網路流量模型

傳統的網路流量模型假設資料包到達的過程為泊松過程，資料包長度為指數分佈，並將這種模型成功應用於ARPANET，但是隨著網路規模擴大、Qos保證技術以及新的應用的出現，網路流量特徵得到極大改變，經典的泊松模型已經不能再表示實際的網路流量特徵。

目前，網路流量模型是一個活躍的研究領域，模型種類眾多，但按照其相關性特點大致可以分為短相關流量模型和長相關流量模型兩大類。

短相關模型包括馬爾可夫模型和迴歸模型

• 馬爾可夫模型可細分為On-Off模型（On-Off Model)、IPP模型（Interrupted Poisson ProcessModel)、狀態交替的更新過程（Alternating State Renewal Process)、 馬爾可夫調製的泊松過程(MMPP =Markov Modulated Poisson Process)和馬爾可夫調製的流過程（MMFP =Markov Modulated Fluid Process)等
• 迴歸模型又可細分為自迴歸模型 (AR :Autoregressive Model)、1¾¾ 自目β牛莫M (DAR discrete Autoregressive Model) > 自迴歸滑動平均模型（ARMA =Autoregressive Moving Average Model)、求和自迴歸滑動平均模型(ARIMA :Autoregressive Integrated Moving Average Model)等；

長相關流量模型包括分形布朗運動模型（Fractional BrownianMotion)、FARIMA 模型（Fractional ARIMA Model)、分形高斯噪聲模型（FARIMA)、基於mallat演算法的自相似模型、基於混沌對映的確定性模型、散粒噪聲模型和小波基模型等。

不同的網路流量模型是針對不同的網路流量特徵而建立的，每種模型都有著各自的優缺點

• 馬爾可夫類流量模型雖然具有數學易處理性，但計算複雜度隨著模型引數數目的增加而增加，此外這類模型對網路流量預測的精度不夠，並且不能描述長相關特徵， 目前馬爾可夫類模型只廣泛應用於電話網路中，對於計算機網路應用並不成功。
• 迴歸模型在對網路行為預測和控制方面比較有效，並且表示簡單，易於建立，但主要缺點是無法記錄流量序列中重要的週期資訊和趨勢資訊，由於大規模網路本身是複雜非線性系統，同時又受多種複雜外界因素的影響，其巨集觀流量行為往往復雜多變，資料中既含有多種週期類波動，又呈現非線性升、降趨勢，還受到未知隨機因素的干擾，而這些特點難以用單一的迴歸模型來描述。
• 長相關流量模型能很好的說明網路通訊量中出現的長相關和重尾等現象，但對於瞬時效能的評估卻非常困難。