[论文解读] Fractal Analysis On Internet Traffic Time Series

K. B. Chong, K. Y. Choo|ArXiv.org|Jun 5, 2002

Complex Systems and Time Series Analysis参考文献 1被引用 3

一句话总结

本研究采用分形分析方法，结合功率谱分析（PSA）、去趋势波动分析（DFA）和时标分析（TSA），对美国国会图书馆（LOC）服务器的互联网流量时间序列进行分析。结果表明，LOC(request)和LOC(send)流量均表现出长程相关性和自相似性，其谱指数β ∈ (1,2)，Hölder指数H ∈ (0,0.5)，分形维数D ∈ (1,2)，负相关系数ρ ∈ (−0.5,0)，证实了在多尺度下均存在分形特征。

ABSTRACT

Fractal behavior and long-range dependence have been observed in tele-traffic measurement and characterization. In this paper we show results of application of the fractal analysis to internet traffic via various methods. Our result demonstrate that the internet traffic exhibits self-similarity. Time-scale analysis show to be an effective way to characterize the local irregularity. Based on the result of this study, these two Internet time series exhibit fractal characteristic with long-range dependence.

研究动机与目标

• 研究互联网流量时间序列中的分形特性与长程相关性。
• 比较LOC服务器上流入（LOC(request)）与流出（LOC(send)）流量的动力学特性。
• 评估多种分形分析技术在捕捉复杂时间行为方面的有效性。
• 通过时标分析（TSA）量化局部与全局标度特性，揭示多分形与非平稳特征。
• 通过先进的分形表征为网络建模与优化提供基础。

提出的方法

• 采用功率谱分析（PSA）通过功率谱S(ω) ∝ ω^−β的幂律衰减来估计谱指数β。
• 采用去趋势波动分析（DFA）计算α指数以识别长程相关性，观察到在60和400段长处存在交叉点。
• 时标分析（TSA）在时间窗内计算局部Hölder指数H(t)，揭示非平稳、多分形行为。
• 通过D = 2 − H关系应用Hölder指数H与分形维数D之间的关联，其中H ∈ (0, 0.5)意味着D ∈ (1, 2)。
• 通过ρ = 2^(2H−1) − 1推导相关系数ρ，证实两种流量类型均呈现负相关行为（ρ < 0），符合反持久分数布朗运动特征。
• 基于小波的TSA实现局部奇异性分析，捕捉超越全局平均值的时变标度行为。

实验结果

研究问题

• RQ1 互联网流量时间序列（LOC(request)与LOC(send)）是否表现出长程相关性与自相似性？
• RQ2 表征这些流量流分形特性的标度指数（β, H, D, ρ）是什么？
• RQ3 局部标度特性（H(t)）在流入与流出流量之间有何差异，其复杂性由何解释？
• RQ4 DFA中观察到的交叉现象具有何种意义，如何反映底层网络动力学？
• RQ5 时标分析（TSA）能否揭示PSA与DFA等全局方法未能捕捉到的多分形与非平稳特征？

主要发现

• 谱指数β位于1 < β < 2范围内，证实LOC(request)与LOC(send)流量均存在长程相关性。
• Hölder指数H位于0 < H < 0.5范围内，表明具有反持久行为，且分形动力学满足D = 2 − H ∈ (1, 2)。
• 相关系数ρ为负值，且−0.5 < ρ < 0，与反持久分数布朗运动一致。
• DFA在段长60与400处显示出交叉行为，对应α ≈ 1.0（白噪声）、α ≈ 1.0（1/f过程）与α ≈ 2.0（平滑过程）。
• TSA显示LOC(request)的局部Hölder指数H(t)范围为−0.49至1.48，LOC(send)为−0.26至1.15，表明存在复杂、非平稳、多分形动力学。
• LOC(request)表现出比LOC(send)更高的局部复杂性，可能源于服务器网关处大量流入数据流导致的网络拥塞。