Transcript خودشبیهی
مدل سازی ترافیک شبکه استاد راهنما :دکتر کیارش میزانیان ارائه دهنده :محمد مهدی میرزایی 26مهرماه 1390 فهرست مطالب • • • • • مقدمه مدلهای ترافیک غیرخودشبیه پیدایش خودشبیهی مدلهای ترافیک خود شبیه نتیجه گیری مقدمه 1 • مفهوم و ضرورت مدلسازی 2 • مشخصات مدلهای ترافیک 3 • چالشهای مدلهای ترافیک مقدمه • طراحی شبکه ─ ─ طراحی کاربردهای شبکه تخصیص ظرفیتها • کاربرد تحلیل ─ ─ ─ اعتبار مدل میزان شباهت به واقعیت سادگی • کاربرد شبیه سازی ─ حساسیت کمتر مقدمه (ادامه)... • پارامترهای مدلهای ترافیک ─ ─ توزیع زمان ورود بستهها به گره توزیع طول بستهها • سایر پارامترها ─ ─ ─ مسیرها توزیع مقصدها ... مقدمه (ادامه)... • مدلهای اولیه ─ توزیع پواسون • تحلیل ترافیک واقعی ─ وجود خودشبیهی • بوجود آمدن اختالف بین مدلهای ترافیک و ترافیک واقعی مدلهای ترافیک غیر خودشبیه 1 • مدلهای پواسون 2 • مدلهای پواسون ترکیبی 3 • مدلهای پواسون تنظیم شده مارکوف 4 • مدل قطار بسته مدلهای پواسون • توزیع پواسون ،نرخ ورود λو میانگین زمان ورود • بدون حافظه • λ = ´λ • حالت پایدار، 𝑛λ 𝑝0 𝑛 μ 𝑡5 1 λ 𝑡4 𝑡3 = 𝑛𝑝 • انتخاب پارامتر مناسب ← مناسب بودن برای اکثر ترافیکها 𝑡2 𝑡1 مدلهای پواسون ترکیبی Compound Poisson Models • گروه بسته()Batch • توزیع زمان ورود گروهها نمایی ،نرخ ورود λ • اندازه گروه تصادفی ،پارامتر گروه ρ ∈ 0,1 • میانگین تعداد بستهها در یک گروه • 𝑡λ 𝜌 1 𝜌 11 10 9 8 7 𝑡5 𝑡4 6 5 4 𝑡3 3 𝑡2 • مزایای تحلیل روش پواسون (بدون حافظه ،حالت پایدار)...، • تحویل همزمان بستهها 2 1 𝑡1 مدلهای پواسون تنظیمشده مارکوف Markov-Modulated Poisson Models • • • • • ارسال داده و صدا مدلی با نرخهای ورود متفاوتMMPP : ( )λ1 ,λ2 ,𝑟1 ,𝑟2 ( )λ1 + λ′,λ2 + λ′,𝑟1 ,𝑟2 قابل تعمیم به تعداد بیشتری حالت 𝟏λ 𝑡31 𝑡22 𝑡12 𝑡21 𝑡11 𝟐λ مدل قطار بسته • • • • • • ایده اصلی :وجود محلیت ( )localityدر مسیریابی یک قطار برای هر جفت (مبدا،مقصد) جریان داده در هر دو جهت Tandem Trailer ماکزیمم فاصله زمانی بین بستهها ()MAIG تحلیل و دسته بندی ترافیک واقعی ،نه شبیه سازی A Tandem Trailer AB AB AB AB Inter-Train > MAIG BA BA AB AB ⋮ AB Inter-Car < MAIG B پیدایش خودشبیهی 1 2 3 4 5 • خودشبیهی • کشف خودشبیهی • تعریف ریاض ی خودشبیهی • شکست مدل پواسون • تاثیر TCP خودشبیهی • مشکل مشترک مدلهای قبلی – عدم وجود تحلیل در مقیاسهای بزرگ • تعریف خودشبیهی – وجود مشخصات یکسان در مقیاسهای متفاوت کشف خودشبیهی ترافیک پواسون ترافیک واقعی تعریف ریاض ی خودشبیهی • تعاریف اولیه فرآیند تجمعیY(t) : بسته یا بایت رسیده تا زمان t )X(t) = Y(t+1) – Y(t تجمع فرآیند )𝑋 𝑚 (t) : X(t ] 𝑚𝑠𝑋…+ 𝑋𝑠𝑚−𝑚+2 + 1 [𝑋𝑠𝑚−𝑚+1 𝑚 = )𝑋 𝑚 (s تابع خودکواریانس𝛾(𝑘) : ])𝜇 𝛾 𝑘 = 𝐸[(𝑋 𝑡 − 𝜇)(𝑋 𝑡 + 𝑘 − تعریف ریاض ی خودشبیهی(ادامه)... • • • • ترافیک خود شبیه است اگر برای همه t≥0و a>0 𝑡𝑎 𝑌 𝐻𝑌 𝑡 ≜ 𝑎− پارامتر ،0 < 𝐻 < 1میزان خودشبیهی شرایط خودشبیهی بسیار سخت و محدودکننده است خودشبیهی مرتبه دوم – تابع خودکواریانس )𝑘(𝛾 یکسان در مقیاس اصلی و مقیاسهای بزرگتر ً • فرآیند دقیقا خودشبیه مرتبه دوم است اگر: )𝑘(𝛾 = )𝑘( 𝑚 𝛾 • فرآیند به صورت مجانبی خودشبیه مرتبه دوم است اگر: )𝑘(𝛾 = )𝑘( 𝑚 𝛾 lim ∞→𝑚 شکست مدل پواسون • قضیه حد مرکزی – هنگامی که تعداد بسیار زیادی متغیر تصادفی با توزیع دلخواه را تجمیع کنیم و میانگین بگیریم ،توزیع نهایی به توزیع نرمال میل میکند • نطقه ضعف همه مدلهای مبتنی بر پواسون • افزایش تعداد حاالت ،MMPPنزدیک شدن به واقعیت • MMPPبا تعداد بی نهایت حالت ،مدلسازی دقیق واقعیت شکست مدل پواسون • تاثیر کنترل ازدحام TCP – بیشتر مدلهای ترافیک هیچ بازخوردی از شبکه دریافت نمیکنند • همزیستی کنترل ازدحام TCPو خودشبیهی – کنترل ازدحام TCPباعث خودشبیهی نمی شود – کنترل ازدحام ،TCPخودشبیهی را کم یا حذف نمیکند مدلهای ترافیک خودشبیه • اولین مشکل :سخت بودن تحلیل ریاض ی • غیر قابل استفاده در مدل صف • کنترل ازدحام ← TCPپیچیده تر شدن مسئله حرکت براونی جزئی Fractional Brownian Motion • آقای Norrosیک فرآیند تصادفی برای تولید ورودی خودشبیه ابداع کرد • fBm – یک فرایند گاوس ی پیوسته در زمان ،با میانگین 0و تابع خودکواریانس زیر ) 𝐻2 𝑠− 𝑡− 𝐻2 𝑠 + 𝐻2 1 𝑡 ( = 𝑠 𝛾 𝑡, 2 حرکت براونی جزئی Fractional Brownian Motion • فرآیند ابداعی Norros ∞ V(t) = 𝑠𝑢𝑝𝑠≤𝑡 𝐴 𝑡 − 𝐴 𝑠 − 𝐶 𝑡 − 𝑠 , 𝑡 ∈ −∞, )𝑡(𝑍𝑚𝑎 A(t) = mt + • ) Z(tیک فرایند fBMبا < H ≤1 1 2 • mمیانگین نرخ ورود a ،واریانس و Cنرخ سرویس حرکت براونی جزئی Fractional Brownian Motion • برطرف کردن مشکل تخصیص ظرفیت – چگونگی رسیدن به کیفیت خدمات مورد نظر • مشکل حل نشده – ارائه ندادن روش ی برای بدست آوردن پارامتر هرست مناسب مدل SWING • مشکل بیشتر مدلهای خودشبیه تخمین پارامتر هرست است • :SWINGاستفاده از یک مدل بسیار ساده برای تحلیل و تولید ترافیک • پارامترهای مورد استفاده – مشخصات کاربران ،تبادالت درخواست و پاسخ ،اتصاالت ،بستهها و کل شبکه • بدون تالش برای تحلیل ویژگی خودشبیهی • اعتبارسنجی نتایج با مقایسه پارامتر هرست این مدل و واقعیت • عدم وجود خودشبیهی در مقیاسهای بسیار بزرگ نتیجه گیری • مدلهای اولیه ،ترافیک شبکه را بدون حافظه فرض کرده بودند و احتمال وجود خودشبیهی را رد میکردند • مدلهای شبیه سازی احتیاج به صحت بیشری در مقایسه با مدل های تحلیلی دارند • همچنان تنها راه مطمئن اعتبارسنجی مدلها مقایسه با اندازه گیری های تجربی است منابع • • • • • • • • Jain, R., Routhier, S.A. “Packet Trains - Measurements and a New Model for Computer Network Traffic,” IEEE Journal on Selected Areas in Communications. Willinger, W. “The Discovery of Self-Similar Traffic,” In Performance Evaluation: Origins and Directions G. Haring, C. Lindemann, and M. Reiser, Eds. Lecture Notes In Computer Science Leland, W. E., Taqqu, M. S., Willinger, W., and Wilson, D. V. 1994. “On the self-similar nature of Ethernet traffic (extended version),” IEEE/ACM Trans. K. Park and W. Willinger. “Self-similar network traffic: An overview,” In K. Park and W. Willinger, editors, Self-Similar Network Traffic and Performance Evaluation. V. Paxson and S. Floyd, “Wide-area Traffic: The Failure of Poisson Modeling,” IEEE/ACM Transactions on Networking Ashok Erramilli, Matthew Roughan, Darryl Veitch, Walter Willinger. 2002. “Self-Similar Traffic and Network Dynamics,” Vishwanath, K. V. and Vahdat, A. 2006. “Realistic and responsive network traffic generation”.