Проверка интервалов сетевого самоподобного трафика

Аннотация

Hengky Susanto, Byung–Guk Kim Проверка интервалов сетевого самоподобного трафика. Было сделано множество исследований, чтобы предсказать будущие модели трафика в Интернете, которые могут быть вызваны рядом различных обстоятельств. В этом документе мы анализируем длину интервала трафика по самоподобию на основе разности между временами поступления пакетов. Мы исследуем зависимость между быстрым и медленным интервалом, а также изучаем переход между обоими интервалами.

Введение

Компьютерные сети могут обеспечивать лучшее качество обслуживания (QoS), если могут быть определены будущие шаблоны сетевого трафика. Многие современные приложения реального времени, такие как телеконференция, видео по требованию (VOD), VoIP и т. д., в значительной степени зависят от качества сетевого соединения. Приложение реального времени, безусловно, выиграет от того, что знает состояние трафика раньше времени. Например, система будет лучше подготовлена для прогнозирования предстоящего трафика путем настройки механизма воспроизведения в VOIP или поиска нового альтернативного пути для поддержки минимальной требуемой полосы пропускания. Мы имитировали схему интернет–трафика, используя модели трафика с самоподобной характеристикой.

Было сделано множество исследований для измерения и прогнозирования закономерностей трафика в Интернете, которые показывают наличие фрактальных или самоподобных свойств [1,2,3,4]. Сетевой трафик может быть проиллюстрирован во многих масштабах с использованием обозначения самоподобия. Самоподобие означает, что статистические шаблоны могут казаться одинаковыми в различных временных масштабах, которые могут изменяться на многие порядки величины. Другими словами, самоподобие является фрактальным свойством шаблонов трафика, в которых внешний вид не изменяется независимо от масштаба, в котором просматривается; Это составляет от миллисекунд до минут или даже часов. Существует ряд моделей, которые используются для описания пульсирующего потока данных в Интернете, таких как модель распределения Парето или связанные модели распределения Пуассона (например, Пуассон–пакет, Марков–модулированный Пуассон, модели пакетной передачи, модель марковских входных данных или модель потока текучей среды).

Есть и другие исследовательские группы, которые пользуются самоподобными моделями трафика. Самоподобный трафик также используется для прогнозирования будущих событий в Интернете и улучшения работы сети [6]. Автор предложил новый алгоритм для прогнозирования задержки воспроизведения аудиопакета для приложений конференц–связи VOIP. А предложенный алгоритм использует скрытую модель Маркова для предсказания задержки воспроизведения. Аналогично, в [5] было проведено исследование с использованием модели распределения Маркова для прогнозирования поведения очереди с помощью самоподобных входных данных.

Как указывалось ранее, целью этого исследования является представление статистического метода для прогнозирования того, когда происходит следующий пакет в сетевом трафике и когда он заканчивается на основании перехода от пакета к длительному молчанию и наоборот. Мы также сравниваем результат самоподобного ввода между распределениями Парето и Пуассона. Хотя, [7] Пуассоновское распределение не представляет реальный интернет–трафик, поскольку время поступления пакетов не распределено экспоненциально. Модели сетевого трафика, по сути, становятся едиными. Следовательно, в большинстве экспериментов в этой статье используется распределение Парето, а распределение Пуассона используется только для целей сравнения.

Список использованной литературы

1. Mark E. Crovella and Azer Bestavros., Self–Similarity in World Wide Web Traffic: Evidence and Possible Causes. IEEE/ACM Transactions on Networking, Vol. 5, No 6, December 1997.
2. Sahinoglu Z. and Tekinay S., On Multimedia Networks: Self–Similar Traffic and Network Performance. IEEE Communication Magazine, January 1999.
3. Beran J., Sherman R., and Neame T., Fractal Traffic: Measurements, Modeling and Performance Evaluation, Proceeding of IEEE INFOCOM 1995.
4. Leland W., Taqqu M., Willinger W., and Wilson D., On the self–Similar Nature of Ethernet Traffic, IEEE/ACM transactions on Networking , Vol. 2, No 1, February 1994.
5. Kasahara S., Internet Traffic Modeling: Markovian Approach to Self–Similar Traffic and Predict of Loss Probability for finite queues, IEICE Trans. Communication. Vol. E84–B. August 2001.
6. Yensen T., Lariviere J., Lambadaris I., and Gaubran A. R., HMM Delay Prediction technique for VOIP. IEEE Transaction on Multimedia. Vol. 5 no. 3, September 2003. 7. Paxson V. and Floyd S., Wide–area Traffic: The failure of Poisson Modeing. SIGCOMM’94.
8. Ulanovs P. and Petersons E., Modeling methods of self–similar traffic for network performance evaluation.
9. Cidon I., Khamisy A., and Sidi M., Analysis of packet Loss Processes in High–Speed Networks. IEEE transaction on information theory, VOL. 39, NO. 1, January 1993.