Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Analiz_trafika_M_-_Setey.doc
Скачиваний:
7
Добавлен:
01.07.2025
Размер:
18 Мб
Скачать
☆
    1. 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)

    1. 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.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]