Preview

Известия высших учебных заведений России. Радиоэлектроника

Расширенный поиск

Моделирование агрегированного сетевого трафика узла инфокоммуникационной сети на основе суперстатистического подхода с учетом эффектов долговременной зависимости и нестационарного характера пользовательской активности

Аннотация

Предложен суперстатистический подход к моделированию агрегированного трафика узла инфокоммуникационной сети с учетом эффектов долговременной зависимости и нестационарной динамики неоднородного потока пользовательских запросов. С использованием методов теории  массового обслуживания показано, что применение модели однородного потока, в частности формулы Кингмана, приводит к недооценке среднего времени пребывания пользовательских  запросов в системе на один-два порядка при высоком коэффициенте использования  исследуемого узла. Напротив, использование альтернативной суперстатистической модели,  учитывающей эффекты долговременной зависимости интенсивностей пользовательских запросов, позволяет снизить указанную недооценку более чем на один порядок.

Об авторах

Вьет Нгуен Дык
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)
Россия

аспирант кафедры радиотехнических систем Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И.  Ульянова (Ленина). Окончил Технический университет г. Ханой (2010) по  специальности "Радиоэлектронные и телекоммуникационные системы". Автор  шести научных публикаций. Сфера научных интересов -  телекоммуникационные и инфокоммуникационные системы; математическое моделирование; системы массового обслуживания



О. А. Маркелов
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)
Россия

кандидат технических наук (2014), доцент кафедры радиотехнических систем  Санкт-Петербургского государственного электротехнического университета  "ЛЭТИ" им. В. И. Ульянова (Ленина). Автор более 40 научных работ. Сфера  научных интересов - статистический анализ динамических систем; анализ и прогнозирование временных рядов; прикладная статистика



М. И. Богачев
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)
Россия

кандидат технических наук (2006), доцент (2011), ведущий научный сотрудник (2014) кафедры радиотехнических систем Санкт-Петербургского  государственного электротехнического университета "ЛЭТИ" им. В. И.  Ульянова (Ленина). Автор более 100 научных публикаций. Сфера научных  интересов - исследование структурной организации и динамического  поведения сложных систем различной физической природы; математическое  моделирование сложных систем



Список литературы

1. Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. URL: http://onlinelibrary.wiley.com/doi/10.1002/047120644X.fmatter_indsub/summary (дата обращения: 16.09.2017).

2. Universal Model for Collective Access Patterns in the Internet Traffic Dynamics: A Superstatistical Approach / A. Tamazian, V. D. Nguyen, O. A. Markelov, M. I. Bogachev // EPL (Europhysics Letters). 2016. Vol. 115, iss. 1. P. 10008. URL: http://iopscience.iop.org/article/10.1209/0295-5075 /115/10008/meta (дата обращения: 16.09.2017).

3. Вьет Нгуен Дык, Тамазян А. С. Модель сетевого трафика на основе суперпозиции однородных потоков пользовательских запросов // Изв. вузов России. Радиоэлектроника. 2017. № 1. С. 40-44.

4. URL: http://ita.ee.lbl.gov (дата обращения: 05.02.2017).

5. Dickey D. A., Fuller W. A. Distribution of the Estimators for Autoregressive Time Series with a Unit Root // J. of The American Statistical Association. 1979. Vol. 74, iss. 366. P. 427-431.

6. Beck C., Cohen E. D. G. Superstatistics // Physica A. 2003. Vol. 322. P. 267-275.

7. Briggs K., Beck C. Modelling Train Delays with q-exponential Functions // Physica A. 2007. Vol. 378. P. 498-504.

8. Markelov O., Duc V. N., Bogachev M. Statistical Modeling of the Internet Traffic Dynamics: To Which Extent Do We Need Long-Term Correlations? // Physica A, 2017. Vol. 485. P. 48-60. URL: //https://doi.org/10.1016/j.physa. 2017.05.023 (дата обращения: 16.09.2017).

9. Thomas S., Schmitz A. Surrogate Time Series //Physica D. 2000. Vol. 142, iss. 3. P. 346-382.

10. Kantelhardt J. W. Detecting Long-Range Correlations with Detrended Fluctuation Analysis // Physica A. 2001. Vol. 295. P. 441-454.

11. Temporal Clustering Effects in the Network Traffic Evaluated by Queueing System Performance / Viet Nguyen Duc, A. Tamazian, O. Markelov, M. Bogachev // IEEE NW Russia Young Res. in Electric and Electronic Eng. Conf., 2016 Feb. 2-3. P. 370-372. URL: http://ieeexplore.ieee.org/document/7448196/ (дата обращения: 16.09.2017).

12. Kingman J. F. C. The Single Server Queue in Heavy Traffic // Mathematical Proc. of the Cambridge Philosophical Society. Cambridge: Cambridge University Press, 1961. Vol. 57, iss. 04. P. 902-904.


Рецензия

Для цитирования:


Дык В., Маркелов О.А., Богачев М.И. Моделирование агрегированного сетевого трафика узла инфокоммуникационной сети на основе суперстатистического подхода с учетом эффектов долговременной зависимости и нестационарного характера пользовательской активности. Известия высших учебных заведений России. Радиоэлектроника. 2017;(5):47-53.

For citation:


Duc V., Markelov O.A., Bogachev M.I. Aggregated Network Traffic Modeling based on Superstatistical Approach with Account of Long-Term Dependence and Non-Stationary Dynamics Effects. Journal of the Russian Universities. Radioelectronics. 2017;(5):47-53. (In Russ.)

Просмотров: 364


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1993-8985 (Print)
ISSN 2658-4794 (Online)