基于自相似业务流的Hurst加权随机早检测算法
基于时间滑动窗口的自适应加权随机抽样算法
基于时间滑动窗口的自适应加权随机抽样算法唐达;刘畅;岳前进;张建英【摘要】为了构建传感器网络流数据的概要数据，给出了一种基于时间滑动窗口的自适应加权随机抽样算法：AWRS／BTSW算法．算法根据流数据的到达时间和变化情况，赋予流数据一定的键值，根据流数据的键值并结合skipping因子生成概要数据．在深海平台监测系统中，流数据变化不确定，算法可以根据数据的变化情况动态调整抽样方式，在数据变化不稳定的情况下，生成概要数据的准确性高；在数据变化稳定的情况下，生成概要数据的效率高．%To obtain the synopsis data of the stream data from the sensor networks, an adaptive weighted random sampling algorithm, AWRS/BTSW algorithm, is provided based on time sliding window. Firstly, the algorithm assigns a key value to a stream data according to its arrival time and changes; then, based on the key value and skipping factor, the algorithm generates synopsis data. In the deep sea platform monitoring system, the change of stream data is unknown. The algorithm can dynamically adjust sampling according to data variation. If the data is stable, it generates synopsis data efficiently. Even if the data is unstable, it also generates accurate synopsis data.【期刊名称】《大连理工大学学报》【年(卷),期】2012(052)005【总页数】4页(P772-775)【关键词】流数据;AWRS／BTSW算法;键值;skipping因子【作者】唐达;刘畅;岳前进;张建英【作者单位】大连理工大学计算机科学与技术学院,辽宁大连116024;大连理工大学计算机科学与技术学院,辽宁大连116024;大连理工大学工程力学系,辽宁大连116024;大连理工大学计算机科学与技术学院,辽宁大连116024【正文语种】中文【中图分类】TP310 引言深海平台监测系统通过分析传感器网络上采集到的数据，来确定不同的因素对该平台的影响.从传感器上采集到的数据是随时间不断变化的，具有连续、无界两个特点，即为流数据[1].深海平台监测系统需要管理这类流数据，以便用户查询.对流数据的查询通常是连续的，当新数据到达时增量式地返回结果.在深海平台监测系统中，用户查询仅仅需要一个近似结果，并不需要获得精确的查询值，由于存储容量的有限性，将所有流数据都保存起来不现实，也没有必要.为实现对流数据的存储，需要设计一个保存原始流数据的特征，规模上远小于原流数据的概要数据结构（synopsis data structure）[2].本文对此进行研究.1 概要数据构建技术概要数据构建技术主要有直方图（histogram）技术[3]、小波（wavelet）技术[4]和抽样（sampling）技术.直方图技术只能反映数据的大致轮廓和分布特征，小波技术是从数据集中抽取小部分数据样本，并根据样本近似恢复数据集，相对复杂，两种构建技术构建的概要数据均不能满足流数据快速、连续查询的要求.抽样技术生成概要数据的效率高，能满足流数据快速、连续查询的要求，可以很好地应用到深海平台监测系统上.现有抽样算法主要有均匀抽样（uniform sampling）、偏倚抽样（biased sampling）和权值抽样.均匀抽样：各元组被抽取到的概率是相等的.Vitter[5]提出水库抽样方法，假定数据集的总量为A，以S/A的概率抽取S个元组到样本集合中，当抽取的元组数量超过S时，随机删除样本集合里的一个元组，然后将抽取出来的新元组插入到样本集合中.Gibbons等[6]优化了水库抽样方法，给出了精确抽样方法，将数据元组用（T，C）表示，其中T表示数据元组，C表示数据元组的个数，在相同数据元组多的数据集合中使用该方法，能有效地节省空间.偏倚抽样：各元组被抽取到的概率是不同的.Gibbons等[6]在精确抽样方法的基础上给出了计数抽样方法，在抽取的元组数量超过S时，将出现次数少的元素从样品集合中替换掉，可以很方便地获得一个集合中的常用数据元组.权值抽样：各元组根据一定的权值进行抽样.Efraimidis等[7]认为均匀抽样没有区分数据元组的重要性.其给出了加权抽样算法，赋予数据元组相应的权值，并根据权值进行抽样.Zhang等[8]认为抽样要考虑数据的时间因素，其在加权抽样算法的基础上，综合计算数据元组的到达时间和权值，作为该数据元组的优先数，再根据优先数抽样，形成优先数随机抽样算法（PRS），解决了数据元组过期问题.Hou等[9]为解决多个流数据之间的多次连接操作效率低下的问题，提出一种针对多个相关流数据的概要数据生成算法.上述抽样算法均未能考虑到流数据变化的特点，但加权抽样算法能根据用户赋予数据的权值，来衡量数据的重要性，并根据重要性进行抽样.在深海平台监测系统中，用户事先并不知道何时到达的数据重要，只能根据经验，因此，抽取的概要数据的准确性依赖于用户的经验.为此本文给出一种基于时间滑动窗口的自适应加权随机抽样算法：AWRS/BTSW （adaptive weighted random sampling based on time sliding window）算法，该算法通过计算流数据的平均变化率，来确定一个数据元组的权值以及skipping因子的值，结合skipping因子、权值和数据元组的到达时间来对数据进行抽样，解决了现有抽样算法生成的概要数据与原始数据的误差不确定以及数据过期问题.2 AWRS/BTSW 算法2.1 相关定义定义1 数据平均变化率假设在时刻i的数据为ti，则时刻i的数据变化率Δi为，则从时刻m到n之间的时间段Δt的数据平均变化率为定义2 skipping因子若时间段Δt内的数据平均变化率小于阈值ξ，该时间段的所有数据元组的skipping因子的值为true，否则为false.skipping（Δt）函数定义如下：定义3 数据集的稳定度将数据集分成若干个数据区间，ds表示数据平均变化率不超过阈值的数据区间的个数，da表示总数据区间的个数，则该数据集的稳定度为s＝ds/da.定义4 相对误差从原始数据里查询的结果定义为Qr，从概要数据里查询的结果定义为Qs，则相对误差为e＝Qs/Qr.2.2 数据项的键值从流数据变化特点出发，根据流数据的平均变化率赋予数据项相应的权值，令w （x）为单调递增函数，w（x）函数取x1/λ（λ为正整数），数据变化越快，赋予的权值就越大.权值计算公式如下：结合基本窗口技术，综合考虑权值和时间因素并将其作为数据项的键值，解决时间滑动窗口的数据过期问题.键值计算公式如下：其中α和β是权衡数据到达时间和权值的两个参数.用vi表示数据流中的第i个数据项，xi表示数据项vi的键值，ti表示数据项vi的到达时间，wi表示数据项vi 的权值，μi表示数据项vi生成的一个随机数.g（x）为单调递增函数，数据到达时间越早，它的值就越小.对于变量x，y，f（x，y）是一个单调递增函数，例如xy. 当新数据到达时，时间窗口向后移，周期性地计算当前滑动窗口的数据项的键值，可以将滑动窗口平均分为k 个子窗口（s[0]，s[1]，…，s[k－1]）.假设vi在子窗口s[m]，则当前滑动窗口的各个数据项Δt的键值xi计算如下：假定l是一个正整数，g（x）取x－1/l，f（x，y）取y1/x，代入式（3）可得由式（1）可得新到来的Δt时间段的数据，将其放入s[k]中，将m＝k代入式（5）计算可得2.3 AWRS/BTSW 算法步骤当Δt时间段的数据到达时，首先计算该时间段的数据平均变化率Δi，然后根据数据平均变化率计算其skipping因子.如果skipping因子的值为真，则滑过这些元组；否则，根据数据平均变化率给这段数据项赋予一定的权值，并结合到达时间计算这段数据项的键值；最后再根据键值进行抽样.具体算法如下：输入：包含n个数据项的流数据S输出：基于时间的滑动窗口T的概要数据集R（1）将新到达的时间跨度为T的h个数据项加入到当前时间滑动窗口；2.3 AWRS/BTSW 算法步骤当Δt时间段的数据到达时，首先计算该时间（2）将当前时间滑动窗口T按照Δt的时间间隔，平均切分为k 个子窗口（s[0]，s[1]，…，s[k－1]），k＝T/Δt；（3）分别计算每个子窗口的平均数据变化率及各个数据项的权值wi；（4）计算各个数据项的键值xi；（5）for（i＝h＋1；i＜＝n；＋＋i），重复步骤（5）～（13）；（6）计算下一个Δt时间间隔的数据平均变化率（7）if skipping（Δt）＝＝true，跳跃Δt个时间跨度段，转步骤（5）；（8）将Δt时间跨度的数据项读取到s[k]；（9）计算Δt时间跨度里的各个数据项的键值xi；（10）for（j＝1；j＜＝Δt；＋＋j），重复步骤（10）～（12）；（11）查找当前滑动窗口中键值最小的数据项，假设最小键值为MIN，并且有R[m]＝MIN；（12）if xi ＞ MIN －ε用键值为xi的数据项替换R[m]；（13）窗口向前滑动，s[i]→s[i－1]（i＝1，2，…，k）.3 算法分析与比较AWRS/BTSW算法首先计算平均数据变化率，时间复杂度为o（n），将流数据中的数据元组抽取到样本集，时间复杂度为o（hlog n/h＋Δt（h－1）），算法在数据稳定的情况下滑过Δt个时间跨度，假设流数据中的数据项的稳定度为s，则该算法总时间复杂度为o（n＋（n－h）（1－s）（（hlog n/h）/Δt＋（h－1））），其中s∈ [0，1]，Δt∈ [2，h].从算法的时间复杂度计算公式可以得出，该算法依赖数据集的稳定度s和时间跨度Δt.从深海平台监测系统取出3万个数据，用该算法生成5 000个概要数据.其中测试环境为操作系统Windows XP、CPU 2.6GHz Pentium 4、1GB内存.对稳定度相同（假设数据集的稳定度为25%），时间跨度Δt不同（分别为5 000、3 000、1 000、900、800、100、2s）的数据集进行实验，生成概要数据所用时间如图1所示.在时间跨度Δt相同（时间跨度Δt设置为5 s），稳定度不同（分别为0、10%、25%、50%、75%）的数据集中，将AWRS/BTSW算法和优先数随机抽样（PRS）算法生成概要数据所用的时间和准确性进行对比，其中PRS算法中的数据项的权值用随机函数生成，分别运行两种算法并求其算术平均值.两种算法生成概要数据所用时间和相对误差如图2、3所示.图1 AWRS/BTSW算法所用时间Fig.1 AWRS/BTSW algorithm efficiency图2 算法所用时间的比较Fig.2 Comparison of algorithm efficiencies图3 算法相对误差的比较Fig.3 Comparison of accuracy of algorithm从图1、2可以看出，稳定度相同，AWRS/BTSW算法所用时间在2～100s时随时间跨度Δt的增大而减小，在800～5 000s时随时间跨度Δt的增大而增大.当时间跨度Δt相同时，数据集的稳定度越高，该算法生成概要数据的效率越高.从图2、3可以看出，数据集的稳定度越高，AWRS/BTSW算法生成概要数据的效率越高；数据集的稳定度越低，与PRS算法相比该算法的准确性越高.当数据集的稳定度在10%以上时，该算法的效率和准确性都比PRS算法高；当数据集的稳定度在10%以下时，该算法的准确性比PRS算法高，效率略低.4 结论本文总结和分析了概要数据构建的几种抽样方法，给出了一种基于时间滑动窗口的自适应加权随机抽样算法：AWRS/BTSW算法，解决了目前抽样算法在深海平台检测系统等数据变化不确定的应用中，抽取出的概要数据的准确性与原始数据之间的误差不确定的问题.与其他的抽样算法相比，该算法能根据数据变化的情况，动态生成概要数据，在数据变化稳定的情况下生成概要数据的效率高，在数据变化剧烈的情况下生成概要数据的准确性高，相对误差较小.【相关文献】[1] Babcock B，Babu S，Datar M，et al.Models and issues in data streams[C]//Proceedings of the Twenty－First ACM SIGACT－SIGMOD－SIGART Symposium on Principles of Database Systems.New York：ACM，2002：1－16.[2] Gibbons P B，Matias Y.Synopsis data structures for massive data sets[C]//Proceedings of the Annual ACM－SIAM Symposium on Discrete Algorithms.Philadelphia：SIAM，1999.[3] Gibbons P B，Matias Y，Poosala V.Fast incremental maintenance of approximate histograms [J].ACM Transactions on Database Systems，2002，27（3）：261－298. [4] Matias Y，Vitter J S， Wang M. Wavelet－based histograms for selectivity estimation [J].ACM SIGMOD Record，1998，27（2）：448－459.[5] Vitter J S.Random sampling with a reservoir[J].ACM Transactions on Mathematical Software，1985，11（1）：37－57.[6] Gibbons P B， Matias Y. New sampling－based summary statistics for improving approximate query answers [C]// Proceedings of the 1998ACM SIGMOD International Conference on Management of Data.New York：ACM，1998：331－342.[7] Efraimidis P S，Spirakis P G.Weighted random sampling with a reservoir[J].Information Processing Letters，2006，97（5）：181－185.[8] ZHANG Long－bo，LI Zhang－huai，ZHAO Yi－qiang，et al.A priority random sampling algorithm for timebased sliding windows over weighted streamingdata[C]//Proceedings of the 2007ACM Symposium on Applied Computing.New York：ACM，2007：453－456.[9] HOU Wei，YANG Bing－ru，WU Chen－shen，et al.RedTrees：A relational decision tree algorithm in streams[J].Expert Systems with Applications，2010，37（9）：6265－6269.。
消失矩对小波分析求解自相似参数Hurst的影响研究
中图分 类号 ： Ｐ ９ ． ３３ ６ ０
文献标识码： Ａ
文章编号： ０９５９（０７０—２７０ １０—８６２０ ） ２５—５ ９
Ｓ ｕ ｙ ｏ ｎ ｓ ｎ ｏ ｅ ｔ ｎ ｕｅ ｃ ｎ ｔｍ ａ ｉ ｎ Ｈｕ ｓ ｒ ｍ ｅ ｅ ｆ ｔ ｄ ｎ Ｖａ ｉｈｉ ｇ Ｍ ｍ ｎ ｓＩ ｆ ｎ ｅ ｏ Ｅｓ ｉ ｔｏ ｒ ｔ Ｐａ ａ ｌ ｔｒｏ Ｓ ｌ－ ｉ ｉａ Ｉ ｃ ｅ ｆｓｍ ｌ Ｉ ｒ ｆ ｉ
维普资讯
第 ２ 卷 第 ９期 ９
２ ０ 年 ９月 ０７
电
子
与
信
息
学
报
Ｖ０ ． ９ ． １ ＮＯ ９ ２ Ｓ ｐ ．２ ０ ｅｔ ０７
Ｊ ｕ ｎ ｌ ｏ ｅ ｔ ｏ ｉｓ ＆ Ｉ ｆ ｒ ｔｏ ｅ ｈ ｏ ｏ ｙ ｏ ｒ ａ ｆ Ｅｌｃ ｒ ｎ ｃ ｎ ｏ ｍａ ｉ ｎ Ｔ ｃ ｎ ｌ ｇ
Ｒｅ ｎ ｙ ｎ Ｘｕ —ｉ Ｗａ ｇＲｕｃ ｕ ｎ ｎ —ｈ ａ Ｑｉ ｈ ｎ － ｕ ｅ ｇｈ ａ Ｚ
０ ｌｇ ｝Ｃ ｍｐ ｔｒ Ｎａ ｊｎ ｎｖ ｒｉ ｝ ｏｔ ａ ｄＴ ｃ ｃｍｍｕ ｉ ｔ ｎ ｝ａ ｊｎ １０ ３Ｃ ｉａ Ｃｏｌ ｅｏ ｏ ｕｅ１ ｎｉｇＵ ｉｅｓｔ ｏ Ｐ ｓｓ ｎ ｅｌ ｏ ｅ ｙ ｅ ｎｃ ｉ ｓＮ ｎｉｇ ０ ０ １ ｈｎ 、 ａｏ ２
（ｔ ｅ ｅ ａｏａｏｙ ｏ ｏｅ Ｓｆ ａｅＴｃｎ ｌ ｙ Ｎ ｎｉ ｎｖｒｉ ， ａｊ ｇ １０３ Ｃ ｉａ Ｓａ ｙＬ ｂｒｔ ｒ ｖｌ ｏ ｗ ｒ ｅｈ ｏ ｇ， ａｊ ｇＵ ｉｅ ｔ Ｎ ｎｉ ０ ９， ｈ ） ｔＫ ｒｆ Ｎ ｔ ｏ ｎ ｓｙ ｎ２ ｎ
Ａｂｓｒ ｃ ： ｔ ｅ ｒ ｔｃ ａ ｌ ｓｓ ｉ ｐ ｏ ｏ ｅ ｉｈ ｉ ｄ ｒ ｃ ｌ ｒ ｖ ｓｈ ｗ ａ ｉｈ ｎ ｍｅ ｔ ｆ ｅ ｃ ｎ ｅ ｔｍａ ｉ ｎ ｔ ａ ｔ Ａ ｈ ｏ ｅ ｉ ｎａｙ ｉ ｓ ｒ ｐ ｓ ｄ ｗｈ ｃ ｉｅ ｔｙ ｐ ｏ ｅ ｏ ｖ ｎ ｓ ｉ ｇ ｍｏ ｎ ｓ ｉ ｌ ｎ ｅ ｏ ｓ ｉ ｔｏ ｎ ｎ ｕ Ｈｕｒｔｐａ ａ ｓ ｒ ｍｅ ｅ ｆ ｅ￣ｓｍ ｉ ｒｔ ａ ｆ ， ｎ ｔ ｆｅ ｐｅ ｉ ｎ ａ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｒｏ ｌ ｉ ｌ ｒ ｆ ｃ ａ ｄ ａ ｌ ｓｏ ｘ ｒｍｅ ｔ ｌ ｓ ｌｓｓ ｏ ｔ ｅ Ｈｕｒ ｔＳ ａ ｕ ｈ ｎ ｅ ｅ ｉ ｄ ｃｔ ｓ ａ ｉ ｏ ｒ ｓ ’ ｖ ｌ ｅ ｃ ａ ｇ ｓｐ ｒｏ ｉ ｉ ｙ ｗｉｈ ｔ ｅ ｖ ｎ ｓ ｉ ｇ ｍ ｏ ｅ ｔ ， ｔｔ ｔ ｌ ｙ ｉ ｈ ｒ ｔＳｖ ｌ ｅ ｄ ｃ ｅ ｓ ｄ ｉｓｖ ｒａ ｃ ａ ｓ ｓｗｉｈ ｔ ｅ ｉ ｃ ｅ ｅ ｏ ｔ ｈ ａ ｉｈ ｎ ｍ ｎ ｓ ｂｕ ｏ ａ ｗａ ｓｔ ｅ Ｈｕ ｓ ’ ａ ｕ ｅ ｒ ａ ｅａ ｔ ａ ｉ ｅｒ ｉｅ ｔ ｈ ｎ ｒ ａ ｆ ｎ ｎ ｓ ｔ ｅ ｖ ｎｓ ｎ ｈ ａ ｉ ｈｉ ｇ ｍｏ ｎ ｓ ｍｅ ｔ ．Ｔｈ ｓ ｃ ｎ ｌ ｓｏ ｓ ｄ ｆｅ ｅ ｔ ｆｏ ｉ ｏ ｃｕ ｉ ｎ ｉ ｉ ｒ ｎ ｒ ｍ ｏ ｍｏ ｉｗ ，ａ ｄ ｃ ｕ ｄ ｐ ｏ ｉ ｅ ｒ ａ ｏ ｏ ｈ ｉｅ ｆ ｃｍ ｎ ｖｅ ｎ ｏ ｌ ｒ ｖｄ ｅ ｓ ｎ ｆｒ ｃ ｏｃ
自相似网络流量Hurst指数的迭代估计算法
一
种在线估计 Ｈｕｓ指 数的方法 。 ｒｔ 文献标识码 ：Ａ 文 章编 号：１０ ．８ ６２ ０ ）２２ ７ ．３ ０ ９５ ９ （０ ６１ ３ １ ０
关键词 自相似 ，Ｈ ｒ 指数 ，迭代 ，小波 ｕｔ ｓ
中图分类号：Ｔ １ ＿ Ｎ９ ９３
Ａ ｎ Ｉｅ ａ ｉ ｅＭ ｅ ｈ ｄ ｔ ｔｍ ａ ｅＨ ｕ ｓ ｎｄ ｘ ｔｒ ｔｖ ｔ ｏ ｏＥｓｉ ｔ ｒ ｔ Ｉ ｅ ｏ ｌ－ｉ ｉ ｒＮｅ ｗｏ ｋ １ｒ ｍ ｃ ｆＳｅｆｓｍ ｌ ｔ ｒ ｒａ ａ
Ａｂｔａｔ Ｉ ｉｐ ｐｒａ ｅａｉ ｔｏ ｒｓｎｅ ｓｉ ｔ Ｈ ｒ ｄｘ ａ ｄｉｉ ａｐｉ ｏｈＦ Ｎ （ｒｃｉｎ ｌ ｓｒｃ ｎｔ ｓ ａ ｅ，ｎｉ ｒｔ ｅｍｅ ｄｉｐｅｅ ｔ ｔ ｅｔ ｅ ｕｓｉ ｅ， ｎ ｐ ｌ ｄ ｏｂ ｔ Ｇ Ｆａｔ ａ ｈ ｔ ｖ ｈ ｓ ｄ ｏ ｍａ ｔｎ ｔｓ ｅｔ ｏ Ｇ ｕｓ ｎＮ ｉ ） ａａ ｎ ａ ｔ ｆｉｄｔ． ｘ ｅｉ ｎ ｌｅｕ ｓ ｅ ｎｔ ｔ ｔａ ｔｉｍｅｈｄｉｍｕｈｆｓ ｒ ｎ ａ ｌ ｒ ａ ｓｉ ｏｓ ｄｔ ｄｒ ｌｒ ｃ ａａＥ ｐ ｒ ａ ｅ ａ ｅ ａ ｍｅ ｔ ｓｌ ｍｏ ｓ ａｅ ｈｔｈｓ ｔｏ ｃ ｔ ｄｈ ｓ ｍａｌ ａｒ ｔｄ ｒ ｓ ａ ｅａ ｓ ｅ
结构 ，即 （） 七 ：ｐ（） ｋ ，对所有 的 （ １ ，， 都成立 ，也 ＝ ， ３ …） ２ 就 是说 ） 与 具有相 同的二阶统计特性 。 广 义平 稳的 自相似过程 的 自相关 函数满足【： 。 １
hurst指数2篇
hurst指数第一篇：Hurst指数简介及应用领域Hurst指数是一种用于衡量时间序列数据的长期记忆性的统计量，其应用广泛于金融分析、水文学、信号处理等领域。
本文将对Hurst指数进行详细介绍，并探讨其应用领域。
Hurst指数最初是由数学家H.E. Hurst于1951年提出的，其用于衡量时间序列数据的波动性和相关性。
时间序列数据是指一组按时间顺序排列的观测值，例如股票价格、气温记录等。
Hurst指数的取值范围在0到1之间，其中0表示完全反序列相关，1表示完全正序列相关，0.5表示完全随机。
Hurst 指数越接近于0.5，说明时间序列数据的波动性越接近于随机，没有长期记忆性；而越接近于0或1，说明时间序列数据存在较强的趋势性，即具有长期记忆性。
Hurst指数的计算需要借助于重叠子序列的均值计算，具体步骤如下：首先，将时间序列数据分解成不同长度的子序列；然后，计算每个子序列的均值；最后，计算不同子序列长度下的均值之比。
根据计算得到的比值，可得到Hurst指数。
在金融分析中，Hurst指数常被用于衡量股票价格的长期记忆性和预测性。
通过计算Hurst指数，可以评估股票价格的波动性，进而辅助投资者进行风险管理和决策制定。
例如，当股票价格的Hurst指数较高时，说明价格具有较强的趋势性，投资者可以选择更长期的持有策略，以获得更大的收益。
此外，Hurst指数在水文学领域也得到了广泛的应用。
水文学研究常关注各种水文变量的波动性，例如降水量、水位等。
通过计算Hurst指数，可以评估水文变量的长期趋势，进而为水资源管理、洪水预测等提供科学依据。
除金融分析和水文学外，Hurst指数在信号处理、网络分析等领域也有着重要的应用价值。
例如，对于信号处理，Hurst指数可以用于评估信号的分形特性和自相似性，从而指导滤波、数据压缩等算法的设计与优化。
综上所述，Hurst指数是一种用于衡量时间序列数据长期记忆性的统计量，在金融分析、水文学、信号处理等领域有广泛的应用。
基于AOS的Hurst-优先级自适应RED与动态调度算法
３ Ｌ ａ ｎ ｇＰｏ ｉｃ ｅ ａ ｏａｏｙｏ ｏ ． ｉｏ ｉ ｒｖｎ ｅ ｙＬ ｂ ｒｔ ｆ ｍｍｕ ｉａ ｏ ｅ ｒ ｓ ｄ ｎｏｍａ ｏ ｒ ｃ ｓ ｎ ， ａ ａ １ ６ ２ Ｃ ｉａ ｎ Ｋ ｒ Ｃ ｎｃｔ ｎＮ ｔ ｋ ｆｒ ｔ ｎＰｏ ｅｓ ｇ Ｄ ｌ ｎｌ ６ ２ ， ｈｎ ） ｉ ｗｏ ａ Ｉ ｎ ｉ ｉ ｉ
Ｏｃ ｏ ｅ ０１ ｔ ｂ ｒ２ ２
基于 ＡＯＳ的 Ｈｕ ｓ． ｒｔ 优先级 自适应 ＲＥ 与动态调度算法 Ｄ
别 玉霞 一 ． ，潘成 胜 ，刘 海燕 ２ 王延 春 ， ３ ，
（．南京理 工大 学 自动化 学 院，江 苏 南京 ２ ０９ ：２ １ １０ ４ ．大连大 学 信 息工程 学 院，辽 宁 大连 １６２ １６ ２ ３ ．辽宁 省通信 网络与信 息 处理重 点实 验室 ，辽 宁 大连 １６２ ） １６ ２
（． ｃ ｏ ｌ ｆ ｕｏ ａｉ Ｎａｊ ｇＵｎ ｅｓ ｙ ｆ ｃ ｎ ｅａ ｄ ｅ ｈ ｏｏ ｙ Ｎａｊ ｇ １０ ４ Ｃ ｉａ １ Ｓ ｈ ｏ Ａ ｔｍ ｔ ， ｎ ｎ ｉ ｒｉ ｉ ｃ ｎ ｃ ｎ ｌｇ ， ｎｉ ０ ９ ， ｈｎ ； ｏ ｃ ｉ ｖ ｔｏ Ｓ ｅ Ｔ ｎ２
ｐｅ ｉｇ ｔｃ ｎ ｌｇ ｎ ａ ｖ ｃ ｄ ｏｂｔ ｇ ｓ ｓ ｍｓ（ ｌｘｎ ｅ ｈ ｏｏ ｙｏ ｄ ａ ｅ ｒ ｉｎ ｙ ｔ ｎ ｉ ｅ ＡＯＳ ， ｕ ｓ ａ ｄｐ ｏ ｔ ｄ ｐｉｅｒ ｄ ｍ ｅ ｒ ｅ ｃ ｏ （ Ｅ ） ） ａＨ ｒｔ ｒ ｒ ｙ ａ ａ ｔ ｏ ａｌ ｄ ｔ ｔ ｎ Ｒ Ｄ ｎ ｉｉ ｖ ａ ｎ ｙ ｅｉ
自相似网络流量Hurst指数估计算法
频 域两类 Ｊ 。但 大 多 数 方 法 ， 如 Ｄ Ａ Ｆ 、 Ｒ ／ Ｓ 、 周 期 图 法、 绝对 值法 、 Ｗｈ ｉ ｔ ｔ ｌ ｅ ｌ ３ 估 计 法 等 方法 效 率 不 高 ， 对 数 据 的需 求量较 大 ， 需 要 大量 样 本 和长 时 问 的高 采
意义 上 的 自相 似 性 。传 统 业 务 模 型不 能描 述该 特
方法 ， 简称 改进 的 ＷＯ法 。
于 自相似 性 ， 其 自相似 参数— —Ｈ ｕ ｒ ｓ ｔ 参 数成 为表 征
网络 业务 流突发 特征 的重要 参数 ， Ｈ ｕ ｒ ｓ ｔ 系数 刻 画 了
网络 业务 突发 的剧 烈 程 度 。网 络业 务 量 建 模 的 准
确度 、 高速网络业务传输 中流量控制 以及统计复用
２ ０ １ ３年 ４月 ８日收到 中央高校基本科研业务费专项 资金项 目
其 中， “ ” 指概率分布相同， 则称 （ ｔ ） 为是 以参
数 日统 计 自相 似 的 ， Ｈ 称 为 自相 似 参数 ， 有 时也 称 为Ｈ ｕ ｒ ｓ ｔ 参 数 Ｊ 。 可 以证 明 ： 自相 似过程 具有分 维特
Ｏ ｐ ｐ ｅ ｎ ｈ ｅ ｉ ｍ 提 出一种 基 于 Ｆ Ｂ Ｍ模 型 和小波变 换 的 方法 （ 下称 ｗｏ法 ） 。然 而 ， 当观 察 序列 的数 据 量较
小时， ＷＯ法 对 Ｈ ｕ ｒ ｓ ｔ 参 数估 计 的误 差较 大 。对 此 ， 首先 对 ＷＯ法效 率不 高 的原 因进 行 了细 致 的分 析 ； 其次 ， 针对 ＷＯ法存 在 的 问题 ， 进 行 了改 进 ， 提 出一 种基 于 Ｄ Ｆ Ｇ Ｎ模 型和 Ｈ ａ ａ ｒ 小波基 的 Ｈ ｕ ｒ ｓ ｔ 参 数估计
Internet网络流量的自相似性分析
Internet网络流量的自相似性分析
房一泉;程华;黄建华
【期刊名称】《计算机工程》
【年(卷),期】2005(031)023
【摘要】网络流量的自相似参数估计方法有多种,但研究表明这些方法在准确性或计算上都有一定的局限性.该文在小波包分解的基础上,考虑信号能量在分解过程中的分布,得到基于小波包分解的Hurst参数估计方法.通过对两组合成数据的参数估计,表明该方法在继承了小波变换的计算优势的基础上,能得到更精确的估计结果.把该方法应用于计算实际互联网流量的自相似参数,并在此基础上着重分析了受到蠕虫攻击的Internet流量的自相似性的变化,得到了一些有用的结论.
【总页数】3页(P104-106)
【作者】房一泉;程华;黄建华
【作者单位】华东理工大学计算机科学与工程系,上海,200237;华东理工大学计算机科学与工程系,上海,200237;华东理工大学计算机科学与工程系,上海,200237【正文语种】中文
【中图分类】TP393
【相关文献】
1.Internet网络流量的测量与分析 [J], 渠怀玉
2.基于用户行为的网络流量模型及自相似性分析 [J], 田畅;王海;郑少仁
3.Internet网络流量的测量与分析 [J], 张慧勇;李纯喜;陈常嘉
4.校园网络流量自相似性分析与研究 [J], 张浩;吴敏
5.网络流量自相似性产生原因的分析 [J], 张冬梅;王韬;侯景辉
因版权原因，仅展示原文概要，查看原文内容请购买。
自相似业务流HURST参数小波检测法的研究
Ａｂ ｔａ ｔ Ｔｈ ａ ｅｅ—ａｅ ｔｏ ｓｆｒｈ ｒｔ ａａ ｔｒｅｔ ｔ ｎ ｏ ｅｆｓｍｉ ｒｔａ ｉ ｓｉｔ ｄ ｃ ｄ ｓｒｃ ： ｅｗ ｖ ｌｔｂ ｓｄ ｍｅｈ ｄ ｏ ｕ ｓ ｐ ｒｍｅｅ ｓｉ ｉ ｆｓｌ ｉ ｌ ｒｆ ｃｉ ｎｒ ｕ ｅ ．Ｔｈ ｆ ｃ ｆｖｎｓｉｇ ｍａ ｏ － ａ ｏ ｅｅｆ ｔｏ ａ ｉ ｎ ｅ ｈ
Ｗｕ Ｙ ａ ｍｉｇ Ｈｕ ｎ ｉａ Ｌ ｅ ｎ Ｃ ｅ ｇＴ ｎ ｕ ｎ ｎ ａ ｇＪｙ ｎ ｉＬ ｍｉ ｈ ｎ ｉｇ
（ ．ｃｏｌ ｆ ｐｏｌｃ ｏｉ ｉｆｒ ａｏ ， Ｅ Ｔ Ｃ ｅｇ ｕ６０ ５ Ｃ ｉ １Ｓ ｈｏ ｏ Ｏ ｔｅ ｔ ｎｅ ｎｏｍ ｔｎ Ｕ Ｓ Ｃ，ｈｎｄ ０４，ｈｎ ｅｒ ｉ １ ａ
（、 １ 电子科技 大学光电信 息学院， 成都 ６ ０５ ； １０ ４ ２ 电子科技 大学宽带光纤传输 与通信 网技术重点实验 室， 、 成都 ６ ０ ５ ） １０ ４
摘
要 ：本 文介绍 ｆ／ 波对 自相 似业务流 Ｈ ｒ 参数的检测 原理 。重点分析 ＿ Ｊ ｕｓ ｔ ｒ消失矩 ，分解级数对检测结果的影 响，提
Ｔｈ ｔ ｄ ｏ ｕ ｓ ａ ａ ｔ ｒｅ ｔ ｔ ｎ ｏ ｅｆｓｍｉ ｒ ｒ ｆ ｃ ｅ ｓ ｕ ｙ ｆ ｒｈ ｒｔｐ ｒ ｍｅ ｅ ｓ ｉ ｉ ｆｓ ｌ ｉ ｌ ａ ｆ ｍａ ｏ － ａ ｔ ｉ ｏ ｈ ｖ ｌｔｂ ｓ ｄ ｍｅ ｈ ｄ ｎ ｔ ｅ ｗａ ｅｅ － ａ ｅ ｔ ｏ
ｍｏ ｎｓ ａ ｄ ｎ ｍｂ ｒｏ ｃ ｌ ｓｏ ｅ ｅ ｔ ｔ ｎ ｒ ｓ ｌ ｓａ ａｙ ｅ ，ａ ｄ ａｍｅ ｈ ｄ ｈ ｗ ｔ ｅｅ ｔ ｈ ｕ ｅ ｆｓ ａｅ ｙ ｑ ａ ｉ ａ ｔｒｏ ｍｅ ｔ ｎ ｕ ｅ ｆｓ ａｅ ｎ ｔ ｓｉ ｉ ｅ ｕ ｔ ｉ ｎ ｌｚ ｄ ｎ ｔ ｏ ｏ ｓｌ ｃ ｅｎ ｍｂ ｒｏ ｃ ｓｂ ｕ ｔ ｆｃ ｏ ｆ ｈ ｍａ ｏ ｓ ｏ ｔ ｌ ｌ ｙ ｔ ｅ ｗ ｖ ｌｔｆ ｔｒｉ ｇ ｖ ｎ ｈ ｐ ｌ ａｉ ｎ ｌ ｔ ｆｗ ｖ ｌ ｔ ａ ｅ ｔ ｏ ｓｉ ｐ ｉｔ ｄ ｏ ｔ ｈ ｃ ｅ ｗ ｖ ｌ ｔ ａ ｅ ｔ ｏ ｓｃ ｎ ｂ ｐ ｈ ａ ｅ ｅ ｉ ｅ ｉｅ ．Ｔ ｅａ ｐ ｉ ｔ ｉ ａ ｅｅ —ｂ ｓ ｄ ｍｅ ｈ ｄ ｓ ｏｎ ｅ ｕ ，ｗ ｉｈ ｔ ａ ｅ ｅ— ｓ ｄ ｍｅｈ ｄ ａ ｅ ａ － ｌ ｓ ｃ ｏ ｍｉ ｏ ｈ ｂ ｐ ｉｄ ｔ ｔｉｔｈ ａ ｙ ｔ ｉ ｄ ｔ ｆ ｃ ｒ ｔ ｅ ｈ ｎ ｎ ｎ ｓｒ ｔｈ ａ ｙ ｔｉ ｄ ｔａｆ ．Ｓ ｍｅ ｓ ｌｔ ｎ ｈ ｗ ｔ ｅ ｃ ｎ ｌ ｓｏ ｓａ ｅ ｔ ｅ ｌ ｏ ｓｒ ｅ ｖ —ａｌ ｒ ｆ ａ ｈ ｒｔ ａ ｏ —ｔ ｃ ｅ ｖ — ｌ ｒｆ ｃ ｏ ｉ ａｉ ｓｓ ｏ ｈ ｏ ｃ ｕ ｉｎ ｒ ｒ ． ｅ ｃ ｅ ａｉ ｉ ａｅ ｉ ｍｕ ｏ ｕ
基于加权平均值的时变hurst指数估计方法研究
和 ｑ 阶矩概念ꎬ通过窗口大小、指数权重和 ｑ 阶矩三
时间序列在不同时间段的自相似参数是动态变化
个参数对估计结果进行调整ꎬ估计结果得到明显改
的ꎬ即这些随机信号局部自相似特性是时变的
[５ － ６]
ꎮ
为了有效估计随机信号的这种时变局部自相似特
性ꎬ学者提出了时变 Ｈｕｒｓｔ 指数的概念ꎬ并进行深入
研究 [７ － ８] ꎮ 现有时变 Ｈｕｒｓｔ 指数估计算法基本都是
收稿日期: ２０１９ － ０６ － ２８
基金项目: 辽宁省博士启动基金(２０１７０５２０２１５)
作者简介: 刘兆羽(１９９１ － ) ꎬ女ꎬ硕士研究生ꎬ研究方向为随机信号
处理ꎮ 通讯作者:盛虎ꎮ
— １ —
Δｔ －１
ｗ ｓ ｆ( ห้องสมุดไป่ตู้ ｔ －ｓ )
∑
ｓ ＝０
(５)
‹ Ｓ( ｔ ＋ τ) － Ｓ ( ｔ) ｑ ｗ( ｔ) ›
１ 基于加权平均值时变 Ｈｕｒｓｔ 指数估
计算法原理
Ｈｕｒｓｔ 参数与某个时间序列 Ｓ( ｔ) 的长期统计相
关性有关ꎬ令时间序列为 ｔ ＝ (１ꎬ２ꎬꎬΔｔ) ꎬ 定义具
有单一时间步长的时间窗口 Δｔꎮ 作为自相似性的度
量ꎬ它必然与基本统计量有关ꎬ基本统计量最终变为
ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｔｉｍｅ￣ｖａｒｙｉｎｇ Ｈｕｒｓｔ ｅｘｐｏｎｅｎｔｉａｌ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｓｔｏｃｈａｓｔｉｃ ｓｉｇｎａｌｓ ｗｉｔｈ ｌｏｃａｌ ｓｅｌｆ￣
ｓｉｍｉｌａｒｉｔｙ. Ｉｎ ｔｈｉｓ ｒｅｓｅａｒｃｈꎬｔｈｅ ｌｏｃａｌ ｓｅｌｆ￣ｓｉｍｉｌａｒ ｐａｒａｍｅｔｅｒ ｃａｎ ｂｅ ｃａｌｃｕｌａｔｅｄ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｅｘｐｏｎｅｎｔｉａｌ
校园网网络流量自相似性的测定
校园网网络流量自相似性的测定
林兆启;林南晖;汪继东
【期刊名称】《计算机工程与科学》
【年(卷),期】2008(30)6
【摘要】根据自相似性理论,网络流量自相似性的程度可由计算Hurst参数的大小来测定.本文通过在校园网主干路上进行网络数据包的采集,然后用方差时间方法和R/S方法计算所采集流量的Hurst参数值,以检测校园网网络流量的自相似性.通过实验的分析与比较,验证了自相似性的存在,并对如何运用Hurst值的变化来进行流量异常检测做了初步的探讨.
【总页数】4页(P29-32)
【作者】林兆启;林南晖;汪继东
【作者单位】华南师范大学计算机学院,广东,广州,510631;华南师范大学计算机学院,广东,广州,510631;华南师范大学计算机学院,广东,广州,510631
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于网络流量自相似性的蠕虫攻击检测方法研究 [J], 代昆玉;胡滨;王翔
2.校园网络流量自相似性分析与研究 [J], 张浩;吴敏
3.链路层分类包的网络流量自相似性研究 [J], 聂得欣;袁小坊;王东;谢高岗
4.基于网络流量自相似性的入侵检测技术 [J], 陈宏聪;朱华鑫
5.网络流量自相似性的影响因素 [J], 龙剑友;王维;何晶
因版权原因，仅展示原文概要，查看原文内容请购买。
自相似流量模拟的Hurst参数实时计算
自相似流量模拟的Hurst参数实时计算张冬梅【期刊名称】《价值工程》【年(卷),期】2017(036)034【摘要】Hurst参数是自相似流量模拟重要参数.本文采用R/S法对Hurst系数进行实时计算,在此基础上提出通过实际的Hurst系数与理论Hurst系数的比较来衡量模拟流量与理论模型的差别.%Hurst parameter is an important parameter of self-similar flow simulation. In this paper, the R/S method is used to calculate the Hurst coefficient in real time. On this basis, this paper proposes to measure the difference between the simulated flow and the theoretical model by comparing the actual Hurst coefficient with the theoretical Hurst coefficient.【总页数】2页(P226-227)【作者】张冬梅【作者单位】河北新闻出版广电局监管中心,石家庄050000【正文语种】中文【中图分类】TP393.0【相关文献】1.Hurst参数变化在网络流量异常检测中的应用 [J], 王欣;方滨兴2.虹桥机场软交换网络流量Hurst参数的算法研究 [J], 张意帆3.基于FrFT的网络流量Hurst参数估计器 [J], 王霁;单佩韦4.自相似业务流HURST参数小波检测法的研究 [J], 吴援明;黄际彦;李乐民;程婷5.视频流量中基于小波的Hurst参数估计研究 [J], 马书南;乐红兵;毛蓝因版权原因，仅展示原文概要，查看原文内容请购买。
Internet网络流量的自相似性分析
—104— Internet 网络流量的自相似性分析房一泉，程 华，黄建华（华东理工大学计算机科学与工程系，上海 200237）摘 要：网络流量的自相似参数估计方法有多种，但研究表明这些方法在准确性或计算上都有一定的局限性。
该文在小波包分解的基础上，考虑信号能量在分解过程中的分布，得到基于小波包分解的Hurst 参数估计方法。
通过对两组合成数据的参数估计，表明该方法在继承了小波变换的计算优势的基础上，能得到更精确的估计结果。
把该方法应用于计算实际互联网流量的自相似参数，并在此基础上着重分析了受到蠕虫攻击的Internet 流量的自相似性的变化，得到了一些有用的结论。
关键词：自相似性；Hurst 参数；离散小波包变换Self-similarity Analysis of Internet Network TrafficFANG Yiquan, CHENG Hua, HUANG Jianhua(Dept. of Computer Science and Engineering, East China University of Science and Technology, Shanghai 200237)【Abstract 】There are several methods to estimate parameter H, which measures the degree of self-similarity of network traffic, but researches have indicated that they have limitations either on accuracy or on computation. This paper introduces a method based on the discrete wavelet packet transform (DWPT) for Hurst parameter estimation. It estimates the synthesis data and real Internet data by this method for the purpose of validating the accuracy and robustness. Then it focuses on the variation of self-similarity of abnormal traffics with different Internet worms by the parameter H and the percentage of component grouped by protocol types.【Key words 】Self-similarity; Hurst parameter; Discrete wavelet packet transform (DWPT)计 算 机 工 程Computer Engineering 第31卷 第23期Vol.31 № 23 2005年12月December 2005·网络与通信·文章编号：1000—3428(2005)23—0104—03文献标识码：A中图分类号：TP393文献[4]等表明网络流量在时间测量尺度为毫秒~秒级时具有自相似特性，流量的自相似特性与该过程的长相关特性有关，即可用长相关过程参数来估计自相似的二阶统计参数H 。
基于自相似的异常流量自适应检测方法
基于自相似的异常流量自适应检测方法
夏正敏;陆松年;李建华;马进
【期刊名称】《计算机工程》
【年(卷),期】2010(036)005
【摘要】根据异常流量对网络自相似的影响,通过研究在流量正常和异常情况下表征自相似程度的Hurst参数分布特点的不同,设计一种异常流量动态自适应检测方法.该方法采用小波分析估计Hurst参数,根据网络自相似程度自适应地调整检测阈值.对MIT林肯实验室的入侵检测数据测试结果表明,该检测方法具有较好的动态自适应性、较高的检测率及较快的检测速度.
【总页数】3页(P23-25)
【作者】夏正敏;陆松年;李建华;马进
【作者单位】上海交通大学电子工程系,上海,200240;上海交通大学电子工程系,上海,200240;上海交通大学信息安全工程学院上海市信息安全综合管理技术研究重点实验室,上海,200240;上海交通大学电子工程系,上海,200240;上海交通大学信息安全工程学院上海市信息安全综合管理技术研究重点实验室,上海,200240;上海交通大学信息安全工程学院上海市信息安全综合管理技术研究重点实验室,上海,200240【正文语种】中文
【中图分类】TP393
【相关文献】
1.自适应滤波实时网络流量异常检测方法 [J], 颜若愚;郑庆华;牛国林
2.自适应参数的网络异常流量检测方法 [J], 步山岳;王汝传;张海艳
3.基于网络流量自相似性的蠕虫攻击检测方法研究 [J], 代昆玉;胡滨;王翔
4.基于FRFT自相似参数估计的异常流量检测方法 [J], 冶晓隆;兰巨龙;黄万伟
5.一种自适应的异常流量检测方法 [J], 张新跃;胡安磊;李炬嵘;冯燕春
因版权原因，仅展示原文概要，查看原文内容请购买。
自相似参数辨识与汇聚无线业务尺度特性分析
自相似参数辨识与汇聚无线业务尺度特性分析
于秦;毛玉明
【期刊名称】《计算机研究与发展》
【年(卷),期】2007(44)1
【摘要】Hurst参数是衡量网络流量自相似程度和突发性的重要参数,在时域R/S 统计、方差 - 时间图法和频域周期图法的基础上,提出一种最优化线性回归小波模型,实现小波域内Hurst参数的准确有效快速辨识.研究了WLAN中多个输入业务源的汇聚过程以及汇聚的多输入自相似业务源统计特性.仿真实验比较了传统的以及基于最优化线性回归小波模型的Hurst参数辨识方法,验证了理论分析中汇聚自相似业务也呈现自相似性的结论,且仿真结果表明,汇聚业务的突发性得到加强而不是削弱.研究结论对网络流量的准确建模以及网络传输中流量控制和优化网络资源配置以及提高网络性能具有重要作用.
【总页数】7页(P58-64)
【作者】于秦;毛玉明
【作者单位】电子科技大学通信与信息工程学院,成都,610054;电子科技大学通信与信息工程学院,成都,610054
【正文语种】中文
【中图分类】TP3
【相关文献】
1.相干结构的尺度相似性与尺度相似亚格子模型 [J], 王瑞新;姜楠
2.基于多尺度化基本尺度熵的两相流流型特性分析 [J], 樊春玲;李浩杰;孙迎慧
3.利用两尺度相似变换提高有限元多尺度函数的逼近阶 [J], 程蓉;李万社
4.多尺度决策系统中基于模糊相似关系的决策粗糙集最优尺度选择与约简 [J], 杨璇;黄兵
5.多时间尺度下锂电池在线参数辨识及SOC估计 [J], 邢丽坤;郭敏;张梦龙;詹明睿;凌六一
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Haar小波和极大似然估计的Hurst参数估计法
基于Haar小波和极大似然估计的Hurst参数估计法
武莹;李俊州
【期刊名称】《华中师范大学学报（自然科学版）》
【年(卷),期】2013(047)006
【摘要】Hurst参数是表征网络业务自相似性的一个重要参数,在一定的观察时间内对突发业务的Hurst参数进行快速、准确的估计是高速宽带网络实施流量控制和缓冲资源分配的前提.本文提出一种基于Haar小波和极大似然估计的Hurst参数估计法.该方法首先使用Haar小波对DFBM序列的增量DFGN序列进行小波变换,然后再利用极大似然估计来估计Hurst系数.仿真生成的DFBM和真实自相似网络业务数据的计算结果均表明,该方法提高了Hurst参数估计的效率和准确性,比传统方法具有更好的性能.
【总页数】7页(P763-768,775)
【作者】武莹;李俊州
【作者单位】开封大学软件职业技术学院,河南开封475004;开封大学艺术设计学院,河南开封475004
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于FrFT的网络流量Hurst参数估计器 [J], 王霁;单佩韦
2.基于小波变换的网络长相关业务Hurst参数估计 [J], 金宏伟;周经伦;罗鹏程;尤
洪国
3.视频流量中基于小波的Hurst参数估计研究 [J], 马书南;乐红兵;毛蓝
4.一种基于数据块选择的方差时间图Hurst参数估计方法 [J], 喻莉;陈晨
5.中国股票市场效率的变迁及对市场波动性的影响\r——基于Hurst指数分析法[J], 詹奕椿
因版权原因，仅展示原文概要，查看原文内容请购买。
长相关网络流量Hurst指数估计算法
长相关网络流量Hurst指数估计算法
张博;汪斌强;智英建
【期刊名称】《计算机工程》
【年(卷),期】2009(035)002
【摘要】针对传统长相关网络流量Hurst指数估计算法估计结果不准确、可变信息受损严重的情况,提出时域内滑窗时变方差之差Hurst指数估计算法,采用已知参数的人工分形高斯噪声序列及Bellcore采集的真实网络流量序列BC-pOct89对其进行验证.结果表明该算法减少了可变信息损失,能动态地刻画全域上的长相关特性,具有较高的准确性和鲁棒性.
【总页数】3页(P83-85)
【作者】张博;汪斌强;智英建
【作者单位】国家数字交换系统工程技术研究中心,郑州,450002;国家数字交换系统工程技术研究中心,郑州,450002;国家数字交换系统工程技术研究中心,郑
州,450002
【正文语种】中文
【中图分类】TP393
【相关文献】
1.自相似网络流量Hurst指数的迭代估计算法 [J], 李林峰;裘正定
2.网络流量长相关特性估计算法性能评估 [J], 魏进武;邬江兴
3.网络流量长相关特性的滑窗时变估计算法 [J], 魏进武;张进;邬江兴
4.自相似网络流量Hurst指数估计算法 [J], 徐凌;刘嘉焜;李亮
5.基于改进R/S估计算法的网络流量长相关性分析 [J], 荣红佳;盛虎;闫秋婷
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 引言
拥 塞 控 制 算 法 为保 证 Ｉｔｒｅ ｎｅｎｔ的 稳 定起 着 十
分 重要 的作 用 。 目前 采 用 的拥 塞 控 制 算 法 有 两大 类 ：链 路 算 法 （ｉｋ ａｇ ｒ ｈ １ ｌｏｉ ｍ）和 源 算 法 （ｏ ｒｅ ｎ ｔ ｓ ｕｃ ａｇ ｒｈ ｕ 。源算 法 中使 用最广 泛 的是 Ｔ Ｐ协 议 ｌｏｉ ｍ） ｔ Ｊ Ｃ
维普资讯
第２ ８卷第 ４期 ２ ０ 年 ４月 ０７
通
信
学
报
Ｖｂ ．８ １ Ｎ Ｏ４ ２ Ａｐ ｉ ２ ０ ｒ ０ ７ ｌ
Ｊ ｕ ｎ ｌ ｎ Ｃｏ ｏ ｒ ａ ｏ ｍｍ ｕ ｉａｉ ｎ ｎ ｃ ｔｏ ｓ
基 于 自相似业务流的 Ｈｕ ｓ 加权随机 早检测算法 ｒｔ
ｐ ａ ｔ ｒ ｆ ｎ ｕ ａ ｃ Ｓ ｍｕ ａｅ ｓ ｌ ｈ ｗ ｍｏ ｉ ｅ ｌ ｏ ｔ ｍ ｃ ｅ ｓ ｓｅ ｉｅ ｔｙ ｓａ ｉ ｔ ｆｑ ｅ ｅ ｓｚ ， ｎ ｅ ｒ ａ ｍｅ ｅ ｐ ｔ ｒ ｆ ． ｉ ｌｔ ｄｒ ｕ ｔ ｓ ｏ ｄ ｆ ｄ ａｇ ｒ ｏ ｉ ｔ ｉ ｅ ｓ ｉ ｉ ｈ ｉ ｒ ａ ｅ ｖ ｄ ｎ ｌ ｔｂ ｌ ｙ ｏ ｕ ｕ ｉｅ ａ ｄ ｄ — ｎ ｉ ｃ ｅ ｓ ｓ ａ ｋ ｔ ｏ ｓｒｔｏ ｑ ｅ ｅｄ ｌｙ ａ ｄ ｑ ｅ ｅ ｄ ｌ ｙｖ ｒａ ｉ ｔ ， ｎ ｌ ｒ ｖ ｓｌ ｋ ｕ ｅｐ ｒ ｅ ｔｇ ｆｎ ｔ ｒ ． ｒ ａ ｅ ｃ ｅ ｓ ａ ， ｕ ｕ ｅ ａ ｎ ｕ ｕ ｅ ａ ａ ｉｂ ｌ ｙ ｆ ａｌ ｉ ｐ ｌ ｉ ｉ ｉ ｙ ｍｐ ｏ ｅ ｎ ｓ ｅｃ ｎ ａ ｅｏ ｅ ｗｏ ｋ ｉ Ｋｅ ｒ ｓ ｃ ｎ ｅ ｔ ｎ ｍａ ａ ｅ ｎ ； ｅｆ ｓ ｌ ｐ ｔ ｒ ｎ ｏ ｅ ｌ ｅ ｅ ｔ ｎ Ｉ ｅ ｗｏ ｋ ｙ ｗｏ ｄ ： ｏ ｇ ｓｉ ｎ ｇ ｍｅ ｔ ｓ ｌ ｉ ａ ｉ ｕ ； ａ ｄ ｍ ａ ｙ ｄ ｔｃｉ ； Ｐ ｎ ｔ ｒ ｓ ｏ －ｍ ｒ ｎ ｉ ｒ ｏ
ＨＷ ＲＥ ａｇ ｒｔ ｍ ｔ ｅ ｆｓ ｌ ｎ ｕ ． ｏ ｉ ｅ ＥＤ ｌ ｏ ｔ ｍ ａ ｕ ｅ Ｒ Ｄ ｌ ｏ ｈ ｉ ｗｉ ｓ ｌ－ｉ ａ ｉ ｐ ｔ Ｍ ｄ ｆ ｄ Ｒ ｈ ｉ ｍ ｒ ｉ ａｇ ｒ ｉ ｈ Ｃ ｔ ｎ ＥＤ ａ ａ ｔｒ ｃ ｏ ｄ ｎ ｏ ｔ ｅ Ｈｕ ｓ ｎ ｐ ｒ ｍｅｅ ｓ ａ ｃ ｒ ｉｇ ｔ ｒｔ ｈ
黄丽亚 ，王锁萍
（ 南京 邮 电大学 光 电工程 学 院，江 苏 南京 ２０ ０ ） １０ ３
摘
要：Ｆｏ ｄ 出的随机早丢弃 （ Ｅ ｌｙ 提 Ｒ Ｄ，ｒｎ ｏ ｅｒ ｅ ｃ ｏ ）是基于传统的泊松 （ ｏｓ ｎ ａ ｄｍ ａｌ ｄｔ ｔ ｎ ｙ ｅｉ Ｐ ｓ ｏ ）模型，不适应 网 ｉ
络流 量普 遍呈现 自相似 性 的特 点 。基 于此 目的 ，提 出 了一 种新 的 Ｒ Ｄ 算 法——－ｕｓ Ｅ Ｈ ｒｔ加 权随机 早检测 算法 （ ＷＲ Ｄ，Ｈｕｓ ｗ ｉｈｅ ｎｏ ｅ ｌ ｅｅｔ ｎ 。新算法能够根据输入流量 的 自相似系数 Ｈｕｓ，调整 Ｒ Ｄ算 Ｈ Ｅ ｒ ｅ ｔｄｒ ｄ ｍ ｙｄｔｃ ｏ ） ｔ ｇ ａ ｒ ａ ｉ ｒｔ Ｅ 法参数。仿真结果表 明，新算法提高 了队列长度 的稳 定性 ，减少了丢包率、排 队时延和 排队抖动 ，提 高了网络 的
（ Ｍ ，ａｔ ｅ ｕ ｕ ｎ ｇ ｍｅｔ ＡＱ ｃｉ ｅｅｍａ ａｅ ｎ ）。其 中 由 Ｆｏ ｄ ｖｑ ｌｙ
提 出的 Ｒ Ｄ（ ｎ ｏ ｅｒ ｅ ｃ ｏ ） Ｅ ｒ ｄ ｍ ａ ｙ ｄｔ ｔ ｎ 受到广泛 的关 ａ ｌ ｅｉ
Ａｂ ｔ ａ ｔ Ｒ Ｄ ｓｐ ｏ ｏ ｅ ｙＦ ｏ ｄ ｗａ ａ ｅ ｎ ｔ ｅｔａ ｉ ｏ ａ ｏ ｓｏ ｐ ｔ ｓｒ ｃ ： Ｅ ａ ｒ ｐ ｓ ｄ ｂ ｙ ｓｂ ｓ ｄ ｏ ｄ ｔ ｎ ｌＰ ｉｓ ｎ ｉ ｕ ｄ ｌ ｃ ｕ ｄ ｎ ｔｓ ｔ ｆ ｅ ｆｓｍｉ ａ ｌ ｈ ｒ ｉ ｎ ｍｏ ｅ ， ｏ ｌ ｏ ａｉ ｙ ｓ ｌ－ｉ ｌ ｎ — ｓ ｒ ａ ｔ ｒ ｆ ｎ ｔ ｒ ｒ ｆ ｃ Ｗ ｉ ｈ ｓ ｉ ｉ ｗ，ａ ｔ ｍｐ ａ ｅ ｎ ｍａ ｅ ｂ ｒ ｐ ｓ ｇ ａ ｍｏ ｉ ｅ Ｄ ｌｏ ｉ ｍ，ｔ ｅ ｕ ｅ ｏ ｅｗｏ ｋ ｔａ ｉ ． ｔ ｔｉ ｎ ｖｅ ｈ ｎ ａｔ ｅ ｔｈ ｓ ｂ ｅ ｄ ｙ ｐ ｏ ｏ ｉ ｄ ｆ ｄ Ｒ ｎ ｉ Ｅ ａｇ ｒ ｈ ｔ ｈ
链路利用率。
关键词：拥塞管理 ；自相似输 入；随机早检测算法；Ｉ Ｐ网络 中图分类号 ：Ｔ ３ ３１ Ｐ ９． 文献标识码 ：Ａ 文章编号 ：１０ —３ Ｘ（０ ７０ —０ ５０ ０ ０４ ６ ２ ０ ）４０ ９ —６
Ｈｕ ｓ ｉ ｈ ｅ ａ ｄ ｍ ａ ｌ ｅ ｅ ｔ ｎ ｒ ｔｗｅ ｇ ｔ ｄ ｒ ｎ ｏ ｅ ｒ ｙ ｄ ｔ ｃ ｉ ｏ ａ ｇ ｒ ｔ ｍ ａ ｅ ｎ ｓ ｌ－ｉ ｉ ｒｔ ａ ｃｉ ｐ ｔ ｌ ｏ ｉｈ ｂ ｓ ｄ ｏ ｅｆｓｍ ｌ ｆ ｕ ａ ｒｉ ｎ
ＨＵＡＮＧ — ， ＡＮＧ ｏ ｐｉｇ Ｌｉｙａ Ｗ Ｓｕ — ｎ
（ ｓｔｔｏ Ｐ ｏｏｌ ｔ ｎｃ Ｅ ｇｎｅ ｎ， ａｊ ｇＵ ｉｅ ｉ ｆ ｏｔａｄ ｅ ｃｍ ｎｃｔ ｎ， ｎｉｇ １０ ３ ｈｎ Ｉ ｔｕｅ ｆ ｈｔｅ ｃｒ ｉ ｎ ｉｅｒ ｇ Ｎ ｎｉ ｎｖｒ ｔｏ Ｐ ｓ ｎ ｌ ｏ ｍｕ ｉ ｉ ｓＮａ３ ００ ，Ｃ ｉａ） ｎｉ ｅ ｏ ｓ ｉ ｎ ｓｙ ｓ Ｔｅ ａｏ ｉ ２ ｎ