传统的网络流量模型假设数据包到达的过程为泊松过程，数据包长度为指数分布，并将这种模型成功应用于ARPANET，但是随着网络规模扩大、Qos保证技术以及新的应用的出现，网络流量特征得到极大改变，经典的泊松模型已经不能再表示实际的网络流量特征。
目前，网络流量模型是一个活跃的研究领域，模型种类众多，但按照其相关性特点大致可以分为短相关流量模型和长相关流量模型两大类。
短相关模型包括马尔可夫模型和回归模型
- 马尔可夫模型可细分为On-Off模型（On-Off Model)、IPP模型（Interrupted Poisson ProcessModel)、状态交替的更新过程（Alternating State Renewal Process)、 马尔可夫调制的泊松过程(MMPP =Markov Modulated Poisson Process)和马尔可夫调制的流过程（MMFP =Markov Modulated Fluid Process)等
- 回归模型又可细分为自回归模型 (AR :Autoregressive Model)、1¾¾ 自目β牛莫M (DAR discrete Autoregressive Model) > 自回归滑动平均模型（ARMA =Autoregressive Moving Average Model)、求和自回归滑动平均模型(ARIMA :Autoregressive Integrated Moving Average Model)等；
长相关流量模型包括分形布朗运动模型（Fractional BrownianMotion)、FARIMA 模型（Fractional ARIMA Model)、分形高斯噪声模型（FARIMA)、基于mallat算法的自相似模型、基于混沌映射的确定性模型、散粒噪声模型和小波基模型等。
不同的网络流量模型是针对不同的网络流量特征而建立的，每种模型都有着各自的优缺点
- 马尔可夫类流量模型虽然具有数学易处理性，但计算复杂度随着模型参数数目的增加而增加，此外这类模型对网络流量预测的精度不够，并且不能描述长相关特征， 目前马尔可夫类模型只广泛应用于电话网络中，对于计算机网络应用并不成功。
- 回归模型在对网络行为预测和控制方面比较有效，并且表示简单，易于建立，但主要缺点是无法记录流量序列中重要的周期信息和趋势信息，由于大规模网络本身是复杂非线性系统，同时又受多种复杂外界因素的影响，其宏观流量行为往往复杂多变，数据中既含有多种周期类波动，又呈现非线性升、降趋势，还受到未知随机因素的干扰，而这些特点难以用单一的回归模型来描述。
- 长相关流量模型能很好的说明网络通信量中出现的长相关和重尾等现象，但对于瞬时性能的评估却非常困难。