信号模式生成设备、方法及其程序和存储介质、网络耐性测试系统及方法

摘要

根据本发明有可能生成这样的信号模式，其具有能够处理访问量的突然增大的高访问量、具有足够的重尾特性，针对多个时间区间提供足够的分形特性，并且能够提供适当的短时间区间分布特性。根据本发明的信号模式生成设备包括：根信号生成部件(12)，用于生成具有正值性的重尾分布根信号；统计自相似性信号生成部件SSSSG，用于根据小波分析从根信号生成统计自相似性信号；通用滤波器部件(20)，用于将统计自相似性信号分成至少两个中间模式；系数获取部件(22)，用于获取用于这两个中间模式的系数；以及再合成部件(24)，用于从这两个中间模式和所获取的系数生成再合成信号模式。

说明书

技术领域

本发明涉及信号模式的生成，特别涉及一种信号模式生成设备，其即使当在访问量大的时候发生访问量的突然增大时，也能够执行适当处理，具有足够的重尾(long-tail)特性，并且能够相对于关于时间的多个区间提供足够的分形特性(fractality)，并且提供适当的短区间分布特性；能够提供该特性的信号模式生成方法；使计算机系统执行该信号模式生成方法的程序；在其上存储了该程序的计算机可读存储介质；网络耐性(endurance)测试系统；以及网络耐性测试方法。

背景技术

近年来，计算机系统的网络已经得到广泛应用。在包括因特网的通过基础设施的网络中，需要针对对组成网站等的服务器的访问，预先评测系统的可靠性和耐受性(durability)。例如，对于所设计的系统具有怎样的耐受度、系统是否具有最优配置以便能够保持恒定的处理速度、以及要补充多少数量的系统资源，进行这样的环境下系统的可靠性和耐受性的评测。按照通过网络通信的信息的价值或重要度，通过实际形成系统并且在实际使用时的运行期间评测系统来进行这些评测是不适当的。因此，期望预先通过模拟来评测服务器的上述网络耐性等。另外，可以通过以实际的访问频率进行模拟等来确定实际提供万维网服务或万维网应用的服务器的响应的调整度，以便改善服务器的响应。如果可以进行该确定，则可以高效地以非试错(non-try-and-error)的方式执行调整。这样，在任何情况下，优选的是，关于网络耐性的特定服务器的模拟变得可能。

模拟是用于分析和预测网络中的计算机系统的端到端性能的有效手段之一，其中该计算机系统例如为如上所述变得复杂的网站。为了实现上述模拟，采用了根据排队理论等来分析响应时间的方案。然而，在复杂地形成包括最终用户和服务器站点的整个系统的情况下，基于排队理论的建模不一定是适当的，并且需要通过基于网络、最终用户和服务器的详细建模的模拟来分析和预测系统的行为。在模拟中，如果确定要被分析和预测的系统配置，则通过以使整个系统在向其输入根据特定随机和统计特性规定的时间序列模式时工作的方式获得关于系统的输出信息，执行分析和预测。例如，可以从其中获得用于系统的自动再配置和自动优化的反馈信息。

当通过模拟来分析和评测系统的可靠性和耐受性(在本发明的描述中，以下被统称作“耐性”)时，有必要根据实际测量的访问模式的例子来假定反映访问模式特性的随机模型，并且通过生成多个模拟访问模式来进行与各种情况相关的试验。具体地说，用于模拟高容量网站(high-volume Web site，HVWS)等的访问模式所需的重要特性是时时刻刻变化的统计自相似性和重尾分布特性，并且在相对短期内见到的分布特性形成可以被认为是在随机性/统计上相当于目标测量例子的信号模式。

对于上述通过网络访问的模式，已经进行了各种研究。例如，在Willinger等人的文献(W.Willinger，M.S.Taqqu，R.Sherman和D.V.Wilson，“Self-Similarity Through High-Variability：Statistical Analysis ofEthernetLAN Traffic at the Source Level”，IEEE/ACM Trans.Networking，Vol.5，No.1，pp.71-86，Feb.1997)和其它文献中，指出了包括统计自相似性、突发特性和长区间相关性的特性存在于网络通信量(traffic)中，并且通过泊松分布或马尔可夫模型的通信量的随机表达是不够的。此后进行了关于在分析和模拟网络通信量中采用统计分形特性的研究。此外，在Crovella等人的文献(M.E.Crovella和A.Bestavros，“Self-Similarity in World Wide Web Traffic：Evidence and PossibleCauses”，IEEE/ACM Trans.Networking，vol.5，No.6，PP.835-846，Dec.1997)中指出了上述分形特性是不仅在LAN等内的通信量中、而且在访问在WWW等中相关的因特网相关服务器的模式中广泛存在的特性。

作为具有上述分形特性的时间序列模式而已被研究的典型时间序列信号是分数布朗运动(fBm)，并且用于生成这种信号的各种方法已被研究。然而，通过使用任何这些已研究的方法，都不能可靠地产生与计算机网络系统例如应用本发明的计算机网络系统相关的通信量或访问模式的统计特性。

这样的一个原因是fBm不能保持正值性，这是通信量和访问特性之一。正值性是指这样的分布，即当独立变量为正时可靠地返回正值，并且不涉及独立变量为负的情况。第二原因是在fBm信号中相对于观察区间而假定一个自相似性参数(赫斯特参数)，并且可以认为，在要根据本发明生成的时间序列模式中，自相似性参数在观察区间内随着时间而变化，或者多个自相似性参数存在于观察区间内。实际上，根据Gilbert等人的文献(A..C.Gilbert，W.Willinger和A.Feldman，“ScalingAnalysis of Conservative Cascades with Applications to Network Traffic”，IEEE Trans.Information Theory，Vol.45，No.3，pp.971-991，April 1999)等，通过假定在因特网通信量中存在如上所述的多重分形特性来进行了分析。第三原因是在fBm的情况下没有考虑对原始模式的短区间分布适应性。

如上所述在观察区间内具有多个赫斯特参数的时间序列信号在广义上被称作具有多重分形特性的信号。在Riedi等人的文献(R.H.Riedi，M.S.Crouse，V.J.Ribeiro和R.G.Baraniuk，“A Multifractal WaveletModel with Application to Network Traffic”，IEEE Trans.InformationTheory，Vol.45，No.3，pp.992-1018，April 1999)中，公开了一种方法，其生成具有上述多重分形特性、重尾分布并且具有在一定程度上保持的正值性的网络通信量。Riedi等人提出了一种通过使用小波的技术来进行模拟的方法。在通过该技术生成的信号模式中，在短区间内见到的模式分布中包含误差具有较高的可能性。

将对此进行更详细的描述。在Riedi等人的上述文献中提出了一种生成重尾正多重分形信号的方法。下面概述了Riedi等人的方法。重复在图12的流程图中示出的步骤直到给定次数n，从而最终获得序列：

{C⁽ⁿ⁾[k]＝2^-n/2U_n，k|k＝0，1，...，2ⁿ-1}      [方程式1]

作为目标信号模式X[k]。

然而，本发明的发明人所作详细分析的结果显示了该技术具有两个问题。第一问题是在图12所示的处理中根据高斯分布生成根信号作为随机时间序列。在本质上，根信号承载目标信号的最低频率分量。在这种情况下，不仅在所生成的信号中而且在根信号中保持其正值性是适当的。然而，在根据高斯分布生成时间序列的情况下，不确保其正值性。因此，在最终获得的整个分布中低频侧的误差增大的原因被提供为信号模式生成的种子。从而必然导致来自被观察信号的误差。

第二问题是存在由于U_j，k和W_j，k的重复计算而累积误差的可能性。该误差累积可以如下加以说明。图12所示的步骤根据由下面方程式表示的小波分解而导出。

[方程式2]

$>>X>>(>t>)>>=>>\Sigma >k>>>U>>>J>n>>,>k>>>>\phi >>>J>n>>,>k>>>>(>t>)>>+over>>\Sigma >>j>=>>J>n>>>\infty over>>>\Sigma >k>>>W>>j>,>k>>>>\psi >>j>,>k>>>>(>t>)>>>s>$

其中

[方程式3]

W_j，k≡∫X(t)ψ_j，k(t)dt

U_j，k＝∫X(t)φ_j，k(t)dt

另外，ψ_j，k和_j，k通过使用带通小波函数ψ(t)和低通定标(scaling)函数(t)被定义为下面方程式：

[方程式4]

ψ_j，k(t)≡2^j/2ψ(2^jt-k)

φ_j，k(t)≡2^j/2φ(2^jt-k)

因此，Riedi等人的方法伴有这样的问题，即在生成具有多重分形特性的正重尾时间序列模式时，一旦发生来自实际信号的误差，则主要地在对应于低频分量的信号中累积它。更具体地说，由于这一问题，发生这样的现象，其中对应于低频分量并且基本上不变化的时间序列模式占优势，并且展示细微变化的模式和表示细微变化的高频分量没有很好地反映在最终模式中。这样，根据Riedi等人的文献的方法的缺点是当在短区间内观察模式时，难以在该模式中产生表示突然变化的模式分布。在本发明的描述中，“低频分量”和“高频分量”是与访问频率相对应而专用的术语，其用于区分在能够作为非线性滤波器而形成的通用滤波器中提取的分量。因此，术语“低频分量”和“高频分量”不直接表示根据本发明的信号模式是诸如包括时间变量的图像或音频数据之类的数据。

这意味着对于通信量模式，表达突然变化如由于大规模访问的突然发生而导致的突然变化的模式相对弱。如果通过由Riedi等人提出的方法而生成的时间序列模式用于模拟访问量突然且大幅变化的站点，则获得与实际条件不同的预测结果，这是不理想的。

例如，在被称作HVWS的上述计算机系统中，发生访问量的突然大幅变化。典型的例子是在因特网上提供关于事件如奥运会的信息的事件站点。因此，在模拟HVWS中的服务器等的行为中，特别重要的是，生成和使用这样的模式，其具有多重分形特性和重尾分布特性，并且还具有反映短区间内的随机和统计特性的分布，使得突然发生相当大量的访问。没有提供这样的方法或设备，其用于通过根据实际测量的数据估计随机和统计特性来生成模式，使得反映上述特性。

存在生成具有正重尾分布的访问模式的方法的其它例子，它们是对α稳定分布进行卷积的方法和使用fARIMA(分数自回归整合滑动平均)模型的方法，其中可以考虑短区间和长区间相关性。然而，在这些例子的任一个中都没有涉及多重分形特性。

作为HVWS的特征，在Squillante等人的文献(M.S.Squillante，D.Yao和L.Zhang，“Web Traffic Modeling and Web Server PerformanceAnalysis”，IEEE Proc.The 38^th Conf.on Decision & Control，pp.4432-4439，Dec.1999)中还指出了模式中的多个特性分布的程度取决于位置和时间条件的事实。然而，没有提供能够容易地针对这样的分布变化而执行适当处理的生成方法或设备。

发明内容

本发明的目的是提供一种信号模式生成设备，其即使当在访问量大的时候发生访问量的突然增大时，也能够执行适当处理，具有足够的重尾特性，并且能够相对于关于时间的多个区间提供足够的分形特性，并且提供适当的短区间分布特性；能够提供该特性的信号模式生成方法；使计算机系统执行该信号模式生成方法的程序；在其上存储了该程序的计算机可读存储介质；网络耐性测试系统；以及网络耐性测试方法。

本发明是基于这样的发现而实现的，即通过将适当的区间分布特性加到由正值形成的、具有重尾分布的多重分形特性的信号，可以解决传统技术的上述问题。根据本发明，首先，通过使用其中确保了正值性的α稳定分布作为概率分布，执行根信号的建模。此外，由非线性滤波器从具有多重分形特性的信号中提取与低频分量和高频分量相对应的分量。通过改变这些分量的强度(intensity)来执行这些分量的再合成。根据本发明，采用上述方案，以便允许将低频分量与高频分量的比率设为参数。也就是，根据本发明，用户可以容易地改变长区间相关性和短区间相关性的信号值的比率。因此，可以提供这样的信号模式，其允许以改善的准确度容易地执行网络耐性的模拟。也就是，本发明通过生成具有上述时间序列特性和具有接近于实际测量数据的随机和统计特性的信号模式来解决上述问题。

也就是，根据本发明，提供了一种信号模式生成设备，其生成具有统计自相似性的信号模式，该设备包括：

根信号生成部件，生成根信号；

统计自相似性信号生成部件，基于小波分析从根信号生成统计自相似性信号；

分解部件，将统计自相似性信号分解成至少两个中间模式；

系数获取部件，获得用于这两个中间模式的系数；以及

再合成部件，从这两个中间模式和系数生成再合成模式。

根据本发明，上述根信号生成部件包括通过读出α稳定分布函数来生成根信号的装置。根据本发明，上述统计自相似性信号生成部件被形成为包括以软件或硬件方式形成的滤波器组部件。另外，上述分解部件包括通用滤波器，其至少包括非线性滤波器。此外，上述系数获取部件包括存储从这至少两个中间模式的比率算出的系数、或者从外部输入的系数的装置。

根据本发明，提供了一种信号模式生成方法，其中控制计算机，以便生成具有统计自相似性的信号模式，该方法使计算机执行以下步骤：

生成根信号；

基于小波分析从根信号生成统计自相似性信号；

将统计自相似性信号分解成至少两个中间模式；

获得用于这两个中间模式的系数；以及

从这两个中间模式和系数获得再合成模式。

根据本发明，提供了一种计算机可执行程序，其用于执行信号模式生成方法，其中控制计算机，以便生成具有统计自相似性的信号模式，该程序使计算机在功能上形成：

用于生成根信号的单元；

用于基于小波分析从根信号生成统计自相似性信号的单元；

用于将统计自相似性信号分解成至少两个中间模式的单元；

用于获得用于这两个中间模式的系数的单元；以及

用于从这两个中间模式和系数获得再合成模式的单元。

根据本发明，提供了一种网络耐性测试系统，其包括：

信号模式生成部件，生成具有统计自相似性的再合成信号模式；

访问请求生成部件，接收从信号模式生成部件生成的再合成信号模式，并且生成时间序列访问请求；以及

信息处理部件，从访问请求生成部件接收访问请求，根据该请求执行处理，并且存储执行日志。

根据本发明，提供了一种使用网络耐性测试系统评测万维网服务器的事务处理特性的方法，其中该网络耐性测试系统包括信号模式生成部件，生成具有统计自相似性的再合成信号模式；访问请求生成部件，接收从信号模式生成部件生成的再合成信号模式，并且生成时间序列访问请求；以及信息处理部件，从访问请求生成部件接收访问请求，并且根据该请求执行处理，该方法包括以下步骤：

从信号模式生成部件送出再合成信号；

在访问请求生成部件中从合成信号模式生成时间序列访问请求，并且向万维网服务器送出该访问请求；以及

在万维网服务器中响应于该访问请求而执行处理，并且获得执行日志。

附图说明

图1是概述了本发明的信号模式生成方法的流程图；

图2是可用来生成本发明的分形信号的流程图；

图3是示出由数字滤波器组实现用于合成小波的处理的情况下的实现例子的图；

图4是概述了本发明的信号模式生成方法的另一实现模式的流程图；

图5是通过相对于时间输出实际测量的访问频率而形成的图；

图6是相互比较地示出根据本发明而生成的再合成信号模式和通过传统模拟而提供的模式的图；

图7是示出本发明中的多重分形特性的图；

图8是示出本发明中的再合成信号模式的信号值分布的图，其中通过相对于区间按照强度的升序和强度的降序对信号值进行排序；

图9是示出传统信号模式的信号值分布的图，其中通过相对于模拟区间按照强度的升序和强度的降序对信号值进行排序；

图10是本发明的信号模式生成设备的示意性功能方框图；

图11是示意性地示出本发明的网络耐性测试系统的配置的图；以及

图12是示出用于生成传统的统计自相似性信号的处理的流程图。

具体实施方式

本发明的实施例将通过考虑网络通信量作为具体实现模式来加以描述。然而，下面提出的技术不局限于对网络的应用。本发明也可以应用于最终用户或服务器站点处的本地访问模式或事务通信模式。

在网络中的访问模式或事务通信模式用于模拟的情况下，期望输入模式的随机和统计特性与要被研究的系统的实际测量的例子相一致，并且该特性具有遵循自动系统优化的重要基本作用。

作为应用本发明的HVWS中所需的通信量模式的特性，需要正值性、多重分形特性、重尾分布特性、长区间相关性和短区间相关性的共存等。

图1是概述了根据本发明的信号模式生成方法的处理的流程图。在步骤S10，生成具有正值性的重尾分布多重分形信号。下一步，在步骤S12，通过使用通用滤波器例如非线性滤波器或线性滤波器，执行低频分量和高频分量的分量分离，以形成被称作中间模式的信号模式。该中间模式可以根据所使用的通用滤波器的特性等按照需要而改变。根据本发明，从如上所述生成的信号模式生成中间模式，以使得能够对这些分量进行加权。

在本发明的描述中，术语“通用滤波器”表示可以以软件方式形成以便根据需要用作线性滤波器或非线性滤波器的滤波器。然而，并没有从本发明中排除使用以硬件方式形成的滤波器的意图。在步骤S14，计算向低频分量和高频分量提供的权重。在步骤S16，改变这些分量的比率(权重)，并且再生成信号模式。从而，以根据需要而选择的比率组合低频和高频分量，以便生成再合成信号模式。在通过上述处理生成信号模式之后，本发明的信号模式生成方法的执行在步骤S18结束。

图2示出了可用于在图1所示的步骤S10生成多重分形信号的流程图的例子。如图2所示，为了生成根据本发明的多重分形信号，在步骤S20设置j＝J₀，并且通过使用一维α稳定分布，相对于变量k＝0，1，...，2^j-1而生成根信号。α稳定分布通过由下面方程式表示的函数给出：

[表达式5]

在上面方程式中，α∈(0，2]是表示尾厚的特征指数。α＝2的情况对应于高斯分布。在上面表示法中，“(”表示不包括右手侧的相邻值，并且“]”表示包括左手侧的相邻值。另外，β∈[-1，1]是表示偏斜度(skewness)的对称参数。当β＝0时，存在关于μ的对称性。此外，γ是与相对于高斯分布而被称作方差的值相对应的具有正值的尺度(scale)参数。在该分布中，如果β被设为1，则确保了基于该分布函数而随机生成的所实现实例的正值性。本发明的发明人发现β＝1的一维α稳定分布能够提供这样的根信号，其用于提供适当的正值性，以避免发生由于根信号的建模的误差。根据本发明，可以选择除了β之外的、包括α的参数，以便适应具体应用。为了选择除了β之外的参数，在Kuruoglu的文献(E.E.Kuruoglu，“Density Parameter Estimation of Skewed α-StableDistribution”，IEEE Trans.Signal Process.，Vol.49，No.10，pp.2192-2201，Oct.2001)中公开的方法因此可以用作其估计方法。另外，可以根据特定用户所知的经验值，或者通过使用以试错方式获得的函数预测值来估计除了β之外的参数。根据本发明，只要使用β＝1的一维α稳定分布，就可以通过使用任何参数来生成根信号。

在步骤S22，递增j。在步骤S24，以尺度j相对于k的每个值计算随机乘数A_j，k。在步骤S26，形成要用于小波分析的函数W_j，k。A_j，k是收敛于[-1，1]的随机变量，并且关于零而对称，并且关于L＞j的U_j0，k和A_L，k相互独立。例如，提供A_j，k的实现的具体例子是β分布。

在步骤S28，通过相对于k的每个值使用下面方程式来执行小波分析。

[方程式6]

U_j+1，2k＝2^-1/2(U_j，k+W_j，k)

U_j+1，2k+1＝2^-1/2(U_j，k-W_j，k)

在步骤S30，确定j的值是否变得等于n。如果j的值小于n，则在步骤S32递增j，执行到步骤S24的分支，并且重复从步骤S24到步骤S30的处理，直到满足了j＝n为止。

如果在步骤S30确定了j＝n(是)，则该处理前进到图1所示的步骤S12，以便执行用于对高频分量和低频分量进行滤波的处理，并且执行用于从具有多重分形特性的信号模式的生成结果中提取与低频分量和高频分量相对应的分量的处理。在本发明中，能够提供用于提供适当的重尾分布的多重分形信号模式的处理不局限于图2所示的小波转换，并且可以使用任何方法，只要它能够执行等效于图2所示的处理即可。具体地说，在本发明中，例如，由通用滤波器分解成中间模式的方法可以应用于由Riedi等人提出的方法。

图3是示出由数字滤波器组实现本发明的步骤S28中的用于合成小波的处理的实现例子的图。如图3所示，可用于本发明中的滤波器组可被解释为使用通过使用低通滤波器g₀和高通滤波器g₁而形成的数字滤波器的排列(组)的重复结构。从这一观点，U_j，k可被认为是每个尺度中的低频分量的表达，并且W_j，k可被认为是每个尺度中的高频分量的表达。图3中的符号↑2表示零插值，使得采样率变得两倍高。

参照图3，第(j-1)级的输入值是W_j-1，k和U_j-1，k，并且这些值通过零插值装置↑2被分别输入到低通滤波器g₀(n)和高通滤波器g₁(n)，并且被输入到加法装置(j-1)+以便组合。使用来自加法装置(j-1)+的输出值作为下一第j级的输入U_j，k。W_j，k的值被输入到第j级中的另一个零插值装置。这些值被分别输入到低通滤波器g₀(n)和高通滤波器g₁(n)，并且再次被输入到加法装置(j)+，以便作为新输出信号U_j+1，k提供给第(j+1)级。该数字滤波器组被提供在多个级中，以使得能够进行小波合成。图3所示的数字滤波器组可以以硬件形成。另外，在本发明的优选实现模式中，该数字滤波器组可以以具有相同功能的软件形成。

合成信号是具有多重分形特性并且不可沿着时间轴积分的非静止时间序列。因此，不能相对于功率频谱来定义频率分量，并且用于稳定时间序列信号的低通滤波器和高通滤波器对于非静止时间序列只有近似的含义。因此，根据本发明，由能够执行线性和非线性操作中的任一个的通用滤波器分解分量作为实现例子。在本实施例中使用的例子是在Bernstein等人的文献(R.Bernstein，M.Moore和S.Mitra，“AdjustableQuadratic Filters for Image Enhancement”，Proc.IEEE ICIP’97，Vol.1，pp.287-290，Oct.1997)中提出的具有映射的正交Volterra滤波器，并且证实了具有提取高变化率分量的效果，并且能够通过参数选择用于提取的变化率。在本发明的具体实现模式中，从合成信号模式中减去来自滤波器的输出的结果被认为是低变化率分量。同时执行用于规格化所生成的模式的处理。

例如，通过下面方程式执行高频分量的提取，但是下面方程式不被排他性地使用。

[方程式7]

x_p(n)＝f(x(n))

y(n)＝[x_p(n)]²-[x_p(n-1)x_p(n+1)]

在上面方程式中，f表示原始信号x的映射函数。作为本发明的实现例子中的映射函数，可以使用在Bernstein等人的文献中公开的由下面方程式表达的函数。然而，本发明不局限于下面方程式。

[方程式8]

根据本发明，执行上述滤波处理，以分离时间序列模式中的高频分量和低频分量。通过该频率分量分离来生成中间模式，以使得能够以根据需要而选择的比率独立处理高频分量和低频分量。

接下来，在本发明的信号模式生成方法中，可以使用在根据诸如观察区间内信号值的平方和之类的指数来改变测量量的比率时重新组合分量的方法。例如，在本发明的更具体实现例子中，将从根信号获得的信号模式分离成高变化率分量即在本发明中使用的高频分量、和低变化率分量即在本发明的描述中提及的低频分量，并且将高频分量和低频分量乘以体现各自信号值的平方和的比率的值，以生成再合成信号模式。作为用于该再合成的不同具体方法，可以使用可由本领域的技术人员选择以实现相同的效果的合成方法，并且结合本发明的具体实现模式而描述的方法不被排他性地使用。

图4是示出本发明的信号模式生成方法的另一实现模式的图。在图4所示的实现模式中，该处理从步骤S34开始，以生成具有重尾分布和多重分形特性的信号。在步骤S36，通过使用通用滤波器(作为非线性滤波器或线性滤波器形成)，分离高频分量和低频分量。在步骤S38，通过适当的方法，例如由用户输入，设置高频分量和低频分量的比率，并且将其存储在存储器中。在步骤S40，分别读出存储在存储器中的比率，并且可以通过使用由用户输入的比率计算低变化率分量和高变化率分量的强度并且通过组合这些分量来执行信号模式再合成。

图5是示出实际获得的原始模式的图。在图5中，横坐标对应于访问频率，并且纵坐标表示时间。如图5所示，实际的访问频率从访问频率低的状态突然增大，并且这样的突然增大以一定的周期性发生。

图6是相互比较地示出通过使用本发明的信号模式生成设备而生成的再合成信号模式(a)和由Riedi等人报告的传统技术中的模式(b)的图，其中在传统技术中使用高斯分布作为根信号。在图6中，示出了分别形成的信号模式的值，并且在横坐标上表示了采样点。通过作为外部输入的值而将用于低频分量的系数设为0.5，并且将用于高频分量的系数设为1.5，获得了图6的(a)所示的本发明的再合成信号模式。如图6所示，如图6的(a)所示的通过本发明的方法生成的信号模式中的累积低频分量的数量小于图6的(b)所示的传统技术的信号模式中的累积低频分量的数量，并且本发明的模式更接近于图5所示的原始模式。该区别的原因如下所述。在由Riedi等人提出并且生成如图6的(b)所示的模式的方法中，由于使用高斯分布作为根信号，因此不能确保正值性，并且实际的根信号包含误差。另外，由于使用小波，因此误差在模式生成处理中被叠加在对应于低频分量的值上。

图7示出了通过使用大偏差(large-deviation)多重分形频谱而在本发明中生成的信号的多重分形特性。在图7中，通过纵坐标上的信号值和横坐标上的保持指数(Hlder exponent)来表示多重分形特性。在图7中，由虚线表示的曲线是通过由Riedi等人提出的方法而获得的关于信号模式而获得的曲线，而由实线表示的曲线表示本发明的方法的情况下的多重分形特性。如图7和6所示，在通过本发明的方法获得的信号模式中，提供了与通过传统的方法获得的信号模式基本上相同的分形特性，并且对于改善原始模式的可再现性是有效的。

在例如需要确定系统中的队列的状态的情况下所生成的信号模式的有效性(significance)取决于所生成的模式是否具有在每个不同区间中见到的接近于原始模式的分布、以及该分布的总体特性是否接近于原始模式的总体特性。为了研究这一点，在本发明中获得的信号模式中的不同区间内的分布之间进行比较。图8是通过沿着横坐标将图6所示的信号模式划分成八个区间并且通过相对于这些区间以强度的升序和强度的降序交替地对强度进行排序而获得的图。

在该图中示出的符号I到VIII表示区间。原始模式在图8的(a)中示出，并且在本发明中获得的信号模式在(b)中示出。在图8中，作为通过在等分的八个区间内针对每个区间交替地以升序和降序对强度进行排序而重新排列的分布，比较短区间内的分布特性。根据图8的(a)和(b)可以认为，根据本发明生成的再合成信号模式大体上令人满意地再现了图8的(a)所示的原始模式。

图9示出了与图8所示相同的短区间分布特性与通过由Riedi等人提出的方法获得的信号模式的对应特性之间的比较。实际测量的原始模式在图9的(a)中示出，并且通过由Riedi等人提出的方法而生成的信号模式在(b)中示出。如图9所示，在Riedi等人的方法的情况下，观察到低频分量中的误差的累积，并且在该分布中增大了具有在本发明中定义的含义的低频分量的强度。

通过使用图8和9所示的模式，计算根据Riedi等人的方法的模式与原始模式之间的差值绝对值的总和。算出值为544.30。在图8所示的本发明的再合成信号与原始模式之间计算对应值。所获得的值为263.09。根据这些值之间的比较，可以理解，根据本发明的模式与原始模式的相似性相对于短区间分布也较高。同时，根据本发明的信号模式具有包含长区间相关性的多重分形特性。这样，已经表明，通过使用根据本发明的方法，可以生成在随机性/统计上接近于实际测量例子的模式。

图10是本发明的信号模式生成设备的示意性功能方框图。本发明的信号模式生成设备包括根信号生成部件12、随机乘数生成部件14、高频分量生成部件16、滤波器组部件18和通用滤波器部件20，其中高频分量生成部件16用于生成与本发明中的高频分量相对应的W_j，k。根信号生成部件12通过使用β＝1的一维α稳定分布来生成根信号，并且将根信号存储在未在附图中示出的适当存储器中。随机乘数生成部件14通过使用β分布以尺度j相对于k的每个值随机生成值，并且例如以数组A_j，k的形式将该值存储在存储器中。高频分量生成部件16从存储器读出A_j，k的值和U_j，k的值，并且将算出的W_j，k的值存储在存储器中。

滤波器组部件18从存储器的适当区域读出当前存储在存储器中的低频分量U_j，k和高频分量W_j，k相对于k的每个值计算U_j+1，k，并且将算出的值存储在适当的存储器区域中。滤波器组部件18通过使用低频分量和高频分量进行计算直到预定值，生成小波信号，并且将该小波信号存储在存储器中。由通用滤波器组成的分解部件20读出所生成的小波信号的值，并且将高频分量、低频分量以及它们的比率作为信号模式存储在存储器中。在本发明中，随机乘数生成部件14、高频分量生成部件16和滤波器组部件18组成本发明的统计自相似信号生成部件SSSSG(统计自相似信号生成器)。

图10所示的信号模式生成设备10还包括系数获取部件22和再合成部件24。系数获取部件22读出来自分解部件20的结果，并且计算再合成信号模式。在本发明的另一个实现例子中，可以采用这样的用于获取系数的方案，其中用户输入系数，将输入系数存储在适当存储器中，并且系数获取部件22读出所存储的系数。在这种情况下，执行计算，以便可以提供规格化的再合成信号模式，然后存储和读出这些系数，以便在再合成部件24中使用。再合成部件24将高频分量的信号模式和低频分量的信号模式乘以所获得的系数，通过将这些信号模式相加在一起来再合成信号模式，并且将再合成信号模式存储在用于存储结果的存储器26中。该存储器26可以通过与用于存储上述结果的存储器组合而在公共存储器中形成。

图11示出了使用本发明的信号模式合成设备的网络耐性测试系统的实现例子。图11所示的网络耐性测试系统30包括使用本发明的信号模式生成方法的信号模式生成部件32。并且，本发明的网络耐性测试系统包括信息处理部件34，如能够通过网络例如因特网、LAN或WAN提供万维网服务、万维网应用等的服务器。信号模式生成部件32连接到访问请求生成部件36，其能够根据预定通信协议向信息处理部件34生成访问请求。访问请求生成部件36由信号模式存储部件36a和访问请求生成部件36b组成，其中信号模式存储部件36a接收并存储由信号模式生成部件32生成的信号模式，并且访问请求生成部件36b能够以根据每个所存储的信号模式的频率(访问量/时间)生成访问请求。

另一方面，信息处理部件34被形成为包括网络接口卡或板38。在图11所示的实现例子中，信息处理部件34连接到访问请求生成部件36。对于该连接，可以采用使用可由用户根据需要设置的通信协议例如适当的TCP/IP或UDP/IP的伪网络配置。可选地，可以进行原始(RAW)模式下的连接等，以便允许在管理信息处理部件的场所处进行现场(in-situ)测试。信息处理部件34处于这样的状态，以便能够接收与根据本发明的信号模式相对应的伪访问请求，并且启动用于提供万维网服务、万维网应用等的应用软件。

网络耐性测试系统30的用户必要时通过外部输入装置、系数生成器等向信号模式生成部件32输入系数。信号模式生成部件32生成期望再合成信号模式，并且将期望模式发送到访问请求生成部件36。访问请求生成部件36从所接收的再合成信号模式的信号值生成具有适当变化率的访问频率，并且将访问请求发送到信息处理部件34。接收到该访问请求的信息处理部件34启动诸如WWW浏览器的软件，以根据该访问请求启动处理。以服务器为代表的信息处理部件34可以被形成为包括未示出的存储部件，其用于存储访问请求的日志。

在本发明中，通过在系统中执行网络耐性测试之后输出访问日志并且监视处理状态，用户可以确定服务器的网络耐性而无需设置实际的网络连接。在本发明的网络耐性测试方法的另一实现例子中，实时地显示访问日志，以便允许较快的反馈。

另一方面，在其它实现例子中，信息处理部件34可以被配置成实际执行万维网服务、万维网应用等，并且将执行结果传输到传送缓冲器等，并且可以被配置成例如实时地向访问请求生成部件36实际回送执行结果，以形成伪网络事务。参照图11，服务器即信息处理部件34被给予固定的IP地址xxx.ooo.abc.def，并且通过将目的地设为分配给信息处理部件34的IP地址来传送访问请求。如果采用将执行结果返回给访问请求生成部件36的实现模式，则信息处理部件34可以被配置成向访问请求生成部件36的IP地址或者通过广播寻址等回送执行结果。

由于如上所述用户可以在本发明的信号模式生成部件32中设置系数，因此用户可以根据他/她的经验生成与先前发生的问题等相关的访问模式，这样允许模拟以服务器为代表的信息处理部件34的网络耐性，而无需连接到实际的网络如因特网。此外，本发明的信号模式生成部件32的相同配置确保了可以预先模拟万维网服务器的长时间可操作环境中的容量规划和耐性。此外，本发明可以大范围地应用于网络系统的性能预测、诊断、调整、设计等，包括网格计算时的通信量故障和性能测试、防火墙软件的测试、以及设备可靠性的测试。

图11所示的网络耐性测试系统的实现例子是通过假定采用了作为单独的部件形成信号模式生成部件32、访问请求生成部件36和信息处理部件34的配置来描述的。然而，根据本发明，可以预先作为包括在万维网服务器等中的软件模块来形成上述组件，从而将其包括在要被测试的信息处理部件(服务器)中。

虽然已经描述了在附图中示出的本发明的具体实现模式，但是本发明不局限于所述具体实现模式。本发明的模式生成方法和设备可以作为通过在计算机上执行程序而实现的功能模块来形成。用于这种程序的编程语言的例子是汇编语言、FORTRAN、C语言、C++语言、以及Java。可以在计算机上执行以便执行本发明的方法的程序可以通过存储在ROM、EEPROM、闪存、CD-ROM、DVD、软盘、硬盘等上来分发。

本发明使得有可能提供一种信号模式生成设备，其即使当在访问量大的时候发生访问量的突然增大时，也能够执行适当处理，具有足够的重尾特性，并且能够相对于关于时间的多个区间提供足够的分形特性，并且提供适当的短区间分布特性；能够提供该特性的信号模式生成方法；使计算机系统执行该信号模式生成方法的程序；在其上存储了该程序的计算机可读存储介质；网络耐性测试系统；以及网络耐性测试方法。虽然本发明是参照附图关于具体实施模式来描述的，但是本发明不局限于在附图中示出的实现模式，并且本领域的技术人员应当理解，可以在所述实现模式中进行各种修改和改变包括组件的添加和去除。

权利要求书

(按照条约第19条的修改)

1.一种信号模式生成设备，用于生成具有统计自相似性的信号模式，所述信号模式生成设备包括：

根信号生成部件，用于生成具有正值性的根信号；

统计自相似性信号生成部件，基于小波分析从根信号生成统计自相似性信号；

分解部件，将统计自相似性信号分解成至少两个不同频率区域中的中间模式；

系数获取部件，获得用于这两个不同频率区域中的中间模式的分量比例的系数；以及

再合成部件，从这两个中间模式和系数生成再合成信号模式。

2.根据权利要求1所述的信号模式生成设备，其中所述根信号生成部件包括通过读出α稳定分布函数来生成根信号的装置。

3.根据权利要求1所述的信号模式生成设备，其中所述统计自相似性信号生成部件被形成为包括以软件或硬件方式形成的滤波器组部件。

4.根据权利要求1所述的信号模式生成设备，其中所述分解部件包括通用滤波器，其至少包括非线性滤波器。

5.根据权利要求1所述的信号模式生成设备，其中所述系数获取部件包括存储从这至少两个中间模式的比率算出的系数、或者从外部输入的系数的装置。

6.一种信号模式生成方法，用于控制计算机以便生成具有统计自相似性的信号模式，所述信号模式生成方法使计算机执行以下步骤：

生成具有正值性的根信号；

基于小波分析从根信号生成统计自相似性信号；

将统计自相似性信号分解成至少两个不同频率区域中的中间模式；

获得用于这两个中间模式的分量比例的系数；以及

从这两个中间模式和系数获得再合成信号模式。

7.根据权利要求6所述的信号模式生成方法，其中所述根信号生成步骤包括以下步骤：读出所存储的α稳定分布函数；以及通过使用该α稳定分布函数，生成根信号。

8.根据权利要求6所述的信号模式生成方法，其中所述统计自相似性信号生成步骤包括以下步骤：通过使用至少包括非线性滤波器的通用滤波器来分解统计自相似性信号。

9.根据权利要求6所述的信号模式生成方法，其中所述系数获取步骤包括以下步骤：将从这至少两个中间模式的比率算出的系数、或者从外部输入的系数存储在存储器中。

10.一种计算机可执行程序，用于执行信号模式生成方法，其中控制计算机以便生成具有统计自相似性的信号模式，所述程序使计算机在功能上形成：

生成具有正值性的根信号的单元；

基于小波分析从根信号生成统计自相似性信号的单元；

将统计自相似性信号分解成至少两个不同频率区域中的中间模式的单元；

获得用于这两个中间模式的分量比例的系数的单元；以及

从这两个中间模式和系数获得再合成信号模式的单元。

11.根据权利要求10所述的程序，其中所述根信号生成单元包括读出所存储的α稳定分布函数的单元、以及通过使用该α稳定分布函数来生成根信号的单元。

12.根据权利要求10所述的程序，其中所述统计自相似性信号生成单元在功能上包括通用滤波器，其至少包括非线性滤波器。

13.根据权利要求10所述的程序，其中所述系数获取单元包括存储从这至少两个中间模式的比率算出的系数、或者从外部输入的系数的单元。

14.一种计算机可读存储介质，在其上记录了根据权利要求10至13中的任一项所述的程序。

15.一种网络耐性测试系统，包括：

信号模式生成部件，生成具有统计自相似性的再合成信号模式；

访问请求生成部件，接收从所述信号模式生成部件生成的再合成信号模式，并且生成时间序列访问请求；以及

信息处理部件，从所述访问请求生成部件接收访问请求，根据该请求执行处理，并且存储执行日志；

所述信号模式生成部件包括：

根信号生成部件，用于生成具有正值性的根信号；

统计自相似性信号生成部件，基于小波分析从根信号生成统计自相似性信号；

分解部件，将统计自相似性信号分解成至少两个不同频率区域中的中间模式；

系数获取部件，获得用于这两个不同频率区域中的中间模式的分量比例的系数。

16.根据权利要求15所述的网络耐性测试系统，其中所述信号模式生成部件还包括：再合成部件，用于从这两个中间模式和所述系数获取部件获得的用于这两个中间模式的系数生成再合成信号模式。

17.根据权利要求15所述的网络耐性测试系统，其中所述访问请求生成部件将所接收的信号模式的信号值转换为访问频率。

18.根据权利要求15所述的网络耐性测试系统，其中所述信息处理部件是响应于向预定IP地址发送的访问请求而提供万维网服务、万维网应用等的服务器。

19.一种使用网络耐性测试系统评测万维网服务器的事务处理特性的方法，其中该网络耐性测试系统包括：信号模式生成部件，将从具有正值性的根信号生成的统计自相似性信号分解成至少两个不同频率区域中的中间模式，并且从所述至少两个中间模式以及作为这两个不同频率区域中的中间模式的分量比例所获得的系数生成具有统计自相似性的再合成信号模式；访问请求生成部件，接收从信号模式生成部件生成的再合成信号模式，并且生成时间序列访问请求；以及信息处理部件，从访问请求生成部件接收访问请求，并且根据该请求执行处理，所述方法包括以下步骤：

从信号模式生成部件送出再合成信号模式；

在访问请求生成部件中从再合成信号模式生成时间序列访问请求，并且向万维网服务器送出该访问请求；以及

在万维网服务器中响应于该访问请求而执行处理，并且获得执行日志。

20.根据权利要求19所述的方法，其中使访问请求生成部件执行以下步骤：将所接收的信号模式的信号值转换为访问频率。