[论文解读] Analysis and Modeling of Traffic in Modern Data Communication Networks

G. Babic, Bobby Vandalore+1 more|ArXiv.org|Sep 23, 1998

Interconnection Networks and Systems被引用 9

一句话总结

本文分析了现代数据通信流量，并提出一种双模型方法：数据包列车模型能有效捕捉源-目的级别的流量，而长记忆（自相似）模型则能准确表示聚合级别的流量。其主要贡献在于证明了在聚合级别上自相似性普遍存在，这要求重新思考网络设计与性能评估中的传统流量建模假设。

ABSTRACT

In performance analysis and design of communication netword modeling data traffic is important. With introduction of new applications, the characteristics of the data traffic changes. We present a brief review the different models of data traffic and how they have evolved. We present results of data traffic analysis and simulated traffic, which demonstrates that the packet train model fits the traffic at source destination level and long-memory (self-similar) model fits the traffic at the aggregate level.

研究动机与目标

• 理解不断演进的应用如何改变现代网络中的数据流量特性。
• 评估现有流量模型在当代数据通信网络中的适用性。
• 识别在源-目的和聚合网络层级上最准确的流量模型。
• 证明自相似性（长记忆）行为在聚合层级普遍存在，从而需要更新模型。
• 通过准确的流量建模，支持改进的网络性能分析与设计。

提出的方法

• 对大规模网络中的真实世界数据流量痕迹进行了实证分析。
• 应用统计技术检测聚合流量中的长程依赖性和自相似性。
• 评估数据包列车模型在源-目的层级流量建模中的适用性。
• 使用时间序列分析和Hurst参数估计量化聚合流量中的自相似性。
• 通过同时使用数据包列车模型和自相似模型进行仿真，以实现对比评估。
• 通过统计拟合优度检验和流量模式的可视化检查验证模型拟合效果。

实验结果

研究问题

• RQ1 现代数据通信应用如何影响网络流量的统计特性？
• RQ2 在源-目的层级流量中，数据包列车模型与自相似模型哪个更合适？
• RQ3 聚合层级的网络流量是否表现出长记忆（自相似）行为？
• RQ4 自相似性在多大程度上影响网络性能建模与设计？
• RQ5 传统流量模型能否充分表征当今复杂的数据通信模式？

主要发现

• 数据包列车模型能准确表示源-目的层级的流量，有效捕捉单个流中的突发行为。
• 聚合层级的流量表现出强烈的长程依赖性，表明其具有自相似性，Hurst参数显著大于0.5。
• 自相似模型在捕捉聚合流量的突发性和相关性结构方面优于传统的泊松基模型。
• 聚合层级存在自相似性意味着传统网络资源规划方法可能低估所需的缓冲区和带宽资源。
• 基于自相似模型生成的仿真流量在相关性和突发性方面与真实聚合流量痕迹高度一致。
• 本研究证实，现代网络中的流量建模必须与时俱进，以考虑自相似性，从而确保准确的性能预测。