ассистент

Н.В. Апанасенко

должность, уч. степень, звание

подпись, дата

инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №1

МЕХАНИЗМЫ РАСПРЕДЕЛЕНИЯ РЕСУРСОВ НИСХОДЯЩЕГО КАДРА В ТЕЛЕКОММУНИКАЦИОННЫХ СЕТЯХ

по курсу: МОДЕЛИРОВАНИЕ СИСТЕМЫ РАСПРЕДЕЛНИЯ РЕСУРСОВ

СТУДЕНТКА ГР. №

4716

С.А. Янышева

подпись, дата

инициалы, фамилия

№

Модель распространения

R, м

P_TX, Вт

f₀, МГц

, МГц

k_n

18

ITU,

office area

20

0.05

2400

20

4

Синий – Blind_eq

Зеленый – Proportion_fair

Оранжевый – Max_throughput

import numpy as np import pandas as pd from matplotlib import pyplot as plt def subs_generator(r, n, Ptx, Pn, f, f0, K): subs = pd.DataFrame(columns=['range', 'angle', 'x', 'y', 'CC']) for i in range(n):

# Расстояние от абонента (d) до вышки (базовая станция) s_range = r * np.random.random()**.5 angle = np.random.random()*2*np.pi #угол координат x = s_range * np.cos(angle) #раскладывает на координаты для окружности y = s_range * np.sin(angle) L = 10**((20*np.log10(f0) + K*np.log10(s_range) - 28)/10)

Prx = Ptx/L

# Отношение сигнал/шум (SNR) SNR = Prx/Pn

# [Мах] пропускная способность канала связи (Сhannel Сapacity) (C) CC = f * np.log2(1 + SNR) subs = subs.append({'range': s_range, 'angle': angle, 'x': x, 'y': y, 'CC': CC}, ignore_index=True) return subs

# ПРС - равные скорости абонентам def equal_blind(CC):

# Суммарная скорость передачи D = sum([cc**-1 for cc in CC])**-1 return {'alg': 'eb', 'count': len(CC), 'min': D, 'mean': D, 'sum': D*len(subs)}

# ПСС - максимальная суммарная скорость передачи данных def max_throughput(CC): max_cc = max(CC) equal_max = np.array(CC) == max_cc

# Суммарная скорость передачи D = [1/sum(equal_max) * cc * equal_max[i] for i, cc in enumerate(CC)] return {'alg': 'mt', 'count': len(CC), 'min': min(D), 'mean': np.mean(D), 'sum': sum(D)}

# ПРД - равные доли выделенных ресурсов def proportion_fair(CC):

# Суммарная скорость передачи D = [cc/len(CC) for cc in CC] return {'alg': 'pf', 'count': len(CC), 'min': min(D), 'mean': np.mean(D), 'sum': sum(D)} subs_num = [2**i for i in range(10)] #количество абонентов (1,2,4,...,1024) #---данные из варианта--- r = 20 #радиус Ptx = .1 #излучаемая мощность БС f0 = 5600 #частота БС f = 20 #полоса пропускания канала связи kn = 4 #коэф. теплового шума приёмника T = 300 #абсолютная температура Pn = f * 10**6 * T * kn * 1.38 * 10**-23 #мощность теплового шума K = 29 #------------------------ D_estimate = pd.DataFrame(columns=['alg', 'count', 'min', 'mean', 'sum'])#таблица for n in subs_num: for _ in range(100): subs = subs_generator(r, n, Ptx, Pn, f, f0, K)#генерация по варианту D_estimate = D_estimate.append(equal_blind(subs['CC'].tolist()), ignore_index=True) D_estimate = D_estimate.append(max_throughput(subs['CC'].tolist()), ignore_index=True) D_estimate = D_estimate.append(proportion_fair(subs['CC'].tolist()), ignore_index=True) D_estimate.set_index(['alg', 'count'], inplace=True) D_estimate = D_estimate.groupby(level=['alg', 'count']).mean() print(D_estimate) #окружность с абонентами _, ax = plt.subplots() ax.add_artist(plt.Circle((0,0), r, zorder = 1)) plt.scatter(subs['x'], subs['y'], marker='o', color='orange', zorder = 2) plt.show() #гистограмма кол-во абонентов относительно радиуса bar_range = r/(1 + int(np.log2(len(subs)))) bars = np.arange(0, r + bar_range, bar_range) plt.hist(subs['range'], bars) plt.xlabel('r') plt.ylabel('subs') plt.show() #эмпирическая функция распределения plt.plot(sorted(subs['range']), [i/len(subs) for i in range(len(subs))], label = 'est') plt.plot(np.arange(0, r, .01), [x**2/r**2 for x in np.arange(0, r, .01)], label = 'theor') plt.legend() plt.show() #оценка минимальной, средней и суммарной скоростей передачи plt.title('D estimate') for i, est in enumerate(['min', 'mean', 'sum']): for alg in ['eb', 'mt', 'pf']: plt.plot(D_estimate.loc[alg, est], label=alg) plt.title('D estimate') plt.xlabel('Количество АБ') plt.ylabel('Пропускная способность Мбит/c') plt.show()