Upload
ide
View
101
Download
11
Embed Size (px)
DESCRIPTION
مدلسازي ترافيک داده و ويدئو در شبکه هاي مخابراتي سرعت بالا با استفاده از مدل BMAP. دنيا دريادل دکتر سيد مصطفي صفوي همامي. عناوين سمينار. ويژگي ترافيک در شبکه هاي مخابراتي سرعت بالا معرفي مدل BMAP تشريح الگوريتم مدلسازي پيشنهادي ارزیابی کارایی روش پیشنهادی و نتيجه گيری منابع. - PowerPoint PPT Presentation
Citation preview
مدلسازي ترافيک داده و ويدئو در شبکه هاي مخابراتي سرعت باال با
BMAP استفاده از مدل
دنيا دريادلدکتر سيد مصطفي صفوي همامي
عناوين سمينار ويژگي ترافيک در شبکه هاي مخابراتي
سرعت باال معرفي مدلBMAPتشريح الگوريتم مدلسازي پيشنهادي ارزیابی کارایی روش پیشنهادی و نتيجه
گيریمنابع
ويژگي ترافيک در شبکه هاي مخابراتي سرعت باال
خودهمساني
(Self-Similarity)
ويژگي رگباري در تمام يا اغلب مقياسهايزماني
Burstiness ثابت ماندن ساختار نسبي ترافيک در
مقياس هاي زماني مختلف
کاهش تابع خودهمبستگي به صورت تواني )غيرنمايي(
Long-Range Dependence
BMAP معرفی مدل
Batch Markovian Arrival Process
حاالتخاص
Markov Modulated Poisson process (MMPP)
Phase-type Renewal Process (PHRP)
Markovian Arrival Process )MAP(
مورد استفاده در dBMAP تشريح مدلمقاله
تخمين فرايند ورود بسته با استفاده از مدل dMMPP
تعيين تعداد حاالت و نرخ های ورود پواسن مربوط به هر حالت ازLAMBDA زنجيره مارکوف با استفاده از الگوريتم
محاسبه ماتريس انتقال حالت P از روی ترافيک واقعی و حاالت تعييندر مرحله قبل شده
تخمين توزيع اندازه بسته ها مربوط به هر فاز اززنجيره مارکوف
تعيين تابع توزيع برای هر فاز از روی هيستوگرامبدست آمده از نمونه واقعی ترافيک
Nnnqq ii ,
تعریف پارامترهای مدل dMMPP ,~, SdMMPPJX
فرایند ورود بسته
مجموعه فازهای زنجیره مارکوف
ماتریس انتقال حالت
ماتریس نرخ ورود هر فاز
dBMAP iS qdBMAPJY ,,~,
فرایند ورود بایت
توزیع اندازه بسته ها مربوط به هر فاز
تعریف پارامترهای مدل
rrrr
r
r
ppp
pppppp
...............
...
...
21
22221
11211
ijp احتمال انتقال حالت از فازi jبه فاز
r
...00............0...00...0
2
1
j نرخ ورود پواسن فازj از زنجیره مارکوف
تشريح الگوريتم مدلسازي پيشنهادي
تخمین فرایند ورود در دو مقیاس زمانی
مدلسازی فرایند ورود در هر مرحله توسطdMMPP
تعيين تعداد حاالت و نرخ های ورود در هر مرحلهLAMBDAبا استفاده از الگوریتم
تخمین توزیع اندازه بسته ها در هر فاز از رویهیستوگرام نمونه واقعی
LAMBDAالگوریتم
r ...21
datatheofpeak 11 2 21 11 peak
1122 22 min,....,22
12 rr
های ورود نمونه واقعی بر انطباق نرخ های تعیین شده نرخ
llkll x 22 از زنجیره lمتعلق به فاز مارکوف
kx
وط به هر نرخ تعیینXهای ورود پواسن مرب فاز
LAMBDAالگوریتم
ال انتقال حالتXعیین ماتریس احتمXت
iphaseofoutstransitionofnumberjphasetoiphasefromstransitionofnumberPij
با استفاده از داده های بدست P ماتریس MLEتخمین آمده در مرحله قبل
ارزیابی کارایی روش پیشنهادی مدلسازی ترافیکIPو ویدئو
تولید ترافیک از روی مدل تخمین زده شده
مقایسه تابع توزیع تجمعی نرخ ورود برای ترافیکسنتز شده با واقعی
مقایسه تأخیر صف و نرخ تلفات بسته برای دوترافیک سنتز شده و واقعی تحت تأثیر بارهای مختلف
IPمدلسازی ترافیک
ترافیک مشهور Bellcore pOct ثانیه و 62/1759به طول بسته1000000
دارای ویژگی LRD با پارامترHurst 8/0در حدود
ثانیه1/0تعیین بازه زمانی در محور زمان برابر
انتخاب بازه زمانی بزرگتر جهت مدل کردن میانگین ورود برروی آن بازه
ثانیه12 برابر
IPمدلسازی ترافیک
0 50 100 15020
30
40
50
60
70
80
90
100
Time unit(12 sec)
Arri
val R
ate(
Pac
ket/T
ime
unit)
0 2000 4000 6000 8000 10000 12000 14000 16000 180000
50
100
150
200
250
Time unit(0.1 sec)
Arri
val R
ate(
Pac
ket/T
ime
unit)
نرخ ورود بسته برای ترافیک IPواقعی
12میانگین نرخ ورود در بازه های ثانیه برای ترافیک واقعی و نرخ های
LAMBDAتعیین شده توسط الگوریتم
در dMMPPنرخ ورود برای حاالت مرحله اول
0 1000 2000 3000 4000 5000 6000 70000
50
100
150
200
250
Time unit(0.1 sec)
Arri
val R
ate(
Pac
ket/T
ime
unit)
Packet arrival rate for state-1 of first dMMPP
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 100000
20
40
60
80
100
120
140
Time unit(0.1 sec)
Arri
val R
ate(
Pac
ket/T
ime
unit)
Packet arrival rate for state-2 of first dMMPP
0 200 400 600 800 1000 12000
20
40
60
80
100
120
Time unit(0.1 sec)
Arri
val R
ate(
Pac
ket/T
ime
unit)
Packet arrival rate for state-3 of first dMMPP
IP ارزیابی کارآیی مدل برای ترافیک
0 2000 4000 6000 8000 10000 12000 14000 16000 180000
50
100
150
200
250
Time unit(0.1 sec)A
rriva
l Rat
e(P
acke
t/Tim
e un
it)0 50 100 150 200 250
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Arrival Rate(Packet/Time unit)
Pro
babi
lity
cdf of real trafficcdf of simulated traffic
نرخ ورود بسته برای ترافیک سنتز شده
مقایسه تابع توزیع تجمعی نرخ ورود برای ترافیک واقعی و سنتز شده
IP ارزیابی کارآیی مدل برای ترافیک
هیستوگرام طول بسته های ترافیک واقعی
هیستوگرام طول بسته های ترافیک سنتز شده
IP ارزیابی کارآیی مدل برای ترافیک
مقایسه میانگین تأخیر صف تحت تأثیر یک dBMAPبارهای مختلف برای
و مدل پیشنهادی با dMMPPمرحله ای، ترافیک واقعی
مقایسه احتمال تلفات تحت تأثیر بارهای و dMMPP یک مرحله ای، dBMAPمختلف برای
مدل پیشنهادی با ترافیک واقعی
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
50
100
150
200
250
300
350
400
450
500
Traffic load (utilization factor)M
ean
queu
ing
dela
y (T
ime
unit=
0.1
sec)
New algorrithmdMMPPReal trafficOne stage dBMAP
0.4 0.5 0.6 0.7 0.8 0.9 10
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Traffic load (utilization factor)
Loss
rate
(byt
e/Ti
me
unit,
Tim
e un
it=0.
1 se
c)
Loss rate for buffer size=500000 byte
Real trafficOne stage dBMAPNew algorrithmdMMPP
مدلسازی ترافیک ویدئوای از فیلم جنگ ستارگان قطعهIV دقیقه و 60 به طول
فریم89998اندازه
سازی این دنباله روش فشرده MPEG4 و پارامتر Hurst در 9/0حدود
نرخ ورود فریم در این نمونه ترافیک ثابت و اندازه آنها متغیراست
برای این نوع ترافیک مدلdBMAP پیشنهادی معادل dMMPP خواهد بود
40تعیین واحد محور زمان برابر زمان ورود هر فریم برابر ثانیه16میلی ثانیه و بازه زمانی بزرگتر برابر
مدلسازی ترافیک ویدئو
0 1 2 3 4 5 6 7 8 9
x 104
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
Time unit(40 msec)A
rriva
l Rat
e(B
yte/
Tim
e un
it)0 50 100 150 200 250
0
500
1000
1500
2000
2500
3000
3500
Time unit(16 sec)
Arri
val R
ate(
Byt
e/Ti
me
unit)
نرخ بایت ورودی برای ترافیک واقعی ویدئو
16میانگین نرخ ورود بایت در بازه های ثانیه برای ترافیک واقعی و نرخ های
LAMBDAتعیین شده توسط الگوریتم
ارزیابی کارآیی مدل برای ترافیک ویدئو
0 1 2 3 4 5 6 7 8 9
x 104
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
Time unit(0.1 sec)A
rriva
l Rat
e(P
acke
t/Tim
e un
it)0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Arrival Rate(Packet/Time unit)
Pro
babi
lity
cdf of real trafficcdf of simulated traffic
مقایسه تابع توزیع تجمعی نرخ ورود برای ترافیک واقعی و سنتز
شده
نرخ بایت ورودی برای ترافیک سنتز شده ویدئو
ارزیابی کارآیی مدل برای ترافیک ویدئو
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
100
200
300
400
500
600
700
800
900
1000
Traffic load (utilization factor)M
ean
queu
ing
dela
y (T
ime
unit=
40 m
sec)
Real trafficNew algorithmOne stage dBMAP
0.4 0.5 0.6 0.7 0.8 0.9 10
10
20
30
40
50
60
70
Traffic load (utilization factor)
Byt
e lo
ss ra
te (b
yte/
Tim
e un
it,Ti
me
unit=
40 m
sec)
Real trafficNew algorithmOne stage dBMAP
مقایسه میانگین تأخیر صف تحت dBMAPتأثیر بارهای مختلف برای
یک مرحله ای و مدل پیشنهادی با ترافیک واقعی
مقایسه احتمال تلفات تحت تأثیر یک dBMAPبارهای مختلف برای
مرحله ای و مدل پیشنهادی با ترافیک واقعی
نتیجه گیری افزایش پارامترHurst (LRD) باعث ازدیاد تعداد حاالت الزم
جهت مدلسازی می شود
نادیده گرفتن توزیع طول بسته ها در ترافیکIP منجر به پیدایش خطا در تخمین رفتار صف ترافیک واقعی می شود
مدل کردن ترافیک در دو مرحله بدلیل در نظر گرفتن ویژگیخودهمسانی ترافیک واقعی کارایی بهتری از مدلسازی در
یک مرحله دارد
منابع[1] Lucantoni, D. M., “New Results on the Single Server Queue with a
Batch Markovian Arrival Process,” Comm. in Statistics: Stochastic Models, pp.1-46, 1991.
[2] Lucantoni, D., Meier-Hellstern, K., Neuts, M., “Singleserver Queue with Server Vacations and a Class of Non-renewal Arrival Processes,” Advances in Applied Probability 22, pp.676–705, 1990.
[3] Neuts, M. F., “A Versatile Markovian Point Process,” Journal of Applied Probability , 1979.
[4] Neuts, M. F., “Matrix-Geometric Solutions in Stochastic Models: An Algorithmic Aproach,” Baltimore: The John Hopkins University Press , 1981.
[5] Heffes, H., Lucantoni, D. M., “A Markov Modulated Characterization of Packetized Voice and Data Traffic and Related and Related Statistical Multiplexer Performance,” IEEE JSAC, pp.856-868, 1986.
[6] Choudhury, G. L., Lucantoni, D. M., Whitt, W., “Squeezing the most out of ATM,”, 1993.
منابع[7] Blondia, C., Casals, O. “Statistical multiplexing of VBR sources: a matrix-
analytic approach,” Performance Evaluation 16, pp.5-20, 1992[8] Blondia, C., “A discrete-time batch Markovian arrival process as B-ISDN trace
model”, Belgian Journal of Operations Research, Statistics and Computer Science 32, pp.3-23, 1993.
[9] Alfa, A., Chakravarthy, S., “A discrete queue with the Markovian arrival process and phase type primary andsecondary services,” Stochastic Models 10 (2), pp.437-451.
[10] Rananand, N., “Markov approximations to D-BMAPs: information-theoretic bounds on queueing performance,” Stochastic Models 11 (4), pp-713–734.
[11] Geerts, F. Blondia, C., “Superposition of Markov sources and long range dependence”, in: F. Aagesen, H. Botnevik, D. Khakhar (Eds.), Information Network and Data Communications: Proceedings of the IFIP/ICCC International Conference on Information Network and Data Communication, Chapman & Hall, London, 1996.
[12] Ridder, A.,“Fast simulation of discrete time queues with Markov modulated batch arrivals and batch departures”, AEU International Journal of Electronics and Communications, pp.127-132, 1998
منابع[13] Salvador, P.; Pacheco, A.; Valadas, R., “Modeling IP traffic: Joint
characterization of packet arrivals and packet sizes using BMAPs” Computer Networks Journal 44, pp. 335–352, 2004
[14] Klemm, A.; Lindemann, C.; Lohmann, M., “Modeling IP Traffic Using the Batch Markovian Arrival Process,” Performance Evaluation, 54, pp. 149-173, 2003.
[15] Heyman D. P.; Lucantoni, D,“Modeling Multiple IP Traffic Streams with Rate Limits,” IEEE/ACM Transactions on Networking, Vol. 11, No. 6, pp. 948-958, 2003.
[16] Leland, W.,Taqqu, M., Willinger, W., Wilson, D., “On the self-similar nature of Ethernet trace” (extended version), IEEE/ACM Transactions on Networking 2 (1), pp.1-15, 1994
با تشکر از توجه شما