网络流量特性的研究,以及流量建模和流量预测,大多是基于统计学的时间序列分析理论。时间序列是所研究系统的历史行为的客观记录,时间序列分析就是对这些历史记录进行分析,找出数据之间存在的统计上的依赖关系,把握系统的结构特征和运行规律,从而可以对系统的将来行为作出预测。分形理论在各个领域得到了广泛的应用,其最明显的特性就是自相似特性。自相似序列具有长相关特性,其自相关函数值随着间隔值的增大呈渐近双曲线衰减。自相似特性在20世纪90年代被正式引入到网络流量特性的描述之中,其后,网络流量的建模与预测也将网络流量的自相似特性考虑在内,而Hurst参数表征了序列自相似性的强度,因此如何较准确地估计Hurst参数对于研究网络流量自相似特性具有重要意义。本文通过实验对Hurst参数估计的各种方法做了准确性和稳定性的比较与分析。此外通过网络仿真,对网络流量自相似特性及其成因进行了分析和验证。网络流量预测对于设计新一代网络协议、网络管理以及提高网络的服务质量等都具有重要意义。本文通过实验对大量实际网络流量数据按不同的时间尺度与时序模型进行了建模和预测,比较了不同时间尺度下各时序模型的预测性能,经过分析得出以下结论:时序模型在毫秒级和秒级时间尺度下,有较大的预测误差,而在分钟级时间尺度下,能达到较好的预测效果。