- •Моделирование и оптимизации сетей связи
- •Содержание
- •Введение
- •1. Понятие оптимизации
- •2. Этапы оптимизации
- •3.2 Модели сети связи как СМО
- •3.2.2 Примеры аналитических модели сетей связи как (СМО)
- •Обозначения СМО по Кендаллу (Kendall’s notation)
- •M/M/V (ДО с ожиданием)
- •M/M/V (ДО с потерями)
- •Аппроксимация Клейнрока
- •3.2.4 Последовательность СМО
- •Пример последовательности СМО M/M/1
- •Оценка задержки и джиттера (IPTD, IPDV)
- •Потери пакетов данных (IPLR)
- •Ошибки в пакетах данных (IPER)
- •3.2.5 Потоки отличные от простейшего
- •Оценка коэффициента Херста и АКФ
- •Пример реализаций простейшего, самоподобного и антиперсистентного потоков
- •3.3 Модели надежности сети связи
- •Общие определения
- •3.5 Метод добавления-удаления (IE – inclusion-exclusion)
- •Выводы
- •3.4.2 Общая структура имитационной событийной модели
- •Функционирование событийной имитационной модели
- •3.4.3 Последовательности событий
- •Получение потока событий с заданными свойствами
- •Пример для экспоненциального распределения
- •Эмпирический закон распределения
- •On/off моделирование самоподобного потока
- •Примеры систем имитационного моделирования
- •Содержание
- •4.2 Надежность сети связи
- •5. Аналитические методы оптимизации
- •5.1 Экстремумы функции
- •5.2 Безусловная оптимизация
- •5.3 Условная оптимизация
- •5.3.2 Выпуклые функции
- •5.3.3 Условия Каруша-Куна-Таккера (ККТ)
- •6. Численные методы оптимизации
- •6.1 Общий алгоритм численных методов
- •Покоординатный спуск (пример)
- •6.3.2 Метод Хука-Дживса (поиск по образцу)
- •6.3.2 Метод Хука-Дживса (поиск по образцу)
- •Метод Хука-Дживса (пример)
- •6.3.3 Симплекс метод Нелдера-Мида (поиск по деформируемому многограннику)
- •Симплекс метод Нелдера-Мида (пример)
- •6.3.4 Комплексный метод Бокса (Условная оптимизация)
- •6.3.5 Метод штрафных функций (Условная оптимизация)
- •6.3.4 Некоторые другие методы оптимизации выпуклых функций
- •6.4 Стохастические методы
- •6.4.1 Слепой случайный поиск
- •6.4.2 Эволюционный метод (генетический алгоритм)
- •Генетический алгоритм
- •Генетический алгоритм (пример)
- •6.5 Динамическое программирование
- •Динамическое программирование (пример) размещение узла в сети связи
- •размещение узла в сети связи – поиск центра графа
- •размещение узла в сети связи – поиск центра и медианы графа
- •Литература
Потери пакетов данных (IPLR)
Модель обслуживания в узлах сети M/M/1/K (конечный размер буфера)
Вероятность потери в узле
|
|
|
|
1− y |
k |
|
p |
|
|
|
|
|
(y) ; 0 ≤ k ≤ K +1; |
k |
= |
1 |
− yK +1 |
|||
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
y = µλ ;
Пакет теряется при
k = K +1
4
2 |
7 |
|
5 |
1 |
p6 |
|
|
p1 |
3 |
p3 |
|
|
6 |
p1,7 =1−(1− p1)(1− p3 )(1− p6 )
r
IPLR = p =1−∏(1− pi )
i=1
22
Ошибки в пакетах данных (IPER)
Основная доля ошибок возникает при передаче данных по линиям связи
Потери на участке маршрута зависят от типа линии передачи и ее протяженности и нормируются для различных систем передачи.
4
2 |
7 |
|
5 |
1 |
p6 |
|
|
p1 |
3 |
p3 |
|
|
6 |
p1,7 =1−(1− p1)(1− p3 )(1− p6 )
r
IPER = p =1−∏(1− pi )
i=1
23
3.2.5 Потоки отличные от простейшего
Поток |
X = (X1 , X 2 ,..X t ..) |
|
|
t =1,2,... |
|||||||||
Автокорреляционная функция потока |
|
||||||||||||
|
N∑−k (X i − |
|
)(X i+k − |
|
) |
|
|||||||
|
X |
X |
|
||||||||||
r(k) = |
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(N − k)σ 2 |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|||||
Агрегированный поток |
|
|
|
|
|
||||||||
X (m) = (X |
(m) , X |
2 |
(m) ,..X |
(m)..); |
r (k) |
||||||||
|
1 |
|
|
t |
|
|
|
|
m |
||||
X t (m) = |
|
1 |
(X tm−m+1 + |
+ X tm ) |
|
||||||||
|
|
|
|||||||||||
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
35 |
|
|
|
|
|
200 |
|
|
|
|
|
|
30 |
|
|
|
|
|
|
|
|
|
|
|
|
25 |
|
|
|
|
|
150 |
|
|
|
|
|
|
20 |
|
|
|
|
|
100 |
|
|
|
|
|
|
15 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
50 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
00 |
0.5 |
1 |
1.5 |
2 |
2.5 |
0 |
0 |
0.5 |
1 |
1.5 |
2 |
2.5 |
|
|
|
|
|
x 106 |
|
|
|
|
|
|
x 106 |
|
|
|
|
|
|
10000 |
|
|
|
|
|
|
1000 |
|
|
|
|
|
8000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6000 |
|
|
|
|
|
|
500 |
|
|
|
|
|
4000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2000 |
|
|
|
|
|
|
00 |
0.5 |
1 |
1.5 |
2 |
2.5 |
0 |
0 |
0.5 |
1 |
1.5 |
2 |
2.5 |
|
|
|
|
|
x 106 |
|
|
|
|
|
|
x 106 |
rm (k) = r(k); |
Самоподобные потоки |
m = 2,3,... строго самоподобный в широком смысле |
|
lim r (k) = r(k) |
асимптотически самоподобным |
m→∞ m |
|
m1−H X (m) =• X |
строго самоподобный в узком смысле |
0 < H <1 коэффициент Херста
H = 0,5 простейший поток H > 0,5 самоподобный поток H < 0,5 антиперсистентный поток
24
|
|
|
|
Оценка коэффициента Херста и АКФ |
|
|
|
|
|
|
||||
|
|
|
|
|
Метод анализа изменения дисперсии |
|
||||||||
|
|
|
|
|
|
D(X |
(m) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
) |
= (2H −2)ln(m) |
|
|
||||
|
|
|
|
|
ln |
D(X ) |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
β = 2 −2H |
|
|
|
|
|||||
|
|
|
|
|
H =1− |
β |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
0.8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
1 |
|
2 H |
|
|
2 H |
|
2 H |
|
|
|
|
|
|
r(k) = 2 ((k +1) |
|
|
− 2 k |
|
+ (k −1) |
|
) |
|||
|
|
|
|
|
|
|
|
|
||||||
0 |
10 |
20 |
30 |
40 |
50 |
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
25 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
