- •Содержание
- •Сети нового поколения (ngn)
- •Основные понятия и термины
- •Классы сервиса и приоритеты обслуживания трафика
- •Управление процессом передачи сообщений
- •Повышение загрузки ресурса сети
- •Характеристики трафика
- •Уровни анализа трафика в мультисервисных сетях
- •Основные параметры пакетного трафика
- •Распределения вероятностей
- •Взаимные корреляционные моменты
- •Пуассоновские потоки заявок
- •Непрерывные и дискретные случайные величины
- •Разделение канального ресурса во времени
- •Обслуживание пуассоновских потоков
- •Смо с непуассоновскими потоками
- •Особенности мультисервисного трафика
- •Непуассоновские потоки
- •Функция г-распределения
- •Квазипуассоновское распределение вероятностей числа заявок
- •Гиперпуассоновское распределение вероятностей числа заявок на интервале
- •Гипер г- распределение вероятностей числа заявок на интервале
- •Очереди в одноканальных системах передачи с потоками заявок общего вида
- •Последовательное распределение постоянных интервалов времени передачи
- •Средняя доля недообслуженных заявок
- •Дообслуживание очередей
- •Уравнение баланса
- •Аппроксимация
- •Аппроксимация степенной зависимостью
- •Полиномиальная аппроксимация
- •Мультиплексирование потоков
- •Бесприоритетное обслуживание
- •Мультиплексирование групповых потоков
- •Относительные приоритеты
- •Оценка канального ресурса на уровне установления соединения
- •Механизм управления трафиком
- •Классы трафика
- •Службы атм
- •Форматы ячеек атм
- •Механизмы управления потоком
- •Формирование трафика
- •Контроль приоритетов
- •Контроль потока abr
- •Механизмы отбрасывания ячеек
- •Методы сброса пакета
- •Протоколы
- •Cетевая модель tcp/ip
- •Уровень доступа к сети
- •Управление логическим каналом
- •Управление на подуровне доступа к среде удс (мас)
- •Протоколы межсетевого уровня
- •Протокол ip
- •Протоколы транспортного уровня модели tcp/ip
- •Протокол udp
- •Поля udp дейтограммы
- •Инкапсуляция udp
- •Протокол tcp
- •Протоколы прикладного уровня
- •Http – протокол передачи гипертекстов
- •Smtp-протокол
- •Средства мониторинга и анализа трафика
- •Системы мониторинга
- •Анализаторы протоколов
- •Описание программы Wireshark
- •Установка программы
- •Первый запуск и начало работы с программой
- •Настройка программы и запуск захвата трафика.
- •Главное рабочее окно программы
- •Фильтр. Построение фильтров
- •Поля и списки
Непуассоновские потоки
Рассмотрим понятие образующей функции.
Поток входных заявок общего вида может быть задан функцией распределения вероятностей интервалов между соседними заявками.
|
(5.1) |
Указанная функция определяет вероятности P() того, что . Эту функцию распределения вероятностей назовем образующей функцией.
Аналогично, может быть определено семейство образующих функций - вероятностей того, что сумма двух, трех и т.д. случайных временных интервалов между соседними заявками, меньше интервала .
|
(5.2) |
Это есть функции попадания некоторого числа событий в интервал , где под интервалом мы понимаем постоянное время обработки одной заявки, а отсчет времени начинается в момент появления первой заявки (рис. 5.1).
|
Рис. 5.1. Образующие функции. |
Если такие функции известны, то на
основании их легко определить значения
чисел
и
.
Обозначим через Pi() вероятность того, что на интервале появится ровно i заявок.
Тогда, функция 1-F1()=P(1>)=P0() определяет вероятность отсутствия заявок на интервале (не считая исходной). Это равносильно утверждению, что на указанном интервале появится не более 0 заявок.
Аналогично, функция (5.3) определяет вероятность того, что на интервале появится не более, чем n-1 заявок.
|
(5.3) |
Очевидно, что разность Fi()-Fi+1()=Pi(), а сумма всех вероятностей равна единице (5.4).
|
(5.4) |
Функция г-распределения
интервалов между заявками
Мы предлагаем аппроксимировать семейства образующих функций семейством функций Г-распределения.
Функция Г-распределения хорошо известна. Она определяется двумя параметрами:– средний интервал времени между двумя соседними заявками поступления заявок , и η – величина, обратная квадрату коэффициента вариации распределения интервалов между заявками (5.5). Кроме того, используется параметр средней интенсивности (5.6).
|
(5.5) |
|
(5.6) |
|
(5.7) |
Почему такая функция была выбрана? Во-первых, потому, что экспоненциальное распределение является частным случаем Г-распределения (при η=1). Главное же заключается в том, что функция Fn() получается из функции F1() (5.7) простым умножением показателя η на величину n. Действительно, исходное выражение для функции (5.8) с учетом (5.9), примет вид (5.10).
|
(5.8) |
|
(5.9) |
|
(5.10) |
Введем переменную x=· и получим окончательно формулу (5.11).
|
(5.11) |
Такая аппроксимация позволяет анализировать уже не только экспоненциальные входные потоки, но и потоки, с самыми различными коэффициентами вариации интервалов.
На рис. 5.2 показано семейство функций распределения вероятностей при различных значениях коэффициента η (η – величина, обратная квадрату коэффициента вариации v2).
|
Рис. 5.2. Семейство образующих функций F(λτ). |
Чем меньше коэффициент η, т. е. чем больше его обратная величина – коэффициент вариации, тем круче идут графики указанных функций. Все они, так же, как и экспоненциальное распределение, описываются единым уравнением.
Зная эти функции, мы легко можем вычислять вероятности появления n событий на интервале τ (5.12) и (5.13).
|
(5.12) |
|
(5.13) |
При экспоненциальном распределении (коэффициент η=1) получаем закон Пуассона в его обычном виде.
Стало быть, указанное соотношение это в интегральной форме обобщенный закон Пуассона, где мы получаем вероятность появления n событий на интервале τ при заданных значениях параметров Г-распределения.
|
Рис. 5.3. Вероятности Pn для различных η. |
На рис. 5.3 показаны вероятности попадания n – событий в узкий временной интервал, соответствующий выражению (5.14).
|
(5.14) |
Для экспоненциального потока (η=1)
вероятность попадания двух или более
событии в указанный интервал крайне
мала. В то же время, вероятность попадания
двух событии для потока с коэффициентом
вариации
=5
(η=0.2) значительно выше, и
соответствует 0.2. Это может вызвать
появление очередей.
На рис. 5.4 показаны графики очередей
q(),
в зависимости от коэффициента загрузки
для
различных значений коэффициентов
вариации
потоков, имеющих Г- распределение
интервалов между заявками.
|
Рис. 5.4. Очереди. |
Мы видим, что при экспоненциальном входном потоке существенное возрастание очереди происходит при коэффициенте загрузки, равном 0.9, в то время, как для потока v2=5, аналогичного значения длина очереди достигает уже при коэффициенте загрузки λτ = 0.1.
Вот почему в мультисервисных сетях нужно быть весьма осторожным при распределении пропускной способности между различными видами трафика.

.