计算机应用能力实训

既可以是有限的(例如:指数分布)也可以无限的(例如:重尾分布)。
重尾分布可以用来描述诸如分组到达间隔时间和突发长度等业务量
过程的概率密度。随机变量X的分布称为重尾分布，如果
当，0a
（1-1）
一般来说，具有重尾分布的随机变量具有较大甚至是无穷大的方
差。服从重尾分布的随机变量的特点是:大量的小抽样取值和少量的大
基于重尾分布和ON/OFF模型的业务生成法主要有流叠加法和M/G/ ∞。排队系统。流叠加法是指对n个交替更新过程R(t)进行复接，当R( t) 的ON, OFF时间分布为“重尾”分布(如Paret分布)，且二趋于无穷 时，以S(n)表示于t时处于ON状态的R(t)数，则S(n)是一渐近自相似过 程[1]。还可考察一个M/G/∞。排队模型，其到达服从泊松分布，服务 时间为具有无穷方差的“重尾”分布,当n趋于无穷时，t时刻系统中等 待服务的顾客个数Xt为近似自相似分布的。
多，这也是“重尾”两字的意义所在，有的资料也称为“拖尾”分布。
100
20 40 60 80
10-4 10-3 10-2 10-1 100 10-5
图1-5 Paret分布与指数分布的概率密度函数
Fig.1-5 The probability density function of
Pareto distribution and exponential distribution
用自相似业务生成器SST_G enerator(m,a,H)分别合成自相似业务流 A1-A5,输入参数见表1-6，然后按相同的m,a 参数分别合成H=0.5 的非 自相似业务流Bl-B 5，见表1-7。表中的Var代表对应序列的均方差，最
后一行A_agg和B_agg，分别表示A1-A5以及B1-B5的复用流。
抽样取值并存，而且对抽样的均值和方差起决定作用的是那些少量的大
抽样取值，可见这些少量的大抽样取值是不可忽略的。最简单的重尾分
布是具有参数k和a( k,a <0)的Paret。分布，其密度和分布函数如下:
（1-2） k; > （1-3）
其均值为：k
（1-4）
参数k确定这一随机变量可以取得最小值。参数a确定这一随机变量
Байду номын сангаас
process)。一般地，认为连续的ON期间和OFF期间都是独立同分布
(independent and identically distributed)，它们之间的分布也是互不相关
的，这样要描述ON/OFF数据源的随机元素(stochasticelement)只需要控
制ON和OFF期间长度的分布就足够了。ON和OFF期间长度分布的方差
3.1.1基于重尾分布和ON/OFF模型的业务生成法 3.1.2自相似复用流的短期突发性 3.1.3 自相似业务流的交织特性 3.1.4单服务器系统模型 3.2. 计算机应用能力实训—Excel 3.2.1对全班的总成绩进行排名 3.2.2 给出某三门课程的前十名，后十名的学生的代号和成绩 3.2.3各段成绩相应人数的柱状图 3.2.4 物理考试成绩与物理试验考试成绩之间的关系 3.3. 计算机应用能力实训—PowerPoint 4. 实训心得体会 参考文献
摘要
这次的计算机应用能力实训，是为了解和认识Word、Excel、 PowerPoint的基本功能并掌握其功能。在实训过程中，应该结合自己在 书上学到的知识，在实践中仔细的实现其基本功能，通过实训作业掌握 上述软件基本操作，并能最终实现自如运用上述这些软件的目标。
1．实训目的
熟悉Microsoft office 办公软件，通过此次实训对Word, Excel以及 PowerPoint的常用功能达到熟练掌握的目的。
明显的。M的数值对两种打乱算法的影响可以参看表1-6和表1-7。原始 序列的参数为H=0.986, T=16384，子数据块大小M在对数坐标系 [1~16384]上取均匀分布的15个点，分别进行外部打乱和内部打乱，得 到的结果如表1-6和表1-7。
在表1-6中，当M值比较小的时候，可以充分破坏数据序列的长期 相关性，而M比较大时对数据序列的影响不明显。对内部打乱，在表17中，当M值比较小的时候对数据序列的影响不明显，而M比较大时可 以大大破坏数据序列的差都相等的流复用后导致差异如此大的结果，而 且方差大的业务流说明业务的短时突发性强。这一结果充分说明了具有 自相似性的业务流其复用业务的短期突发性将更突出而不是减少，我们 不可能通过业务流复用将它们平滑掉，这点在网络设计中必须重视。
2．实训任务
2.1计算机应用能力实训—Word
根据指定的内容，在Microsoft Word 上按要求编辑排版。所选定内 容必须包括以下项目：
（1）文字; （２）图形; （３）表格; （４）数学公式等。
2.2计算机应用能力实训—Excel
对给定的某班一次期末考试成绩数据文件，要求 （１）对全班的总成绩进行排名； （２）给出某三门课程的前十名，后十名的学生的代号和成绩，且 给出该三门课程的全班平均成绩； （３）对该三门课程成绩在同一图中分段给出各段成绩相应人数的 柱状图； （４）考察物理考试成绩与物理试验考试成绩之间的关系：横轴为 物理考试成绩的分数段，纵轴为对应的每段上相应学生的物理实验平均 成绩。 上述的“段”定义为：20-25-30-35-…-95-100，采用“二舍三进”的原 则，例如：51应该为段“50”上的成绩，53应该为段“55”上的成绩。..
3.1.4单服务器系统模型
在图2-1中显示了最简单的排队系统模型框图。这是一个单服务器 系统，中 心元素是一个服务机构，它负责为到来的顾客提供某种服务。从某种顾 客总体中来到的顾客到达这个系统要求服务。若服务器是空闲的，顾客 就立即得到服务。否则到达的顾客就加入队列排队等候。当服务器服务 完一个顾客时这个顾客就离开系统。如果队列上还有顾客，那么立即根 据协商好的排队规则(如FIFO等)选择相应的顾客进入服务器进行处理。 在网络业务模型研究中，到达的顾客示例可以包括到达路由器的分组或 数据包，以及到达电话交换机的呼叫;服务器可以视为交换机或路由器 等网络设备。
60
286
B3
0.5
500
20
109
B4
0.5
300
5
38
B5
0.5
2000
60
350
B_agg
0.5051
6857
-
737
值得关注的是A_agg和B_agg的Var二分别为1333和737，由5个均值 和方差都相等的流复用后导致差异如此大的结果，而且方差大的业务流 说明业务的短时突发性强。这一结果充分说明了具有自相似性的业务流 其复用业务的短期突发性将更突出而不是减少，我们不可能通过业务流 复用将它们平滑掉，这点在网络设计中必须重视。
计算机应用能力实训课程设计
班 级： 姓 名： 学 号： 指导教师： 设计时间： 评语：
绩
摘要 1．实训目的 2．实训任务
目录
成
2.1计算机应用能力实训—Word 2.2计算机应用能力实训—Excel 2.3计算机应用能力实训—PowerPoint 3．实训的内容 3.1. 计算机应用能力实训—Word
第四章中可知，Var=因此两表中对应的Var大致相等。5.1.1节中已讨
论了业务流的合成过程中方差大小对复用后业务流的H参数重要性，业
务流的方差越大(m、a的乘积越大)，将对合成的自相似特性贡献越
大。表1-6中A1流的方差最大，因此复用流走A-agg的自相似程度与A1
的自相似程度最接近，这一结果与前面的讨论相符。
2.3计算机应用能力实训—PowerPoint
对上述Word，Excel所做的内容表现成幻灯片(ppt)的格式。要求美 观，色彩搭配合理，字体及字号恰当，适当动画等。
3．实训的内容
3.1. 计算机应用能力实训—Word
3.1.1基于重尾分布和ON/OFF模型的业务生成法
重尾分布和ON/OFF模型能比较好地解释自相似业务流的产生原 因，可以把网络上的业务分解为多个活动(active)主机对之间的业务 流，称之为源一目的对(source-destination pairs)。ON/OFF模型假设数源 在发送数据和不发送数据的两种状态之间交替更迭，发送数据期间称为 ON期间，不发送数据期间称为OFF期间，在ON期间数据源以固定速率发 送数据，也可以把这个过程称为交替更新(alterna- ting renewal
的均值和方差:如果a2,则这一分布具有无穷大的方差，而如果al,它就
具有无穷大的均值和方差。
可以这样直观地理解重尾分布:用x表示一个数据源以恒定速率发送
数据的持续时间(或者文件的长度)，即ON期间的长度，那么这个持续时
间理论上是可以无穷大的，由于数据源发送数据总是以一个最小单位发
送，例如packet,cell等，所以这个持续时间就会有一个下界k(一个单位
的发送时间)。重尾分布使得持续时间都是以短时间为主要成分，但是
对统计特性起决定作用的是那些长时间成分，在这一点上与指数分布有
很大的不同。
如图1.5所示，对Paret和指数密度函数在对数一线性坐标尺度上进
行了比较。主要在这一尺度上指数密度函数是一条直线，反映了这一分
布的指数衰减特性。Paret分布的尾部则比指数分布的尾部衰减缓慢得
A4
0.68
300
5
38
A5
0.72
2000
60
350
A_agg
0.80
6857
-
1333
值得关注的是A_agg和B_agg的Var二分别为1333和737，由5个均值
和方差都相等的流复用后导致差异如此大的结果，而且方差大的业务流
说明业务的短时突发性强。这一结果充分说明了具有自相似性的业务流
其复用业务的短期突发性将更突出而不是减少，我们不可能通过业务流
复用将它们平滑掉，这点在网络设计中必须重视
表1-7 复用流的短期突发性(无自相似性)
Tables-7 The short-range Burst of the aggregated Traffic
(without Self-Similarity)
H
m
A
Var
B1
0.5
3000
100
570
B2
0.5
1000
打乱算法大致有两种,一种是外部打乱算法(external shuffle),另一种 是内部打乱算法(internal shuffle)。我们将数据序列划分成大小等于M的 子数据块(block)，即如果序列时间长度为T,则一共有T/M个子数据块。 如果将数据块的先后顺序随机打乱，同时保持块内的数据顺序不变，即 为“外部打乱”(external shuffle),假如M在10~100之间，能保留数据的短 期相关性同时削弱其长期相关性;如果仅将每个数据块内的数据随机化 打乱而保持数据块间的相对顺序不变，即为“内部打乱”(internal shuffle)，内部打乱可以破坏序列的短期相关性同时保留其长期相关 性。显然，在外部打乱的情况下，太大的M对数据序列的影响不明显， 因为大型子数据块间的相关性本来就非常微弱。同样，在内部打乱的情 况下，因为业务量密度更倾向于在短时间间隔内相关，而且它不会因为 局部的到达时间的变化而改变，所以过小的M对数据序列的影响也是不
3.1.3 自相似业务流的交织特性
为了研究业务流量之间的相关性对网络性能的影响，可以对合成的 (或实际网络上获得的)业务流进行处理，去掉它们之间的相关性，再对 它们进行仿真，让得到的结果与原来业务流的结果对比，就能定量地测 出相关性对网络性能的影响[2]用生成器合成没有相关性的业务流有两种 方法，第一就是直接向业务流生成器输入H=0.5那么得到的就是一个近 似无相关性的业务流，但是前面已经提到，用RMD算法生成的自相似业 务在H<0.75 时偏大;第二就是把生成器得到的业务流进行打乱 (shuffle)，即随机地排列X(n)的先后次序，这样能消除业务流之间的相 关性，这样的打乱算法(在文献[30]中有相关的讨论)可以看作是一种交 织算法。
表1-6 复用流的短期突发性〔有自相似性)
Tables-6 The short-range Burst of the aggregated Traffic
(with Self-Similarity)
H
m
A
Var
A1
0.77
3000
100
571
A2
0.93
1000
60
285
A3
0.84
500
20
109
以重尾分布的更新过程叠加或者以重尾分布的服务时间的排队模型 来产生的自相似序列，这两种方法具有很强的物理含义，但存在精度与 运算量间的矛盾，即当要求精度高时，则n必须很大，使得运算量加 大，实际使用时需要在精度和运算量之间折衷处理。此外，这两种方法 还存在无法有效控制Hurst系数的缺点。
3.1.2自相似复用流的短期突发性