基于ACD模型的网络数据流时域微观特性分析

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (17): 11-15.

基于ACD模型的网络数据流时域微观特性分析

徐正国，郑辉，邓月华

盲信号处理国家科技重点实验室，成都 610041

出版日期:2016-09-01 发布日期:2016-09-14

Time domain analysis of micro-characters in network flows using ACD model

XU Zhengguo, ZHENG Hui, DENG Yuehua

National Key Laboratory of Science and Technology on Blind Signals Processing, Chengdu 610041, China

Online:2016-09-01 Published:2016-09-14

摘要/Abstract

摘要： 对网络中不同类型的数据流，应用自回归条件持续期模型（ACD），分析其中存在的时域微观特性，并研究ACD模型对网络数据流时序建模的适用性。使用ACD模型为具有随机到达过程的网络数据流时间序列建模，其优点是能够在不损失原始非等间隔时间序列特性的条件下，直接分析得到数据流的时域微观性质。在对实验数据集统计特性进行研究的基础上，得出数据包到达过程适用ACD模型的基本依据，采用ACD（2，1）模型对不同类型的网络数据流时间序列进行建模，结果表明其具有较好的拟合程度。

关键词: 自回归条件持续期, 网络数据流, 非等间隔采样, 时间序列

Abstract: For distinguishing different kinds of data streams in the network, Autoregressive Conditional Duration（ACD） model is used to analyze the micro-characters of network flows in the time-domain, and the feasibility of the model is testified. One important advantage of ACD model is, without binning the unevenly sampled time series into evenly-spaced, it could obtain the features of network flows in the time-domain directly. Based on the statistical analysis of experimental data sets, the packets’ arriving time series in network flows can be fitted in with ACD model, furthermore ACD（2, 1） shows a good performance in modeling network flows of different applications.

Key words: autoregressive conditional duration, network flow, unevenly sampling, time series

徐正国，郑辉，邓月华. 基于ACD模型的网络数据流时域微观特性分析[J]. 计算机工程与应用, 2016, 52(17): 11-15.

XU Zhengguo, ZHENG Hui, DENG Yuehua. Time domain analysis of micro-characters in network flows using ACD model[J]. Computer Engineering and Applications, 2016, 52(17): 11-15.

[1]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[4]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[5]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[6]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[9]	谭章禄，王兆刚，胡翰. 时间序列趋势相似性度量方法研究[J]. 计算机工程与应用, 2020, 56(10): 94-99.
[10]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[11]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[12]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[13]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.
[14]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[15]	李少伟1，王胜正2. 基于递归卷积神经网络的移动机器人定位算法[J]. 计算机工程与应用, 2019, 55(10): 240-243.