Анализ качества обслуживания в одноканальной системе передачи с ограниченным буфером
Введение
На сегодняшний день основной тенденцией развития телекоммуникаций является переход к конвергентным сетям следующего поколения (МОМ). На первый план выступает проблема обеспечения качества обслуживания различных по характеристикам и требованиям сервисов в рамках единой телекоммуникационной инфраструктуры.
При системном подходе к проблеме повышения качества функционирования различных уровней телекоммуникационных сетей невозможно обойтись без эффективных алгоритмов управления трафиком. В связи с этим важной задачей является разработка адекватной модели поведения трафика в сети.
Результаты многих исследований показали, что трафик современных телекоммуникационных сетей обладает фрактальными свойствами и, в частности, свойством самоподобия. Как известно самоподобные процессы обладают долгосрочной зависимостью, что выражается в бесконечном интервале корреляции. Т.е. наличие в трафике самоподобия позволяет предсказать его поведение на длительных временных интервалах.
Содержание
Введение3
1 Методы краткосрочного прогнозирования5
1.1 Классификация методов краткосрочного прогнозирования нагрузки5
1.1.1 Статистические методы прогнозирования6
1.1.2 Методы искусственного интеллекта6
1.2 Требования к краткосрочному прогнозированию8
1.3 Основные проблемы краткосрочного прогнозирования9
1.4 Методы прогнозирования временных рядов9
2 Компьютерная сеть, её нагрузка и системы передачи13
2.1 Компьютерные сети13
2.2 Классификация компьютерных сетей15
2.3 Локальные компьютерные сети16
2.4 Глобальные сети18
2.5 Нагрузка19
2.6 Одноканальные системы передачи20
3 Оценка нагрузки компьютерной сети22
Заключение37
Список литературы39
Список литературы
Авдуче Д. и др. Обзор и принципы управления интернет-трафиком. RFC 3272, май 2002 года.
Алекс Д. Основанный на регрессии подход к краткосрочному прогнозированию загрузки системы / Д. Алекс, Папалексопулос // IEEE Trans по энергетическим системам, 1990, стр.1535-1547.
Амджади Н. Краткосрочное прогнозирование почасовой нагрузки с использованием моделирования временных рядов с возможностью оценки пиковой нагрузки / Н. Амджади// Транзакции IEEE по Энергетические системы, 2001, 16(3), стр. 498-505.
Бенсон Т. Характеристики сетевого трафика центров обработки данных в дикой природе / Т. Бенсон, А. Акелла, Д. А. Мальц // Материалы 10 -й конференции ACM SIGCOMM по измерению Интернета. ACM, 2010. – С. 267-280.
Виллальба С.А. Гибридная модель спроса для оценки нагрузки и краткосрочного прогнозирования нагрузки в распределительных электрических системах / С.А. Виллальба, С.А. Бел // Транзакции IEEE по доставке электроэнергии, 2000, 15(2), стр.764-769.
Гарднер-младший Э. С. Экспоненциальное сглаживание: современное состояние. Часть II. / Младший Э. С. Гарднер // Международный журнал прогнозирования. 2006. – С. 637-666. 110
Герасименко В.Г., Нестеровский И.П., Пентюхов В.В. и др. Вычислительные сети и средства их защиты: Учебное пособие/
Гросс Г. Краткосрочное прогнозирование нагрузки / Г. Гросс, Ф. Д. Галиана // Труды IEEE, 1987,75(12), - с. 1558-1571.
Дорт-Гольц, А. Алгоритм балансировки нагрузки, использующий методы наложения / А. Дорт-Гольц, О. Симонина //Передовые коммуникационные технологии (ICACT), 2014 16-я Международная конференция по. – IEEE, 2014. – С. 912-920.
«Интернет у вас дома», С. В. Симонович, В. И. Мураховский, ООО «АСТ-Пресс Книга», Москва 2002.
Кристиансе У. Краткосрочное прогнозирование нагрузки с использованием общего экспоненциального сглаживания / У. Кристиансе // IEEE Transactions on PAS, 1971, стр. 900 – 910. 116
Купман, С. Дж. Пространство состояний и ненаблюдаемые компонентные модели / С. Дж. Купман,
Декомпозиция может представлять собой представление процесса в виде суммы (аддитивная модель) или произведения (мультипликативная) нескольких ненаблюдаемых компонент [9]. Ввиду того, что адаптивная мультипликативная модель довольно неустойчива в случае взрывного характера предсказываемого временного ряда (именно такой динамикой обладает реальный сетевой трафик), далее будем рассматривать только аддитивные модели.
X (t) μ(t) S(t) e(t) ,(1)
где X(t) – исследуемый временной ряд, μ(t) – модель тренда, S(t) – сезонная составляющая ряда, e(t) – случайный стационарный остаток. В
случае краткосрочного прогнозирования мы можем пренебречь сезонной гармонической составляющей, сосредоточившись на тренде и остатке [10].
Полиномиальная аппроксимация Метод основан на аппроксимации отрезка временного ряда с помощью полинома заданной степени Pk.