赫斯特指数(英語:Hurst exponent)以英国水文学哈罗德·赫斯特英语Harold Edwin Hurst命名,起初被用来分析水库河流之间的进出流量,后来被广泛用于各行各业的分形分析。利用Hurst参数可以表征网络流量的自相似性,Hurst参数越大,说明流量的自相似程度就越高,也就是说网络的业务流量在很长的时间内都具有长相关性,这主要是由于网络流量的突发性造成的。现有的文献给出的估计方法主要是两大类:时域法和频域法,其中时域法包括R/S分析法[1]、时间方差图法[2][3]、IDC法,频域法包括Whittle的最大似然估计[4]小波[5]等。常用的Hurst估值算法都有不同的适用条件,不能广泛的应用于各种情况,因为每一种算法在时域或者是频域的范围内应用了求和平均的方法,这样就会使得时间序列的高突发可变的细节信息丢失,从而导致出估算结果为负值,增大了估计误差

应用 编辑

时域法是直接对时间序列进行处理,并用最小二乘法拟合估计出Hurst参数,频域法通过利用FFT对时间序列的谱密度进行估计。时域法及频域法都要求整个观察时间段内全部的时间序列,当时间范围较大时,就需要大量的序列样本和高采样率,同时很难观察到Hurst参数的时变性。同时,对有限长度的时间序列进行Hurst估算,结果虽然可以反映出网络流量局部的突发性,但是由于估值算法容易受到各种因素的干扰而产生误差,并且由于相邻的估算值之间没有数据关联,就不能够体现出突发的渐进性。因此如何估算出无限增长的流量的突发性,同时又能够体现出网络流量变化的全局渐进性,并且还能够体现出局部变化的时变性,这些都需要做进一步的研究。比如,在IDC基础上定义复数取值的赫斯特指数等等。

参考文献 编辑

  1. ^ Shu Y T, YANG O., Zhang H F, Estimation of Hurst parameter by variance-time plots, Proceedings of the IEEE Pacrim, 1997, 2: 883–886. 
  2. ^ Wang X., Guo D, Fast real-time Hurst parameter estimation via adaptive wavelet lifting, IEEE Trans. on Vehicular Technology, 2004, 53: 1266–1273. 
  3. ^ 王汝传,王海艳等, 傅雷扬, R/S方法求解网络流量自相似参数的实现与应用, 南京航空航天大学学报, 2007, 39(3): 358–362. 
  4. ^ Cadzow J., Bodruzzaman M, Hurst rescaled-range analysis and fractal dimension of electromyo-graphic signal, Proc. of IEEE Southeastcon, 1991, April: 1121–1120. 
  5. ^ A., Popescu, Traffic self-similarity, IEEE International Conference on Telecommunications, 2001, June: 20–24.