从上一小节的分析可以看出，在网络拥塞或信道错误的情况下，很有可能会连续发生丢包事件。也就是说，如果第n 个数据包发生丢包事件，则第n +1 个数据包也有可能会丢失。依此类推，第n +i（i=2，…，m，m为大于2 的整数）个数据包也有可能发生丢包事件，即连续的丢包事件具有一定的相关性。如将之视为随机过程，则丢包事件具有马尔科夫性。对此，可以采用马尔科夫链描述丢包事件。
首先定义k阶马尔科夫链模型，以Yi表示第i个数据包的状态，i=1，…，m，｛Yi｝为一随机过程。Yi为0，表示第i个数据包正确到达接收端； Yi为1，表示第i个数据包未能正确地到达接收端。如果第i个数据包的状态依赖于前k个数据包的状态，则｛Yi｝为k阶马尔科夫链，可表示为
显然，｛Yi｝共有2k个不同的状态及其转换概率。
需要指出的是，如果对丢包事件采用k阶马尔科夫链进行描述，其丢包事件的概率计算过程会相当复杂。文献[3]的分析结果表明了其建模的复杂性，该文献指出，尽管在k阶马尔科夫链中k取值范围可以是20≤k≤40，但通常取k≤6 才具有实际意义。考虑以下两种情况。
（1）k=0。该模型将退化为Bernoulli模型，相应的丢包事件概率分布为
其中，m≥1，0≤j≤m，Pl为单个数据包的丢包事件发生的概率。
（2）k＞1。此时k阶马尔科夫链模型的丢包事件概率分布可表示为
其中，l为在前k个数据包中发生丢包事件的数量，表示为
(www.xing528.com)
可以看出，采用形如式（3.3）和（3.4）的迭代过程计算丢包事件的概率分布比较困难。相对而言，在网络传输中应用较多的是Gilbert模型。
（2）k=1。此时第i个数据包的状态只与前一个数据包的状态有关，称为一阶马尔科夫链模型，也称Gilbert模型。该模型已广泛用于描述数据传输过程中的丢包现象，从物理层的位错误到高层协议的丢包事件，都可以用该模型进行描述，其原理如图3-1 所示。
图3-1 丢包事件的Gilbert模型
图3-1 中1 表示数据包发生了丢包事件； 0 表示数据包被正确接收； p表示当前数据被正确接收后，下一个数据包发生丢包事件的概率； q表示当前数据包发生了丢包事件后，下一个数据包被正确接收的概率。显然，如果p与q的和为1，则图3-1 中模型实际上退化为Bernoulli模型。此外有
其中，ψ0 和ψ1 分别为稳定状态下数据包正确接收的期望值与发生丢包事件的期望值。在此基础上，稳定状态下的丢包率L 与连续发生丢包事件的平均长度Bave可分别表示为
通过RTCP或其他测量工具，可以对在指定时间范围内丢包事件发生的次数和连续丢包数量进行统计，从而计算出相应时长内的概率p和q，计算公式为
其中，li表示发生连续丢包数量为i的事件的次数。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
