自相似业务模型下的队列分析──大偏差技术

近年来对许多实际运行中的网络（局域网和广域网）的测量与分析证实：真实的网络业务具有统计上的自相似性而且是长相关的。传统的排队理论均假定业务是Poisson或Markovian，因此是短相关的，那里的队列分析方法对自相似业务模型是不适用的。大偏差技术是对自相似业务模型进行队列分析的有效方法。本文应用大偏差技术对以FARIMA为业务模型的队列系统进行了分析，结果证明：队列长度尾分布渐进为Weibullian分布，而且与模型的短相关结构无关。

基于大偏差技术的自相似流CAC算法

文章采用大偏差方法,对渐近自相似流进行了分析,提出了具有重尾分布间隔的ON-OFF流的呼叫准入控制(CAC)算法,并进行了仿真分析。

基于大偏差技术的子集排序最优仿真预算分配方法

排序选优方法已广泛应用于求解离散事件动态系统中的仿真优化问题,但该类方法鲜有研究聚焦于子集排序问题的高效求解,而子集排序问题广泛存在于智能制造、电气工程、供应链管理等众多领域.本文针对k个备选方案的子集排序问题,构建了以最大化子集正确排序概率为目标的仿真预算优化分配模型,推导了该优化问题的渐进最优条件,并提出了相应的序贯仿真算法来实现仿真预算的渐进最优分配规则.数值实验结果表明,本文所提出的算法显著地提高了子集排序问题的仿真优化效率.