Estudos empíricos [1],[2] demonstraram que o trafego das redes Internet Protocol (IP) possui propriedades fractais tais como impulsividade, auto-similaridade e dependência de longa duração em diversas escalas de agregação temporal, na faixa de milissegundos a minutos. Essas características tem motivado o desenvolvimento de novos modelos fractais de teletráfego e de novos algoritmos de controle de trafego em redes convergentes. Este trabalho propõe um novo modelo de trafego no espaço de estados baseado numa aproximação finito-dimensional do processo AutoRegressive Fractionally Integrated Moving Average (ARFIMA). A modelagem por meio de processos auto-regressivos (AR) também é investigada. A analise estatística de series simuladas e de series reais de trafego mostra que a aplicação de modelos AR de ordem alta em esquemas de previsão de teletráfego é fortemente prejudicada pelo problema da identificação da ordem do modelo. Também demonstra-se que a modelagem da memória longa pode ser obtida as custas do posicionamento de um ou mais pólos nas proximidades do circulo de raio unitário. Portanto, a implementação do modelo AR ajustado pode ser instável devido a efeitos de quantização dos coeficientes do filtro digital. O modelo de memória longa proposto oferece as seguintes vantagens: a) possibilidade de implementação pratica, pois não requer memória infinita, b) modelagem (explícita) da região das baixas freqüências do espectro e c) viabilização da utilização do filtro de Kalman. O estudo de caso apresentado demonstra que é possível aplicar o modelo de memória longa proposto em trechos estacionários de sinais de teletráfego fractal. Os resultados obtidos mostram que a dinâmica do parâmetro de Hurst de sinais de teletráfego pode ser bastante lenta na pratica. Sendo assim, o novo modelo proposto é adequado para esquemas de previsão de trafego, tais como Controle de Admissão de Conexões (CAC) e alocação dinâmica de banda, dado que o parâmetro de Hurst pode ser estimado em tempo real por meio da aplicação da transformada wavelet discreta (Discrete Wavelet Transform (DWT)).

Empirical studies [1],[2] demonstrated that heterogeneous IP traffic has fractal properties such as impulsiveness, self-similarity, and long-range dependence over several time scales, from miliseconds to minutes. These features have motivated the development of new traffic models and traffic control algorithms. This work presents a new state-space model for teletraffic which is based on a finite-dimensional representation of the ARFIMA random process. The modeling via AutoRegressive (AR) processes is also investigated. The statistical analysis of simulated time series and real traffic traces show that the application of high-order AR models in schemes of teletraffic prediction can be highly impaired by the model identification problem. It is also demonstrated that the modeling of the long memory can be obtained at the cost of positioning one or more poles near the unit circle. Therefore, the implementation of the adjusted AR model can be unstable due to the quantization of the digital filter coefficients. The proposed long memory model has the following advantages: a) possibility of practical implementation, inasmuch it does not require infinite memory, b) explicit modeling of the low frequency region of the power spectrum, and c) forecasts can be performed via the Kalman predictor. The presented case study suggests one can apply the proposed model in periods where stationarity can be safely assumed. The results indicate that the dynamics of the Hurst parameter can be very slow in practice. Hence, the new proposed model is suitable for teletraffic prediction schemes, such as CAC and dynamic bandwidth allocation, given that the Hurst parameter can be estimated on-line via DWT.