ВВЕДЕНИЕ

Существующие современные сети связи по своей внутренней структуре не используют максимально свои функциональные возможности. Одна из причин – сложность в поведении самого сетевого трафика, который влияет на параметры QoS.

С точки зрения современных тенденций развития телекоммуникаций актуальной задачей является построение конвергентной мультисервисной сети. Такая сеть должна обеспечивать неограниченный набор услуг, предоставлять гибкие возможности по управлению и созданию новых видов сервиса. Последнее требует реализации универсальной транспортной сети с распределенной коммутацией, где взаимодействие между устройствами и приложениями осуществляется с помощью создания виртуальных соединений, на управление которыми заметно влияют особенности стохастической динамики процессов пакетной коммутации.

Одной из наиболее актуальных проблем исследования вероятностно-временных характеристик сетей является адекватный учет особенностей сетевого трафика. Классические подходы теории телетрафика базируются на предположении, что входящие потоки являются стационарными пуассоновскими, т.е. представляют собой суперпозицию большого числа независимых стационарных ординарных потоков без последействия равномерно малой интенсивности. Для телефонных сетей с канальной коммутацией такое предположение справедливо. Однако исследования показывают, что трафик современных телекоммуникационных сетей с коммутацией пакетов обладает особой структурой, не позволяющей использовать при проектировании привычные методы, основанные на марковских моделях и формулах Эрланга. Речь идет о проявлении эффекта самоподобия телетрафика, т.е. в реализации всегда присутствует некоторое количество достаточно сильных выбросов на фоне относительно низкого среднего уровня. Это явление значительно ухудшает характеристики (увеличивает потери, задержки, джиттер) при прохождении самоподобного трафика через сеть.

1. АКТУАЛЬНОСТЬ ТЕМЫ

До недавнего времени теоретическую базу для проектирования систем распределения информации обеспечивала теория телетрафика, которая является одной из ветвей теории массового обслуживания.

Данная теория хорошо описывает процессы, происходящие в таких системах распределения информации, как телефонные сети, построенных по принципу коммутации каналов. Наиболее распространенной моделью потока вызовов (данных) в теории телетрафика является простейший поток (стационарный ординарный поток без последействия), также называемый стационарным пуассоновским потоком.

Настоящий период бурного развития высоких технологий привел к появлению и повсеместному распространению сетей с пакетной передачей данных, которые постепенно стали вытеснять системы с коммутацией каналов, но, по-прежнему, они проектировались на основе общих положений теории телетрафика.

Таким образом, образовалась "проблема самоподобия телетрафика", которой за последние 11 лет посвящено более тысячи работ , и которая до сих пор не утратила своей актуальности.

Несмотря на значительную популярность этой тематики и продолжительны период ее активного изучения, приходится констатировать, что до сих пор остается множество вопросов и нерешенных задач.

Основные из них: фактически отсутствует строгая теоретическая база, которая пришла бы на смену классической теории массового обслуживания при проектировании современных систем распределения информации с самоподобным трафиком; нет единой общепризнанной модели самоподобного трафика; не существует достоверной и признанной методики расчета коэффициента пачечности для заданного потока,который соответствует отношению пиковой интенсивности процесса поступления заявок на обслуживание к его среднему значению; параметров и показателей качества систем распределения информации при влиянии эффекта самоподобия; отсутствуют алгоритмы и механизмы, обеспечивающие качество обслуживания в условиях самоподобного трафика.

2. ЦЕЛЬ И ПОСТАНОВКА ЗАДАЧИ

Целью работы является определение характеристик фрактальных процессов различных потоков данных в беспроводных сетях для последующего принятия решения о способе управления ими. Для достижения поставленной цели необходимо решить следующие задачи:
– исследовать трафик данных, аудио-, видеотрафик;
– проанализировать объединенный поток;
– сделать вывод о зависимости уровня фрактальности суммарного потока от самоподобных свойств потоков, которые он в себе содержит.

3. ОБЗОР РАЗРАБОТОК И ИССЛЕДОВАНИЙ ПО ТЕМЕ

3.1. Обзор исследований по теме в ДонНТУ

Среди работников ДонНТУ следует отметить ассистента кафедры АТ Игнатенко Е.Г., заведующего кафедрой Бессараба В.И., которые в работе [9] провели исследование свойств реального трафика в сетях с пакетной коммутацией. С использованием метода R/S анализа показали самоподобную природу сетевого трафика в информационных сетях. Авторами была разработана модель генератора трафика, отражающая мультифрактальноре поведение потоков данных в реальных информационных системах, позволяющая имитировать трафик с заданными показателями самоподобия.

3.2. Обзор исследований по теме в Укране

Среди отечественных исследователей необходимо отметить работы В.И. Неймана, Б.С. Цыбакова, Н.Б. Лиханова, О.И. Шелухина, B.C. Заборовского, А.Я. Городецкого и др. Так, например, в работе [3] авторы показали, что в сетях стандарта 802.16b самоподобные свойства трафика проявляются как на канальном, так и на транспортном уровнях. Получены значения основных показателей степени фрактальности сетевого трафика и предложены методы агрегирования исходной статистики [5].

3.3. Обзор исследований по теме в мире

Среди зарубежных ученых, активно занимающихся этой проблемой, необходимо выделить авторов, которым принадлежат наиболее фундаментальные труды в этом направлении: К. Park, В. Ryu, V. Paxson, R. Mondragon и др. В работе [6] описывается эксперимент по снятию трафика сети одного из крупных Интренет-провайдеров масштаба города, а также приводятся результаты анализа структурных особенностей данного трафика.

В работе [7] американские ученые изучали процессы с тяжелохвостым распределением. Для генерации таких процессов авторами предлагается использование фрактальной модели интегрированного скользящего среднего FARIMA(p,d,q).

4. ПОНЯТИЕ САМОПОДОБИЯ

Самоподобие - это свойство фигуры, части которой подобны всей фигуре целиком. Многие объекты в природе обладают самоподобными свойствами, например, побережья, облака, кроны деревьев, кровеносная система и система альвеол человека или животных. Для примера на рисунке показано образование самоподобных объектов методом итераций.

Рис.1 - Образование самоподобных объектов

Из [5] известно, что процесс Х называется самоподобным с параметром Н=1-(b/2), если его коэффициент автокорреляции

где функция

выражена через центральный разностный оператор 2-го порядка , который действует на функцию так, что .

Самоподобие проявляется в том, что для процесса, который удовлетворяет первому условию, выполняется равенство rm(k)=r(k), то есть в таком процессе не изменяется коэффициент автокорреляции после усреднения по блокам какой-либо длинны m. Таким образом, для самоподобного процесса статистические характеристики второго порядка нормированного агрегированного процесса X(m) не отличается от характеристик выходного процесса X при значительном интервале изменений m.

Параметр H является индикатором степени самоподобия процесса, а также свидетельствует о наличии у него таких свойств как персистентность/антиперсистентность и длительная память. Для марковских процессов (без последействия) коэффициент Херста равняется 0,5. Процесс является полностью случайным, соответственно, простейший (Пуассоновский) поток еще называют «потоком чистой случайности первого рода».

При HЄ[0, 0.5],5процессу свойственна антиперсистентность: высокие значения процесса идут за низкими и наоборот. То есть, вероятность того, что на шаге k+1 процесс отклонится от среднего в противоположном направлении (относительно отклонения на k шаге), настолько велика, насколько параметр H близок к 0.

В случае HЄ[0, 0.5] процесс является персистентным или с длительной памятью: если в течение какого-то времени в прошлом наблюдалось увеличение параметров процесса, то и в будущем в среднем будет происходить их рост. Иными словами, вероятность того, что на шаге k+1 процесс отклонится от среднего в том же направлении, что и на k шаге, настолько велика, насколько параметр H близок к 1.

Для того чтобы подтвердить существование свойства самоподобия для разных потоков данных мультисервисной сети, необходимо произвести измерения некоторых характеристик разных видов сетевого трафика. Для этого нам необходимы статистические данные о таких потоках, как аудио, видео и трафик данных, а также нужно провести исследования объединенного потока.

5. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ

В качестве исходных данных возьмем время между поступлениями пакетов при различных видах трафика. Эти данные были получены с помощью программы Wireshark путем ее настройки соответствующим образом:

1. для наблюдения потока данных осуществлялся просмотр Web-страниц в сети Internet;
2. для наблюдения видео трафика просматривалось видео в он-лайн режиме;
3. для наблюдения аудио трафика прослушивалась музыка в режиме он-лайн.

Исследуем трафик данных – обращение пользователей к Web-серверу. Полученный временной ряд содержит 150 наблюдений, каждое из которых является интервалом времени между поступлениями пакетов. После снятия характеристик трафика потока данных строим зависимость между временем поступления пакета и его номером (рис. 2а). Затем производим агрегирование данных по 5 (рис. 2б) и 10 (рис. 2в) пакетов. При изменении шкалы построения трафика, мы можем наблюдать самоподобие. Этот факт является предпосылкой для проведения дальнейшего анализа.

Рис.2. а) Исходная статистика; б) Объединение данных по 5 пакетов; в) Объединение данных по 10 пакетов

Чтоб оценить тяжесть хвоста для имеющихся данных, строим в логарифмическом масштабе график дополнительного распределения. График приведен на рисунке 3.

Рис. 3 – Функция распределения хвоста

Для того чтоб найти значение коэффициента a, который характеризует тяжесть хвоста распределения, необходимо построить функцию регрессии. Для этого воспользуемся стандартной функцией программы Excel «Линейн», которая позволяет построить прямую линию, которая наилучшим образом аппроксимирует имеющиеся данные. Значение a рассчитываем, исходя из следующего равенства

Значение параметра самоподобия H рассчитываем по формуле H=(3-a)/2. В результате расчетов получаем значение H=0,7595.

Как видим, значение Н попадает в промежуток от 0,5 до 1, что подтверждает предполагаемое свойство самоподобия рассматриваемого процесса.

Аналогично снимаем характеристики аудио- и видеотрафика, следим за сохранением их структуры при изменении масштаба и рассчитываем показатель Херста. Таким образом, получаем Н=0,7158 и Н=0,7152 соответственно для каждого вида трафика.

Для того чтоб сделать выводы о том, насколько самоподобие различных видов трафика влияет на поведение общего потока в сети, необходимо провести аналогичные наблюдения и расчеты объединенного потока. На рисунке 4 приведены зависимости между временем поступления пакетов и их номерами для суммарного трафика.

Рис. 4 – а) Исходная статистика; б) Объединение данных по 5 пакетов; в) Объединение данных по 10 пакетов

Далее с помощью построения функции распределения хвоста, определяем параметр Херста, который установился на уровне 0,7625. Подобные результаты получены и в других работах [4], подтверждая вывод: чем больше мультиплексируемых потоков объединяется в канале передачи, тем выше показатель Херста для объединенного потока.

Таким образом, статистическое мультиплексирование без учета характеристик фрактальных процессов, которое лежит в основе передачи информации почти во всех телекоммуникационных сетях, является малоэффективным. Этот факт позволяет вести дальнейшие исследования в направлении поиска путей оптимального управления самоподобным трафиком в сетях с пакетной коммутацией.

ВЫВОДЫ

1. Определены характеристики фрактальных процессов различных видов трафика мультисервисных сетей. Коэффициент Херста для потока данных равен 0,7595, для аудиотрафика этот показатель составляет 0,7158 и для видеотрафика Н=0,7152.
2. По результатам исследования можно сделать вывод, что при объединении различных типов трафика, показатель Херста устанавливается выше, чем у отдельно взятых потоков, поскольку он составляет 0,7625.
3. Повышающийся уровень самоподобия при объединении различных потоков данных в мультисервисных сетях необходимо учитывать при разработке алгоритмов управления ними.

ЛИТЕРАТУРА

1. Воропаєва В.Я. Оцінка показників якості NGN-мереж з урахуванням фрактальності вхідного трафіку. // Наукові праці Донецького національного технічного університету. Серія: Обчислювальна техніка та автоматизація. Випуск 15 (130). – Донецьк-2008. – 214 с. С. 23-29.
2. Крылов В.В., Самохвалова С.С. Теория телетрафика и ее приложения. – СПб.:БХВ-Петербург, 2005. – 288с.
3. Платов В.В., Петров В.В. Исследование самоподобной структуры телетрафика беспроводной сети //Электротехнические и информационные комплексы и системы. – 2004. – №3. – с.38-49.
4. Шелухин И.О., Матвеев С.Б., Пастухов А.С. Оценка самоподобия трафика в сети широкополосного доступа WiMAX // Электротехнические и информационные комплексы и системы. – 2008. – №1. – с.88-96.
5. Бельков Д.В. Исследование сетевого трафика // Наукові праці Донецького національного технічного університету. Серія: Інформатика, кібернетика та обчислювальна техніка. Випуск 10 (153). – Донецьк-2009. – 368 с. С.212-215.
6. Walter Willingert, Daniel V. Wilson On The Self_Similar Nature Of Ethernet Traffic. - IEEE/ACM Transactions On Networking, Vol. 2 № 1, February 1994.
7. Harmantzia F.C., Hatzinakos D. Heavy Network Traffic Modeling and Simulation using Stable FARIMA Processes. IEEE Trans. Signal Proc. Lett., Vol. 5, pp. 48–50, 2000.
8. Воробьев О.В, Подорожняк А.А.Математическая модель самоподобного трафика.
9. Бессараб В.И., Игнатенко Е. Г.,Червинский В. В. Генератор самоподобного трафика для моделей информационных сетей.// Наукові праці Донецького національного технічного університету. Серія: Обчислювальна техніка та автоматизація. Випуск 15 (130). – Донецьк-2008. – 214 с. С. 23-29.

ПРИМЕЧАНИЕ

При написании данного автореферата квалификационная работа магистра еще не завершена. Дата окончательного завершения работы: 1 декабря 2011 г. Полный текст работы и материалы по теме работы могут быть получены у автора или его научного руководителя после указанной даты.





ВВЕРХ