Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Modeling the Process of Dynamic Resource Sharing Between LTE and NB-IoT Services Kapitel lesen Erstes Kapitel lesen

2017 | Supplement | Buchkapitel

Hidden Markov Models in Long Range Dependence Traffic Modelling

verfasst von : Joanna Domańska, Adam Domański, Tadeusz Czachórski

Erschienen in: Distributed Computer and Communication Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Hidden Markov Models (HMM) have been widely used in several areas of computer science. Conventional HMMs are well-known for their efficiency in modeling short-term dependencies between adjacent elements, but some researchers concluded that they cannot grasp long-range interactions between distant elements. Long-range dependence (LRD) of data refers to temporal similarity present in the data. Various studies demonstrated the presence of LRD at network traffic on several levels of communications protocols. This paper concerns the HMM-traffic source capability to capture the LRD appeared in real network traffic. We used several estimators of Hurst parameter to evaluate the LRD. Not all LRD processes mandatorily have a definable Hurst parameter, but the value of H between 0.5 and 1 is usually considered the standard measure of LRD.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Multiservice Queueing System with MAP Arrivals for Modelling LTE Cell with H2H and M2M Communications and M2M Aggregation
Nächstes Kapitel Integration Data Model for Continuous Service Delivery in Cloud Computing System
Literatur
1.
Willinger, W., Leland, W.E., Taqqu, M.S.: On the self-similar nature of ethernet traffic. IEEE/ACM Trans. Netw. 2, 1–15 (1994)CrossRef
2.
Norros, I.: On the use of fractional Brownian motion in the theory of connectionless networks. IEEE J. Selected Areas Commun. 13(6), 953–962 (1995)CrossRef
3.
Erramilli, A., Singh, R.P., Pruthi, P.: An application of determinic chaotic maps to model packet traffic. Queueing Syst. 20(1–2), 171–206 (1995)CrossRefMATH
4.
Harmantzis, F., Hatzinakos, D.: Heavy network traffic modeling and simulation using stable FARIMA processes. In: 19th International Teletraffic Congress, Beijing, China (2005)
5.
Andersen, A.T., Nielsen, B.F.: A markovian approach for modeling packet traffic with long-range dependence. IEEE J. Selected Areas Commun. 16(5), 719–732 (1998)CrossRef
6.
Robert, S., Boudec, J.Y.L.: New models for pseudo self-similar traffic. Perform. Eval. 30(1–2), 57–68 (1997)CrossRef
7.
Rabiner, L.R.: A tutorial on Hidden Markov Models and selected applications in speech recognition. Proc. IEEE 77(2), 257–286 (1989)CrossRef
8.
Domańska, J., Domański, A., Czachórski, T.: Internet traffic source based on hidden markov model. In: Balandin, S., Koucheryavy, Y., Hu, H. (eds.) NEW2AN/ruSMART -2011. LNCS, vol. 6869, pp. 395–404. Springer, Heidelberg (2011). doi:10.​1007/​978-3-642-22875-9_​36 CrossRef
9.
Beran, J.: Statistics for long-Memory Processes. Chapman & Hall, New York (1994)MATH
10.
Mandelbrot, B.B., Wallis, J.: Computer experiments with fractional gaussian noises. Water Resour. Res. 5(1), 228–241 (1969)CrossRef
11.
Geweke, J., Porter-Hudak, S.: The estimation and application of long memory time series models. J. Time Ser. Anal. 4(4), 221–238 (1983)MathSciNetCrossRefMATH
12.
13.
Park, C., Hernandez-Campos, F., Long, L., Marron, J., Park, J., Pipiras, V., Smith, F., Smith, R., Trovero, M., Zhu, Z.: Long range dependence analysis of internet traffic. J. Appl. Stat. 38(7), 1407–1433 (2011)MathSciNetCrossRef
14.
Yoon, B.J., Vaidyanathan, P.P.: Context-sensitive hidden Markov models for modeling long-range dependencies in symbol sequences. IEEE Trans. Sig. Process. 54, 4169–4184 (2006)CrossRef
15.
Paxson, V.: Fast, approximate synthesis of fractional Gaussian noise for generating self-similar network traffic. ACM SIGCOMM Comput. Commun. Rev. 27(5), 5–18 (1997)CrossRef
16.
Bilmes, J.A.: A Gentle Tutorial od the EM Algorithm and its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models, University of Berkeley (1998)
17.
Domańska, J., Domański, A., Czachórski, T.: Modeling packet traffic with the use of superpositions of two-state MMPPs. In: Kwiecień, A., Gaj, P., Stera, P. (eds.) CN 2014. CCIS, vol. 431, pp. 24–36. Springer, Cham (2014). doi:10.​1007/​978-3-319-07941-7_​3 CrossRef
18.
Domańska, J., Domański, A., Czachórski, T.: Estimating the intensity of long-range dependence in real and synthetic traffic traces. In: Gaj, P., Kwiecień, A., Stera, P. (eds.) CN 2015. CCIS, vol. 522, pp. 11–22. Springer, Cham (2015). doi:10.​1007/​978-3-319-19419-6_​2 CrossRef
19.
Clegg, R.G.: A practical guide to measuring the Hurst parameter. Int. J. Simul. 7(2), 3–14 (2006)
20.
Karagiannis, T., Molle, M., Faloutsos, M.: Long-range dependence: ten years of internet traffic modeling. IEEE Internet Comput. 8(5), 57–64 (2004)CrossRef
21.
Stolojescu, C., Isar, A.A.: Comparison of Some Hurst Parameter Estimators. In: 13th International Conference on Optimization of Electrical and Electronic Equipment, Brasov, Romania, pp. 1152–1157 (2012)
Metadaten
Titel
Hidden Markov Models in Long Range Dependence Traffic Modelling
verfasst von
Joanna Domańska
Adam Domański
Tadeusz Czachórski
Copyright-Jahr
2017
Buch
Distributed Computer and Communication Networks

Print ISBN: 978-3-319-66835-2

Electronic ISBN: 978-3-319-66836-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-66836-9_7