ВСТУП

Існуючі сучасні мережі зв'язку за своєю внутрішньою структурою не використовують максимально свої функціональні можливості. Одна з причин - складність у поведінці мережного трафіку, який впливає на параметри QoS.

З точки зору сучасних тенденцій розвитку телекомунікацій актуальною задачею є побудова конвергентної мультисервісної мережі. Така мережа повинна забезпечувати необмежений набір послуг, надавати гнучкі можливості по управлінню і створеню нових видів сервісу. Останнє вимагає реалізації універсальної транспортної мережі з розподіленою комутацією, де взаємодія між пристроями і додатками здійснюється за допомогою створення віртуальних з'єднань, на управління якими помітно впливають особливості стохастичної динаміки процесів пакетної комутації.

Однією з найбільш актуальних проблем дослідження ймовірнісно-часових характеристик мереж є адекватне врахування особливостей мережного трафіку. Класичні підходи теорії телетрафіку базуються на припущенні, що вхідні потоки є стаціонарними пуасонівськими, тобто являють собою суперпозицію великого числа незалежних стаціонарних ординарних потоків без післядії рівномірно малої інтенсивності. Для телефонних мереж з канальною комутацією таке припущення справедливе. Однак дослідження показують, що трафік сучасних телекомунікаційних мереж з комутацією пакетів володіє особливою структурою, яка не дозволяє використовувати при проектуванні звичні методи, засновані на марківських моделях і формулах Ерланга. Мова йде про прояв ефекту самоподібності телетрафіку, тобто коли в реалізації завжди присутня деяка кількість досить сильних викидів на фоні відносно низького середнього рівня. Це явище значно погіршує характеристики (збільшує втрати, затримки, джитер) при проходженні самоподібного трафіку через мережу.

1. АКТУАЛЬНІСТЬ ТЕМИ

До недавнього часу теоретичну базу для проектування систем розподілу інформації забезпечувала теорія телетрафіку, яка є однією з гілок теорії масового обслуговування.

Дана теорія добре описує процеси, що відбуваються в таких системах розподілу інформації, як телефонні мережі, побудованих за принципом комутації каналів.Найбільш поширеною моделлю потоку викликів (даних) в теорії телетрафіку є найпростіший потік (стаціонарний ординарний потік без післядії), також званий стаціонарним пуассоновским потоком.

Цей період бурхливого розвитку високих технологій привів до появи і повсюдному поширенню мереж з пакетною передачею даних, які поступово стали витісняти системи з комутацією каналів, але, як і раніше, вони проектувалися на основі загальних положень теорії телетрафіку.

Таким чином, утворилася "проблема самоподібності телетрафіку", якій за останні 11 років присвячено більше тисячі робіт, і яка до цих пір не втратила своєї актуальності.

Незважаючи на значну популярність цієї тематики і тривалий період її активного вивчення, доводиться констатувати, що до цих пір залишається безліч питань і невирішених завдань.

Основні з них: фактично відсутня теоретична база, яка прийшла б на зміну класичній теорії масового обслуговування при проектуванні сучасних систем розподілу інформації з самоподібним трафіком; нема єдиної загальновизнаної моделі самоподібного трафіку; не існує достовірної та визнаної методики розрахунку коефіцієнта пачечності для заданого потоку, що відповідає відношенню пікової інтенсивності процесу надходження заявок обслуговування до його середнього значення; параметрів та показників якості систем розподілу інформації за умови впливу ефекту самоподібності; відсутні алгоритми і механізми, які забезпечують якість обслуговування в умовах самоподібного трафіку.

2.МЕТА І ПОСТАНОВКА ЗАДАЧІ

Метою роботи є визначення характеристик фрактальних процесів різних потоків даних у бездротових мережах для подальшого прийняття рішення про спосіб управління ними.
Для досягнення поставленої мети необхідно вирішити наступні задачі:
- дослідити трафік даних, аудіо-, відеотрафік;
- проаналізувати об'єднаний потік;
- зробити висновок про залежність рівня фрактальності сумарного потоку від самоподібних властивостей потоків, які він в собі містить

3.ПЕРЕГЛЯД РОЗРОБОК І ДОСЛІДЖЕНЬ ЗА ТЕМОЮ

3.1. Огляд досліджень за темою в ДонНТУ

Серед працівників ДонНТУ слід відзначити асистента кафедри АТ Ігнатенко Є.Г., завідувача кафедрою Бессараба В.І., які в роботі [9] провели дослідження властивостей реального трафіку в мережах з пакетною комутацією. З використанням методу R/S аналізу показали самоподібну природу мережного трафіку в інформаційних мережах. Авторами була розроблена модель генератора трафіку, яка відбиває мультіфрактальну поведінку потоків даних в реальних інформаційних системах, що дозволяє імітувати трафік з заданими показниками самоподібності.

3.2.Огляд досліджень за темою в Украні

Серед вітчизняних дослідників необхідно відзначити роботи В.І. Неймана, Б.С. Цибакова, Н.Б. Лиханова, О.І. Шелухіна, B.C. Заборовського, А.Я. Городецького та ін. Так, наприклад, в роботі [3] автори показали, що в мережах стандарту 802.16b самоподібні властивості трафіку проявляються як на канальному, так і на транспортному рівнях. Отримані значення основних показників ступеня фрактальності мережевого трафіку та запропоновано методи агрегування вихідної статистики [5].

3.3.Огляд досліджень за темою у світі

Серед зарубіжних вчених, що активно займаються цією проблемою, необхідно виділити авторів, яким належать найбільш фундаментальні праці в цьому напрямку, таких як К. Park, В. Ryu, V. Paxson, R. Mondragon та ін. У роботі [6] описується експеримент зі зняття трафіку мережі одного з великих Інтренет-провайдерів масштабу міста, а також наводяться результати аналізу структурних особливостей данного трафіку. Авторами доведено, що самоподібні властивості проявляють себе як на канальному, так і на транспортному рівнях.

У роботі [7] американські вчені вивчали процеси з довготривалою залежністю. Для генерації таких процесів автори пропонують використання фрактальної моделі інтегрованого змінного середнього FARIMA (p, d, q).

4.ПОНЯТТЯ САМОПОДІБНОСТІ

Самоподібність - це властивість фігури, частини якої подібні до всієї фігури цілком. Багато об'єктів у природі мають такі властивості, наприклад узбережжя, хмари, кровоносна система людини чи тварин. Для прикладу на рисунку 1 показане утворення самоподібних об'єктів методом ітерацій.

Рис.1 - Утворення самоподібних об'єктів

З [5] відомо, що процес Х називається самоподібним з параметром Н=1-(b/2), якщо його коефіцієнт автокореляції

де функція

виражена через центральний різницевий оператор 2-го порядку , який діє на функцію

Самоподібність проявляється в тому, що для процесу, який задовольняє першій умові, виконується рівність rm(k)=r(k), тобто в такому процесі не змінюється коефіцієнт автокореляції після усереднення по блоках будь-якої довжини m. Таким чином, для самоподібного процесу статистичні характеристики другого порядку нормованого агрегованого процесу X (m) не відрізняється від характеристик вихідного процесу X при значному інтервалі змін m.

Параметр H є індикатором ступеня самоподібності процесу, а також свідчить про наявність у нього таких властивостей як персистентність/антиперсистентность і тривала пам'ять. Для марковських процесів (без післядії) коефіцієнт Херста дорівнює 0,5. Процес є повністю випадковим, відповідно, найпростіший (Пуассонівський) потік ще називають «потоком чистої випадковості першого роду».

При HЄ[0, 0.5] процесу властива антиперсистентность: високі значення процесу йдуть за низькими і навпаки. Тобто, ймовірність того, що на кроці k+1 процес відхилиться від середнього в протилежному напрямку (щодо відхилення на k кроці), настільки велика, наскільки параметр H близький до 0.

У випадку HЄ[0.5, 1]процесс є персистентним або з довгою пам'яттю: якщо протягом якогось часу в минулому спостерігалося збільшення параметрів процесу, то і в майбутньому в середньому буде відбуватися їх зростання. Іншими словами, ймовірність того, щона кроці k +1 процес відхилиться від середнього в тому ж напрямку, що і на k кроці, настільки велика, наскільки параметр H близький до 1.

Для того щоб підтвердити існування властивості самоподібності для різних потоків даних мультисервісної мережі, необхідно провести вимірювання деяких характеристик різних видів мережного трафіку. Для цього нам необхідні статистичні дані про такі потоки, як аудіо, відео і трафік даних, а також потрібно провести дослідження об'єднаного потоку.

5.РЕЗУЛЬТАТИ ДОСЛІДЖЕНЬ

У якості вихідних даних візьмемо час між надходженнями пакетів при різних видах трафіку. Ці дані були отримані за допомогою програми Wireshark шляхом її налаштування відповідним чином:

1. для спостереження потоку даних здійснювався перегляд Web-сторінок в мережі Internet;
2. для спостереження відео трафіку проглядалося відео в он-лайн режимі;
3. для спостереження аудіо трафіку прослуховувалась музика в режимі он-лайн.

Досліджуємо трафік даних - звернення користувачів до Web-сервера. Отриманий часовий ряд містить 150 спостережень, кожне з яких є інтервалом часу між надходженнями пакетів. Після зняття характеристик трафіку потоку даних будуємо залежність між часом надходження пакету і його номером (рис. 2а). Потім агрегуємо дані по 5 (рис. 2б) і 10 (рис. 2в) пакетів. При зміні шкали побудови трафіку, ми можемо спостерігати самоподібність. Цей факт є передумовою для проведення подальшого аналізу.

Рис.2. а) Вихідна статистика, б) Об'єднання даних по 5 пакетів, в) Об'єднання даних по 10 пакетів

Щоб оцінити тяжкість хвоста для наявних даних, будуємо в логарифмічному масштабі графік додаткового розподілу. Графік наведено на рисунку 3.

Рис. 3 - Функція розподілу хвоста

Для того щоб знайти значення коефіцієнта a, який характеризує тяжкість хвоста розподілу, необхідно побудувати функцію регресії. Для цього скористаємося стандартною функцією програми Excel «лінійн», яка дозволяє побудувати пряму лінію, що найкращим чином апроксимує наявні дані. Значення a розраховуємо, виходячи з наступного рівності

Значення параметра самоподібності H розраховуємо за формулою H=(3-a)/2. У результаті розрахунків отримуємо значення H = 0,7595.

Як бачимо, значення Н потрапляє в проміжок від 0,5 до 1, що підтверджує властивість самоподібності розглянутого процесу.

Аналогічно знімаємо характеристики аудіо-і відеотрафіку, стежимо за збереженням їх структури при зміні масштабу і розраховуємо показник Херста. Таким чином, отримуємо Н=0,7158 і Н=0,7152 відповідно для кожного виду трафіку.

Для того щоб зробити висновки про те, наскільки самоподібність різних видів трафіку впливає на поведінку загального потоку в мережі, необхідно провести аналогічні спостереження і розрахунки об'єднаного потоку. На рисунку 4 наведені залежності між часом надходження пакетів і їх номерами для сумарного трафіку.

Рис. 4 - а) Вихідна статистика, б) Об'єднання даних по 5 пакетів, в) Об'єднання даних по 10 пакетів

Далі за допомогою побудови функції розподілу хвоста, визначаємо параметр Херста, який встановився на рівні 0,7625. Подібні результати отримані і в інших роботах [4], підтверджуючи висновок: чим більше мультіплексіруемих потоків об'єднується в каналі передачі, тим вище показник Херста для об'єднаного потоку.

Таким чином, статистичне мультиплексування без урахування характеристик фрактальних процесів, яке лежить в основі передачі інформації майже у всіх телекомунікаційних мережах, є малоефективним. Цей факт дозволяє вести подальші дослідження в напрямку пошуку шляхів оптимального управління самоподібним трафіком в мережах з пакетною комутацією.

ВИСНОВКИ

1. Визначено характеристики фрактальних процесів різних видів трафіку мультисервісних мереж. Коефіцієнт Херста для потоку даних дорівнює 0,7595, для аудіотрафіку цей показник становить 0,7158 і для відеотрафіку Н = 0,7152.
2. За результатами дослідження можна зробити висновок, що при об'єднанні різних типів трафіку, показник Херста встановлюється вище, ніж у окремо взятих потоків, оскільки вона становить 0,7625.
3. Підвищення рівеня самоподібності при об'єднанні різних потоків даних у мультисервісних мережах необхідно враховувати при розробці алгоритмів керування ними.

ЛІТЕРАТУРА

1. Воропаєва В.Я. Оцінка показніків Якості NGN-мереж з урахуванням фрактальності вхідного трафіку. / / Наукові праці Донецького національного ТЕХНІЧНОГО Університету. Серія: Обчіслювальна техніка та автоматизація. Випуск 15 (130). - Донецьк-2008. - 214 с. С. 23-29.
2. Крилов В.В., Самохвалова С.С. Теорія телетрафіку і її застосування. - СПб.: БХВ-Петербург, 2005. - 288с.
3. Платов В.В., Петров В.В. Дослідження самоподібної структури телетрафіку бездротової мережі / / Електротехнічні та інформаційні комплекси і системи. - 2004. - № 3. - С.38-49.
4. Шелухін І.О., Матвєєв С.Б., Пастухов А.С. Оцінка самоподібності трафіку в мережі широкосмугового доступу WiMAX / / Електротехнічні та інформаційні комплекси і системи. - 2008. - № 1. - С.88-96.
5. Бєльков Д.В. Дослідження мережевого трафіку / / Наукові праці Донецького національного ТЕХНІЧНОГО Університету. Серія: Інформатика, кібернетіка та обчіслювальна 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. Воробйов О.В, Подорожняк А. А. Математична модель самоподібного трафіку.
9. Бессараб В.І., Ігнатенко Е. Г., Червінський В. В. Генератор самоподібного трафіку для моделей інформаційних мереж. / / Наукові праці Донецького національного ТЕХНІЧНОГО Університету. Серія: Обчіслювальна техніка та автоматизація. Випуск 15 (130). - Донецьк-2008. - 214 с. С. 23-29.

ПРИМІТКА

При написанні даного автореферату кваліфікаційна робота магістра ще не завершена. Дата остаточного завершення роботи: 1 грудня 2011 Повний текст роботи та матеріали по темі роботи можуть бути отримані у автора або його наукового керівника після зазначеної дати.





ВГОРУ