WWW通信量自相似模型的建立与分析

近年来的大量研究表明,传统的泊松模型无法准确地描述实测网络通信量中的突发性,而自相似模型可以较好地刻画突发性[1]。排队论的方法很适合用来进行网络建模。针对WWW通信量的自相似的主要成因[2],建立了排队模型Mx|D|1,模型的分析结果为WWW及相关性能指标的研究提供了理论依据。

基于HTTP的WWW服务器数据流量的测量与分析

Web服务对数据传输有一定的实时性要求,对于这一特性的分析必须依赖于服务器上的有关信息,文章就是对Web服务器上数据流量进行测量、收集,进而对这些数据进行处理分析,发现了其上的数据流特征明显。并符合自相似(Self-similar)模型。

基于WWW的网络仿真工具

仿真技术一直在军事、网络的设计与分析等许多领域中扮演着重要角色。随着因特网的迅速发展 ,基于 WWW的仿真技术开始得到广泛应用 ,尤其是 Java语言出色的跨平台、多线程、网络通信和动画特性为基于 WWW的仿真技术的发展提供了更为强大的基础。本文介绍了一个基于 WWW的多功能仿真器的设计实现及其在网络业务分析中的应用。

Internet流量模型的研究

对于网络性能评价,一种有效的流量模型是不可或缺的,然而很难找到这种既简单又正确的模型。本文吸取了经验模型的TCP连接流量模型的优点,提出一种WWW流量模型。通过严格的仿真和模型验证,证明该模型与实际的流量吻合得很好,且易于实现。

平滑的Web文档预送

ＷｏｒｌｄＷｉｄｅＷｅｂ作为全球范围的分布式信息系统，其使用日益广泛，大量交互式应用的出现使用户对响应时间有较高的要求．服务器文档预送和非服务器站点的缓冲机制配合使用，可以显著改进Ｗｅｂ服务的响应性能．但是，由于预送增加了网络传输的阵发性，增加了报文重传和丢失，加大了网络排队延迟和平均队列长度，带来网络性能的下降．为了保持预送对用户服务质量（ＱｏＳ）的积极作用，同时减少对网络的负面影响，我们提出平滑的Ｗｅｂ预送策略，将预送文档的传输平展到实际的请求发出之前这一相当长的时间段内．通过简单的服务器发送速率控制，在预送的准确度较高时，网络性能的改进不但明显好于单纯的预送，与无预送的网络状态相比，也有较大的改进．

具有显著提高准确率和鲁棒性的基于极限学习机的流量分类

流量分类是网络管理员进行网络流量监控从而实现有效管理的重要手段。因此,准确地对流量进行分类具有重要意义。流量分类的两个重要评判标准是分类器的准确率和效率。本文提出了一种准确率高、鲁棒性强的流量分类方案,该方案第一次将最近几年提出的一种新的机器学习算法-极限学习机引入网络流量分类领域进行研究并进行针对性优化。同时也提出了一种自动生成流量分类器训练集的方案,使该系统对新的网络应用具有更强的自适应性和扩展性。本文使用VoIP和WWW流量作为流量分类的两个类别。实验结果表明该方案相比其他文献提出的C4.5,RandomForest,NaiveBayes和KNN具有更高的准确率、稳定性和鲁棒性。其中当测试数据集在训练数据集后当天收集时,本文分类器具有93%的高准确率,其他算法具有类似的准确率;当测试数据集在训练数据集后1月和2月收集时,本文分类器仍保持85%的高准确率,而其它算法的准确率只有大概60%左右,具有较大偏差无法应用到实际的流量分类系统中。实验结果表明,提出的流量分类方案具有准确率高,鲁棒性和扩展性强,可应用到流量分类实践中。

Traffic Modeling in WCDMA System Level Simulations

Traffic modeling is a crucial element in WCDMA system level simulations. A clear understanding of the nature of traffic in the WCDMA system and subsequent selection of an appropriate random traffic model are critical to the success of the modeling enterprise. The resultant performances will evidently be of a function that our design has been well adapted to the traffic, channel and user mobility models, and these models are also accurate. In this article, our attention will be focused on modeling voice and WWW data traffic with the SBBP model and Victor model respectively.