自相似业务量产生机理与模型精度分析

doi:10.3778/j.issn.1002-8331.2009.03.029

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (3): 101-103.DOI: 10.3778/j.issn.1002-8331.2009.03.029

自相似业务量产生机理与模型精度分析

陈炳锋¹,徐从富¹,何俊²

1.浙江大学计算机学院，杭州 310027
2.浙江省辐射环境监测站，杭州 310012

收稿日期:2008-07-08 修回日期:2008-09-27 出版日期:2009-01-21 发布日期:2009-01-21
通讯作者: 陈炳锋

Analysis on generation mechanism of self-similar traffic and its accuracy of model

CHEN Bing-feng¹,XU Cong-fu¹,HE Jun²

1.College of Computer Science，Zhejiang University，Hangzhou 310027，China
2.Radiation Environment Monitoring Station of Zhejiang Province，Hangzhou 310012，China

Received:2008-07-08 Revised:2008-09-27 Online:2009-01-21 Published:2009-01-21
Contact: CHEN Bing-feng

摘要/Abstract

摘要： 对通过叠加满足Pareto重尾分布的ON/OFF业务点产生自相似业务量的方法进行了较系统的分析。在介绍了这种自相似业务量实现方式的理论基础后，给出了一种检验业务点叠加数量与模型精度之间关系的研究方法。仿真结果表明：当叠加ON/OFF业务点数量为44时，自相似业务量Hurst参数的相对平均误差分别为6.8%（H=0.6）和5.0%（H=0.9）；当叠加ON/OFF业务点数量为132时，自相似业务量Hurst参数的相对平均误差为1.25%（H=0.6）和0.85%（H=0.9）。

关键词: 自相似, 重尾分布, Pareto, ON/OFF

Abstract: In this paper，the self-similar traffic generated by multiplexing the ON/OFF points which meet the Pareto heavy-tail distribution is discussed.The corresponding theory of the method above is introduced and then the research method on the relationship of the number of the points and the precision of the self-similar traffic model is given.Simulation results show that the relative average error of the Hurst parameter in the self-similar model is 6.8% when H=0.6 and 5.0% when H=0.9 in the case that the number of ON/OFF points is 44.While corresponding data change to 1.25% when H=0.6 and 0.85% when H=0.9 respectively in the case that the number of ON/OFF points reach to 132.

Key words: self-similar, heavy-tail distribution, Pareto, ON/OFF

陈炳锋¹,徐从富¹,何俊². 自相似业务量产生机理与模型精度分析[J]. 计算机工程与应用, 2009, 45(3): 101-103.

CHEN Bing-feng¹,XU Cong-fu¹,HE Jun². Analysis on generation mechanism of self-similar traffic and its accuracy of model[J]. Computer Engineering and Applications, 2009, 45(3): 101-103.

[1]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[2]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[3]	刘成士，赵志刚，李强，吕慧显，董晓晨，李金霞. 加强的低秩表示图像去噪算法[J]. 计算机工程与应用, 2020, 56(2): 216-225.
[4]	崔明朗，杜海文，魏政磊，李聪. 多目标灰狼优化算法的改进策略研究[J]. 计算机工程与应用, 2018, 54(5): 156-164.
[5]	汪开普，张则强，邹宾森，毛丽丽. 模糊作业时间的拆卸线平衡Pareto多目标优化[J]. 计算机工程与应用, 2018, 54(1): 256-263.
[6]	徐恭贤，高群王. 甘油连续生物歧化过程的多目标优化[J]. 计算机工程与应用, 2016, 52(20): 235-241.
[7]	李智勇，李峥，陈恒勇，张世文. 基于正交设计的动态多目标优化算法[J]. 计算机工程与应用, 2016, 52(14): 42-49.
[8]	冯超，景小宁，何贵波. 基于改进SPEA2算法的火力分配问题[J]. 计算机工程与应用, 2016, 52(13): 248-253.
[9]	吴定会，孔飞，朱绍文，纪志成. 生物地理学算法求解柔性车间作业调度问题[J]. 计算机工程与应用, 2015, 51(22): 206-213.
[10]	易猛1，陈庆奎1，2，章刚2. UGA：基于遗传算法的WSN动态覆盖优化算法[J]. 计算机工程与应用, 2015, 51(20): 77-80.
[11]	张明光，王世亮. 基于BQPSO的电网多目标优化规划[J]. 计算机工程与应用, 2015, 51(18): 266-270.
[12]	吴坤安，严宣辉，陈振兴. 一种基于Pareto排序的混合多目标进化算法[J]. 计算机工程与应用, 2015, 51(1): 62-68.
[13]	李雯，李和成. 基于空间网格划分的多目标进化算法[J]. 计算机工程与应用, 2014, 50(8): 53-56.
[14]	王君. 模糊时间窗VRP的动态规划和禁忌搜索混合算法[J]. 计算机工程与应用, 2014, 50(24): 58-64.
[15]	侯玉宝，王景芳. 拉普拉斯混合分布语音模型研究[J]. 计算机工程与应用, 2014, 50(18): 202-205.

自相似业务量产生机理与模型精度分析

Analysis on generation mechanism of self-similar traffic and its accuracy of model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics