使用改进的马尔科夫调制泊松过程模型来分析和产生网络流量.pdf

公开了使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析网络流量的方法和产品，其包括：为所述改进MMPP模型中每个状态建立操作的时间尺度；根据所述状态的操作时间尺度建立每个状态的转变值；测量一个或多个网络适配器中所接收的各个包之间的到达间隔时间；以及根据所测量的最新接收的包的到达间隔时间和所述转变值而确定所述网络流量的当前状态。

1.  一种用于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程(‘MMPP’)模型来分析网络流量的方法，该方法包括：
为所述改进MMPP模型中每个状态建立操作时间尺度；
根据所述每个状态的操作时间尺度建立该状态的转变值；
测量一个或多个网络适配器中所接收的各个包之间的到达间隔时间；以及
根据所测量的最新接收的包的到达间隔时间和所述转变值而确定所述网络流量的当前状态。

2.  权利要求1的方法，还包括：
根据当前状态预测将要接收的下一个包的到达间隔时间；
测量所述下一个包的实际到达间隔时间；以及
根据所述预测的到达间隔时间和所述实际到达间隔时间来调整所述当前状态。

3.  权利要求1的方法，还包括根据所述测量的到达间隔时间来调整每个状态的转变值。

4.  权利要求3的方法，其中所述根据所述测量的到达间隔时间来调整每个状态的转变值进一步包括：
跟踪每个状态期间所接收的各个数据包之间的到达间隔时间的改变；以及
根据所跟踪的每个状态的改变来调整该状态的转变值。

5.  权利要求1的方法，其中所述每个状态的转变值是转变值λ_mean，所述转变值λ_mean是在所述状态期间接收的包的平均到达间隔时间。

6.  权利要求1的方法，其中：
所述突发状态的转变值是转变值，所述转变值表示在突发状态中到达间隔时间的上界，以及
每个空闲状态的转变值是转变值，所述转变值表示每个空闲状态中所述到达间隔时间的下界。

7.  权利要求1的方法，其中使用所述具有一个突发状态和多个空闲状态的改进MMPP模型来对网络流量进行的分析是实时执行的。

8.  权利要求1的方法，其中所述具有一个突发状态和多个空闲状态的改进MMPP模型进一步包括在该改进MMPP模型中的所述突发状态和每个空闲状态之间的两个障碍状态。

9.  权利要求1的方法，其中所述具有一个突发状态和多个空闲状态的改进MMPP模型包括至少两个空闲状态。

10.  一种用于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程(‘MMPP’)模型来产生网络流量的方法，所述方法包括：
为该模型中每个状态建立操作时间尺度；
根据所述改进MMPP模型的当前状态来产生待传输的下一个包的到达间隔时间；以及
根据所产生的到达间隔时间从网络适配器传输包。

11.  权利要求10的方法，进一步包括：
根据所述状态的操作时间尺度来建立每个状态的转变值；以及
根据所产生的到达间隔时间和所述转变值来确定所述网络流量的下一个状态。

12.  一种使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程(‘MMPP’)模型来分析网络流量的计算机程序产品，所述计算机程序产品设置在信号承载介质上，所述计算机程序产品包括能进行以下操作的计算机程序指令：
为所述改进MMPP模型中每个状态建立操作时间尺度；
根据所述状态的操作时间尺度建立每个状态的转变值；
测量一个或多个网络适配器中所接收的各个包之间的到达间隔时间；以及
根据所测量的最新接收的包的到达间隔时间和所述转变值而确定所述网络流量的当前状态。

13.  权利要求12的计算机程序产品，其中所述信号承载介质包括可记录介质。

14.  权利要求12的计算机程序产品，其中所述信号承载介质包括传输介质。

15.  权利要求12的计算机程序产品，进一步包括能进行以下操作的计算机程序指令：
根据所述当前状态预测将要接收的下一个包的到达间隔时间；
测量所述下一个包的实际到达间隔时间；以及
根据所述预测的到达间隔时间和所述实际到达间隔时间来调整所述当前状态。

16.  权利要求12的计算机程序产品，进一步包括能根据所述测量的到达间隔时间来调整每个状态的转变值的计算机程序指令。

17.  权利要求16的计算机程序产品，其中所述根据所述测量的到达间隔时间来调整每个状态的转变值进一步包括：
跟踪每个状态期间所接收的各个数据包之间的到达间隔时间的改变；以及
根据所跟踪的所述状态的改变来调整每个状态的转变值。

18.  权利要求12的计算机程序产品，其中所述每个状态的转变值是转变值λ_mean，所述转变值λ_mean是在所述状态期间接收的包的平均到达间隔时间。

19.  权利要求12的计算机程序产品，其中：
所述突发状态的转变值是转变值，所述转变值表示在突发状态中到达间隔时间的上界，以及
每个空闲状态的转变值是转变值，所述转变值表示每个空闲状态中所述到达间隔时间的下界。

20.  权利要求12的计算机程序产品，其中所述具有一个突发状态和多个空闲状态的改进MMPP模型包括至少两个空闲状态。

21.  一种计算机程序，当在计算机上运行所述程序时，包括适于执行权利要求1-11的全部步骤的程序代码装置。

使用改进的马尔科夫调制泊松过程模型来分析和产生网络流量
技术领域
[1]本发明的领域是数据处理，或者更具体地说，是用于使用具有一个突发(bursty)状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量的方法和产品。
背景技术
[2]在网络中信息的流动经常被称作“流量(traffic)”。在网络通信中使用的信息单位被称作“包(packet)”。包通常以随机的间隔到达网络中的一点，导致流量的“突发传输”、引起阻塞、并导致了流量更加稀少的“空闲”时间段。
[3]使用通信网络的系统可从网络流量的分析和表征中获益，从而优化关键性能参数以优化各种网络资源的利用。用于这类分析的应用例子可包括将用户过程与在系统到网络接口的接收操作的完成同步、负载平衡、路由、服务质量管理和系统/网络性能参数自适应调整。执行网络流量分析的一种方式是提供一种识别网络流量特征的模型。在过去的十年中，网络流量已经被表征为本质上既突发传输且自相似。突发传输行为描述在网络中的一点的网络流量以突发串的方式到达。自相似是当在时间维度上以不同的放大程度或不同的比例观察时，网络流量行为表现相同的现象。因为网络流量已经显示出突发传输和自相似，用于分析网络流量的方法应当能表示在自相似流量中突发传输的行为。
[4]已知有不同的方法用于分析和表征网络流量。泊松过程是广泛用于分析来自语音源的流量的模型。然而，在自相似流量中的突发行为由马尔科夫调制泊松过程(MMPP)来近似。MMPP模型由描述描述网络流量的两个状态组成——突发状态和空闲状态。突发状态表示在包到达间隔(inter-arrival)时间相对小的期间的网络流量的状态，这是因为与空闲状态表示的由于流量更稀疏导致的包到达间隔时间相对大的其它期间相比，包以突发串的方式到达。包到达间隔时间是一个包到达和下一个包到达之间的时间段，并且可以从网络上一个或多个点的角度来进行测量。
[5]目前的MMPP模型基于每个状态中的平均到达间隔时间和最新接收的包的到达间隔时间，通过在突发状态和空闲状态之间转变而进行工作。在突发状态中接收的包的平均到达间隔时间是。在空闲状态中接收的包的平均到达间隔时间是。当最新接收的包的到达间隔时间下降到以下时，发生从空闲状态到突发状态的转变。类似地，当最新接收的包的到达间隔时间上升到上时，发生从突发状态到空闲状态的转变。
[6]虽然目前的MMPP模型有助于网络流量的分析，但是现有技术中的MMPP模型没有提供在多个时间尺度上表征网络流量的能力。因此，使用目前MMPP模型的网络流量分析的应用受到网络流量的不准确表征的困扰。此外，使用目前MMPP模型的网络建模应用不能准确产生具有突发行为的自相似网络流量以用于诸如路由器、网络适配器、桥等网络产品的设计、测试和评估。因此，本领域普通技术人员应当理解，存在改进模型以分析和产生网络流量的必要。
发明内容
[7]公开了用于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型MMPP来分析网络流量的方法和产品，其包括：为所述改进MMPP模型中每个状态建立操作时间尺度；根据所述每个状态的操作时间尺度建立该状态的转变值；测量一个或多个网络适配器中所接收的各个包之间的到达间隔时间；以及根据所测量的最新接收的包的到达间隔时间和所述转变值而确定所述网络流量的当前状态。
[8]还公开了用于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型MMPP来产生网络流量的方法，所述方法包括：为该模型中每个状态建立操作时间尺度；根据所述改进MMPP模型的当前状态来产生待传输的下一个包的到达间隔时间；以及根据所产生的到达间隔时间从网络适配器传输包。
[9]根据下面结合附图对本发明的示例性实施例的更具体描述，本发明的上述以及其它目的、特征和益处将变得清晰，其中类似的附图标记通常表示本发明的示例性实施例的类似部分。
附图说明
[10]下面将参考附图，并仅通过例子来描述本发明，其中：
图1给出了网络示意图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量的示例性系统；
图2给出了自动计算机器的框图，包括用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量的示例性服务器；
图3A给出了示例性状态图，例示了根据本发明实施例的具有一个突发状态和两个空闲状态的改进的马尔科夫调制泊松过程模型的例子；
图3B给出了网络流量的示例性时序图，用于使用图3A例示的示例性的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型进行分析；
图4A给出了进一步示例性的状态图，例示了根据本发明实施例的具有一个突发状态和三个空闲状态的改进的马尔科夫调制泊松过程模型的例子；
图4B给出了网络流量的进一步示例性的时序图，用于使用图4A例示的具有一个突发状态和多个空闲状态的示例性的改进的马尔科夫调制泊松过程模型进行分析；
图5A给出了进一步的示例性状态图，例示了根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型的例子，其中一个空闲状态已经被合并到突发状态中；
图5B给出了进一步示例性的网络流量的时序图，用于使用图5A例示的具有一个突发状态和多个空闲状态的示例性改进的马尔科夫调制泊松过程模型进行分析；
图6给出了流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析网络流量的示例性方法；
图7给出了流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析网络流量的进一步的示例性方法；以及
图8给出了流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来产生网络流量的示例性方法。
具体实施方式
[11]从图1开始，将参照附图描述用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量的示例性方法和产品。图1给出了网络示意图，例示了根据本发明实施例的用于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型(‘MMPP’)来分析和产生网络流量的示例性系统。
[12]图1的示例性系统包括连接到数据通信网络(100)和存储区域网络(‘SAN’)(101)的两个服务器(104，106)。服务器(104)通过线路连接(136)连接到数据通信网络(100)并通过线路连接(140)连接到SAN(101)。服务器(106)通过线路连接(138)连接到数据通信网络(100)并通过线路连接(142)连接到SAN(101)。
[13]每个服务器(104，106)都是其上安装有网络分析和产生模块(102)的计算机装置。图1的网络分析和产生模块(102)包括计算机程序指令，其被配置用于：为模型中每个状态建立操作时间尺度；根据每个状态的操作时间尺度为该状态建立转变值；测量一个或多个网络适配器接收的各个包之间的到达间隔时间；以及根据所测量的最新接收的包的到达间隔时间和转变值来确定网络流量的当前状态。图1的网络分析和产生模块(102)还包括被配置用于以下用途的计算机程序指令：为模型中每个状态建立操作时间尺度；根据改进MMPP模型的当前状态产生下一个待传输的包的到达间隔时间；以及根据所产生的到达间隔时间从网络适配器传输包。
[14]基于特定时间段的网络适配器中的包到达，模型中的每个状态表示网络流量的特定特征。例如，突发状态表示在一个时间段到达网络适配器的包以相对于空闲状态表征的其它时间段较小的到达间隔时间到达。也就是说，与更稀疏的网络流量表征的其它时间段相比，在一个时间段期间到达的包以‘突发串’相对接近地一起到达。空闲状态表示在一个时间段到达网络适配器的包以相对突发状态表征的其它时间段较大的到达间隔时间到达。改进模型中的每个状态具有一个转变值，模型使用该转变值来指定何时从突发状态转变到多个空闲状态之一以及反之亦然。
[15]在图1的例子中，安装在每个服务器(104，106)上的网络分析和产生模块(102)使用具有一个突发状态和多个空闲状态的改进MMPP模型来实时地分析并且产生用于网络(100)和SAN(101)的网络流量。网络分析和产生模块(102)通常分别地为网络(100)和SAN(101)分析和产生网络流量。即对于每个网络(100，101)，网络分析和产生模块(102)通常根据该改进的模型来确定网络流量的当前状态或传输包。尽管每个单独网络的网络流量通常由图1的网络分析和产生模块(102)来分别地分析和产生，但是读者将注意到这种分别的分析或产生并不是本发明的限制。
[16]图1的网络分析和产生模块(102)还可基于为网络提供接口的一个或多个网络适配器中接收的包来分析网络的网络流量。例如，网络分析和产生模块(102)可通过把分析限制在安装于单个服务器中的单个网络适配器中接收的包来分析网络流量。图1的网络分析和产生模块(102)还可通过分析安装于单个服务器中的多个网络适配器中接收的包来分析网络流量。更进一步地，图1的网络分析和产生模块(102)可通过分析安装于多于一个服务器的多个网络适配器中接收的包来分析网络流量。事实上，根据本发明的实施例，对于使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量而言，不存在对网络适配器数量或安装有这些适配器的装置数量的限制。
[17]在图1的示例性系统中，数据通信网络(100)是用于连接共同用于数据通信的各种装置的硬件和软件基础结构。在图1的例子中，客户装置(120)通过线路连接(128)连接到网络(100)。客户装置(122)通过无线连接(130)连接到网络(100)。客户装置(124)通过线路连接(132)连接到网络(100)。客户装置(126)通过无线连接(134)连接到网络(100)。
[18]图1的SAN(101)是用于连接共同用于数据通信的各种计算机装置和存储装置的硬件和软件基础结构。SAN(101)的主要目的是在计算机装置和存储装置之间传输数据。通常使用以太网(IEEE802.3)标准或光纤通道(Fibre Channel)标准来实现SAN，但是就像本领域普通技术人员将想到的那样，可使用任一标准或协议来实现SAN。在图1的例子中，存储装置(108)通过线路连接(114)连接到SAN(101)。存储装置(110)通过线路连接(116)连接到SAN(101)。存储装置(112)通过线路连接(118)连接到SAN(101)。就像本领域普通技术人员所能想到的那样，存储装置可被实现为共享存储阵列、磁带库、或任何其它装置。
[19]图1中例示的构成示例性系统的服务器和其它装置的设置是为了解释，而不是限制。根据本发明的各种实施例，有用的数据处理系统可包括附加的服务器、路由器、本领域普通技术人员所能想到的其它装置和点对点架构，图1中并未示出。在这种数据处理系统中的网络可支持许多数据通信协议，包括例如传输控制协议(‘TCP’)、因特网协议(‘IP’)、超文本传输协议(‘HTTP’)、无线接入协议(‘WAP’)、手持设备传输协议(‘HDTP’)，以及本领域普通技术人员能想到的其它协议。除了图1例示的硬件平台以外，本发明的各种实施例可在各种硬件平台上实现。
[20]通常使用计算机(即，自动计算机器)来实现根据本发明的使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量。例如，在图1的系统中，全部的节点、服务器和通信装置都在某种程度上作为计算机而实现。因此，为了进一步的解释，图2给出了自动计算机器的框图，包括用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量的示例性服务器(104)。图2的服务器(104)包括至少一个计算机处理器(156)或‘CPU’以及通过高速存储器总线(166)和总线适配器(158)连接到处理器(156)和服务器其它部件的随机存取存储器(168)(‘RAM’)。
[21]RAM(168)中存储网络分析和产生模块(102)和操作系统(154)。图2例示的网络分析和产生模块(102)是软件部件，即计算机程序指令，其参照上面有关服务器的图1描述的那样进行操作。图2的网络分析和产生模块(102)可通过对操作系统(154)、已安装的设备驱动程序(未示出)、计算机BIOS或其它本领域普通技术人员能想到的方式的函数调用以与安装在服务器(104)中的部件(例如网络适配器(167))进行通信。根据本发明实施例的服务器中有用的操作系统包括UNIX^TM、Linux^TM、Microsoft NT^TM、IBM的AIX^TM、IBM的i5/OS^TM以及本领域普通技术人员能想到的其它操作系统。在RAM(168)中示出了图2的例子中的操作系统(154)以及网络分析和产生模块(102)，但是这种软件的许多部件通常还存储在非易失性存储器中，例如在盘驱动器(170)上。
[22]图2的示例性服务器(104)包括总线适配器(158)、含有用于高速总线的驱动电路的计算机硬件部件、前端总线(162)、视频总线(164)和存储器总线(166)、以及用于较慢扩展总线(160)的驱动电子设备。根据本发明的实施例的有用服务器中的有用的总线适配器的例子包括英特尔北桥、英特尔存储器控制器中心、英特尔南桥、以及英特尔I/O控制器中心。根据本发明的实施例的有用的服务器中的有用的扩展总线可包括外围部件互连(‘PCI’)总线和PCI Express(‘PCIe’)总线。
[23]图2的示例性服务器(104)还包括通过扩展总线(160)和总线适配器(158)耦合到示例性服务器(104)的处理器(156)和其它部件的盘驱动器适配器(172)。盘驱动器适配器(172)把盘驱动器(170)形式的非易失性数据存储连接到示例性服务器(104)。服务器中有用的盘驱动器适配器包括集成驱动器电路(‘IDE’)适配器、小型计算机系统接口(‘SCSI’)适配器、以及本领域普通技术人员能想到的其它适配器。此外，就像本领域普通技术人员所能想到的那样，对于服务器，非易失性计算机存储器可实现为光盘驱动器、电可擦可编程只读存储器(也称作‘EEPROM’或‘闪速’存储器)、RAM驱动器等。
[24]图2的示例性服务器(104)包括一个或多个输入/输出(‘I/O’)适配器(178)。服务器中的I/O适配器通过例如用于控制到显示装置(例如计算机显示屏)的输出和来自用户输入装置(例如键盘和鼠标)的用户输入的软件驱动程序和计算机硬件来实现面向用户的输入/输出。图2的示例性服务器(104)包括视频适配器(176)，其是为输出图形到显示装置(180)(例如显示屏幕或计算机监视器)而特别设计的I/O适配器的例子。视频适配器(176)通过高速视频总线(164)、总线适配器(158)和前端总线(162)(其也是高速总线)连接到处理器(156)。
[25]图2的示例性服务器(104)还包括用于与数据通信网络(200)进行数据通信和用于与存储区域网络(101)进行数据通信的网络适配器(167)。这种数据通信可通过数据通信网络(例如IP数据通信网络)、通过存储区域网络(例如光纤通道网络)以及以本领域普通技术人员所能想到的其它方式进行。网络适配器实现了数据通信的硬件水平，通过网络适配器，一个计算机装置通过数据通信网络发送数据通信到另一个计算机装置。对根据本发明的实施例的使用具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量有用的通信适配器的例子包括用于有线数据通信网络通信的IEEE 802.3以太网适配器、用于无线数据通信网络通信的IEEE802.11b适配器、光纤通道网络适配器等。
[26]为了进一步解释，图3A给出了示例性状态图，例示了根据本发明实施例的具有一个突发状态和两个空闲状态的改进的马尔科夫调制泊松过程模型的例子。图3A的状态图包括突发状态‘B’(300)、第一空闲状态‘I¹’(302)、和第二空闲状态‘I²’(304)。改进MMPP模型中的每个状态描述了不同操作时间尺度上的包的到达间隔时间。典型地，诸个状态之间的操作时间尺度相差至少一个数量级。例如，突发状态(300)可描述在10毫秒到100毫秒范围上的包的到达间隔时间，第一空闲状态(302)可描述在100毫秒到1000毫秒范围上的包的到达间隔时间，并且第二空闲状态(304)可描述在1秒到10秒范围上的包的到达间隔时间。在这种例子中，当包的到达间隔时间位于10毫秒到100毫秒范围内时，网络流量的状态可由突发状态来表示。当包的到达间隔时间位于100毫秒到1000毫秒范围内时，网络流量的状态可由第一空闲状态来表示。当包的到达间隔时间位于1秒到10秒的范围内时，网络流量的状态可由第二空闲状态来表示。因为图3A的每个状态(300、302、304)描述了在不同操作时间尺度上的包的到达间隔时间，所以根据本发明实施例的具有一个突发状态和多个空闲状态的改进MMPP模型提供了在多个时间尺度上准确表征既突发传输又自相似的网络流量的优点。
[27]为了描述在一个特定时间尺度上的包的到达间隔时间，通过在每个状态的特定时间尺度上包的到达间隔时间的指数分布来描述图3A的例子中的每个状态(300、302、304)。使用按照为每个状态(300、302、304)建立的时间尺度而指定的分布平均和分布标准偏差来限定每个状态的指数分布。例如，使用上面提到的时间尺度的示例性数值，可使用具有50毫秒数值的平均到达间隔时间和15毫秒标准偏差的突发状态来限定突发状态的指数分布。当包到达间隔时间在10毫秒到100毫秒的示例性范围上变化时，使用这种示例性数值限定指数分布允许图3A的突发状态(300)表示网络流量的状态。为了表示当包到达间隔时间在100毫秒到1000毫秒的示例性范围上变化时的网络流量状态，可使用具有500毫秒数值的平均到达间隔时间和150毫秒的标准偏差来限定第一空闲状态(302)的指数分布。为了表示当包到达间隔时间在1秒到10秒的示例性范围上变化时的网络流量状态，可使用具有5秒数值的平均到达间隔时间和1.5秒的标准偏差来限定第二空闲状态(304)的指数分布。
[28]在图3A的例子中，每个状态(300、302、304)都具有一个转变值，其根据该状态的操作时间尺度而建立。转变值是由模型使用的数值，用于指定何时从突发状态转变到各个空闲状态之一以及反之亦然。在图3A的例子中，突发状态(300)的转变值为λ^B。第一空闲状态的转变值是λ¹。第二空闲状态的转变值是λ²。在图3A的例子中，λ^B充分小于λ¹；λ¹充分小于λ²；并且λ²充分小于λ³。术语‘充分’意味着转变值的数值至少变化一个数量级。
[29]每个状态的转变值可实现为转变值λ_mean，其是该状态期间接收的包的平均到达间隔时间。使用上述用于每个状态的指数分布的示例性平均值，突发状态(300)的转变值λ^B可为50毫秒，第一空闲状态(302)的转变值λ¹可为500毫秒，且第二空闲状态(304)的转变值λ²可为5秒。使用这些示例性的转变值，当包的到达间隔时间小于50毫秒时，则网络流量的当前状态可由突发状态(300)来表示。而在突发状态(300)时，如果网络适配器中接收到的包的到达间隔时间大于500毫秒但小于5秒，则网络流量的当前状态可转变到第一空闲状态(302)。如果网络适配器中接收到的包的到达间隔时间大于5秒，则网络流量的当前状态可转变到第二空闲状态(304)。
[30]与使用每个状态的平均到达间隔时间作为转变值相反，突发状态(300)的转变值还可实现为转变值，其表示突发状态中到达间隔时间的上界并且定义了具有小于的到达间隔时间的包属于突发状态(300)的概率ρ^B。例如，转变值可被计算为比突发状态的平均到达间隔时间大5个标准偏差。当在使用这种值的突发状态时，当到达间隔时间小于时的包到达属于突发状态的相对概率大于百分之九十九。每个空闲状态(302、304)的转变值可被实现为转变值，其表示每个空闲状态中的到达间隔时间的下界并且定义了具有大于的到达间隔时间的包属于该转变值的特定空闲状态的概率ρ¹。例如，转变值可被计算为比每个空闲状态(302、304)的平均到达间隔时间小两个标准偏差。当在使用这种值的空闲状态中时，当到达间隔时间大于时的包到达属于空闲状态的相对概率大于百分之九十九。
[31]为了防止突发状态和各空闲状态之间的过早转变以及反之亦然，根据本发明实施例的改进MMPP模型还可包括改进MMPP模型中的突发状态和各空闲状态之间的两个障碍状态(未示出)。例如，图3A的例子中，突发状态(300)和第一空闲状态(302)之间可包括两个障碍状态以阻止突发状态(300)和第一空闲状态(302)之间的过早转变。类似地，突发状态(300)和第二空闲状态(304)之间可包括两个障碍状态以阻止突发状态(300)和第二空闲状态(304)之间的过早转变。在完成突发状态(300)和各个空闲状态(302、304)之一之间的转变之前，且反之亦然，通过要求接收到不止一个满足转变要求的包，障碍状态还可操作以阻止过早转变。可通过将障碍状态设置在突发状态和各空闲状态之间并利用一个计数器值，来实现在完成突发状态(300)和各个空闲状态(302、304)之一之间的转变之前接收到不止一个满足转变要求的包的要求。除非计数器值达到某一预定限制，否则可以避免从突发状态到不同于前一状态的状态的转变。
[32]因为图3A的改进MMPP模型具有实施不同操作时间尺度的两个空闲状态，所以改进MMPP模型提供了在相应于两个不同时间尺度的两个空闲时间段中识别或产生突发网络流量的能力。使用上述范围的示例性的时间尺度，改进MMPP模型可被用于在100ms到1000ms的尺度的空闲时间段和1s到10s的尺度上的空闲时间段中识别或产生网络流量的突发时间段。该能力允许该模型区分不同长度的空闲时间段。为了进一步解释，图3B给出了网络流量的示例性时序图，用于使用图3A例示的示例性的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型进行分析。
[33]图3B的时序图描述了使用垂直箭头的包P₁...P₁₀...P_N的到达。垂直箭头之间的空间表示包之间的到达间隔时间。在图3B的时序图中，包P₁、P₂和P₃之间的到达间隔时间为λ^B。包P₃和P₄之间的到达间隔时间为λ¹。包P₄和P₅之间的到达间隔时间为λ^B。P₅和P₆之间的到达间隔时间为λ²。包P₆、P₇和P₈之间的到达间隔时间为λ^B。包P₈和P₉之间的到达间隔时间为λ¹。包P₉和P₁₀之间的到达间隔时间为λ^B。包P₁₀和P_N之间的到达间隔时间为λ³。在图3B的例子中，λ^B充分小于λ¹；λ¹充分小于λ²；并且λ²充分小于λ³。
[34]图3B的时序图中表示的每个到达间隔时间下方是相应于特定到达间隔时间的图3A的改进MMPP模型中的状态。因为λ^B是图3A的突发状态(300)的转变值，所以相应于图3B中包P₁、P₂和P₃之间的到达间隔时间的图3A的改进MMPP模型的状态是突发状态(300)。类似地，相应于包P₄和P₅之间的到达间隔时间、包P₆、P₇和P₈之间的到达间隔时间和包P₉和P₁₀之间的到达间隔时间的图3A的改进MMPP模型的状态是突发状态(300)。
[35]图3B的时序图中的网络流量的突发时间段分散在由图3A的状态图中的空闲状态(302、304)之一表示的多个网络流量空闲时间段之间。相应于包P₃和P₄之间的到达间隔时间的图3A的改进MMPP模型的状态是第一空闲状态(302)。相应于包P₃和P₄之间的到达间隔时间的图3A的改进MMPP模型的状态是第一空闲状态(302)。类似地，相应于包P₈和P₉之间的到达间隔时间的图3A的改进MMPP模型的状态是第一空闲状态(302)。相应于包P₅和P₆之间的到达间隔时间的图3A的改进MMPP模型状态是第二空闲状态(304)。此外，因为λ³大于λ²，所以相应于包P₁₀和P_N之间的到达间隔时间的图3A的改进MMPP模型状态是第二空闲状态(304)。
[36]如上所述，第一空闲状态(302)和第二空闲状态(304)使用不同操作时间尺度来表征网络流量。例如，第一空闲状态(302)可在100毫秒到1000毫秒的时间尺度上表征具有指数分布的网络流量，而例如第二空闲状态(304)可在1秒到10秒的时间尺度上表征具有指数分布的网络流量。读者们应当从图3B的示例性时序图中注意到，具有根据不同时间尺度表征网络流量的空闲状态允许该改进MMPP模型来区分具有不同长度的网络流量的空闲时间段。
[37]在根据本发明的实施例的改进MMPP模型中增加空闲状态的数量增强了该改进MMPP模型区分具有不同长度的各种网络流量空闲时间段的能力。因此，为了进一步解释，图4A给出了一个进一步示例性的状态图，例示了根据本发明实施例的具有一个突发状态和三个空闲状态的改进的马尔科夫调制泊松过程模型的例子。图4A的示例性状态图类似于图3A的示例性状态图。即，图4A的示例性状态图与图3A的示例性状态图的相似之处在于图4A的状态图包括突发状态‘B’(300)、第一空闲状态‘I¹’(302)和第二空闲状态‘I²’(304)。图4A的状态图还包括第三空闲状态‘I³’(306)。图4A的改进MMPP模型中的每个状态描述了不同操作时间尺度上的包的到达间隔时间。例如，突发状态(300)可描述在10毫秒到100毫秒范围上的包的到达间隔时间，第一空闲状态(302)可描述在100毫秒到1000毫秒范围上的包的到达间隔时间，第二空闲状态(304)可描述在1秒到10秒范围上的包的到达间隔时间，并且第三空闲状态(306)可描述在10秒到100秒范围上的包的到达间隔时间。
[38]在图4A的示例性状态图中，每个状态(300、302、304、306)具有根据操作时间尺度而为该状态建立的转变值。在图4A的例子中，突发状态(300)的转变值是λ^B；第一空闲状态(302)的转变值是λ¹；第二空闲状态(304)的转变值是λ²；并且第三空闲状态(306)的转变值是λ³。在图4A的例子中，λ^B充分小于λ¹；λ¹充分小于λ²；λ²充分小于λ³。
[39]如上所述，每个状态(300、302、304、306)的转变值可实现为在该状态期间接收的包的平均到达间隔时间的转变值λ_mean。不使用每个状态的平均到达间隔时间作为转变值，突发状态(300)的转变值还可实现为转变值，其表示突发状态中到达间隔时间的上界并且限定了具有低于的到达间隔时间的包属于突发状态(300)的概率ρ^B。每个空闲状态(302、204、306)的转变值可实现为转变值，其表示每个空闲状态中到达间隔时间的下界并且限定了具有大于的到达间隔时间的包属于该转变值的特定空闲状态的概率ρ¹。
[40]因为图4A的改进MMPP模型具有实现不同操作时间尺度的三个空闲状态，所以改进MMPP模型提供了在相应于三个不同时间尺度的三个空闲时间段之间识别或产生突发网络流量的能力。该能力允许该模型区分不同长度的空闲时间段。为了进一步解释，图4B给出了网络流量的进一步示例性的时序图，用于使用图4A例示的具有一个突发状态和多个空闲状态的示例性的改进的马尔科夫调制泊松过程模型进行分析。
[41]图4B的时序图类似于图3B的时序图。图4B的时序图描述了使用垂直箭头的包P₁...P₁₀...P_N的到达。垂直箭头之间的空间表示包之间的到达间隔时间。图4B的示例性时序图中的包P₁...P₁₀...P_N之间的到达间隔时间λ^B、λ¹、λ²和λ³与图3B的示例性时序图中包P₁...P₁₀...P_N之间的到达间隔时间相同。
[42]图4B的时序图中表示的每个到达间隔时间下方是相应于特定到达间隔时间的图4A的改进MMPP模型中的状态。因为图4A的改进的模型包括了图3A的改进MMPP模型的全部状态，所以在每个到达间隔时间λ^B、λ¹和λ²下方的图4B的状态与图3B中描述的每个到达间隔时间λ^B、λ¹和λ²下方的状态相同。然而，在图4B中，在包P₁₀和P_N之间在到达间隔时间λ³下方描述的状态是第三空闲状态(306)。因为λ³是第三空闲状态(306)的转变值，所以包P₁₀和P_N之间的到达间隔时间λ³将图4A的改进MMPP模型转变成第三空闲状态(306)。因此，三个空闲状态(302、304、306)提供了区分具有三个不同长度的网络流量空闲时间段的能力。
[43]虽然在改进MMPP模型中增加空闲状态的数量增强了该改进MMPP模型区分具有不同长度的各种网络流量空闲时间段的能力，但是空闲状态还可被合并到突发状态中以改变改进MMPP模型把网络流量表征为突发或空闲的粒度。因此，为了进一步解释，图5A给出了进一步的示例性状态图，例示了根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型的例子，其中一个空闲状态已经被合并到突发状态(300)中。
[44]图5A的示例性状态图类似于图4A的示例性状态图。即，图5A的示例性状态图与图4A的示例性状态图的相似之处在于图5A的状态图包括分别具有转变值λ^B、λ²和λ³的突发状态‘B’(300)、空闲状态‘I²’(304)和空闲状态‘I³’(306)。然而，在图5A的例子中，图4A的第一空闲状态(302)已经被合并到突发状态(300)中。把空闲状态合并到突发状态(300)是指校正突发状态(300)的指数分布以覆盖由所合并的空闲状态覆盖的时间尺度。然后可根据突发状态(300)的新时间尺度来建立突发状态(300)的转变值。在图5A的例子中，突发状态(300)的转变值是λ¹。从上面的描述，读者将回忆起来，λ^B充分小于λ¹；λ¹充分小于λ²；并且λ²充分小于λ³。因此，包到达间隔时间等于λ^B的值(其小于转变值λ¹)以及小于或等于λ¹的值可导致转变到突发状态(300)。这样，图5A的改进MMPP模型将网络流量表征为突发传输或空闲的粒度被改变为不再检测由图4A的第一空闲状态(304)(目前已经被合并到图5A的突发状态(300)中)检测的时间尺度的空闲时间段。
[45]为了进一步解释，图5B给出了进一步示例性的网络流量的时序图，用于使用图5A例示的具有一个突发状态和多个空闲状态的示例性改进的马尔科夫调制泊松过程模型进行分析。图5B的时序图类似于图4B的时序图。图5B的时序图使用垂直箭头描述了包P₁...P₁₀...P_N的到达。垂直箭头之间的空间表示包之间的到达间隔时间。图5B的示例性时序图中的包P₁...P₁₀...P_N之间的到达间隔时间λ^B、λ¹、λ²和λ³与图4B的示例性时序图中包P₁...P₁₀...P_N之间的到达间隔时间相同。
[46]图5B的时序图中表示的每个到达间隔时间下方是相应于特定到达间隔时间的图5A的改进MMPP模型中的状态。图5B中到达间隔时间λ^B、λ¹、λ²和λ³和状态之间的对应关系与图4B中的对应关系类似。然而，在图5B的例子中，因为与图4A的改进MMPP模型相比，图5A的改进MMPP模型的粒度减小了，所以在包P₃和P₄之间和在包P₈和P₉之间的到达间隔时间λ¹现在对应于突发状态(300)。在图5A的改进MMPP模型中到达间隔时间为λ¹或更小表示突发网络流量。
[47]如上所述，可利用根据本发明实施例的改进MMPP模型来分析或产生网络流量。因此，为了进一步解释，图6给出了流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型(‘MMPP’)来分析网络流量的示例性方法。
[48]图6所示的实施例包括为改进MMPP模型中的每个状态建立操作时间尺度(802)(800)。每个时间尺度(802)表示包到达间隔时间的范围。在图6的实施例中，可通过为每个状态的指数分布设定数值来为该模型中的每个状态建立(800)操作时间尺度(802)，使得每个时间尺度(802)中的充分数量的到达间隔时间构成了描述特定状态的指数分布所覆盖的充分数量的到达间隔时间。例如，考虑一个空闲状态，其中建立了1秒到10秒的时间尺度。可通过把指数分布的平均值和标准偏差分别设定为5秒和2秒，来建立这种示例性时间尺度。即，在1秒到10秒的时间尺度中的充分数量的到达间隔时间构成了通过由5秒的分布平均值和2秒的标准偏差限定的指数分布所覆盖的充分数量的到达间隔时间。
[49]图6所示的实施例还包括根据每个状态的操作时间尺度(802)而为每个状态建立(804)转变值(806)。每个转变值(806)表示该模型使用的值以指定何时从突发状态转变到诸空闲状态之一以及反之亦然。根据图6的实施例，可通过把每个状态的转变值(806)设定为与该时间尺度的充分数量的值相同幅度量级的值，来依赖于该状态的操作时间尺度(802)来为每个状态建立(804)转变值(806)。根据图6的实施例，还可通过把每个状态的转变值(806)设定为与用于描述为其建立时间尺度(802)的状态的值相同幅度量级的值，来执行依赖于该状态的操作时间尺度(802)来为每个状态建立(804)转变值(806)。例如，考虑为突发状态建立的10毫秒到100毫秒的时间尺度。用于在描述突发状态的这种示例性时间尺度上限定指数分布的值可包括50毫秒的分布平均值和15毫秒的分布标准偏差。该转变值和用于描述突发状态的指数分布相同的幅度量级以及例如在该时间尺度中的充分数量的值可以是50毫秒。
[50]上述例子例示了每个状态的转变值可被实现为转变值λ_mean，其为在该状态期间所接收的包的平均到达间隔时间——即，描述每个状态的指数分布的平均值。然而，与使用每个状态的平均到达间隔时间作为转变值相反，用于突发状态的转变值还可被实现为转变值，其表示突发状态中到达间隔时间的上界并且限定了具有小于的到达间隔时间属于突发状态的概率ρ^B。例如，转变值可被计算为比突发状态的平均到达间隔时间大5个标准偏差。每个空闲状态的转变值可被实现为转变值，其表示每个空闲状态中的到达间隔时间的下界并且限定了具有大于的到达间隔时间的包属于该传输值的特定空闲状态的概率ρ¹。例如，转变值可被计算为比每个空闲状态的平均到达间隔时间小两个标准偏差。
[51]图6所示实施例包括测量(808)在一个或多个网络适配器中接收的各个包之间的到达间隔时间(810)。包到达间隔时间(810)是在一个或多个网络适配器中连续包到达之间的时间段。可通过从一个或多个网络适配器获取包的到达时间戳，来执行根据图6的实施例测量(808)在一个或多个网络适配器中接收的各个包之间的到达间隔时间(810)。还可进一步通过从网络适配器中第二新接收包的到达时间戳中减去从网络适配器中最新接收包的到达时间戳，来根据图6的实施例执行测量(808)在一个或多个网络适配器中接收的各个包之间的到达间隔时间(810)。当在多于一个网络适配器上进行测量(808)时，可使用同步时钟信号来周期性同步提供到达时间戳的每个网络适配器的时钟。
[52]图6的实施例还包括根据所测量的最新接收包的到达间隔时间(810)和转变值(806)来确定网络流量的当前状态(814)(812)。图6的当前状态(814)表示由表征当前网络流量的改进的模型限定的诸状态之一。当前一状态为空闲状态时，可通过如果所测量的最新接收包的到达间隔时间(810)的值小于或等于突发状态的转变值(806)，则把当前状态设定到突发状态，来执行根据图6的方法而根据所测量的最新接收包的到达间隔时间(810)和转变值(806)来确定(812)网络流量的当前状态(814)。在这种实施例中，当前一状态是空闲状态并且所测量的到达间隔时间(810)的值大于突发状态的转变值(806)时，则当前状态(814)保持空闲状态。当前一状态为突发状态时，还可通过把当前状态设定到具有小于或等于所测量的最新接收包的到达间隔时间(810)的最大转变值(806)的空闲状态，来根据图6的方法执行根据所测量的最新接收包的到达间隔时间(810)和转变值(806)来确定(812)网络流量的当前状态(814)。在这种实施例中，当前一状态是突发状态并且没有空闲状态具有小于或等于所测量的到达间隔时间(810)的转变值时，则当前状态(814)保持突发状态。
[53]图6的实施例还包括依赖于所测量的到达间隔时间(810)来调整(816)每个状态的转变值(806)。通过跟踪(818)在每个状态期间接收的各个数据包之间的到达间隔时间(810)的改变(820)并且依赖于所跟踪的该状态的改变(820)调整(822)每个状态的转变值(824)，来根据图6的方法执行依赖于所测量的到达间隔时间(810)而调整(816)每个状态的转变值(806)。图6的所跟踪的改变(820)表示在改进MMPP模型的每个状态期间，一个或多个网络适配器中接收的包的包到达间隔时间(810)随时间的改变。读者们应当注意到，依赖于所测量的到达间隔时间(810)来调整(816)每个状态的转变值(806)有利于允许使用根据本发明实施例的改进MMPP模型的网络流量分析在时间上变得更准确。
[54]在图6的方法中，可通过保持在每个状态期间所接收的各个包之间的到达间隔时间的移动平均(moving average)，来执行跟踪(818)每个状态期间所接收的各个数据包之间的到达间隔时间(810)的改变(820)。虽然可利用移动平均来执行跟踪(818)在每个状态期间所接收的各个数据包之间的到达间隔时间(810)的改变(820)，但是还可以本领域普通技术人员能想到的其它方式来根据图6的方法执行跟踪(818)改变(820)。
[55]在图6的方法中，可通过把每个状态的转变值(824)设定为每个状态期间所接收的各个包之间的到达间隔时间的移动平均λ_mean，来执行依赖于所跟踪的该状态的改变(820)而调整(822)每个状态的转变值(824)。如上所述，与利用每个状态的平均到达间隔时间作为转变值相反，突发状态的转变值可被实现为转变值，其表示突发状态中到达间隔时间的上界，并且每个空闲状态的转变值可被实现为转变值，其表示每个空闲状态的到达间隔时间的下界。还可通过把转变值调整为比突发状态的移动平均大5个标准偏差以及把转变值调整为比每个空闲状态的移动平均小2个标准偏差，来根据图6的方法执行依赖于所跟踪的改变(820)来调整(822)每个状态的转变值(824)。虽然可利用平均值和标准偏差的计算来执行依赖于所跟踪的改变(820)而调整(822)每个状态的转变值(824)，但是还可以本领域普通技术人员所能想到的其它方式来根据图6的方法执行依赖于所跟踪的改变(820)而调整(822)每个状态的转变值(824)。
[56]除了上述分析网络流量的当前状态之外，具有一个突发状态和多个空闲状态的改进马尔科夫调整泊松过程模型还可用于预测网络适配器中将要接收的包的到达间隔时间。这种预测有益于帮助诸应用利用网络资源同步用户过程的能力。此外，为了进一步解释，图7给出了一个流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进马尔科夫调制泊松过程(‘MMPP’)模型来分析网络流量的进一步的示例性方法，其包括根据当前状态(814)来预测(900)将要接收的下一个包的到达间隔时间(902)。
[57]图7所示的实施例类似于图6的方法。即，图7所示的实施例与图6的方法的相似之处在于图7包括为该模型中每个状态建立(800)操作时间尺度(802)，依赖于每个状态的操作时间尺度(802)建立(804)每个状态的转变值(806)，测量(808)一个或多个网络适配器中接收的各个包之间的到达间隔时间(810)，以及根据所测量的最新接收的包的到达间隔时间(810)和转变值(806)而确定(812)网络流量的当前状态(814)。
[58]然而，图7的实施例与图6的实施例的不同之处在于图7的方法包括根据当前状态(814)来预测(900)将要接收的下一个包的到达间隔时间(902)。可通过使用分布平均和分布标准偏差，根据由当前状态(814)的指数分布限定的概率产生随机数，来执行根据图7的方法的根据当前状态(814)来预测(900)将要接收的下一个包的到达间隔时间(902)。所产生的随机数表示待接收的下一个包的预测的到达间隔时间(902)。利用图7的方法的应用可使用预测的到达间隔时间(902)以力图使用户过程与系统到网络接口处的接收操作的完成相同步。然而，读者们将注意到，图7的方法的这种使用是用于解释而不是用于限制。
[59]图7的方法还包括测量(904)下一个包的实际到达间隔时间(906)。可以类似于上面参照图6描述的测量(808)在一个或多个网络适配器中接收的各个包之间的到达间隔时间(810)的方式来执行根据图7的方法的测量(904)下一个包的实际到达间隔时间(906)。
[60]图7的方法包括根据预测的到达间隔时间(902)和实际到达间隔时间(906)来调整(908)当前状态(814)。如果预测的到达间隔时间(902)大于实际的到达间隔时间(906)，可通过与预测的到达间隔时间(902)和实际的到达间隔时间(906)之间的差值成比例地降低当前状态(814)的分布平均值，来根据图7的方法执行根据预测的到达间隔时间(902)和实际到达间隔时间(906)来调整(908)当前状态(814)。如果预测的到达间隔时间(902)小于实际的到达间隔时间(906)，还可通过与预测的到达间隔时间(902)和实际的到达间隔时间(906)之间的差值成比例地提高当前状态(814)的分布平均值，来根据图7的方法执行根据预测的到达间隔时间(902)和实际到达间隔时间(906)来调整(908)当前状态(814)。可根据当前状态(814)的指数分布的标准偏差或根据本领域普通技术人员所能想到的任何其它增量来对当前状态(814)的分布平均值做出更高或更低的调整。依赖于预测的到达间隔时间(902)和实际的到达间隔时间(906)来调整(908)当前状态(814)有益于使利用根据本发明实施例的改进MMPP模型的网络流量的分析在时间上变得更准确。
[61]如上所述，可利用根据本发明实施例的改进MMPP模型来分析或产生网络流量。因此，为了进一步解释，图8给出了一个流程图，例示了用于使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进马尔科夫调制泊松过程(‘MMPP’)模型来产生网络流量的示例性方法。
[62]图8所示实施例类似于图6所示的实施例。即，图8所示实施例与图6的方法的相似之处在于图8的方法包括为模型中每个状态建立(800)操作时间尺度(802)以及依赖于该状态的操作时间尺度(802)而建立(804)每个状态的转变值(806)。图8的例子与图6的例子的相似之处还在于图8的例子包括当前状态(814)。
[63]图8所示实施例与图6所示实施例的不同之处在于图8的方法包括根据改进MMPP模型的当前状态(814)来产生(920)待传输的下一个包的到达间隔时间(922)。可通过根据利用分布平均和分布标准偏差，由当前状态(814)的指数分布限定的概率，来根据图8的方法执行根据改进MMPP模型的当前状态(814)来产生(920)待传输的下一个包的到达间隔时间(922)。所产生的随机数表示为待传输的下一个包产生的到达间隔时间(922)。
[64]图8的方法还包括根据所产生的到达间隔时间(922)从网络适配器传输(924)包。可通过在前一包之后经过由所产生的到达间隔时间(922)指定的时间段之后，在网络上传输下一个包，来根据图8的方法执行根据所产生的到达间隔时间(922)从网络适配器传输(924)包。网络适配器可使用任意数量的通信协议(诸如例如IP、Ethernet^TM、IEEE802.11规范族等)来传输包。
[65]图8的方法还包括根据所产生的到达间隔时间(922)和转变值(806)来确定(926)网络流量的下一个状态(928)。当当前状态(814)是空闲状态时，如果所产生的到达间隔时间(922)的值小于或等于突发状态的转变值(806)，可通过把下一个状态(928)设定为突发状态来根据图8的方法执行根据所产生的到达间隔时间(922)和转变值(806)来确定(926)网络流量的下一个状态(928)。在这种实施例中，当当前状态(814)是空闲状态，并且所产生的到达间隔时间(922)的值大于突发状态的转变值(806)时，则下一个状态(928)保持为空闲状态。当当前状态(814)是突发状态时，可通过把下一个状态(928)设定为具有小于或等于所产生的到达间隔时间(922)的最大的转变值(806)的空闲状态，来根据图8的方法执行根据所产生的到达间隔时间(922)和转变值(806)来确定(926)网络流量的下一个状态(928)。在这种实施例中，当当前状态(814)是突发状态并且没有空闲状态具有小于或等于所产生的到达间隔时间(922)的转变值(806)时，则下一个状态(928)保持为突发状态。
[66]考虑到本文档上面提出的解释，读者们将认识到使用根据本发明实施例的具有一个突发状态和多个空闲状态的改进的马尔科夫调制泊松过程模型来分析和产生网络流量提供了下面的好处：
●使用户过程与在系统到网络接口的接收操作的完成准确同步、平衡网络中负载和路由数据、调整系统/网络性能参数、以及利用行为网络流量模型来替代现有技术中存在的复杂数学模型以提供网络流量的实时分析的能力，以及
●在多个时间尺度上产生自相似的突发传输网络流量的能力用于设计、测试和评估网络节点处的产品。
[67]本发明的示例性实施例主要是在使用具有一个突发状态和多个空闲状态的改进的马尔科夫调整泊松过程模型的用于分析网络流量的全功能性的计算机系统的上下文中描述的。然而，本领域普通技术人员应当理解，本发明还可在用于任何适当数据处理系统的信号承载介质上设置的计算机程序产品中实现。这种信号承载介质可以是用于机器可读信息的传输介质或可记录介质，包括磁介质、光介质或其它适当的介质。可记录介质的例子包括硬盘或软盘中的磁盘、用于光驱动器的压缩盘、磁带和本领域普通技术人员能想到的其它介质。传输介质的例子包括用于语音通信的电话网络和诸如例如Ethernet^TM的数字数据通信网络和与因特网协议和万维网通信的网络以及诸如例如根据IEEE 802.11规范族实现的网络的无线传输介质。本领域普通技术人员将立刻认识到，具有适当编程装置的任何计算机系统都将能执行在程序产品中实现的本发明的方法的步骤。本领域普通技术人员将立刻认识到，虽然本说明书中描述的一些示例性实施例适于在计算机硬件上软件安装并执行，然而，作为固件或作为硬件实现的可替换实施例也在本发明的范围内。