论文部分内容阅读
近年来，诸多实际运行网络(包括局域网和广域网)的业务流量测量与分析发现，网络业务流量在统计上表现出强突发性的自相似特点，与传统泊松模型相比存在质的差异，因而成为一个研究热点问题。本文在分析泊松模型和Markov调制泊松过程(MMPP)模型的基础上，引入Gamma随机变量调制泊松流的平均业务强度，提出混合泊松流量模型，并名命为Gamma泊松混合(GPM)模型。以NS2为平台，开发了MMPP和GPM业务源生成仿真模块，并通过仿真与模拟实验，对比分析了GPM、MMPP对业务流突发性的表征能力。本文的仿真实验分为三个部分：
第一部分是关于GPM流的特性研究。为考察该模型的自相似性，本实验通过分组统计图表明了GPM模型的突发性，并使用时间-方差图法估计了其Hurst参数。然后使用同样的方法考察了两个GPM合成流的自相似性。结果表明了GPM流具备自相似性，并且合成后的GPM流仍旧具备自相似性。
第二部分是研究GPM/D/1的排队性能。该实验计算了排队机的丢包率和平均队列长度，并与真实的网络数掘进行了比较。结果表明GPM模型能更准确地表征网络在高载荷时的性能。
第三部分是考察队列管理机制对于GPM流的影响。本实验分别设置了小缓冲区和大缓冲区，考察了DropTail和RED算法管理下GPM流的平均队列长度的变化。结果表明在小缓冲区时，RED算法能较好的控制突发性强的GPM流的平均队长，但在大缓冲区时，RED算法并不能有效的吸收突发性强的GPM流。