网络业务流量的自回归.rar

网络业务流量的自回归

摘  要

随着计算机网络的迅速发展，目前的网络规模极为庞大和复杂，因此发生各种问题的可能性越来越大，同时管理网络的难度也越来越大。在这种背景下，建立一种恰当的数学模型以反映网络行为显得尤为重要。
本文首先简要介绍了时间序列分析的基本理论和方法，重点介绍了时间序列、平稳随机过程的基本概念和滑动自回归模型的矩估计、预测的基本理论和步骤。在此基础之上，根据实际采集的网络流量数据的观测值序列，建立了滑动自回归模型。
    在建立滑动自回归模型的过程中，首先使用格拉布斯准则判断观测值序列是否存在异常数据,剔除这些异常数据以建立网络流量的正常行为模式。然后利用方差分析的方法对该序列进行平稳化处理使之适合滑动自回归模型，再利用残差方差图定阶法确定模型的阶数，利用矩估计的方式估计出ARMA(2,1)模型的参数，用线性最小均方误差预测方法对网络流量做出预测。最后改进了一种基于比较网络流量的预测值与其区间阈值以发现网络异常与故障的方法。这样就使得在网络异常发生之前或网络发生异常的最短时间内，网络管理人员即可做出相应的判断，采取行之有效的防范措施以保证网络的正常服务。这种方法改变了以往的网络管理响应方式，使得网络异常的预警成为可能。

【关键词】ARMA  平稳化  矩估计  预测  网络异常检测

 
 
ABSTRACT

With the rapid development of computer networks, the size and complexity of current network has been more and more large.So the possibility of occurrence of various problems has been increasingly. In this context, the establishment of a mathematical model which appropriate to reflect the network behaviour is especially important.
    This paper introduces the basic theory and methods of time series analysis, focuses on the basic concept of time series and stationary random process and the basic theory and procedures of the moment estimation of ARMA model and prediction. On this basis, this paper establishes the parameters of ARMA model according to the actual network traffic data collected by the sequence of observations.
    In the process of model building, Grabs Criteria is used to judge the existence of observations abnormal data, excluding these unusual network traffic data in order to establish the normal behaviour patterns. And then ANOVA is used for the stableness of ARMA models in order to fix  the model.And the use of moment estimator methods estimate the ARMA (2,1) model parameters.The paper also make use of LMMSE method to predict network traffic .Finally, the paper improved an algorithm based on the forecast which compared with the range of threshold values to detect network anomalies and failures of the method. In this way network managers can make appropriate judgments and take effective preventive measures to ensure normal network services before they occur in the shortest possible time an exception occurs. This method has changed in response to the past, network management approach, making the early warning network anomalies possible.

【Key words】ARMA  Stabilize  Moment Estimator  Prediction  Network Anomaly Detection                

目  录

第一章 绪论 1
第一节  研究背景 1
第二节  网络业务流量研究的意义 2
第三节 本章小结 3
第二章 时间序列分析的基本理论与方法 4
第一节 时间序列分析的相关概念 4
一、 时间序列 4
二、 时间序列分解 5
三、 平稳随机过程的概念及判定 6
四、 随机过程的统计描述 8
第二节 滑动自回归平均模型（ARMA） 9
一、 滑动自回归平均模型 9
二、 滑动自回归平均模型的相关矩估计 10
三、 滑动自回归平均模型的预测 12
第三节 本章小结 15
第三章 基于ARMA的网络流量建模 16
第一节 数据采集 16
第二节 建立流量的正常行为模式 18
第三节 平稳化数据序列 19
第四节 模型的定阶 21
第五节 模型参数估计 23
第六节 本章小结 24
第四章 基于ARMA模型的网络流量预测及异常检测 25
第一节 网络流量预测 25
第二节 网络异常检测 29
第三节 本章小结 31
结  论 32
致  谢 33
参考文献 34
附  录 36
一、 英文原文 36
二、 英文翻译 43
三、 原始数据 49
四、 源程序 51