赫斯特指数（英语：Hurst exponent）以英国水文学家哈罗德·赫斯特（英语：Harold Edwin Hurst）命名，起初被用来分析水库与河流之间的进出流量，后来被广泛用于各行各业的分形分析。利用Hurst参数可以表征网络流量的自相似性，Hurst参数越大，说明流量的自相似程度就越高，也就是说网络的业务流量在很长的时间内都具有长相关性，这主要是由于网络流量的突发性造成的。现有的文献给出的估计方法主要是两大类：时域法和频域法，其中时域法包括R/S分析法、时间方差图法、IDC法，频域法包括Whittle的最大似然估计、小波法等。常用的Hurst估值算法都有不同的适用条件，不能广泛的应用于各种情况，因为每一种算法在时域或者是频域的范围内应用了求和平均的方法，这样就会使得时间序列的高突发可变的细节信息丢失，从而导致出估算结果为负值，增大了估计误差。

赫斯特指数（英语：Hurst exponent）以英国水文学家哈罗德·赫斯特（英语：Harold Edwin Hurst）命名，起初被用来分析水库与河流之间的进出流量，后来被广泛用于各行各业的分形分析。利用Hurst参数可以表征网络流量的自相似性，Hurst参数越大，说明流量的自相似程度就越高，也就是说网络的业务流量在很长的时间内都具有长相关性，这主要是由于网络流量的突发性造成的。现有的文献给出的估计方法主要是两大类：时域法和频域法，其中时域法包括R/S分析法、时间方差图法、IDC法，频域法包括Whittle的最大似然估计、小波法等。常用的Hurst估值算法都有不同的适用条件，不能广泛的应用于各种情况，因为每一种算法在时域或者是频域的范围内应用了求和平均的方法，这样就会使得时间序列的高突发可变的细节信息丢失，从而导致出估算结果为负值，增大了估计误差。