流量模型基於分數綜合自還原移動平均過程

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：35

、訪客IP：18.118.254.94

姓名

尤家祥(Chia-Hsiang Yu) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

流量模型基於分數綜合自還原移動平均過程
(TRAFFIC MODELING BASED ON FRACTIONAL ARIMA PROCESS)

相關論文

★ 可資源共享之平行分散處理系統的最大吞吐量控制策略	★ 設計複雜網路系統之高效率模擬方法
★ 反應曲面法在複雜網路上的應用	★ 複雜網路系統模擬之均勻設計
★ 使用 Support Vector Regression 建構複雜網路系統之反應曲面模型	★ 增加具動態伺服器配置的交換系統之吞吐量
★ 最佳化交換處理系統之權重選擇	★ 適用於網路交換處理系統下的角錐延展策略
★ 以抽樣及測量為基準之交換處理系統控制策略	★ 樹狀網路之控制與統計反向問題
★ 貝他演算法的表現評估	★ 廣泛區域之均勻設計與電腦實驗之運用
★ Evaluation of Algorithms for Generating Dirichlet Random Vectors	★ 資料傳輸網路之貝氏診斷
★ 可共享資源的非循環網路系統建構在測量基礎上之控制策略

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

有別於過去電路交換網路的系統，現今的電信網路大都是改成了封包交換網路之網路系統。過去十多年來已有許多的文獻發現了封包交換網路系統中的封包傳輸的量並不符合一個Poisson過程取而代之的是，現在的封包資料顯現出兩個重要的特徵： self-similar與long-range-dependence。這也代表著我們有必要採用一個新的模型以保留封包資料的特徵。在這份研究中，我們主要是採用一個稱之為fractional ARIMA(FARIMA)的模型，此模型主要是利用傳統時間序列模型的概念並加以衍生。採用FARIMA模型最主要的好處就是它能在同一時間捕捉到資料中的long-range-dependence與short-range-dependence的特性。
在論文的最後，將以真實的網路資料來做分析。
本篇研究中的資料主要是由美國伊利諾州Naperville的Lucent Technologies的區域網路所收集得到。我們將針對乙太網路中各種不同的網路服務型態的封包資料(如：http與ftp的封包資料)配適為一FARIMA模型，並利用一些統計方法來檢查資料的long-range-dependence特性以及FARIMA模型中的參數估計。

摘要(英)

Departing from the circuit-switched scheme, the transition of internet traffic has been
designed to be packet switched. Over the last decade, fairly rich studies have shown that the transition of internet packets is not Poisson like. Instead, these packets reveal to hav two important features: self-similarity and long-range-dependence. This suggests that a new modeling technique for the internet traffice is necessary. By utilizing the ideas from traditional time series models, in this study we
consider a method called fractional ARIMA(FARIMA). The main benefit we gain by using FARIMA models is that it captures well both the long-range-dependence and the short-range-dependence of the data under consideration.
For application purposed, we also construct the FARIMA models for various types of Ethernet traffic (e.g. http and ftp data) gathered on a LAN at Lucent Technologies in NAperville, IL.
Statistical techniques are used to detect the long-range-dependence property and alsoto estimate the parameters in the proposed FARIMA model.

關鍵字(中)

★ 長範圍相關
★ 分數綜合自還原移動平均
★ 封包

關鍵字(英)

★ long-range-dependence
★ Fractional ARIMA
★ packet

論文目次

1 緒論 1
2 文獻回顧 3
2.1 Fractional Gaussian Noise Processes . . . . . . . . . . . . . 3
2.2 Self-Similar Processes . . . . . . . . . . . . . . . . . . . 5
2.3 Long-Range-Dependence . . . . . . . . . . . . . . . . . . . . 6
2.3.1 樣本自相關函數 (Auto Correlation Functions) . . . . . . . . 8
2.3.2 Taqqu’s R/S 方法 . . . . . . . . . . . . . . . . . . . . . 8
2.3.3 改良的 Lo’s R/S 方法 . . . . . . . . . . . . . . . . . . 10
3 配適網路資料模型
3.1 傳統時間序列模型 . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 穩定型時間序列 . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 非穩定型時間序列 . . . . . . . . . . . . . . . . . . . . . 15
3.2 Fractional ARIMA (FARIMA) Processes . . . . . . . . . . . . 16
3.3 參數估計 . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.1 利用 ARMA(p, q) 估計 FARIMA(p, d, q) . . . . . . . . . . . 18
3.3.2 最大概似估計法 (Maximum Likelihood Estimate) . . . . . . . 19
4 真實網路資料之分析
4.1 封包資料介紹 . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 封包資料模型之配適 . . . . . . . . . . . . . . . . . . . . . 22
4.2.1 http 封包分析 . . . . . . . . . . . . . . . . . . . . . . 22
4.2.2 ftp 封包分析 . . . . . . . . . . . . . . . . . . . . . . . 25
5 結論與未來研究. . . . . . . . . . . . . . . . . . . . . . . 28
參考文獻 30

參考文獻

[1] Brockwell P. J. and Davis R. A. (1991). Time series: theory and methods. Springer-Verlag.
[2] Geweke J. and Porter-Hudak P. (1983). The estimation and application
of long memory time series models. Journal of Times Series Vol. 4, No. 4, 221-237.
[3] Granger C. W. J. and Joyeux R. (1980). An introduction to long-range time series models and fractional differencing. Journal of Time Series 1, 15-30.
[4] Grossglauser M. and Jean-Chrysostome Bolot J. C. (1999). On the relevance of long-range dependence in network traffic. IEEE/ACM Transactions on Networking Vol. 7 (5), 629-640.
[5] Haslett J. and Raftery A. E.(1989). Space-time modelling with longmemory
dependence: Assessing Ireland’s wind power resource (with disscussion); Applied Statistics, 38, 1-50.
[6] Leland W., Taqqu M., Willinger W., Wilson D. (1994). On the selfsimilar
nature of Ethernet traffic. IEEE/ACM Transactions on Networkikng 2, 1-15.
[7] Lo A. W.(1991). Long-term memory in stock market prices. Econometrica 59, 1279-1313.
[8] Mandelbrot B. B.(1975). Limit theorems on the self-normalized range for weakly and strongly dependent processes. Zeitschrift fur Wahrscheinlichkeitshteorie und verwandte Gebiete 31, 271-285.
[9] Mandelbrot B. B.(1982). The Fractal Geometry of Nature. W.H. Freeman, New York.
[10] Mandelbrot B.B. and Taqqu M. S.(1979). Robust R/S analysis of longrun
serial correlation. In Proceedings of the 42nd Session of the International
Statistical Institute 48, Book 2, 69-104.
[11] Mandelbrot B. B. and Van Ness J. W.(1968). Fractional Brownian motions, fractional noises and applications. SIAM Review Vol. 10, No.4, 422-437.
[12] Mandelbrot B. B. and Wallis J. R.(1969). Computer experiments with fractional Gaussian noises. Parts 1, 2, 3 Water Resources Research 5, 228-267.
[13] Norros I. (1995). On the use of fractional Brownian motion in the
theory of connectionless networks. IEEE Journal on Selected Areas Communications 13(6), 953-962.
[14] Paxson V. and Floyd S. (1995). Wide-Area Traffic: The Failure of
Poisson Modeling. IEEE/ACM Transactions on Networking Vol. 3, No. 3, 226-244.
[15] Wely H.(1967). Bemerkungen zum Begriff der Differential-Quotenten
gebrochener Ordnung Vierteljschr, Naturforsch Ges Z¨urich, 62, 296-302.
[16] 蕭文龍, 林松儒 (2001). 網路概論, 松崗出版社.
[17] http://math.bu.edu/people/murad. Updated byTaqqu M. S.

指導教授

洪英超(Hung Y.C.)

審核日期

2006-7-14

推文