Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

СТАТИСТИЧЕСКИЕ МЕТОДЫ ИССЛЕДОВАНИЯ СЕТЕВОГО ТРАФИКА


https://doi.org/10.31799/1684-8853-2018-5-35-43

Полный текст:


Аннотация

Постановка проблемы: концепция единой мультисервисной сети, предполагающая интеграцию передача речи, данных и мультимедиа побудила интерес к изучению природы сетевого трафика. Исследования трасс трафика, записанного в крупных масштабах времени, показывают наличие в нем самоподобной структуры, что требует пересмотра результатов моделирования инфокоммуникационных сетей  в предположении о Пуассоновском потоке данных. Цель исследования: с целью получения инструментальных средств для генерации искусственного трафика, адекватно отражающего реальный трафик сети с учетом выявленных свойств самоподобия изучить последовательность применения методов изучения природы сетевого трафика, выявляющих самоподобную природу трафика в виде статистических оценок и показателя Херста. Результаты: проверены свойства самоподобия рассматриваемого 3G трафика на разных временных шкалах, полученных агрегацией по 5, 10, 15 и 20 минут на имеющихся суточных данных 3G трафика. Получена оценка тяжести «хвоста» распределения самоподобного трафика методом построения линии регрессии для дополнительной функции распределения в логарифмическом масштабе. Значение параметра самоподобия, определяемое тяжестью «хвоста» распределения позволило подтвердить предположение о самоподобии 3G трафика.  Выполнен обзор моделей, имитирующих реальный сетевой трафик с самоподобной структурой. Реализованы инструментальные средства для генерации искусственного трафика в соответствии с рассмотренными моделями. Выполнено сравнение генераторов искусственного сетевого трафика по критерию метода наименьших квадратов аппроксимации точечных значений искусственного трафика аппроксимирующей функцией 3G трафика. Учтены качественные оценки генераторов искусственного сетевого трафика в виде трудоемкости их программной реализации, что, впрочем, может быть субъективной оценкой. Сравнительные характеристики позволяют выбрать генератор(ы), которые максимально правдоподобно имитируют реальный сетевой трафик. Практическая значимость: предложенная последовательность методов исследования свойств сетевого трафика необходима для понимания его природы и разработки соответствующих моделей, имитирующих реальный сетевой трафик.


Об авторе

Т. М. Татарникова
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия

Татарникова Татьяна Михайловна - доктор технических наук, профессор кафедры безопасности информационных систем. В 1993 году окончила Восточно-Сибирский технологический институт по специальности «Электронно-вычислительные машины, комплексы, системы и сети». В 2007 году защитила диссертацию на соискание ученой степени доктора технических наук.  Является автором более 100 научных публикаций.

Область научных интересов —  инфокоммуникации, взаимодействие неоднородных сетей.

Б. Морская ул., 67, Санкт-Петербург, 190000.



Список литературы

1. Tanenbaum A., Wetherall D. Computer Networks. Prentice Hall, 2010. 960 p.

2. Кутузов О. И., Татарникова Т. М. Инфокоммуникационные сети. Моделирование и оценка вероятностно-временных характеристик. СПб.: ГУАП, 2015. 382 с.

3. Крылов В. В., Самохвалова С. С. Теория телетрафика и ее приложения. СПб.: БХВ-Петербург, 2005. 288 с.

4. Кутузов О. И., Татарникова Т. М. Моделирование систем и сетей телекоммуникаций. СПб.: РГГМУ, 2012. 134 с.

5. Петров В. В. То, что вы хотели знать о самоподобных процессах, но стеснялись спросить. М.: Радиотехника, 2003. 112 с.

6. Addie R. G., Neame T. D., Zukerman M. Performance evaluation of a queue fed by a poisson pareto burst process. Computer Networks, 2002, vol. 40, no. 3, pp. 377–397.

7. Шелухин О. И., Осин А. В., Смольский С. М. Самоподобие и фракталы. Телекоммуникационные приложения. М.: Физматлит, 2008. 368 с.

8. Erramilli A., Narayan O., Willinger W. Experimental queueing analysis with long-range dependent traffic. IEEE/ACM Trans. Networking, 1996, vol. 4, pp. 209–223.

9. Leland W. E., Taqqu M. S., Willinger W., Wilson D. V. On the self-similar nature of ethernet traffic. Proc. ACM SIGCOMM’93. San-Fransisco, 1993, pp. 183–193.

10. Шелухин О. И. Мультифракталы. Инфокоммуникационные приложения. М.: Горячая линия — Телеком, 2011. 576 с.

11. Willinger W., Taqqu M. S., Sherman R., Wilson D. V. Self similarity through high-variability: statistical analisys of ethernet LAN Traffic at the source level. EEE Trans. Networking, 1997, vol. 5(1), pp. 71–86.

12. Zwart A. P. Queueing systems with heavy tails/ eindhoven uneversity of technology, 2001. 227 p.

13. Костромицкий А. И., Волотка В. С. Подходы к моделированию самоподобного трафика. Восточно-Европейский журнал передовых технологий. 2010. № 46. C. 46–49.

14. Yeryomin R., Petersons E. Transient process relaxation time research under the condition of self-similar traffic input in wireless networks. Automatic Control and Computer Sciences, 2009, vol. 43, no. 3, pp. 138–147.

15. Choi B. D., Kim B., Wee I. Asymptotic behavior of loss probability in GI/M/1/K queue as K-tends to infinity. Queueing Systems, 2000, vol. 36, pp. 437–442.

16. Guanghui He, Yuan Gao I., Hou Jennifer H., Kihong Park. A case for exploiting self-similarity of network traffic in TCP congestion control. The International Journal of Computer and Telecommunications Networking, 2004, vol. 45, issue 6, pp. 743–766.

17. Осин А. В. Сравнительный анализ методик оценки самоподобности телекоммуникационного трафика. Радиоэлектроника и информатика: сб. науч. трудов. М.: МГУС. 2002. С. 37–46.

18. Crovella M. E., Bestavros A. Self-similarity in world wide web traffic evidence and possible causes. Proc. of the 1996 ACM SIGMETRICS: Intern. conf. on Measurement and modeling of computer systems, May, 1996, IEEE/ACM Trans on Networking, 1997, vol. 5, no. 6, pp. 835–846.

19. Zadorozhnyi V. N. Simulation modeling of fractal queues, in dynamics of systems, mechanisms and machines (dynamics), 2014, pp. 1–4. doi:10.1109/Dynamics.2014.7005703

20. Kutuzov O., Tatarnikova T. Evaluation and comparison of classical and fractal queuing systems. XV International Symposium “Problems of Redundancy in Information and Control Systems”, September 26–29, 2016.

21. Kihong P., Willinger W. Self-Similar network traffic and performance evaluation. New York, John Wiley & Sons, Inc., 2000. 576 p.

22. Задорожный В. Н. О качестве программных генераторов случайных чисел. Омский научный вестник. 2009. № 2 (80). С. 199–205.

23. Богатырев В. А., Кармановский Н. С., Попцова Н. А., Паршутина С. А., Воронина Д. А., Богатырев С. В. Имитационная модель поддержки проектирования инфокоммуникационных резервированных систем. Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 5(105). С. 831–838. doi:10.17586/2226-1494-2016-16-5-831-838

24. Тархов Д. А. Нейросетевые модели и алгоритмы. М.: Радиотехника, 2014. 349 c.

25. Привалов А. Ю., Благов А. В. Об использовании некоторых моделей самоподобного сетевого трафика в имитационном моделировании // Математическое моделирование. 2011. Т. 23. № 7. С. 114–128.


Дополнительные файлы

Для цитирования: Татарникова Т.М. СТАТИСТИЧЕСКИЕ МЕТОДЫ ИССЛЕДОВАНИЯ СЕТЕВОГО ТРАФИКА. Информационно-управляющие системы. 2018;(5):35-43. https://doi.org/10.31799/1684-8853-2018-5-35-43

For citation: Tatarnikova T.M. STATISTICAL METHODS FOR STUDYING NETWORK TRAFFIC. Information and Control Systems. 2018;(5):35-43. (In Russ.) https://doi.org/10.31799/1684-8853-2018-5-35-43

Просмотров: 78


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


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)