基于FARIMA模型的流量抽样测量方法

doi:10.3969/j.issn.1000-3428.2010.15.003

计算机工程 ›› 2010, Vol. 36 ›› Issue (15): 7-8,11. doi: 10.3969/j.issn.1000-3428.2010.15.003

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论，并没有考虑到实际网络流量的特征，基于此，提出基于FARIMA流量预测的抽样方法，根据流量预测值动态调整抽样率，既减轻了CPU的负载，又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数，表明该方法能够正确体现原始数据的流量行为统计特征。

(1. 东华大学计算机科学与技术学院，上海 201620；2. 西安电子科技大学综合业务网国家重点实验室，西安 710071)

出版日期:2010-08-05 发布日期:2010-08-25
作者简介:潘乔(1977－)，男，讲师、博士，主研方向：网络测量，网络安全；罗辛、王高丽，讲师、博士；裴昌幸，教授、博士生导师
基金资助:
国家自然科学基金资助项目(60572147)

Traffic Sampling Measurement Method Based on FARIMA Model

Current traffic sampling methods are based on mathematic theory without considering about real network traffic. So according to traffic prediction to dynamically adjust sampling rate, this paper proposes a new sampling method based on Fractal Auto Regression Integrated Moving Average(FARIMA) traffic prediction. The method not only reduces CPU load, but storage space as well. Compared with sample mean and Hurst parameter of traffic data produced from currently used sampling method, the experiment results can generate more accurate traffic statistics of sampling traffic.

(1. School of Computer Science and Technology, Donghua University, Shanghai 201620; 2. National Key Lab of Integrated Service Networks, Xidian University, Xi’an 710071)

Online:2010-08-05 Published:2010-08-25

摘要/Abstract

摘要： 目前的流量抽样测量方法主要基于传统的数学理论，并没有考虑到实际网络流量的特征，基于此，提出基于FARIMA流量预测的抽样方法，根据流量预测值动态调整抽样率，既减轻了CPU的负载，又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数，表明该方法能够正确体现原始数据的流量行为统计特征。

关键词: 网络测量, 流量抽样, 自回归分数整合滑动平均模型, 流量预测

Abstract: Current traffic sampling methods are based on mathematic theory without considering about real network traffic. So according to traffic prediction to dynamically adjust sampling rate, this paper proposes a new sampling method based on Fractal Auto Regression Integrated Moving Average(FARIMA) traffic prediction. The method not only reduces CPU load, but storage space as well. Compared with sample mean and Hurst parameter of traffic data produced from currently used sampling method, the experiment results can generate more accurate traffic statistics of sampling traffic.

Key words: network measurement, traffic sampling, Fractal Auto Regression Integrated Moving Average(FARIMA) model, traffic prediction

中图分类号:

TP393

潘乔, 罗辛, 王高丽, 裴昌幸. 基于FARIMA模型的流量抽样测量方法[J]. 计算机工程, 2010, 36(15): 7-8,11.

BO Jiao, LUO Xin, WANG Gao-Li, FEI Chang-Nie. Traffic Sampling Measurement Method Based on FARIMA Model[J]. Computer Engineering, 2010, 36(15): 7-8,11.

https://www.ecice06.com/CN/Y2010/V36/I15/7

[1]	高御尧, 石明全, 秦渝, 陈建平, 周喜, 张鹏. 基于改进非全连接神经网络的站点客流预测模型[J]. 计算机工程, 2023, 49(9): 43-51.
[2]	彭桐歆, 韩勇, 王程, 张志浩. 面向短时地铁客流量预测的混合深度学习模型[J]. 计算机工程, 2022, 48(5): 297-305.
[3]	叶和元, 韩俐, 孙士民. SDN中基于蚁群优化的网络测量节点选择算法[J]. 计算机工程, 2022, 48(5): 191-199.
[4]	包恒彬, 马玉鹏, 杨奉毅, 韩云飞. 基于时空注意力机制的加油站级客流量预测[J]. 计算机工程, 2021, 47(4): 291-297.
[5]	王海, 翁晨傲, 李克, 骆曦. 一种面向基站扇区方向角估计的改进SVM算法[J]. 计算机工程, 2021, 47(4): 120-126.
[6]	荣斌, 武志昊, 刘晓辉, 赵苡积, 林友芳, 景一真. 基于时空多图卷积网络的交通站点流量预测[J]. 计算机工程, 2020, 46(5): 26-33.
[7]	刘佳美, 徐巧枝. 基于机器学习的SDN网络流量预测与部署策略[J]. 计算机工程, 2020, 46(10): 223-230.
[8]	李月龙, 唐德华, 姜桂圆, 肖志涛, 耿磊, 张芳, 吴骏. 基于维度加权的残差LSTM短期交通流量预测[J]. 计算机工程, 2019, 45(6): 1-5.
[9]	李克,王海,徐小龙,杜煜. 基于众包感知的移动网络小区信息侦测方法[J]. 计算机工程, 2019, 45(2): 92-100.
[10]	李莎,孙丽珺. 基于TFPCM与随机模型的交通滞留量预测[J]. 计算机工程, 2019, 45(1): 29-34.
[11]	卓煜,尤佳莉,王劲林,齐卫宁,乔楠楠. 海服务中面向在线视频服务的测量与推荐系统[J]. 计算机工程, 2018, 44(4): 28-34,40.
[12]	吴伟民,李泽熊,林志毅,吴汪洋. 改进飞蛾捕焰算法在网络流量预测中的应用[J]. 计算机工程, 2017, 43(10): 153-159,166.
[13]	林青,戴慧珺. 基于MWSVR和ARMA混合模型的流量预测[J]. 计算机工程, 2015, 41(12): 130-134,139.
[14]	邹威,费金龙,祝跃飞,韩冬. 基于提升小波变换的网络流量混合预测模型[J]. 计算机工程, 2015, 41(1): 24-30.
[15]	王宜青，陈庶樵，马海龙. 基于计数型Bloom过滤器的网络数据流统计[J]. 计算机工程, 2014, 40(4): 277-280,286.

选择文件类型/文献管理软件名称

选择包含的内容

基于FARIMA模型的流量抽样测量方法

Traffic Sampling Measurement Method Based on FARIMA Model

PDF

可视化

被引次数

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

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于FARIMA模型的流量抽样测量方法

Traffic Sampling Measurement Method Based on FARIMA Model

PDF

可视化

被引次数

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

本文评价