
- •Определение средней интенсивности трафика. Единица измерения интенсивности трафика.
- •Измерения трафика. Диаграмма Ганта. Нахождение объема пропущенного трафика. Средняя интенсивность трафика.
- •Нормальная оценка интенсивности трафика.
- •4. Диаграмма Кивиата для телефонной линии.
- •5. Как определяется объем трафика и интенсивность трафика?
- •2) Пусть в течение времени т фиксируются длительности ti всех n занятий выходов некоторого пучка, тогда трафик определяют так:
- •6. Программы для мониторинга сетей. Функции и возможности.
- •7. Основные понятия модели потоков событий ( стационарность, последействие, ординарность, интенсивность потока, параметр потока).
- •8 Что такое пуассоновский поток? Перечислите его свойства, параметры.
- •9 Определение примитивного потока
- •20 Примеры самоподобных процессов.
- •21. Основные принципы моделирования потока событий.
- •23. Распределение Вейбулла: математическое ожидание, дисперсия, абсолютные моменты, центральные моменты.
- •24. Самоподобные (фрактальные) модели трафика.
- •25. Поток Эрланга первого, второго и третьего порядка.
- •26. Примеры простейших самоподобных процессов.
- •27. Понятие фрактала. Основное свойство фракталов. Виды фракталов.
- •28. Нормированное фрактальное броуновское движение с параметром Херста.
- •29. Фрактальный гауссовский шум.
- •30. Генерирование потока событий с равномерным распределением интервала между событиями.
- •31. Генерирование потока событий, распределенных по закону, отличному от равномерного.
- •32. Модели потоков событий. Метод удачного случайного приращения.
- •33. Модели потоков событий. Метод случайного смещения промежуточных точек
- •34. Модели систем массового обслуживания.
- •35. Задачи анализа и проектирования телекоммуникационных сетей и систем
- •36. Понятие масштабной модели, её назначение и возможности. Анализ недостатков данной модели
- •37. Физическая модель сети типа прототип, её назначение и возможности. Анализ недостатков данной сети.
- •41. Формула Литла для определения среднего числа заявок в системе.
- •45. Смо с полнодоступными и неполнодоступными серверами.
- •47. Анализ механизма приоритетного обслуживания (в лекциях тема 7).
- •46. Анализ работы смо без приоритетов.
- •48. Виды различных дисциплин обслуживания требований.
- •49. Определение среднего времени ожидания в очереди для меченного требования
- •50. Определение консервативной смо. Формула для определения взвешенной суммы времени ожидания в очереди
- •51. Имитационные модели смо, основные задачи построения программы имитации
- •52. Условия, накладываемые на быстродействие алгоритмов имитации
- •68. Непрерывные цепи Маркова.
- •69.Анализ системы «гибели-размножения». Графическая интерпретация процессов переходов в непрерывной цепи Маркова.
- •70. Диаграмма интенсивностей переходов для непрерывной цепи Маркова.
- •71.Уравнения равновесия или баланса.
- •72. Анализ системы массового обслуживания типа m/m/1, диаграмма интенсивностей переходов в этой системе.
- •73 Стационарное распределение вероятностей состояний в системе m/m/1, зависимость среднего времени пребывания в системе в зависимости от коэффициента использования (нагрузки).
- •75. Сравнение характеристик качества обслуживания двухсерверной системы с односерверной.
- •81. Анализ характеристик качества обслуживания системы.
- •85.Модель Энгсета. Схема m-серверной системы с полными потерями
- •86. Диаграмма интенсивностей переходов для m-серверной системы с полными потерями, соответствующей модели Энгсета
- •90 Система с самоподобным входным потоком и детерминированным временем обслуживания
- •91 Расчет основных характеристик системы с самоподобным входным потоком и детерминированным временем обслуживания.
- •92 Анализ телекоммуникационных систем.
- •93. Расчет необходимого числа соединительных линий.
- •95. Анализ сетей массового обслуживания.
- •96 Марковские сети без потерь
- •97 Пример замкнутой сети с тремя узлами. Диаграмма переходов для этой сети.
- •98 Сети с блокировками (потерями). Метод Ли.
- •99. Сравнительный анализ расчетов соединительных линий
- •100 Анализ многозвеньевых коммутационных схем
25. Поток Эрланга первого, второго и третьего порядка.
Пусть имеется поток вызовов, для которого t1, t2,... есть моменты поступления вызовов. Выберем из этого потока часть вызовов, применив следующую операцию: вызов, поступающий в момент tk (k=1, 2, ...), с вероятностью ρ остается в новом потоке и с вероятностью (1.ρ) теряется. Новый поток вызовов называется просеянным. Таким образом, просеянный поток образуется из заданного потока, в котором случайное число вызовов теряется, следующий вызов остается (просеивается), затем снова случайное число вызовов, имеющее тот же закон распределения, теряется, следующий вызов заданного потока остается и т. д. Операция, с помощью которой получен просеянный поток, называется рекуррентной операцией просеивания. Поток, получаемый из рекуррентного потока с помощью рекуррентной операции просеивания, также является рекуррентным.
Если основной поток . простейший с параметром λ и каждый вызов этого потока просеивается с вероятностью р и теряется с вероятностью (1.ρ), то просеянный поток будет также простейшим с параметром λρ. Из этого следует весьма важный для практики вывод: если поступающий на коммутационную систему простейший поток с параметром λ разделяется на h направлений и вероятность того, что вызов входящего потока поступает на i-е направление (i=1,2, ..., h), равна ρi, то поток i-го направления является также простейшим с параметром λρi.
Используем отличную от рекуррентной операцию просеивания, при которой точно m вызовов потока теряются, (m+1)-й вызов просеивается, затем снова точно m вызовов теряются и (m+1)-й просеивается и т. д. В результате такой операции просеивания простейшего потока образуется так называемый поток Эрланга m-го порядка. Если в простейшем потоке сохранить (просеять) каждый третий вызов, то образуется поток Эрланга 2-го порядка, каждый второй вызов . поток Эрланга 1-го порядка. Естественно, простейший поток можно рассматривать как поток Эрланга нулевого порядка.
В потоках Эрланга любого порядка промежутки времени между вызовами независимы и распределены по одному и тому же закону, так как эти промежутки представляют собой сумму одинакового числа промежутков простейшего потока. В связи с этим потоки Эрланга являются рекуррентными.
Математическое ожидание M(Zm), дисперсия D(Zm) и среднеквадратическое отклонение σ(Zm) промежутка времени между вызовами в потоке Эрланга m-го порядка равны соответственно
Из (2.36) и (2.37) следует, что с увеличением порядка потока Эрланга увеличиваются математическое ожидание и дисперсия промежутка времени между вызовами и одновременно уменьшается параметр потока. Потоки Эрланга m-го порядка при разных т создают потоки с различной степенью случайности: от простейшего (m = 0) до детерминированного (m = ∞).
26. Примеры простейших самоподобных процессов.
Простым примером самоподобных случайных
последовательностей может служить
случайное движение точки, начиная с
некоторого момента времени
,
когда она находилась в нуле. В каждые
последующие моменты времени
ее
координата меняется на произвольную
случайную добавку
.
Тогда модель движения можно описать
как
,
т.е. текущая координата определяется
на основе предыдущей плюс случайное
смещение. Если СВ
подчиняется
нормальному закону распределения
с
нулевым математическим ожиданием и
дисперсией
,
то формируемый процесс
будет
представлять собой броуновское движение
частицы (стохастический винеровский
процесс).
Рассмотрим координату частицы
в
момент времени
.
Величина
будет
состоять из случайных добавок
в
предшествующие моменты времени, т.е.
.
Следовательно, математическое ожидание координаты частицы
,
а дисперсия
.
Таким образом, при
математическое
ожидание СВ
равно
нулю, а дисперсия стремится к бесконечности.
Кроме того, для любых двух моментов
времени
и
,
дисперсия разности
.
Так как процесс
представляет
собой суммы гауссовских случайных
величин и известную дисперсию для
каждого момента времени
,
то можно записать ПРВ данной величины
в виде
,
где
-
координата или приращение координаты
броуновской частицы (т.к. данный процесс
в момент времени
равен
нулю);
-
интервал времени наблюдения.
Для того чтобы процесс
обладал
свойством самоподобности, т.е. являлся
фракталом, достаточно значение дисперсии
заменить
на
,
где
-
параметр Херста. Такая замена приводит
к тому, что отсчеты стохастического
броуновского движения становятся
коррелированными между собой, т.е.
.
Следовательно, можно записать, что
.
Корреляция приращений
и
может
быть определена как
В дискретном случае, когда величины
и
заменяются
на
и
соответственно,
получаем следующую корреляционную
функцию для приращений фрактального
броуновского движения
.
Последовательность случайных приращений
с данной корреляционной функцией
называется фрактальным гауссовским
шумом. Причем коэффициент корреляции
,
при
и
определяет долговременную зависимость
между отсчетами случайного процесса.
Корреляционная функция
отличается
от гауссовских
и
экспоненциальных
тем,
что предполагает спад в корреляции при
увеличении
заметно
более медленный, что согласуется с
результатами наблюдений интенсивностей
в реальных трафиках с пакетной коммутацией.
Кроме того, она полностью описывается
только двумя параметрами – дисперсией
и показателем
.