مدل سازی ترافیک شبکه

استاد راهنما: دکتر کیارش میزانیانارائه دهنده: محمد مهدی میرزایی

1390 مهرماه 26

فهرست مطالبمقدمه•های ترافیک غیرخودشبیه مدل•پیدایش خودشبیهی•های ترافیک خود شبیه مدل•نتیجه گیری•

مفهوم و ضرورت •مدلسازی 1

های مشخصات مدل•ترافیک 2

های های مدل چالش•ترافیک 3

مقدمه

مقدمهطراحی شبکه•

طراحی کاربردهای شبکه─ها تخصیص ظرفیت─کاربرد تحلیل•

اعتبار مدل─میزان شباهت به واقعیت─سادگی─کاربرد شبیه سازی•

حساسیت کمتر─

مقدمه )ادامه...(های ترافیک پارامترهای مدل•

ها به گره توزیع زمان ورود بسته─ها توزیع طول بسته─سایر پارامترها•

مسیرها─توزیع مقصدها──...

مقدمه )ادامه...(های اولیه مدل•

توزیع پواسون─تحلیل ترافیک واقعی•

وجود خودشبیهی─های ترافیک و بوجود آمدن اختالف بین مدل•

ترافیک واقعTی

های پواسون مدل• 1

های پواسون ترکیبی مدل• 2های پواسون تنظیم مدل•

شده مارکوف 3

مدل قطار بسته• 4

های ترافیک غیر خودشبیه مدل

های پواسون مدل و میانگین زمان ورود λتوزیع پواسون، نرخ ورود •بدون حافظه•

حالت پایدار، •انتخاب پارامتر مناسب مناسب بودن برای اکثر •

ها ترافیک

𝑡1 𝑡 2 𝑡 3 𝑡 4 𝑡5

های پواسون ترکیبی مدلCompound Poisson Models

(Batchگروه بسته)•λها نمایی، نرخ ورود توزیع زمان ورود گروه•اندازه گروه تصادفی، پارامتر گروه •ها در یک گروه میانگین تعداد بسته•

مزایای تحلیل روش پواسون )بدون حافظه، حالت •پایدار،...(

ها تحویل همزمان بسته•𝑡1 𝑡 2 𝑡 3 𝑡 4 𝑡512

3 456

789

10

11

شده مارکوف های پواسون تنظیم مدلMarkov-Modulated Poisson Models

ارسال داده و صدا•MMPPهای ورود متفاوت: مدلی با نرخ••)(•)(قابل تعمیم به تعداد بیشتری حالت•

𝑡11

λ𝟏

λ𝟐 𝑡 21 𝑡 31

𝑡12 𝑡 22

مدل قطار بسته

( در مسیریابیlocalityایده اصلی: وجود محلیت )•یک قطار برای هر جفت )مبدا،مقصد(•جریان داده در هر دو جهت••Tandem Trailer(MAIGها ) ماکزیمم فاصله زمانی بین بسته•Aتحلیل و دسته بندی ترافیک واقعی، نه شبیه سازی•

B

⋮ ABABAB BABA ABABAB AB

Inter-Car < MAIGInter-Train > MAIG

Tandem Trailer

1خودشبیهی•2کشف خودشبیهی•

تعریف ریاضی •3خودشبیهی

شکست مدل •4پواسون

TCP5تاثیر •

پیدایش خودشبیهی

خودشبیهیهای قبلی مشکل مشترک مدل•

های بزرگ عدم وجود تحلیل در مقیاس–تعریف خودشبیهی•

های متفاوت وجود مشخصات یکسان در مقیاس–

کشف خودشبیهیترافیک پواسون

ترافیک واقعی

تعریفT ریاضی خودشبیهیتعاریف اولیه•

Y(t) فرآیند تجمعی:tبسته یا بایت رسیده تا زمان

X(t) = Y(t+1) – Y(t)[…+ = X(t) : (t)(s)تجمع فرآیند

تابع خودکواریانس:

تعریف ریاضی خودشبیهی)ادامه...(a>0 و t0ترافیک خود شبیه است اگر برای همه •پارامتر ، میزان خودشبیهی•شرایط خودشبیهی بسیار سخت و محدودکننده است•خودشبیهی مرتبه دوم•های تابع خودکواریانس یکسان در مقیاس اصلی و مقیاس–

بزرگتر = فرآیند دقیقاً خودشبیه مرتبه دوم است اگر:• = فرآیند به صورت مجانبی خودشبیه مرتبه دوم است اگر:•

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 می کند

های مبتنی بر پواسون نطقه ضعف همه مدل•، نزدیک شدن به MMPPافزایش تعداد حاالت •

واقعیت•MMPP با تعداد بی نهایت حالت، مدلسازی دقیق

واقعیت

TCPتاثیر کنترل ازدحام •های ترافیک هیچ بازخوردی از شبکه دریافت بیشتر مدل–

کنند نمی و خودشبیهیTCPهمزیستی کنترل ازدحام •

باعث خودشبیهی نمی شودTCPکنترل ازدحام –کند ، خودشبیهی را کم یا حذف نمیTCPکنترل ازدحام –

شکست مدل پواسون

های ترافیک مدلخودشبیه

اولین مشکل: سخت بودن تحلیل ریاضی•غیر قابل استفاده در مدل صف• پیچیده تر شدن مسئلهTCPکنترل ازدحام •

حرکت براونی جزئیFractional Brownian Motion

یک فرآیند تصادفی برای تولید ورودی Norrosآقای •خودشبیه ابداع کرد

•fBm و تابع 0یک فرایند گاوسی پیوسته در زمان، با میانگین –

خودکواریانس زیر

حرکت براونی جزئیFractional Brownian Motion

+ NorrosV(t) = A(t) = mtفرآیند ابداعی ••Z(t) یک فرایند fBM 1 با•m ،میانگین نرخ ورود a واریانس و Cنرخ سرویس

حرکت براونی جزئیFractional 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

SWINGمدل

های خودشبیه تخمین پارامتر هرست مشکل بیشتر مدل•است

•SWING استفاده از یک مدل بسیار ساده برای تحلیل :و تولید ترافیک

پارامترهای مورد استفاده•مشخصات کاربران، تبادالت درخواست و پاسخ، اتصاالت، –

ها و کل شبکه بستهبدون تالش برای تحلیل ویژگی خودشبیهی•اعتبارسنجی نتایج با مقایسه پارامتر هرست این مدل و •

واقعیتهای بسیار بزرگ عدم وجود خودشبیهی در مقیاس•

نتیجه گیریهای اولیه، ترافیک شبکه را بدون حافظه مدل•

فرض کرده بودند و احتمال وجود خودشبیهی کردند را رد می

های شبیه سازی احتیاج به صحت بیشری مدل•های تحلیلی دارند در مقایسه با مدل

ها همچنان تنها راه مطمئن اعتبارسنجی مدل•های تجربی است مقایسه با اندازه گیری

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”.

سپاسگزارم