Estimación del Exponente de Hurst en Flujos de Tráfico Autosimilares

EasyChair Preprint 5159

Abstract

Este trabajo presenta, desarrolla y discute la existencia de un proceso con estructura de memoria de largo alcance, representativo de la independencia entre el grado de aleatoriedad del tráfico generado por las fuentes y del patrón de flujo exhibido por la red, en términos de una nueva variante algorítmica del estimador de máxima verosimilitud (MLE) de Whittle para el cálculo del exponente de Hurst (H) de las series temporales autosimilares de segundo orden estacionarias representativas de los flujos tanto de las fuentes individuales como de su agregación. Se discute además la problemática adicional introducida por el fenómeno de la localidad del exponente de Hurst, que se presenta cuando los flujos de tráfico se componen de diversos elementos con diferentes exponentes de Hurst. Se expone esta instancia con el ánimo de ser considerada como una forma nueva y alternativa para abordar el modelado y simulación del tráfico en las actuales redes de computadoras.

Keyphrases: Hurst exponent (H), Long-scope memory, Maximum Likelihood Estimator (MLE), Telematic traffic modeling, Whittle estimator, long-range dependence, self-similarity

@booklet{EasyChair:5159,
  author    = {Ginno Millán},
  title     = {Estimation of Hurst Exponent in Self-similar Traffic Flows.},
  howpublished = {EasyChair Preprint 5159},
  year      = {EasyChair, 2021}}