基于级联过程的alpha-stable乘数网络流量多分形模型的建立方法技术

一种基于级联过程的alpha-stable乘数网络流量多分形模型的建立方法，包括：(1)二项式级联，设定每一层保持原始尺度不变，对每个分割出来的区间再进行同样的分割，直到第N层；(2)乘数分布估计，给定第N层的数据i＝1＝1，...，2N，时间分辨率为2-N，第(N-1)层的数据通过聚合第N层连续非重合的相邻两个数据得到；对聚合的每一层数据进行乘数分布估计，得出乘数分布参数；(3)从初始值开始，在第j层，产生服从S(α，β，γ，δ)分布的随机数，用聚合的数据乘以随机乘数得到网络流量多分形模型。本发明专利技术提供一种有效表述流量多尺度行为、简化计算复杂度的基于级联过程的alpha-stable乘数网络流量多分形模型的建立方法。

【技术实现步骤摘要】

本专利技术涉及网络流量数据建模领域，尤其是一种基于级联过程的网络流量多分形模型的建立方法。
技术介绍
随着网络业务的飞速发展和网络带宽的迅速增加，网络变得越来越复杂，呈现非高斯、非平稳、多尺度和重尾分布等诸多特性。研究人员发现，实际网络流量序列具有自相似特性。为了能更好地管理和维护网络，就需要用有效的措施提取网络性能参数，从而对网络性能进行分析理解，优化网络配置，发现潜在的威胁。网络流量模型是进行网络性能评价，认识和分析网络行为及其变化规律的基础。各种基于自相似长相关理论和单分形理论的网络流量模型已得到充分研究，比较经典的模型有，0N/0FF模型、分形布朗运动(FBM)、 分形高斯噪声(FGN)模型、分形自回归(FARIMA)模型以及alpha-stable模型等。现有模型也能够较好地拟合测量所得网络流量的长相关性和突发性。但流量过程在小时间尺度上呈现出明显不同的局部奇异特性，无法用长相关性来描述。而Willinger 等人的研究表明，宽带网络流量数据存在更加复杂的多分形尺度行为，从而使得单分形模型不能够充分描述宽带网络流量。多分形乘数级联作为一种可行的多分形分析方法而被提出，利用乘数级联过程建立网络流量模型是一项相对比较新的领域。Riedi等人的多分形小波模型(MWM)，以及 Krishna等人提出的可变方差高斯乘数(V. V. G. M)模型就是基于乘数级联过程的宽带流量多分形模型。乘数级联过程具有很好的网络物理意义、分析简单，但基于小波分析的MWM模型计算量大、复杂，而V. V. G. M对于非高斯(特别是重尾信号)信号的描述无法达到要求。专利技术内容为了克服已有网络流量多分形模型的无法充分表述流量复杂的尺度行为、计算复杂的不足，本专利技术提供一种有效表述流量多尺度行为、简化计算复杂度的基于级联过程的 alpha-stable乘数网络流量多分形模型的建立方法。本专利技术解决其技术问题所采用的技术方案是一种，所述建立方法包括(1) 二项式级联，设定每一层保持原始尺度不变，对每个分割出来的区间再进行同样的分割，直到第N层，第j层的随机乘数Tji，j = l,...,N, i = l,...,2J是服从概率分布O )，0彡rj彡1的随机变量，若fR (/.)是关于= I对称的，那么b和Iiji具有相Rj ]Rj ^2同的概率分布，JT,，(i = 1，...，2N)表示级联结构的第N层序列，的每一个点表示为几个随机变量的乘积μ i = Hl1Hl2. . .!%，这里Hlj, (j = 1，. . .，N)表示第j层的随机乘数； (2)乘数分布估计，给定第N层的数据JTf，i = 1，...，2N，时间分辨率为2_N，第 (N-I)层的数据通过聚合第N层连续非重合的相邻两个数据得到；同样地，给定第(N-j)层的数据^a^7' ,1 = 1,..·，2N、叠加第(N-j)层非重合相邻两个数据得到(Ν-j-l)层的数据，表示为，本文档来自技高网...

【技术保护点】
１．一种基于级联过程的ａｌｐｈａ－ｓｔａｂｌｅ乘数网络流量多分形模型的建立方法，其特征在于：所述建立方法包括：（１）二项式级联，设定每一层保持原始尺度不变，对每个分割出来的区间再进行同样的分割，直到第Ｎ层，第ｊ层的随机乘数ｒｊｉ，ｊ＝１，．．．，Ｎ，ｉ＝１，．．．，２ｊ是服从概率分布０≤ｒｊ≤１的随机变量，若是关于对称的，那么ｒｊｉ和１－ｒｊｉ具有相同的概率分布，（ｉ＝１，．．．，２Ｎ）表示级联结构的第Ｎ层序列，的每一个点表示为几个随机变量的乘积μｉ＝ｍ１ｍ２．．．ｍＮ，这里ｍｊ，（ｊ＝１，．．．，Ｎ）表示第ｊ层的随机乘数；（２）乘数分布估计，给定第Ｎ层的数据ｉ＝１，．．．，２Ｎ，时间分辨率为２－Ｎ，第（Ｎ－１）层的数据通过聚合第Ｎ层连续非重合的相邻两个数据得到；同样地，给定第（Ｎ－ｊ）层的数据ｉ＝１，．．．，２Ｎ－ｊ，叠加第（Ｎ－ｊ）层非重合相邻两个数据得到（Ｎ－ｊ－１）层的数据，表示为，（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＋（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ），（／ｍｏ）?（ｍｓｕｐ）?（ｍｎ）２（／ｍｎ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）当聚合成一个最粗糙尺度的点时，停止聚合步骤；从ｊ层到ｊ＋１层的乘数估计由下式得到，（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｐ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）ｒ（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｓｕｂｓｕｐ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｓｕｂｓｕｐ）?（／ｍｆｒａｃ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）把看做乘数分布在第ｊ层的采样，ｊ层上的乘数分布从的概率分布图中得到；对聚合的每一层数据进行乘数分布估计，得出乘数分布参数；（３）ａｌｐｈａ－ｓｔａｂｌｅ分布是一个四个参数的分布，它的特征函数表示为Ｓ（α，β，γ，δ），其中，β＝０．００，γ＝０．０５，δ＝０．５０，特征指数α每一层都是变化的，特征指数α与层数ｊ之间的变化规律形成拟合曲线；从初始值开始，在第ｊ层，产生服从Ｓ（α，β，γ，δ）分布的随机数，用聚合的数据乘以随机乘数得到网络流量多分形模型。...

【技术特征摘要】
1. 一种基于级联过程的alpha-Stable乘数网络流量多分形模型的建立方法，其特征在于所述建立方法包括(1)二项式级联，设定每一层保持原始尺度不变，对每个分割出来的区间再进行同样的分割，直到第N层，第j层的随机乘数ι^，」= 1，...，Ν， = 1，...，2」是服从概率分布fR (r) ,O^rj 的随机变量，若义(r.)是关于丨=I对称的，那么&和l-rji具有相同 Rj Jj J2^的概率分布，JT,，(i = 1，...，2N)表示级联结构的第N层序列，的每一个点表示为几个随机变量的乘积μ i = Hl1Hl2. . .!%，这里Hlj, (j = 1，. . .，N)表示第j层的随机乘数；(2)乘数分布估计，给定第N层的数据JTf，i= 1，. . .，2n，时间分辨率为2_N，第(N-I) 层的数据通过聚合第N层连续非重合的相邻两个数据得到；同样地，给定第(N-j...

【专利技术属性】
技术研发人员：徐志江，王丽婷，王亢，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：86