ip骨干网流量成分分析分析word论文.docxVIP

摘要网络流量的建模与预测在网络管理中扮演了非常重要的角色。在过去对流量的分析和处理中，研究者们发现网络流量可以分解为代表其长期增长趋势的趋势分量、代表其周期性变化的周期分量，以及随机波动的分量。这种流量分解的方法被广泛应用于流量的长期预测、流量的周期性波动分析等领域。在本文中，我们试图对某中国网络运营商的 IP 骨干网络流量进行成分分析，寻找其变化规律。本文所针对的数据采集自一个 IP 骨干网，数据包括 12 个骨干节点的日峰均值，为期523天。我们采用了两种网络流量的分解方法，一种假设趋势分量和周期分量呈现线性组合，另一种假设它们呈现加性组合。基于这两种分解方法，我们可以分别获得网络的长期增长趋势分量以及以星期为单位的周期分量。我们对不同节点的流量进行了分解，研究对不同节点而言较为合适的流量分解方法；同时，我们研究各节点的趋势分量和周期分量的特征，比较其特征的异同。我们的研究结果表明，在 IP 骨干网络节点的趋势分量方面，基于指数的拟合模型较为适合网络的长期趋势建模，而基于ARIMA的模型较为适合网络的中短期的趋势建模；在IP骨干网络节点的周期分量方面，所有节点均呈现了以七天为单位的周期性特征，但是其振荡的幅度与各节点的流量特征有密切的关系。关键词：流量分析，时间序列模型，IP骨干网AbstractNetworktrafficmodelingandpredictionplayaveryimportantroleinnetwork management.Inthepastontheflow analysisandprocessing,theresearchersfoundthatthetrend component,periodiccomponentofnetworktraffic can be decomposedas the representative ofits long-term growth trendon behalf of itsperiodic variation, and random fluctuationcomponents.Longtermprediction,flowanalysisofthecyclical fluctuation oftheflowfields of the decomposition is widelyusedinflow.Inthisthesis, weattempttoIPbackbonenetworktraffic toaChinanetworkoperatorsof componentanalysis, tofindouttheregularityof changes.ThedatacollectedfromanIPbackbone network,dataincludedailypeakvalueof12backbonenodes,foraperiodof523days.Weuse thedecompositionmethod oftwokindsof networktraffic, ahypothesisthatthe trendcomponent and periodiccomponent appearstobealinearcombination, anotherhypothesisthey presentadditivecombination.Thesetwokindsof decompositionbasedmethods, wecanlong- termgrowth trendcomponentand networkrespectivelyinweeklyperiodiccomponents. We decomposethedifferentnodeflow, themoreappropriatefordifferentnodeflowdecomposition method; atthesametime, thetrendcomponentandperiodiccomponentfeaturesofour studyof each node,compares thecharacteristics.Ourresults showthat, thetrendcomponentIPbackbone networknode, the long-term trend indexismoresuitableformodelingfittingmodel basedonnetwork,andtheARIMAbased modelismoresuitableforthe