1、三层模型
三层模型通常用于描述单个非实时用户的业务流量生成特性,包括如下三个层次。
单个用户的整体业务流由用户一次会话中所有业务链接的分组到达过程叠加而成,描述该模型的主要参数有:
- 会话到达间隔;
- 会话大小;
- 链接到达间隔;
- 链接数据大小;
- 分组到达间隔;
- 分组数据大小。
会话层
用于描述单个用户业务请求到达的概率分布特性,即业务到达时间间隔的概率分布和业务的数据量分布。
链接层
用于描述业务的链接建立特性,一次会话请求通常对应多次链接建立和释放过程。该层主要为每个会话业务描述对应的链接建立时间和链接梳理大小的概率分布特性。
分组层
描述了用户发起业务请求中每个链接内分组道道间隔和分组大小特性,用户的一次业务请求通常包含多次链接建立,并对应多次分组到达过程。
总结:可以看出,三层模型从顶往下,依次为一对多的映射关系。
2、ON/OFF模型
ON/OFF的状态转移图如下所示,业务源在激活状态(ON)和静默(OFF)状态之间的切换,用一个三元组 ( t o n , t o f f , r ) (t_{on},t_{off},r) (ton,toff,r)来表示。
- t o n t_{on} ton为激活状态的平均时间长度;
- t o f f t_{off} toff为静默状态的平均时间长度;
-
r
r
r为业务源发送固定数据大小的恒定速率。
用户处于ON
状态的概率为 p o n = t o n / ( t o n + t o f f ) p_{on}=t_{on}/(t_{on}+t_{off}) pon=ton/(ton+toff);
业务源发送数据的平均值为: E ( r ) = r ∗ p o n E(r)=r*p_{on} E(r)=r∗pon.
ON/OFF模型采用“2状态的Markov过程”来描述,ON状态和OFF状态的持续时间长度通常为独立同分布的随机变量,时间长度的概率分布是互不相关的。
因此,通过ON状态和OFF状态的时间概率分布函数便可以描述业务源的数据产生模型。
3、自相似模型
据研究表明,通信网络中的流量(既有全网的流量统计,也有单个业务的流量统计)通常在时间尺度上表现出自相关特性,根据流量自相关的强弱程度,业务流量模型可以分为长相关模型和短相关模型。
- 短相关模型:Markov模型和自回归模型;
- 长相关模型:分形布朗运动模型、叠加ON/OFF模型和分形高斯噪声模型等。
马尔科夫模型
单个用户的业务产生可以通过多状态的状态转移图和状态转移矩阵表示,业务请求的到达率服从Poisson分布
。马尔科夫模型可以描述业务流量产生的到达率和流量特性,无法描述流量的长相关特性。
自回归模型
利用业务流量的历史数据和系统噪声特性,实现对未来业务流量的预测。
自回归模型主要包括:线性回归过程、滑动平均过程和自回归滑动平均过程等。其中,自回归滑动平均过程
A
R
M
A
(
p
,
q
)
ARMA(p,q)
ARMA(p,q)可以表示如下式所示:
Z
t
=
φ
1
Z
t
−
1
+
φ
2
Z
t
−
2
+
.
.
.
+
φ
p
Z
t
−
p
+
ε
t
−
ϖ
1
ε
t
−
1
−
ϖ
2
ε
t
−
2
−
.
.
.
−
ϖ
q
ε
t
−
q
Z_{t}=\varphi_{1}Z_{t-1}+\varphi_{2}Z_{t-2}+...+\varphi_{p}Z_{t-p}+\varepsilon_{t}-\varpi_{1}\varepsilon_{t-1}-\varpi_{2}\varepsilon_{t-2}-...-\varpi_{q}\varepsilon_{t-q}
Zt=φ1Zt−1+φ2Zt−2+...+φpZt−p+εt−ϖ1εt−1−ϖ2εt−2−...−ϖqεt−q
上式中,
Z
t
Z_{t}
Zt为
t
t
t时刻的业务流量,
ε
t
\varepsilon_{t}
εt为白噪声,
ε
1
,
ε
2
,
.
.
.
,
ε
p
\varepsilon_{1},\varepsilon_{2},...,\varepsilon_{p}
ε1,ε2,...,εp和
ϖ
1
,
ϖ
2
,
.
.
.
,
ϖ
q
\varpi_{1},\varpi_{2},...,\varpi_{q}
ϖ1,ϖ2,...,ϖq为自回归系数。
分形布朗运动模型
t
t
t时刻的业务流量满足:
Z
t
=
λ
t
+
a
λ
B
t
H
,
t
>
0
,
a
>
0
Z_{t}=\lambda t+\sqrt{a\lambda}B_{t}^{H},t>0,a>0
Zt=λt+aλBtH,t>0,a>0
其中,
λ
\lambda
λ为业务请求的到达率,
a
a
a为方差和均值的比值,
B
t
H
B_{t}^{H}
BtH为标准分形布朗运动。
多个ON/OFF业务源叠加
多个ON/OFF业务源叠加产生的流量具有自相关特性,单个业务处于
ON状态的持续时间和OFF状态的持续时间是独立同分布的随机变量,当两变量均服从Pareto分布时,持续时间长度的概率密度函数满足下式:
p
(
τ
>
t
)
=
t
−
α
,
1
<
α
<
2
p(\tau>t)=t^{-\alpha},1<\alpha<2
p(τ>t)=t−α,1<α<2
此时,ON/OFF状态的持续时间具有有限的均值和无限方差,并且概率分布函数具有重尾特性fat tail。
分形高斯噪声过程
分形高斯过程为平稳随机过程,并且是严格的二阶自相似过程。分形高斯噪声过程是分形布朗运动过程的增量过程,通常用于突发业务流量的建模。