مدل سازی ترافیک شبکه

1. مدل سازی ترافیک شبکه استاد راهنما: دکتر کیارش میزانیان ارائه دهنده: محمد مهدی میرزایی 26 مهرماه 1390

2. فهرست مطالب • مقدمه • مدلهای ترافیک غیرخودشبیه • پیدایش خودشبیهی • مدلهای ترافیک خود شبیه • نتیجه گیری

3. مقدمه

4. طراحی شبکه • طراحی کاربردهای شبکه • تخصیص ظرفیتها • کاربرد تحلیل • اعتبار مدل • میزان شباهت به واقعیت • سادگی • کاربرد شبیه سازی • حساسیت کمتر مقدمه

5. مقدمه (ادامه...) • پارامترهای مدلهای ترافیک • توزیع زمان ورود بستهها به گره • توزیع طول بستهها • سایر پارامترها • مسیرها • توزیع مقصدها • ...

6. مقدمه (ادامه...) • مدلهای اولیه • توزیع پواسون • تحلیل ترافیک واقعی • وجود خودشبیهی • بوجود آمدن اختلاف بین مدلهای ترافیک و ترافیک واقعی

7. مدلهای ترافیک غیر خودشبیه

8. مدلهای پواسون • توزیع پواسون، نرخ ورود λ و میانگین زمان ورود • بدون حافظه • حالت پایدار، • انتخاب پارامتر مناسب مناسب بودن برای اکثر ترافیکها

9. مدلهای پواسون ترکیبی Compound Poisson Models • گروه بسته(Batch) • توزیع زمان ورود گروهها نمایی، نرخ ورود λ • اندازه گروه تصادفی، پارامتر گروه • میانگین تعداد بستهها در یک گروه • مزایای تحلیل روش پواسون (بدون حافظه، حالت پایدار،...) • تحویل همزمان بستهها 10 6 9 2 5 8 1 3 4 7 11

10. مدلهای پواسون تنظیمشده مارکوف • Markov-Modulated PoissonModels • ارسال داده و صدا • مدلی با نرخهای ورود متفاوت: MMPP • () • () • قابل تعمیم به تعداد بیشتری حالت

11. مدل قطار بسته • ایده اصلی: وجود محلیت (locality) در 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 BA BA AB AB AB AB Inter-Train > MAIG Inter-Car < MAIG B

12. پیدایش خودشبیهی

13. مشکل مشترک مدلهای قبلی • عدم وجود تحلیل در مقیاسهای بزرگ • تعریف خودشبیهی • وجود مشخصات یکسان در مقیاسهای متفاوت خودشبیهی

14. کشف خودشبیهی ترافیک واقعی ترافیک پواسون

15. تعریف ریاضی خودشبیهی • تعاریف اولیه فرآیند تجمعی:Y(t) بسته یا بایت رسیده تا زمان t X(t) = Y(t+1) – Y(t) تجمع فرآیند X(t) : (t) (s) = +…] تابع خودکواریانس:

16. تعریف ریاضی خودشبیهی(ادامه...) • ترافیک خود شبیه است اگر برای همه t0 و a>0 • پارامتر ، میزان خودشبیهی • شرایط خودشبیهی بسیار سخت و محدودکننده است • خودشبیهی مرتبه دوم • تابع خودکواریانس یکسان در مقیاس اصلی و مقیاسهای بزرگتر • فرآیند دقیقاً خودشبیه مرتبه دوم است اگر: = • فرآیند به صورت مجانبی خودشبیه مرتبه دوماست اگر: =

17. 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 حالات MMPP، نزدیک شدن به واقعیت • MMPP با تعداد بی نهایت حالت، مدلسازی دقیق واقعیت

18. شکست مدل پواسون • تاثیر کنترل ازدحام TCP • بیشتر مدلهای ترافیک هیچ بازخوردی از شبکه دریافت نمیکنند • همزیستی کنترل ازدحام TCPو خودشبیهی • کنترل ازدحام TCP باعث خودشبیهی نمی شود • کنترل ازدحام TCP، خودشبیهی را کم یا حذف نمیکند

19. اولین مشکل: سخت بودن تحلیل ریاضی • غیر قابل استفاده در مدل صف • کنترل ازدحام TCP پیچیده تر شدن مسئله مدلهای ترافیک خودشبیه

20. حرکت براونی جزئی Fractional Brownian Motion • آقای Norros یک فرآیند تصادفی برای تولید ورودی خودشبیه ابداع کرد • fBm • یک فرایند گاوسی پیوسته در زمان، با میانگین 0 و تابع خودکواریانس زیر

21. حرکت براونی جزئی Fractional Brownian Motion • فرآیند ابداعی Norros V(t) = A(t) = mt + • Z(t) یک فرایند fBM با 1 • m میانگین نرخ ورود، a واریانس و C نرخ سرویس

22. حرکت براونی جزئی Fractional Brownian Motion • برطرف کردن مشکل تخصیص ظرفیت • چگونگی رسیدن به کیفیت خدمات مورد نظر • مشکل حل نشده • ارائه ندادن روشی برای بدست آوردن پارامتر هرست مناسب

23. مدل SWING • مشکل بیشتر مدلهای خودشبیه تخمین پارامتر هرست است • SWING: استفاده از یک مدل بسیار ساده برای تحلیل و تولید ترافیک • پارامترهای مورد استفاده • مشخصات کاربران، تبادلات درخواست و پاسخ، اتصالات، بستهها و کل شبکه • بدون تلاش برای تحلیل ویژگی خودشبیهی • اعتبارسنجی نتایج با مقایسه پارامتر هرست این مدل و واقعیت • عدم وجود خودشبیهی در مقیاسهای بسیار بزرگ

24. 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 مدلهای تحلیلی دارند • همچنان تنها راه مطمئن اعتبارسنجی مدلها مقایسه با اندازه گیریهای تجربی است

25. 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”.

26. سپاسگزارم