自相似业务流量生成随着各种网络业务的飞速发展，通信技术的发展还不能满足用户的需求。我们需要找到能准确描述网络流量特征的模型，对网络拥塞控制、带宽分配及网络性能评价等问题作进一步的研究。自相似性可以对网络的行为特征产生重大影响，因此，自相似流量下的网络性能分析、评价及其应用研究就成为国内外学术界研究的热点和难点。网络业务流量的特性近年来对网络业务流量的实际测量和统计分析结果表明互联网业务流量具有突发性(Bursty)、长相关、自相似性、包长度和包地址分布的不均匀性等主要特性。突发性和长相关、自相似性由于互联网本身的多变性、多种网络应用的混合、网络接口速度的差异、不同的网络访问技术以及用户行为的变化等，导致很难精确地描述汇聚的互联网业务流量。传统的通信网络设计大都假定IP包的到达过程是泊松过程，即包到达的问隔时间服从独立的负指数分布。然而近年来对互联网络业务流量的测量显示IP包到达的间隔时间不仅不服从负指数分布，而且不是独立分布的I1，大部分时候是多个IP包连续到达，具有突发性、长范围相关性和自相似性，所以泊松过程的网络业务流量模型是不能够真实可靠地反映现实网络中IP包的到达过程的，必须用能够在宏观上表现出长相关、自相似性的业务流量模型才能比较真实的反映现实网络中的业务流量。互联网上传输的IP包长度的分布并不是均匀的，具有一定的经验分布，主要集中在网络插件所能传输的最大长度MTU(maximumtransmissionunit)和40长度这两部分。互联网上约10％的主机占据约90％的网络业务流量。网络业务流量模型的构造目前，有多种网络业务流量模型可以刻画网络业务流量，如更新模型(renewalmode1)、马尔可夫模型(Markovmode1)、流度模型(fluidmode1)、线性随机模型(1inearstochasticmode1)和自相似流模型(self-similartraficmode1)等。在如此众多的模型中，由于自相似流模型能够比较真实的反映现代网络业务流量的一些宏观观察特性，如长相关、自相似特性，是人们主要研究的一类模型。自相似流模型有多种不同的实现形式，主要包括分形布朗运动(fractionalbrownianmotion)模型、分形高斯噪声(fractionalGaussiannoise)模型、小波(wavelets)模型、ON／OFF过程(0N／0FFprocesses)模型、泊松．Zeta过程(Poisson．Zetaprocesses)模型、M／G／O0模型(M／G／O0mode1)、自相似马尔可夫调制(self-similarMarkovmodulated)模型等。ON／OFF过程模型具有简便实用、易于控制和能较好体现自相似性(至少有一个状态具有重尾分布行为时)的特点而非常流行。ON／OFF过程模型假定业务流量产生系统在ON状态(发送IP包状态)和OFF状态(空闲状态)交替变化，在ON状态时业务流量产生系统以固定的速率(传输线路的线速率)发送IP包，在OFF状态时不发送IP包，传输线路的负载由ON状态和OFF状态的时间长度决定。ON状态和OFF状态的持续时问分布直接影响系统产生业务流量的真实可靠性。根据实际观测的结果并结合理论分析可知，在微观上具有重尾特性的分布能够在宏观上产生明显的长相关、自相似性。ON，oFF业务流模型重尾分布和ON／0FF模型能比较好地解释自相似业务流的产生原因”1，可以把LAN上的业务分解为多个活动(active)主机对之间的业务流，称之为源．目的对(source．destinationpairs)．ON，oFF模型假设数据源在发送数据和不发送数据的两种状态之间交替更迭，发送数据期间(不发送数据期间)称为ON期间(oFF期间)，在ON期间数据源以固定速率发送数据，也可以把这个过程称为交替更新过程(altematingrenewalpmcess)．一般地，认为连续的0N期间和OFF期间都是独立同分布的(independentandidenticallydistributed，i．id)，它们之间的分布也是互不相关的，这样要描述ON，OFF数据源的随机元素(stochasticelement)只需要控制ON和OFF期间长度的分布就足够了．ON和oFF期间长度分布的方差既可以是有限的(例如：指数分布)也可以无限的(例如：重尾分布)．首先，考虑一个数据源，假定它产生一个两态时间序列fw(f)，r≥o'，w(f)=l表示在r时刻有一个数据包，而w(f)=O表示数据源没有发送数据包．ON和OFF期间的长度可以分别具有不同的分布函数．至此，我们可以考虑一条链路...