特性之前，基于传统泊松分布达到过 程假设的排队分析模型是网络管理、规划、设计以及性能预测的理论依据和应用 工具。由于泊松过程是一个s r d 过程，在处理具有长程相关特性的自相似通信量 时，将导致网络性能估计的过于优化，计算资源分配的不足，以及q o s 保证的难 以实现1 1 2 4 1 。因此，近年来出现了许多用来描述具有自相似性的通信量模型5 6 1 。 a l e x a n d e r 等1 5 7 j 建立的o n o f f 信源模型就是一种典型的自相似通信量模型。 该模型有两个状态：o n 和o f f 。在o n 状态下，信源以恒定速率产生数据；而在 o f f 状态下，信源不产生任何数据。o n 状态的持续时间和o f f 状态的持续时间 相互独立，且都服从具有有限均值( u = e i x 】 ) 和无穷方差的重尾( h e a v y - t a i l e d ) 分布( 如p a r e t o 分布) 。许多o n o f f 信源叠加产生自相似通信量。当o h i f f 信 源个数趋向于无穷大时，总通信量就是自相似的。该模型的优点是简洁明了，物 理含义明确；其缺点是灵活性比较差，并要求各信源之间无关联且传输速度恒定。 分形高斯噪声( f r a c t i o n a lg a u s s i a nn o i s e 。f g n ) 【5 s 】与分形布朗运动是另一种典 型自相似通信量模型。该模型性质良好，且生成算法复杂度较低、速度快；但所 产生的通信量自相似参数往往与期望值有一定的误差，与真实的通信量相关函数 结构一致性较差。 h o s k i n g 【捌提出了基于差分自回归滑动平均( a r i m a ( p , d , q ) ) 过程的自相似通 信量模型。该模型具有长程相关和短程相关相互交织的相关函数结构，与真实的 通信量的相关函数结构是比较吻合；但其生成算法复杂度较大。 w o m e l l 6 0 1 提出了基于离散小波的自相似通信量模型。该模型是多尺度行为突 发性通信量的有力工具；但小波变换系数并非在各个尺度下均独立，并且其系数 间的相关性不易描述，并受小波基选取的影响。 k a r a s a r i d i s 和h a t z i n a k o s 2 0 提出了基于口s t a b l e 过程的s 4 ( s k e w e ds t a b l e ，a n d s e l f - s i m i l a r ) 通信量模型。葛晓虎等【6 1 】在文献【2 0 】的基础上对s 4 通信量模型进行了 深入研究。s 4 模型除了能够描述网络通信量的自相似性之外，还能反映网络通信 量的突发现象。 8 生直盍堂墁堂焦j 金塞 盈二重绪监 3 自相似网络性能研究 在1 2 2 节中，我们讨论了自相似性影响网络性能的机理。下面主要就其有关 研究现状进行综述分析。 1 9 9 4 年l e l a n d 等 2 2 1 对e t h e r n e t 进行研究时发现其负载越高，估计所得到的通 信量的自相似程度也越高，并证明了自相似性会增加延迟和缓存大小需求。 w i i l i n g e r 等1 4 5 1 对自相似网络进行研究时发现，随着网络交换节点内存的增加，丢 包率按照重尾分布下降。这些结论与使用基于泊松分布到达过程假设的传统排队 理论预测所得到的结果是不相同的。根据传统排队理论应该是：丢包率按照指数 比率下降，延迟上限不会随缓存容量的增加而增加。上述对自相似网络研究所得 的结论直接影响到路由器内存的配置。比如，文献 4 5 】中指出a t m 交换机厂商基 于传统排队理论生产了不能满足实际通信需要的第一代小容量交换机。 1 9 9 6 年e r r a m i l l i 等和1 9 9 9 年g r o s s g l a t l s e f 等h 刀先后讨论了自相似性对队列 性能的影响，