基于分形的多尺度网络性能影响因素研究

最近大量研究表明,实际业务流普遍存在尺度特性,针对小尺度下的多重分形特征,首先基于单分形去研究多尺度的业务流性能,同时结合小波变换进行分形刻画,深入的分析影响业务流性能的因素,发现了与传统结论不同之处:并非业务流的相关性越大性能就越差,而是与具体的网络环境(如缓冲区、利用率大小等)存在较大联系.通过对大量实际业务流进行统计分析,验证了结论的正确性.     

基于小波变换的光突发交换网络业务流的研究

最近大量研究表明实际业务流存在分形特性,这对业务流的性能产生较大影响.针对光突发交换（OBS）网络边缘节点的汇聚业务流,首先在多重分形条件下利用小波变换对业务流进行尺度刻画.同时采用分块操作、块间变化的方法对业务流进行分析,通过深入研究发现均值和方差对业务流的性能影响较大.     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

基于小波变换的光突发交换网络业务流的研究

最近大量研究表明实际业务流存在分形特性,这对业务流的性能产生较大影响。针对光突发交换（OBS）网络边缘节点的汇聚业务流,首先在多重分形条件下利用小波变换对业务流进行尺度刻画。同时采用分块操作、块间变化的方法对业务流进行分析,通过深入研究发现均值和方差对业务流的性能影响较大     

基于网络信息流的自适应MWM模型研究

多重分形小波模型(MWM)可以用于网络流量非严格自相似性的分析,但现有MWM及改进模型大多不能保证各个尺度下尺度系数的边缘分布都能拟合业务流数据,当边缘分布与源数据的统计特性有较大差异时,得到的排队分析结果也将出现较大差异.针对传统多重分形小波模型存在的缺陷,在分析实际视频流量多分辨率性能的基础上,提出了参数可调的自适应多重分形小波模型.该模型的改进之处在于它能够根据实际情况实时地调整小波参数和乘性系数,更好地适应实际网络流量的特性.对新模型的仿真流进行了尺度函数和多重分形谱的分析,结果证明了新模型的准确性.     

基于多重分形的实际信息流的尺度研究

信息检索的相关性反映了信息流对用户信息需求的满足特性,正确认识信息流的分布特性并建立合适的模型,对信息检索的研究和发展有着十分重要的作用．针对检索信息流的统计特性,对各种检索模型反馈的业务流进行研究,利用小波变换刻画其尺度特性,发现不同的业务流都具有分形特性,并且在尺度表现上有所差别,其原因是由于业务流自身的分布特征所造成的．     

小波基带宽的变化对结构损伤识别的影响

分析了小波变换在结构损伤检测中的应用 ,证实选择具有不同带宽小波基对检测结果可起到关键性作用 .小波变换可以看作是一组带通滤波器 ,小波滤波器通过多尺度带通和自相关加强特性 ,对结构的动力信号进行实时检测 .利用灵活的多尺度带通小波滤波器组 ,对结构振动信号作滤波分析 ,结构所有的自然频率特性可以同时在时频空间出现 .通过观察不同带宽内振动信号的时频变化来判断结构损伤存在     

一种基于流量三定律的MMPP建模的新的测量及适配途径

回顾了在网络业务流轨迹中的长相关(LRD)、自相似和尺度不变性现象;对几种层次MMPP模型做出评价,针对其中一种有潜力的模型进行分析。通过tcpdump、Tstat和AV估计器,在所测得的业务流轨迹中,利用已提出的现代网络流量满足的三个基本定律,通过交互式的自学习方法对网络流量进行MMPP建模。给出一种更精确的模型参数的适配途径,它采用了两级匹配并显示良好的效果。     

基于优先级带宽保证和权值改进的WFQ算法研究

随着网络不断发展,实时性高的多媒体应用对网络提出更高的QoS需求.在分析加权公平排队WFQ算法在链路拥堵时不能保证低速率实时业务流要求及突发业务流时延迟加大,信号吞吐量低和误码率高等缺陷情况下,提出SRWFQ算法,引入优先级带宽保证和权值调整两项因子,经过NS-2网络仿真器在时延、网络吞吐量和丢包率QoS参数方面对两种算法进行仿真比较,通过仿真分析表明,SRWFQ改进算法能很好地支持实时业务流.     

基于Haar小波和极大似然估计的Hurst参数估计法

Hurst参数是表征网络业务自相似性的一个重要参数,在一定的观察时间内对突发业务的Hurst参数进行快速、准确的估计是高速宽带网络实施流量控制和缓冲资源分配的前提.本文提出一种基于Haar小波和极大似然估计的Hurst参数估计法.该方法首先使用Haar小波对DFBM序列的增量DFGN序列进行小波变换,然后再利用极大似然估计来估计Hurst系数.仿真生成的DFBM和真实自相似网络业务数据的计算结果均表明,该方法提高了Hurst参数估计的效率和准确性,比传统方法具有更好的性能.