Estudos mostraram que o tráfego nas redes de dados tanto locais quanto de grande área, possui propriedades fractais como dependência de longa duração - Long-Range Dependence (LRD) e auto-similaridade. Devido à heterogeneidade de aplicações nessas redes, os traces de tráfego podem apresentar dependência de longa duração - Long Range Dependence (LRD), dependência de curta duração - Short Range Dependence (SRD) ou uma mistura de LRD com SRD. Sendo assim, este trabalho tem como objetivo sintetizar séries temporais gaussianas com flexibilidade de processamento no plano tempo-frequência a serem inseridas num gerador de tráfego com as características estatísticas específicas do tráfego encontrado em redes por comutação de pacotes reais, como autossimilaridade, LRD e SRD. Para isto foram desenvolvidos dois métodos para síntese de séries temporais gaussianas com LRD e simultânea introdução de SRD em diferentes faixas de frequência: Discrete Wavelet Tansform (DWT) com mapa de variâncias e Discrete Wavelet Packet Tansform (DWPT). Estes métodos utilizaram o mapa de variâncias cujo conceito foi desenvolvido neste trabalho. A validação dos métodos foi feita através de análise estatística e comparação com resultados de séries geradas pelo método Discrete Wavelet Transfom (DWT) de Backar utilizado em [1]. Além disso, também foi validada a ideia de que a DWPT é mais interessante que a DWT por ser mais flexível e prover uma maior flexibilidade de processamento no plano tempo-frequência.

Studies demonstrated that the data network traffic of Local Area Network (LAN) and Wide Area Network has fractal properties as long range dependence (LRD) and self-similarity. The traffic traces can show long range dependence, short range dependence or the both behaviors because of applications heterogeneity in these networks. This work objective is to synthetisize gaussian time series with processor flexibility in the time-frequency plan to be inserted in a traffic generator with the specific statistical traffic characteristics of real packet networks such as selfsimilarity, long range dependence (LRD) and short range dependence (SRD). Two methods were developed for the gaussian time series with LRD and SRD synthesis: Discrete Wavelet Tansform (DWT) with variance map and Discrete Wavelet Packet Tansform (DWPT). These methods used the variance map which concept was developed in this work. The methods validation was done by statistic analysis and comparison with the time series generated by the B¨ackar Discrete Wavelet Transfom (DWT) used by [1]. Besides of this, the idea that the DWPT is more because of its processing flexibility in the time-frequency plan was validated.