چكيده
   مدلسازي ترافيك ديتا هم از نظر تئوري و هم از جنبه عملي حائز اهميت بسياري است. درست بر خلاف مدلهاي سنتي ترافيك‚ ترافيكهاي مدرن از خود خاصيت خودتشابهي نشان مي‌دهند. به عبارت ديگر نمونه‌هاي ترافيك در بازه‌هاي بسيار متفاوت با يكديگر با هم متشابه هستند. پديده ديگري كه در ترافيك مدرن ديده مي‌شود وابستگي بلند دامنه نام دارد. اين خاصيت باعث مي‌شود كه تابع خودهمبستگي فرآيند ترافيك در بي‌نهايت به كندي افت كند. علاوه بر آن تصور مي‌شود كه دنباله‌هاي ترافيك تابع توزيع كناري دم سنگين داشته باشند.
   در اين رساله ابتدا مدلهاي سنتي ترافيك معرفي مي‌شوند؛ مدلهاي پواسوني، ماركوفي، TES ، ARIMA و سيالي از اين جمله هستند. سپس پديده خودتشابهي را از جنبه‌هاي مختلف تعريف مي‌كنيم و مدلهايي مانند نويز گاوسي شكسته، FARIMA ، EAFRP را براي توصيف آن ارائه مي‌دهيم.
   بر اين اساس به ريشه‌يابي پديده خودتشابهي در شبكه‌هاي ديتا مي‌پردازيم ؛ ثابت مي‌كنيم كه ترافيكهاي مدرن ذاتا (حتي در Application Layer ) خودمتشابه هستند و اين خاصيت ناشي از انتشار اطلاعات در لايه‌هاي مختلف شبكه نيست. به خصوص ترافيك www را بررسي مي‌كنيم و خودتشابهي آن را بر اساس دم‌سنگيني اندازه فايلهاي ديتا توجيه مي‌كنيم.
   از آنجا كه مهمترين پارامتر در مدلهاي خودمتشابه پارامتر هارست مي‌باشد، تخمين اين پارامتر اولين قدم در توصيف ترافيك است. ما پنج روش واريانس-زمان، R/S ، پريودگرام، ويتل و IDC را براي اين تخمين ارائه مي‌دهيم؛ سپس اين روشها را از نظر دقت و پيچيدگي محاسبات با هم مقايسه مي‌كنيم.
      در نهايت، به روشهاي توليد ترافيك مصنوعي مي‌پردازيم. مهمترين روشهايي كه مطرح مي‌شوند عبارتند از: استفاده از تبديل Wavelet ، الگوريتم FARIMA و : استفاده از تبديلهاي آشوبي غيرخطي. علاوه بر آن  يك كد MATLAB براي پياده‌سازي الگوريتم FARIMA ارائه مي‌كنيم. اين كد يك دنباله بسيار طولاني ترافيك توليد مي‌كند و به طور تجربي پارامتر هارست مربوط به آن را با روش واريانس-زمان  اندازه‌گيري مي‌كند. در پايان هر فصل پيشنهادهايي براي گسترش تحقيقات آينده عرضه مي‌شود.

واژه‌هاي كليدي: خودتشابهي، وابستگي بلند دامنه، دم سنگيني، تخمين پارامتر هارست، توليد ترافيك مصنوعي ، مدل FARIMA  ،تبديلهاي آشوبي غيرخطي. 

Key Words: Self-Similarity, Long Range Dependence, Heavy-tailness, Hurst Parameter Estimation, Artificial Traffic Generation, FARIMA Models, Non-linear Chaotic Maps.