傳統的網絡流量模型假設數據包到達的過程為泊松過程，數據包長度為指數分布，并將這種模型成功應用于ARPANET，但是隨著網絡規模擴大、Qos保證技術以及新的應用的出現，網絡流量特征得到極大改變，經典的泊松模型已經不能再表示實際的網絡流量特征。

目前，網絡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回歸模型

• 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)、 馬爾可夫調制的泊松過程(MMPP =Markov Modulated Poisson Process)和馬爾可夫調制的流過程（MMFP =Markov Modulated Fluid Process)等
• 回歸模型又可細分為自回歸模型 (AR :Autoregressive Model)、1?? 自目β牛莫M (DAR discrete Autoregressive Model) > 自回歸滑動平均模型（ARMA =Autoregressive Moving Average Model)、求和自回歸滑動平均模型(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)、基于mallat算法的自相似模型、基于混沌映射的確定性模型、散粒噪聲模型和小波基模型等。

不同的網絡流量模型是針對不同的網絡流量特征而建立的，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，但計算復雜度隨著模型參數數目的增加而增加，此外這類模型對網絡流量預測的精度不夠，并且不能描述長相關特征， 目前馬爾可夫類模型只廣泛應用于電話網絡中，對于計算機網絡應用并不成功。
• 回歸模型在對網絡行為預測和控制方面比較有效，并且表示簡單，易于建立，但主要缺點是無法記錄流量序列中重要的周期信息和趨勢信息，由于大規模網絡本身是復雜非線性系統，同時又受多種復雜外界因素的影響，其宏觀流量行為往往復雜多變，數據中既含有多種周期類波動，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回歸模型來描述。
• 長相關流量模型能很好的說明網絡通信量中出現的長相關和重尾等現象，但對于瞬時性能的評估卻非常困難。

總結

以上是生活随笔為你收集整理的网络流量模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。