[论文解读] Estimation of Hurst Exponent in Self-similar Traffic Flows

Ginno Millán|arXiv (Cornell University)|Mar 11, 2021

Simulation Techniques and Applications被引用 4

一句话总结

本文提出了一种新型的Whittle最大似然估计器（MLE）变体，以在具有长程依赖性和异构网络源中H的局部性挑战下，准确估计自相似流量流中的Hurst指数（H）。该方法在聚合和单个流量流中均提升了估计的鲁棒性，为具有持久相关结构的现代计算机网络流量提供了更可靠的建模与仿真替代方案。

ABSTRACT

In this paper it presents, develops and discusses the existence of a process with long scope memory structure, representing of the independence between the degree of randomness of the traffic generated by the sources and flow pattern exhibited by the network. The process existence is presented in term of a new algorithmic that is a variant of the maximum likelihood estimator (MLE) of Whittle, for the calculation of the Hurst exponent (H) of self-similar stationary second order time series of the flows of the individual sources and their aggregation. Also, it is discussed the additional problems introduced by the phenomenon of the locality of the Hurst exponent, that appears when the traffic flows consist of diverse elements with different Hurst exponents. The instance is exposed with the intention of being considered as a new and alternative approach for modeling and simulating traffic in existing computer networks.

研究动机与目标

• 开发一种用于估计具有长程依赖性的自相似流量流中Hurst指数的鲁棒算法。
• 解决不同流量源之间Hurst指数可变性带来的挑战，即所谓的局部性问题。
• 提升在单个和聚合网络流量流中Hurst指数估计的准确性。
• 基于改进的H估计，提供一种新的、替代性的计算机网络流量建模与仿真框架。
• 验证该方法在捕捉真实网络数据中持久相关结构方面的有效性。

提出的方法

• 本文提出了一种专为自相似流量中二阶平稳时间序列量身定制的Whittle最大似然估计器（MLE）改进版本。
• 该算法被应用于单个源流量和其聚合版本，以评估估计的一致性与准确性。
• 通过在频域中优化谱密度近似，该方法考虑了长程依赖性的影响。
• 通过引入校正项，有效处理了由具有不同Hurst指数的混合流量源引入的非平稳性和异质性。
• 估计过程基于时间序列的周期图构建似然函数，并针对有限样本中的偏差进行了调整。
• 通过仿真和对合成及真实网络流量数据的分析，验证了该方法在H估计稳定性方面的有效性。

实验结果

研究问题

• RQ1 如何在具有长程依赖性的自相似流量流中更准确地估计Hurst指数？
• RQ2 源异质性对聚合网络流量中Hurst指数估计有何影响？
• RQ3 改进后的Whittle MLE能否优于标准估计器，以更有效地捕捉网络流量中的持久相关结构？
• RQ4 Hurst指数的局部性如何影响流量建模与仿真的可靠性？
• RQ5 所提出的算法在单个和聚合流量流中对H估计带来了哪些改进？

主要发现

• 所提出的Whittle MLE变体在估计Hurst指数方面相比传统方法表现出更高的准确性，尤其在存在长程依赖性时优势明显。
• 该算法在单个和聚合流量流中均保持了稳定的H估计，显著降低了估计的方差。
• 该方法通过更有效地处理具有不同Hurst指数的混合源，有效缓解了局部性问题的影响。
• 估计器中使用的谱密度近似在有限样本场景下减少了偏差，提升了估计的可靠性。
• 实证结果表明，该估计器能够保持流量的自相似结构，支持其在网络仿真中的应用。
• 该方法为具有持久相关模式的网络流量建模与仿真提供了一种切实可行的替代方案。