Управление трафиком корпоративных вычислительных сетей на базе нейросетевых технологий тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Стешенко, Виталий Владимирович

• Стешенко, Виталий Владимирович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Стешенко, Виталий Владимирович

ВВЕДЕНИЕ.

ГЛАВА 1. СИСТЕМНЫЙ АНАЛИЗ ФУНКЦИОНИРОВАНИЯ КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ.

1.1. Технология Ethernet.

1.2. Стек протоколов TCP/IP.

1.3. Сервисы корпоративных вычислительных сетей.

1.4. Механизмы управления интенсивностью трафика.

1.5. Механизмы обеспечения гарантированного качества обслуживания.

1.6. Проблема самоподобия трафика.

1.7. Выбор подхода для управления трафиком.

1.8. Постановка задачи исследования.

1.9. Выводы по первой главе.

ГЛАВА 2. МОДЕЛИРОВАНИЕ И АНАЛИЗ ТРАФИКА КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ.

2.1. Основные признаки самоподобных процессов в корпоративных вычислительных сетях.

2.2. Результаты экспериментальных исследований трафика корпоративной вычислительной сети.

2.3. Математическая модель трафика корпоративных вычислительных сетей на основе фрактального броуновского движения.

2.4. Анализ возможности прогнозирования трафика корпоративных вычислительных сетей.

2.5. Выводы по второй главе.

ГЛАВА 3. СОЗДАНИЕ АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАФИКОМ КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ НА БАЗЕ

НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

3.1. Алгоритм перераспределения полосы пропускания.

3.2. Прогнозирование трафика корпоративных вычислительных сетей на базе нейросетевых технологий.

3.3 Алгоритм перераспределения буферной памяти маршрутизаторов.

3.4. Метод интеллектуального управления трафиком.

3.5. Выводы по третьей главе.

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАФИКОМ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

4.1. Имитационное моделирование с помощью симулятора N8-2.

4.2 Структура интеллектуальной системы управления трафиком.

4.3. Программная реализация системы управления трафиком.

4.4. Результаты внедрения подсистемы прогнозирования трафика. в Астраханском государственном техническом университете.

4.5. Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Управление трафиком корпоративных вычислительных сетей на базе нейросетевых технологий»

Информационные технологии постепенно проникают во все сферы человеческой жизни, что сопровождается резким увеличением количества обрабатываемой информации. Согласно исследованию роста объема информации, первое удвоение накопленной человечеством информации заняло около полутора тысяч лет, тогда как в настоящий момент для этого требуется менее пяти. Это влечет за собой постоянное усложнение технологий современных корпоративных вычислительных сетей, объединяющих требуемые для обработки информации ресурсы. На сегодняшний день сложно представить себе изолированный компьютер, не подключенный к корпоративной вычислительной сети, к сети Интернет. В связи с этим все большую актуальность приобретают вопросы проектирования и управления вычислительными сетями, так как от этого напрямую зависит стоимость их монтажа и эксплуатации.

Повышение эффективности работы корпоративных вычислительных сетей позволит более рационально использовать сетевые ресурсы. Кроме этого возможно ускорение развития сетевых технологий при условии построения адекватных моделей сетевого трафика, изучения теоретических и практических особенностей процессов, происходящих в корпоративных вычислительных сетях.

Анализ внутренних процессов современных корпоративных вычислительных сетей невозможен с помощью традиционной теории телетрафика и систем массового обслуживания. Данной проблемой занимаются российские и зарубежные ученые: В. С. Заборовский, А.Я.Городецкий, А.Ю. Громов, W. Willinger, M.S. Taqqu, A. Erramilli, V. Paxson, С. Huang, M. Devetsikiotis, I. Lambadaris, A. Kaye и др., исследования которых показывают неэффективность использования классических моделей теории телетрафика для управления и расчета характеристик корпоративных вычислительных сетей. Учитывая огромные потоки информации, целесообразно использовать для анализа и экспериментальных исследований сетевого трафика интеллектуальные методы.

Основная проблема заключается в использовании в течение десятилетий одних и тех же протоколов передачи данных, таких как TCP (Transmission Control Protocol - протокол управления передачей). В данном протоколе содержится встроенный алгоритм ликвидации перегрузок, который динамически уменьшает скорость передачи трафика для ликвидации возникающих в корпоративной вычислительной сети заторов пакетов, что сильно мешает контролировать задержки распространения пакетов. Между тем, внедрение новых сервисов, таких как аудио- и видеоприложения, да и вполне уже распространенных, например, трафика терминальных приложений (сервер - тонкий клиент), заметно повышает требования к задержкам пакетов в сети. Так, приложения компьютерной телефонии начинают терять в качестве предоставляемых услуг уже при задержке в 80100 мс, которую может внести всего одно сетевое устройство. Необходимо учитывать, что в современных корпоративных сетях обычно несколько последовательно соединенных устройств и общая задержка определяется как сумма задержек в каждом из них. Это особенно плохо сказывается в условиях средней территориально распределенной корпоративной сети -когда внутри отдельных ее сегментов преобладают гигабитные каналы передачи данных, а для связи с остальными сегментами, внешним миром и Интернет, используются гораздо менее скоростные каналы.

Кроме этого, в исследованиях недостаточно полно рассматриваются вопросы управления корпоративными вычислительными сетями в зависимости от текущих условий в сети, перераспределения сетевых к h

J ресурсов между различными сервисами и переконфигурирования коммуникационных устройств в зависимости от интенсивности проходящего через них сетевого трафика. i Простейший пример показывает, что если запустить с небольшим интервалом времени несколько приложений, использующих протокол FTP' 1

File Transfer Protocol — протокол передачи файлов), то первые приложения с s большой долей вероятности получат большую полосу пропускания в канале г передачи данных, чем последующие [71]. Причем разрыв в предоставляемой-полосе может достигать нескольких раз. И хотя для данного* вида трафика задержки^ не очень важны, здесь остается задача экономического характера е перераспределения полосы пропускания.

В связи, с этим возникает актуальный* вопрос повышения • ( эффективности управления1 работой корпоративных вычислительных сетей, из-за неэффективного использования пропускной» способности каналов. Одним из путей' решения данной проблемы, является внедрение ; интеллектуальных технологий в существующие методы и алгоритмы а. управления корпоративными сетями и их трафиком. Аппарат нейронных сетей является наиболее перспективным из интеллектуальных технологий.

Актуальность данной тематики подтверждается ее соответствием г предложенной Мининформсвязи России и одобренной 18.11.2004 г.

Правительством РФ • «Концепции развития рынка информационных технологий в Российской Федерации» и утвержденным 21.05.2006 г ч (I

Президентом Российской Федерации В.В. Путиным приоритетным направлениям развития науки, техники- и критических технологий

Российской Федерации в части развития информационнотелекоммуникационных систем и разработки интеллектуальных систем' I

• управления (. №№ Пр-842 и Пр-843).

Цель настоящего исследования заключается в повышении I 1 i t ч i i эффективности управления трафиком корпоративных вычислительных сетей на основе методов интеллектуального управления.

В соответствии с поставленной целью в диссертационной работе решены следующие задачи: проведен системный анализ технического функционирования корпоративных вычислительных сетей;

- обоснован выбор математической модели для исследования основных характеристик трафика;

- разработан алгоритм перераспределения полосы пропускания на базе нейросетевых технологий; построена модель краткосрочного прогнозирования сетевого трафика на базе нейронных сетей;,

- разработан метод интеллектуального управления трафиком на основе системного- анализа корпоративных вычислительных сетей, алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогнозирования сетевого трафика;

- разработанный метод реализован в виде алгоритмического и программного обеспечения системы управления трафиком на базе нейросетевых технологий; на основе данного метода управления разработана система управления трафиком; проведено имитационное моделирование разработанной системы, показавшее повышение эффективности управления трафиком. Объектом исследования является корпоративная вычислительная сеть, работающая по стеку протоколов TCP/IP, и ее транспортная основа — каналы передачи данных.

Предметом исследования диссертационной работы является управление трафиком сети, проходящим через каналы связи и отражающим ее фактическое состояние и загрузку.

Методы исследования: методы системного анализа, искусственного интеллекта, теория автоматического управления, математическое моделирование, методы математической статистики.

Научная новизна работы заключается в следующем:

- разработан алгоритм перераспределения пропускной способности канала для управления трафиком;

- построена модель краткосрочного прогнозирования трафика на базе нейронных сетей;

- разработан метод интеллектуального управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий.

Практическая значимость работы:

1. Разработано алгоритмическое и программное обеспечение, реализующее систему управления трафиком на базе нейросетевых технологий.

2. Система краткосрочного прогнозирования Интернет трафика пользователей корпоративной вычислительной сети внедрена в Астраханском государственном техническом университете.

3. Получено свидетельство об официальной регистрации программ для ЭВМ №2008611442 «Интеллектуальная автоматизированная система управления коммутаторами корпоративной вычислительной сети» в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается: применением методов системного анализа, искусственного интеллекта; построением нейросетевых моделей, реализующих методы прогнозирования на базе современных информационных технологий; наглядной визуализацией результатов прогнозирования и имитационного моделирования; апробацией результатов исследования на конференциях различного уровня в России; положительными результатами использования научных разработок в Астраханском государственном техническом университете.

Апробация работы. Результаты работы докладывались и обсуждались на Международном форуме информатизации (Москва, 2002), 14-м Всероссийском семинаре «Нейроинформатика и ее приложения» (Красноярск, 2006), Научно-практической конференции «Инновации в условиях развития информационно-коммуникационных технологий» (Сочи, 2006), 3-й Международной заочной научно-практической конференции «Наука на рубеже тысячелетий» (Тамбов, 2006), 10-й Московской международной телекоммуникационной конференции студентов и молодых ученых (Москва, 2006), 20-й Международной конференции «Математические методы в технике и технологиях - ММТТ-20» (Ярославль, 2007), международной конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании'2007» (Одесса, 2007), а также на конференциях профессорско-преподавательского состава АГТУ.

Диссертация выполнена в соответствии с планом госбюджетных научных исследований, проводимых Астраханским государственным-техническим университетом. Полученные результаты отражены в отчете о госбюджетной НИР кафедры «Связь» АГТУ (тема: «Анализ и синтез элементов и устройств телекоммуникационных, информационно-измерительных систем и систем управления»; номер государственной регистрации: 01200509791).

Публикации. Основные теоретические и прикладные результаты диссертационной работы изложены в 8 печатных работах, в том числе 1 статья в журнале по списку ВАК. Зарегистрирован 1 программный продукт в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Без соавторства опубликовано 4 работы.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы и приложений. Основная часть диссертации изложена на 139 страницах машинописного текста, содержит 22 рисунка и 3 таблицы. Список литературы насчитывает 93 наименования.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Стешенко, Виталий Владимирович

4.5. Выводы по четвертой главе

1. Поставлен и проведен эксперимент по анализу эффективности метода интеллектуального управления трафиком на ПЭВМ с помощью имитационного моделирования в эмуляторе т-2. Результаты эксперимента показали увеличение эффективности управления при использовании разработанного на основе нейросетевых технологий метода в среднем на 9%.

2. Разработана структура интеллектуальной системы управления трафиком, состоящая из подсистем: сбора трафика, прогнозирования, анализа и управления.

3. Метод интеллектуального управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий частично реализован в виде алгоритмического и программного обеспечения интеллектуальной системы управления; оригинальность программного продукта подтверждена свидетельством об официальной регистрации программы (Приложение 3).

4. Достоверность и обоснованность результатов, полученных в ходе диссертационного исследования подтверждается апробацией нейросетевой модели краткосрочного прогнозирования и программного продукта в корпоративной вычислительной сети ФГОУ ВПО «Астраханский государственный технический университет» (акт внедрения приведен в Приложении 1).

Ill

ЗАКЛЮЧЕНИЕ

Общим результатом работы является научно обоснованное решение задачи создания и реализации системы управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий:

1. Проведен системный анализ технического функционирования корпоративных вычислительных сетей, в результате которого сделан вывод о необходимости применения интеллектуальных методов для повышения эффективности управления трафиком. Проведен сравнительный анализ интеллектуальных методов, выявивший превосходство нейросетевых технологий в применении к области управления трафиком корпоративных вычислительных сетей.

2. Разработан алгоритм перераспределения полосы пропускания на основе системного анализа корпоративных вычислительных сетей и математической модели сетевого трафика, отличающийся динамическим перераспределением на основе прогнозирования трафика нейросетевыми технологиями. Алгоритм разработан на механизмах шейпинга и полисинга, в рамках основного средства дозирования — схемы «корзина маркеров».

3. Разработана модель краткосрочного прогноза потребления трафика на базе аппарата нейронных сетей, позволяющая улучшить точность прогноза, в среднем, на 4%. Для ее реализации используются результаты трех независимых нейронных сетей и специального блока обработки данных.

4. Разработан метод интеллектуального управления трафиком на основе алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогнозирования сетевого трафика. Метод применим к коммутационным устройствам корпоративных вычислительных сетей - коммутаторам и маршрутизаторам, поддерживающим соответствующие механизмы управления интенсивностью трафика и его сглаживания.

5. Метод реализован в виде алгоритмического и программного обеспечения интеллектуальной системы управления; оригинальность программного продукта подтверждена свидетельством об официальной регистрации программы для ЭВМ №2008611442. Реализация метода выполнена для коммутаторов корпоративных вычислительных сетей.

6. Проведено имитационное моделирование на персональной ЭВМ в среде симулятора т-2, подтверждающее эффективность метода интеллектуального управления трафиком (в среднем на 7—11% потерь меньше).

7. Подсистема прогнозирования трафика внедрена во ФГОУ ВПО «Астраханский государственный технический университет».

Список литературы диссертационного исследования кандидат технических наук Стешенко, Виталий Владимирович, 2008 год

1. Блох, Э.Л. Модели источника ошибок в каналах передачи цифровой информации / Э.Л. Блох, О.В. Попов, В .Я. Турин. М.: «Связь», 1971.-312 с.

2. Вегешна, Ш. Качество обслуживания в сетях IP/ Ш. Вегешна // Основополагающие принципы реализации функций качества обслуживания в сетях Cisco. -М.: Издательский дом «Вильяме», 2003. — С. 368.

3. Вишневский, В.М. Теоретические основы проектирования компьютерных сетей / В.М. Вишневский. М.: Техносфера, 2003. - 506 с.

4. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев и др. Харьков: Основа, 1997. - 112 с.

5. Галушкин, А.И Нейронные сети и проблема малой выборки / А.И. Галушкин // Нейрокомпьютеры и их применение: Сборник докладов V Всероссийской конференции. М., 1999. - С. 399-401.

6. Гилев, С.Е. Сравнение методов обучения нейронных сетей / С.Е. Гилев// Нейроинформатика и ее приложения: Тез. докл. III Всероссийского рабочего семинара. Красноярск, 1994. - С. 80-81.

7. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань. М: СП «Параграф», 1990. -159 с.

8. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. — Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. 276 с.

9. Горбань, А.Н. Применение самообучающихся нейросетевых программ / А.Н. Горбань, Д.А. Россиев, Д.А. Коченов. — Красноярск: СПИ,1994.- 169 с.

10. Городецкий, А.Я. Информатика. Фрактальные процессы в компьютерных сетях / А.Я. Городецкий, B.C. Заборовский / Учебное пособие. СПб.: СПбГТУ, 2000. - 100 с.

11. Документация и программное обеспечение сетевого симулятора ns-2: http ://www-mash.CS .Berkeley .EDU/ns.

12. Ежов, A.A. Нейрокомпьютинг и его применение в экономике и бизнесе / A.A. Ежов, С.А. Шумский. М.:МИФИ,1998. - 224с.

13. Ершов, В.А. Мультисервисные телекоммуникационные сети: Монография / В.А. Ершов, H.A. Кузнецов. М: МГТУ им. Н.Э.Баумана, 2003.-432 с.

14. Ершов М.А., Кузнецов H.A. Теоретические основы построения сети с интеграцией служб / В.А. Ершов, H.A. Кузнецов. — М.: ИППИ РАН,1995.-280 с.

15. Заборовский, B.C. Методы и средства исследования процессов в высокоскоростных компьютерных сетях: дис. . д-ра техн. наук: 05.13.01 — СПб., 1999.-268 с.

16. Клейнрок, JL Вычислительные системы с очередями / JI. Клейнрок. М.: Мир, 1979. - 598 с.

17. Клейнрок, JL Коммуникационные сети / JL Клейнрок. — М.: Наука, 1970.-255 с.

18. Кучерявый, Е.А. Управление трафиком и качество обслуживания в сети Интернет / Е.А. Кучерявый. — СПб.: Наука и техника, 2004. 336 с.

19. Лысюк, Е.В. Проблемы расчета телекоммуникационных служб мультисервисных сетей /Е.В. Лысюк, А.Г. Ложковский // Материалы IX международной конференции «Проблемы функционирования информационных сетей». — Новосибирск, 2006. — С. 6.

20. Макаренко, А. В. Синтез адаптивной системы управления потоком кадров в сетях Gigabit Ethernet /A.B. Макаренко // Журнал радиоэлектроники. М. - 2002. — №2 (http://jre.cplire.ru/ jre/feb02/2/text.html)

21. Митилино, С. Фрактальная катастрофа TCP/IP / С. Митилино // Компьютерное обозрение. 2001. - №9 (http://itc.ua/node/5571)

22. Нейман, В.И. Новое направление в теории телетрафика / В.И. Нейман // Электросвязь. 1998. - №7. - С. 27-30.

23. Оссовский, С. Нейронные сети для обработки информации / С. Оссовский. — М.: Финансы и статистика, 2002. — 344 с.

24. Официальный сайт проекта VINT: http ://www.isi .edu/nsnam/vint/index. html.

25. Пакет, К. Создание масштабируемых сетей Cisco / К. Пакет, Д. Тир. М.: Вильяме, 2002. - 787 с.

26. Петров, В.В. Самоподобие в сетевом трафике / В.В. Петров// 58-я Научная сессия РНТОРЭС им. A.C. Попова: Сборник трудов. Т.2. М., 2003.-е. 126.

27. Петров, В.В. Исследование самоподобной структуры телетрафика беспроводной сети / В.В. Петров, В.В. Платов// Радиотехнические тетради. 2004. - № 30. - С. 58-62.

28. Петров, М.Н. Самоподобие в системах массового обслуживания с ограниченным буфером / М.Н. Петров, Д.Ю. Пономарев // Электросвязь. — 2002.- №2. С. 35-39.

29. Потапов, A.A. Фракталы в радиофизике и радиолокации / A.A. Потапов. М.: Логос, 2002. - 664 с.

30. Потапов, A.A. Фракталы в радиофизике и радиолокации: Топология выборки / A.A. Потапов. М.: Университетская книга, 2005. — 848 с.

31. Рабинер, JI. Р. Цифровая обработка речевых сигналов/ JI. Р. Рабинер, Р.В. Шафнер; пер. с англ. /Под ред. М. В. Назарова и Ю. Н. Прохорова. — М.: Радио и связь, 1981. С. 496.

32. Ретана, А. Принципы проектирования корпоративных IP-сетей /А. Ретана, Д.Слайс, Р.Уайт. М.: Вильяме, 2002. - 367 с.

33. Ромасевич, П.В. Оценка памяти ввода/вывода маршрутизаторов Cisco с интерфейсами множественного доступа в телекоммуникационных сетях с интенсивным трафиком / П.В. Ромасевич //Инфокоммуникационные технологии. 2004. - Т.1. - №4. - С.36-40.

34. Стешенко, В.В. Исследование Интернет трафика пользователей корпоративной вычислительной сети АГТУ/ В.В. Стешенко // Вестник АГТУ (ВАК). 2008. - №1 (42). - С. 130-133 (принято к печати 30 ноября 2006 г.).

35. Столингс, В. Современные компьютерные сети / В. Столингс. 2-е изд.; пер. с англ. А.Леонтьева. — СПб.: Питер, 2003. 784 с.

36. Танненбаум, Э. Компьютерные сети /Э. Танненбаум. 3-е изд. — СПб.: Питер, 2002. 848 с.

37. Тюрин, Ю.Н. Статистический анализ данных на компьютере / Ю.Н. Тюрин, А.А. Макаров /Под ред. В.Э. Фигурнова. М: Инфра-М, 1998. - 528 с.

38. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен. -М.: Мир, 1992. 184 с.

39. Шмелев, И.В. Исследование и разработка метода оперативного управления мультисервисной сетью для потоков трафика с фрактальными свойствами: дис. канд. техн. наук: 05.12.13 — М., 2004.

40. Bates S. Traffic Characterization and Modelling for Call Admission Control Schemes on Asynchronous Transfer Mode Networks. A thesis submitted for the degree of Doctor of Pfilosophy. The University of Edinburgh. 1997.

41. Beran J. Statistical Methods for Data with Long-Range Dependence // Statistical Science, Volume 7, Issue 4. .1992. P. 404-416.

42. Beran J. Statistics for Long-Memory Processes. Chapman & Hall, New York, 1994.

43. Cisco Comparing Traffic Policing and Traffic Shaping for Bandwidth Limiting - http://www.cisco.com/warp/public/105/policevsshape.html

44. Cisco IOS Quality of Service Solutions Configuration Guide, Release 12.2 Policing and Shaping Overview — Cisco Systems http://www.cisco.com/en/US/docs/ios/122/qos/configuration/guide/qcfpolsh.htm 1

45. Crovella M. and Bestavros A. Performance characteristics of world wide web information systems. Tutorial at the SIGMETRICS*97,1997.

46. Crovella M.E, and Bestavros A., Explaining World Wide Web Traffic Self-Similarity, Technical Report: TR-95-015, Computer Science Department, Boston University, 1995.

47. Crovella M.E. and Bestavros A. Self-similarity in world wide web traffic: evidence and possible causes. In Proceedings of the 1996 ACM SIGMET-RICS. International Conference on Measurement and Modeling of Computer Systems, May 1996.

48. Dang T.D., Sonkoly B., Molnar S. Fractal Analysis and Modelling of VoIP Traffic // NETWORKS2004, Vienna, Austria, June 13-16,2004.

49. Erramilli A., Narayan O. and Willinger W. Experimental queucing analysis with long-range dependent packet traffic. IEEE/ACM Transactions on Networking, 4:209-223, 1996.

50. Feder J. Fractals. Plenum Press, New York, 1988.

51. Fractan 4.4 программа для фрактального анализа временных рядов: вычисление корреляционной размерности, корреляционной энтропии и показателя Херста — http://softsearch.ru/programs/175-207-fractan-download.shtml.

52. Grasse М., Frater М and Arnold J. Implications of non-stationarity of MPEG2. In COST257TD(97)10, 1997.64. http://www.cisco.com/cgi-bin/Support/MemCalc/mem-calc.pl

53. Hurst H.E. Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 116:770-808,1951.

54. Hurst H.E. Methods of using long-term storage in reservoirs. Proceedings of the Institution of Civil Engineers, Part I, pages 519-577,1955.

55. Hurst H.E., Black R.P. and Simaika Y.M. Long-Term Storage: An Experimental Study-Constable, London, 1965.

56. Leland W.E. LAN traffic behavior from milliseconds to days. In Proceedings of the ITC 7th Specialist Seminar, Morristown, N.J., 1990.

57. Leland W.E., Taqqu M.S., Willinger W., and Wilson D.V. On the self-similar nature of ethernet traffic // IEEE/ACM Transactions of Networking, 2(1), 1994. p. 1-15.

58. Leland W.E., Taqqu M.S., Willinger W., and Wilson D.V. Statistical analysis of high time-resolution Ethernet LAN traffic measurements. In M. E.

59. Tarter and M. D. Lock, editors, Statistical Applications of Expanding Computer Facilities, volume 25, pages 146-155. Interface Foundation of North America, 1993. Computing Science and Statistics.

60. Levy Vehel J. and Riedi R. Fractional brownian motion and data traffic modeling: The other end of the spectrum. In Fractals in Engineering 97, pages 185-202. Springer, 1997.

61. Li G.L. and Dowd W.D., An Analysis of Network Performance Degradation Induced by Workload Fluctuations, IEEEE/ACM Transactions on Networking, Vol. 3, No. 4, August 1995.

62. Lipsky L., Queueing Theory: A Linear Algebraic Approach. MacMillan and Company, New York, 1992.

63. Mandelbrot B. Some Noises with Iff- Spectrum, a Bridge Between Direct Current and White Noise. IEEE Transactions on Information Theory, IT-13(2):289-298, April 1967.

64. Mandelbrot B.B. A fast fractional Gaussian noise generator. Water Resources Research, 7:543-553, 1971.

65. Mandelbrot B.B. Self-similar error clusters in communications systems and the concept of conditional systems and the concept of conditional stationarity. IEEE Transactions on Communications Technology, COM-13:71-90,1965.

66. Mandelbrot B.B. The Fractal Geometry of Nature. W.H. Freeman and Co., San Francisco, 1982.

67. Molnar S. and Miklos Gy. On burst and correlation structure ofteletraffic models. In D. D. Kouvatsos, editor, 5th IFIP Workshop on Performance Modelling and Evolution of ATM Networks, Ukley, U.K., July 1997.

68. Molnar S., Maricza I., «Source Characterization in Broadband Networks», High Speed Networks Laboratory, Dept. of Telecommunications and Telematics, Technical University of Budapest, 1999.

69. Norros I. A storage model with self-similar input. Queueing Systems And Their Applications, 16:387-396,1994.

70. Norros I. On the use of fractional Brownian motion in the theory of connectionless networks. IEEE Journal on Selected Areas in Communications, 13:953-962,1995.

71. Norros I., "Four approaches to the fractional Brownian storage," Fractals in Engineering, pp. 154-169,1997.

72. Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. John Wiley & Sons, 2000.

73. Paxson V., "Fast, approximate synthesis of fractional Gaussian noise for generating self-similar network traffic," Computer Communication Review, vol. 27, pp. 5-18, Oct. 1997.

74. Paxson V., Floyd S. Wide-Area Traffic: The Failure of Poisson Modeling // IEEE/ACM Transactions on Networking; 1995.

75. Selfis vO.lb Программа для вычисления показателя Херста. Автор Thomas Karagiannis / http://www.cs.ucr.edu/~tkarag/Selfis/Selfis.html

76. Taqqu M.S. A bibliographical guide to self-similar processes and long-range dependence. In E. Eberlein and M. S. Taqqu, editors, Dependence in Probability and Statistics, pages 137-162, Boston, 1986. Birkhauser.

77. Taqqu M.S. Self-similar processes. In S. Kotz and N. Johnson, editors, Encyclopedia of Statistical Sciences, pages 352-357. Wiley, New York, 1988. Volume 8.

78. Taqqu M.S., Willinger W. and Sherman R., "Proof of a fundamental result in self-similar traffic modeling", Computer Communication Review 27, pp.5-23,1997.

79. Teverovsky V. and Taqqu M.S. Testing for long-range dependence in the presence of shifting means or a slowly declining trend using a variance-type estimator. Preprint, 1995.