Размещено на http://www.allbest.ru/

Содержание

Введение

Глава 1. Теоретические сведения о трафике современных мобильных сетей

1.1 Обзор систем мобильной связи

1.1.1 Принципы построения систем сотовой связи

Основные цифровые стандарты систем сотовой связи второго поколения:

1.1.2 WiMAX

1.1.3 ZigBee

1.1.4 Wi-Fi

Принцип работы

1.2 Особенности трафика в современных мобильных системах

1.2.1 Понятие самоподобного трафика

1.2.2 Общие сведения о моделировании трафика

1.2.3 Современные и будущие модели

1.3 Оценка показателя Хёрста

1.4 Распределение с «тяжёлым хвостом»

1.4.1 Распределения Парето

1.4.2 Распределение Вейбулла

Глава 2. Методы моделирования

2.1 Имитационное моделирование

2.2 Функции моделей

2.3 Классификация моделей

2.4 Достоинства и недостатки имитационного моделирования

2.5 Дискретно-событийное моделирование

2.6 Сетевые симуляторы

2.6.1 OPNET Modeler (Optimized Network Engineering Tools)

2.6.2 OMNeT++ (Objective Modular Network Testbed in C++)

2.6.3 NS-2

Глава 3. Разработка модели в симуляторе NS-2

3.1 Параметры модели

3.2 Виды исследуемого трафика

3.2.1 CBR трафик

3.2.2 Пуассоновский трафик

3.2.3 Трафик Парето

3.3 Полученные результаты

Глава 4. Расчёт показателя Хёрста

Глава 5. Безопасность жизнедеятельности

5.1 Виды опасных и вредных факторов

5.2 Электробезопастность

5.3 Защитные меры от поражения электрическим током

5.4 Организация рабочего места при работе за компьютером

5.5 Требования к микроклимату

5.6 Шум

5.7 Электромагнитное излучение

Способы защиты от вредного воздействия компьютера

5.8 Пожарная безопасность

Заключение

Список использованных источников

Приложение А

Листинг программы моделирования беспроводной сети



Введение

В процессе обработки, хранения и передачи информации неизбежно возникает необходимость в обмене данными между участника процесса. Локальные и глобальные сети продолжают развиваться, возникают новые протоколы передачи данных, расширяются аппаратные возможности сетевого оборудования, растёт число подключённых абонентов и суммарный объём трафика.

Интернет трафик является перспективным источником обмена данными для всех пользователей. Современные интернет технологии доминируют в каждой отрасли и привлекают всё больше и больше внимания.

Исследование структуры статистических параметров трафика также расчёт на различных уровнях инфокоммуникационных сетей и является актуальной задачей современной науки. Методология измерения трафика достаточно проработана, однако, динамическое развитие сети, внедрения новых услуг и изменения пристрастий пользователей требует постоянного анализа происходящих измерений. Этому способствовало появление большого количества мобильных беспроводных устройств.

Одним из видов беспроводных сетей является стандарт IEEE 802.11, используемый для организации высокоскоростных, беспроводных локальных сетей. Передаваемый трафик, является ключевой особенностью при осуществлении обмена данными между узлами сети. В связи с этим, возникла задача получения статистических характеристик трафика.

Целью работы является сравнение параметров различного интернет трафика. А именно:

1) Моделирование CBR трафика

2) Моделирование трафика, распределенного по закону Парето.

3) Моделирование трафика, распределенного по закону Пуассона.

А также расчёт показателя Хёрста для каждого вида трафика.

Анализ проводился с помощью программы NS2, которая предназначена для моделирования и анализа работоспособности, как проводных, так и беспроводных сетей.



Глава 1. Теоретические сведения о трафике современных мобильных сетей

1.1 Обзор систем мобильной связи

Рассмотрим основные виды систем мобильной связи. К ним относятся :

1. Системы сотовой подвижной радиосвязи;

2. Системы широкополосного доступа:

А) Wi-Fi,

Б) Wimax,

3. Беспроводные персональные сети (WPAN) ZigBee, Bluetooth, UWB.

1.1.1 Принципы построения систем сотовой связи

Ключевая особенность заключается в том, что общая зона покрытия делится на ячейки (соты), определяющиеся зонами покрытия отдельных базовых станций (БС). Соты частично перекрываются и вместе образуют сеть. На идеальной (ровной и без застройки) поверхности зона покрытия одной БС представляет собой круг, поэтому составленная из них сеть имеет вид шестиугольных ячеек (сот).

Сеть составляют разнесённые в пространстве приёмопередатчики, работающие в одном и том же частотном диапазоне, и коммутирующее оборудование, позволяющее определять текущее местоположение подвижных абонентов и обеспечивать непрерывность связи при перемещении абонента из зоны действия одного приёмопередатчика в зону действия другого.



Рис.1 Состав сети сотовой подвижной связи

Услуги сотовой связи

Операторы сотовой связи предоставляют следующие виды услуг:

· Голосовой звонок;

· Автоответчик в сотовой связи (услуга);

· Роуминг;

· АОН (Автоматический определитель номера) и АнтиАОН;

· Приём и передача коротких текстовых сообщений (SMS);

· Приём и передача мультимедийных сообщений -- изображений, мелодий, видео (MMS-сервис);

· Доступ в Интернет;

· Видеозвонок и видеоконференция

· Определение местоположения мобильного телефона (Location-based service).

Что такое "поколение" сетей сотовой связи?

Поколение сотовой связи - это набор функциональных возможностей работы сети, а именно: регистрация абонента, установление вызова, передача информации между мобильным телефоном и базовой станцией по радиоканалу, процедура установления вызова между абонентами, шифрование, роуминг в других сетях, а также набор услуг, предоставляемых абоненту.

История сотовой связи

Эволюция систем сотовой связи включает в себя несколько поколений 1G, 2G, 3G и 4G. Ведутся работы в области создания сетей мобильной связи нового пятого поколения (5G). Стандарты различных поколений, в свою очередь, подразделяются на аналоговые (1G) и цифровые системы связи (остальные).

Системы радиосвязи, не зависящие от проводов для организации доступа к сети, были разработаны для специальных целей (например, армия, полиция, морской флот и замкнутые сети автомобильной радиосвязи), и, в конце концов, появились системы, позволившие людям общаться по телефону, используя радиосвязь. Эти системы предназначались главным образом для людей, ездивших на машинах, и стали известны как телефонные системы подвижной связи.

Первое поколение мобильной связи (1G)

Официальным днем рождения сотовой связи считается 3 апреля 1973 года, когда глава подразделения мобильной связи компании Motorola Мартин Купер позвонил начальнику исследовательского отдела AT&T Bell Labs Джоэлю Энгелю, находясь на оживленной Нью-йоркской улице. Именно эти две компании стояли у истоков мобильной телефонии. Коммерческую реализацию данная технология получила 11 лет спустя, в 1984 году, в виде мобильных сетей первого поколения (1G), которые были основаны на аналоговом способе передачи информации.

Основными стандартами аналоговой мобильной связи стали AMPS (Advanced Mobile Phone Service - усовершенствованная подвижная телефонная служба) (США, Канада, Центральная и Южная Америка, Австралия), TACS (Total Access Communications System - тотальная система доступа к связи) (Англия, Италия, Испания, Австрия, Ирландия, Япония) и NMT (Nordic Mobile Telephone - северный мобильный телефон) (страны Скандинавии и ряд других стран).

Второе поколение мобильной связи (2G)

В 1982 году CEPT (франц. Confйrence europйenne des administrations des postes et tйlйcommunications - Европейская конференция почтовых и телекоммуникационных ведомств) сформировала рабочую группу, названную специальной группой по подвижной связи GSM (франц. Groupe Spйcial Mobile) для изучения и разработки пан-Европейской наземной системы подвижной связи общего применения - второе поколение систем сотовой телефонии (2G). Первые мобильные сети второго поколения (2G) появились в 1991 году. Их основным отличием от сетей первого поколения стал цифровой способ передачи информации, благодаря чему появилась, любимая многими, услуга обмена короткими текстовыми сообщениями SMS (англ. Short Messaging Service). При строительстве сетей второго поколения Европа пошла путем создания единого стандарта - GSM, в США большинство 2G-сетей было построена на базе стандарта D-AMPS (Digital AMPS - цифровой AMPS), являющегося модификацией аналогового AMPS. Кстати, именно это обстоятельство стало причиной появления американской версии стандарта GSM - GSM1900. С развитием и распространением Интернет, для мобильных устройств сетей 2G,

был разработан WAP (англ. Wireless Application Protocol - беспроводной протокол передачи данных) - протокол беспроводного доступа к ресурсам глобальной сети Интернет непосредственно с мобильных телефонов.

Основными преимуществами сетей 2G по сравнению с предшественниками было то, что телефонные разговоры были зашифрованы с помощью цифрового шифрования; система 2G представила услуги передачи данных, начиная с текстовых сообщений СМС.

Основные цифровые стандарты систем сотовой связи второго поколения:

§ D-AMPS (Digital AMPS - цифровой AMPS; диапазоны 800 МГц и 1900 МГц);

§ GSM (Global System for Mobile communications - глобальная система мобильной связи, диапазоны 900, 1800 и 1900 МГц);

§ CDMA (диапазоны 800 и 1900 МГц);

§ JDC (Japanese Digital Cellular - японский стандарт цифровой сотовой связи).

Третье поколение мобильной связи (3G)

Дальнейшим развитием сетей мобильной связи стал переход к третьему поколению (3G). 3G - это стандарт мобильной цифровой связи, который под аббревиатурой IMT-2000 (англ. International Mobile Telecommunications - международная мобильная связь 2000) объединяет пять стандартов - W-CDMA, CDMA2000, TD-CDMA/TD-SCDMA, DECT (англ. Digital Enhanced Cordless Telecommunication технология улучшенной цифровой беспроводной связи). Из перечисленных составных частей 3G только первые три представляют собой полноценные стандарты сотовой связи третьего поколения.

Поколение 3,5G

Дальнейшим развитием сетей стала технология HSPA (англ. High Speed Packet Access - высокоскоростной пакетный доступ), которую стали именовать 3,5G. Изначально она позволяла достичь скорости в 14,4 Мбит/с, однако сейчас теоретически достижима скорость 84 Мбит/с и более. Впервые HSPA была описана в пятой версии стандартов 3GPP. В ее основе лежит теория, согласно которой при сопоставимых размерах сот применение многокодовой передачи позволяет достигать пиковых скоростей.

Четвертое поколение мобильной связи (4G)

В марте 2008 года сектор радиосвязи Международного союза электросвязи (МСЭ-Р) определил ряд требований для стандарта международной подвижной беспроводной широкополосной связи 4G, получившего название спецификаций International Mobile Telecommunications Advanced (IMT-Advanced), в частности установив требования к скорости передачи данных для обслуживания абонентов: скорость 100 Мбит/с должна предоставляться высокоподвижным абонентам (например, поездам и автомобилям), а абонентам с небольшой подвижностью (например пешеходам и фиксированным абонентам)должна предоставляться скорость 1 Гбит/с.

Так как первые версии мобильного WiMAX (англ. Worldwide Interoperability for Microwave Access - всемирная совместимость для микроволнового доступа) и LTE (англ. Long Term Evolution - долгосрочное развитие) поддерживают скорости значительно меньше 1 Гбит/с, их нельзя назвать технологиями, соответствующими IMT-Advanced, хотя они часто упоминаются поставщиками услуг, как технологии 4G. 6 декабря 2010 года МСЭ-Р признал, что наиболее продвинутые технологии рассматривают как 4G.

Основной, базовой, технологией четвёртого поколения является технология ортогонального частотного уплотнения OFDM (англ. Orthogonal Frequency-Division Multiplexing - мультиплексирование с ортогональным частотным разделением каналов). Кроме того, для максимальной скорости передачи используется технология передачи данных с помощью N антенн и их приёма М антеннами - MIMO (англ. Multiple Input/Multiple Output - множество входов/множество выходов). При данной технологии передающие и приёмные антенны разнесены так, чтобы достичь слабой корреляции между соседними антеннами. [1]

Пятое поколение мобильной связи (5G)

В настоящее время ведутся научно-исследовательские работы в направлении разработки и создания сетей. К сетям пятого поколения заявлены следующие требования (в сравнении с LTE):

- Рост в 10-100 раз скорости передачи данных в расчете на абонента;

- Рост в 1000 раз среднего потребляемого трафика абонентом в месяц;

- Возможность обслуживания большего (в 100 раз) числа подключаемых к сети устройств;

- Многократное уменьшение потребление энергии абонентских устройств;

- Сокращение в 5 и более раз задержек в сети;

- Снижение общей стоимости эксплуатации сетей пятого поколения.

Разработкой сетей 5G занимаются несколько стран по всему миру. В 2015 году разработчиками должна быть представлена целостная концепция стандарта 5G. В настоящее время задача - определиться, на базе каких технологий будут разворачиваться новые сети. Оптимизация и стандартизация оборудования, а также первые опытные запуски запланированы на 2015-2018 годы, а в 2018-2020 ожидается развёртывание первых некоммерческих сетей 5G для опытной эксплуатации. Коммерческий запуск сетей пятого поколения ожидается не ранее 2020 года.

1.1.2 WiMAX

WiMAX от англ. Worldwide Interoperability for Microwave Access Стандарт IEEE 802.16 - стандарт беспроводной связи, обеспечивающий широкополосную связь на значительные расстояния со скоростью, сравнимой с кабельными соединениями.

WiMAX подходит для решения следующих задач:

· Соединение точек доступа Wi-Fi друг с другом и другими сегментами Интернета.

· Обеспечения беспроводного широкополосного доступа как альтернативы выделенным линиям и DSL.

· Предоставление высокоскоростных сервисов передачи данных (до 3 Мб/с) и телекоммуникационных услуг.

· Создание точек доступа, не привязаны к географическому положению.

WiMAX позволяет осуществлять доступ в Интернет на высоких скоростях, с гораздо большим покрытием, чем у Wi-Fi сети. Это позволяет использовать технологию в качестве «магистральных каналов», продолжением которых выступают традиционные DSL-и выделенные линии, а также локальные сети. В результате подобный подход позволяет создавать высокоскоростные сети в масштабах целых городов. [2]

1.1.3 ZigBee

ZigBee -- спецификация сетевых протоколов верхнего уровня -- уровня приложений APS (англ. application support sublayer) и сетевого уровня NWK, -- использующих сервисы нижних уровней -- уровня управления доступом к среде MAC и физического уровня PHY, регламентированных стандартом IEEE 802.15.4. ZigBee и IEEE 802.15.4 описывают беспроводные персональные вычислительные сети (WPAN). Спецификация ориентирована на приложения, требующие гарантированной безопасной передачи данных при относительно небольших скоростях и возможности длительной работы сетевых устройств от автономных источников питания (батарей).

Основная особенность технологии ZigBee заключается в том, что она при малом энергопотреблении поддерживает не только простые топологии сети («точка-точка», «дерево» и «звезда»), но и самоорганизующуюся и самовосстанавливающуюся ячеистую (mesh) топологию с ретрансляцией и маршрутизацией сообщений. Кроме того, спецификация ZigBee содержит возможность выбора алгоритма маршрутизации, в зависимости от требований приложения и состояния сети, механизм стандартизации приложений -- профили приложений, библиотека стандартных кластеров, конечные точки, привязки, гибкий механизм безопасности, а также обеспечивает простоту развертывания, обслуживания и модернизации.



Рис.2 Топология сетей ZigBee

1.1.4 Wi-Fi

WiFi - это промышленное название технологии беспроводного обмена данными, относящееся к группе стандартов организации беспроводных сетей IEEE 802.11. В некоторой степени, термин Wi-Fi является синонимом 802.11b, поскольку стандарт 802.11b был первым в группе стандартов IEEE 802.11 получившим широкое распространение. Однако сегодня термин Wi-Fi в равной степени относится к любому из стандартов 802.11b, 802.11a, 802.11g и 802.11n.

Принцип работы

Обычно схема WiFi сети содержит не менее одной точки доступа и не менее одного клиента. Также возможно подключение двух клиентов в режиме точка-точка, когда точка доступа не используется, а клиенты соединяются посредством сетевых адаптеров «напрямую». Точка доступа передаёт свой идентификатор сети (SSID) с помощью специальных сигнальных пакетов на скорости 0.1 Мбит/с каждые 100 мс. Так что 0.1Мбит/с -- наименьшая скорость передачи данных для Wi-Fi. Зная SSID сети, клиент может выяснить, возможно ли подключение к данной точке доступа. При попадании в зону действия двух точек доступа с идентичными SSID, приёмник может выбирать между ними на основании данных об уровне сигнала. Стандарт Wi-Fi даёт клиенту полную свободу при выборе критериев для соединения.

1.2 Особенности трафика в современных мобильных системах

В настоящее время бурное развитие высоких технологий привело к появлению и повсеместному распространению сетей с пакетной передачей данных, которые постепенно стали вытеснять системы с коммутацией каналов. За последние годы резко изменился характер трафика, передаваемый по каналам связи. Ранее большую часть загрузки составлял речевой трафик, а остальную часть занимало аналоговое телевидение. На данный момент в связи массовой компьютеризацией и развитием информационных технологий резко растёт потребность в качественных высокоскоростных каналах передачи данных.

Широкое развитие современных систем требует высокое качества передачи сигнала при обмене информацией. Соответственно каналы связи нашего времени перешли на цифровую форму вещания, в котором передаваемый трафик полностью меняет свою сущность и характеристику. Для сетей связи с цифровыми потоками 2,5 и 10 Гбит/с может быть предложено более простое и эффективное решение, связанное с выполнением основных операций с оптическими сигналами. Трафик вычислительных сетей имеет ярко выраженный асинхронный и пульсирующий характер. Компьютер посылает пакеты в сеть в случайные моменты времени, по мере возникновения в этом необходимости. При этом интенсивность посылки пакетов в сеть и их размер могут изменяться в широких пределах - например, коэффициент пульсаций трафика (отношения максимальной мгновенной интенсивности трафика к его средней интенсивности) протоколов без установления соединений может доходить до 200, а протоколов с установлением соединений - до 20. Чувствительность компьютерного трафика к потерям данных высокая, так как без утраченных данных обойтись нельзя и их необходимо восстановить за счёт повторной передачи.

Мультимедийный трафик, передающий, например, голос или изображение, характеризуется низким коэффициентом пульсаций, высокой чувствительностью к задержкам передачи данных (отражающихся на качестве воспроизводимого непрерывного сигнала) и низкой чувствительностью к потерям данных (из-за инерционности физических процессов потерю отдельных замеров голоса или кадров изображения можно компенсировать сглаживанием на основе предыдущих и последующих значений).

1.2.1 Понятие самоподобного трафика

Исследования различных типов сетевого трафика за последние полтора десятка лет доказывают, что сетевой трафик является самоподобным или фрактальным по своей природе. «Самоподобие» представляет собой свойство процесса сохранять свое поведение и внешние признаки при рассмотрении в разном масштабе. Из этого следует, что используемые методы моделирования и расчета сетевых систем, основанные на использовании пуассоновских потоков, не дают полной и точной картины происходящего в сети.

Кроме того, самоподобный трафик имеет особую структуру, сохраняющуюся при многократном масштабировании. В реализации, как правило, присут- ствует некоторое количество выбросов при относительно небольшом среднем уровне трафика. Данное явление ухудшает характеристики (увеличивает потери, задержки, джиттер пакетов) при прохождении самоподобного трафика через узлы сети. На практике это проявляется в том, что пакеты, при высокой скорости их движения по сети, поступают на узел не по отдельности, а целой пачкой, что может приводить к их потерям из-за ограниченности буфера, рассчитанного по классическим методикам. Эти особенности сетевого трафика вызвали лавинообразный рост публикаций и исследований по методам анализа, моделирования и прогнозирования самоподобного трафика (ссылки).

1.2.2 Общие сведения о моделировании трафика

Модели трафика выполняют много разных функций в процессе планирования и управления новыми и существующими сетями. Давайте назовём некоторые из этих важных функций.

1) Они поддерживают эффективные процедуры определения основных характеристик сети и функции управления трафиком.

2) Они полезны при предварительной оценке и моделировании поведения трафика, что используется для оценки параметров QoS.

3) Они помогают оценить использования ресурсов в сетевой среде.

Модели Пуассона и Маркова

Благодаря своей теоретической простоте в сетях с коммутацией пакетов широко используются пуассоновские процессы и пуассоновские процессы с марковской модуляцией - (МРРР - Markov Modulated Poisson Process). Хотя самоподобный характер современного информационного трафика был замечен некоторое время назад, многие практики игнорировали данный феномен по нескольким приведённым ниже причинам:

1) Неадекватное физическое объяснения наблюдается самоподобного характера измеряемого трафика в современных сетях для передачи пакетных данных;

2) Недостаточность изучения его влияния на сеть, проектирование протокола и анализ характеристик.

Так как модели традиционного трафика не подходили для оценки характеристик современных сетей, то модели трафика систем с коммутацией каналов развивались на основе измерений в реальных сетях передачи данных. Однако их приемлемость для моделирования беспроводных сетей все ещё остаётся спорной.

Благодаря долгой истории развития традиционных телефонных сетей существует множество моделей трафика для сетевого трафика систем, нацеленных на передачу речи. Были определены характеристики сетевого трафика и проведенные обширные изучения по оптимизации сетевых ресурсов.

Пуассоновская модель

Это самая первая и наиболее изящная модель трафика. Пуассоновская модель подходит для тех приложений передачи информационного потока, где физически составляется множество независимых потоков трафика. Математически пуассоновский процесс представлен формулой:

(1.1)

где - интенсивность входящего потока за сеанс; n - количество индивидуальных потоков трафика. Промежутки времени между двумя последовательными входами (пользователя в систему) экспоненциально распределены по формуле:

(1.2)

Пуассоновская модель имеет некоторые изящные аналитические свойства:

1) Суперпозиция независимых пуассоновских процессов является новым пуассоновским процессом

2) Это процесс без последствия (без памяти)

Однако данная модель не способна выявить автокорреляцию трафика, так как она практически тождественна для всех ненулевых задержек. Ожидается, что в будущих сетях будет доминировать трафик пакетных данных. Поэтому очень важным является определение автокорреляционного характера трафика для предсказания рабочих характеристик. В сетях высокоскоростной передачи данных нельзя применить пуассоновский процесс, поэтому он теряет для нас свою привлекательность.

Модель Маркова

В отличие от пуассоновской модели, модель Маркова вводит в случайную последовательность определённые зависимости, поэтому она способна уловить пачечность трафика. Процесс определяется в исчислении матрицы перехода Маркова .Однако любое моделирование трафика требует многомерной модели Маркова, и каждое состояние добавляет некоторое число свободных параметров. На практике много времени отнимает оценка этих параметров.

Ограниченность моделей Пуассона и Маркова в моделировании трафика

Когда традиционные модели трафика, такие как модель Пуассона и ММРР, используются в конфигурации ON/OFF, то периоды ON или OFF имеют экспоненциальное или геометрическое распределение, т.е. распределение с конечной дисперсией. Трафик показывает отсутствие последствия (памяти), означающее только кратковременную корреляцию - (SRD - short-range-dependence). Совокупный трафик ведёт себя, как «белый шум», и не может выявить ни одну из трёх наиболее важных характеристик трафика. Этими характеристиками являются: эффективность массового обслуживания, безусловное распределение, автокорреляция.

Последние исследования трафика в локальной вычислительной сети и глобальной вычислительной сети, а также трафика приложений, таких как «Всемирная паутина» и видеотрафик с переменной скоростью передачи, показали преобладание долговременной корреляции в сетях с коммутацией пакетов. Это означает наличие высокой корреляции трафика на больших временных интервалах. Хотя была отмечена значимость корреляции трафика в процессе массового обслуживания , большинство исследований было сфокусировано на SRD. [3]

Необходимость появления новых моделей трафика

Появляющийся в наши дни трафик высокоскоростных сетей передачи данных демонстрирует новые характеристики. Модели традиционного трафика не могут их определить, результатом чего является чрезмерно оптимистическая оценка производительности системы. Неожидаемо плохие результаты работы высокоскоростных коммутаторов пакетов, передаваемых в асинхронном режиме, на практике показали, что модели традиционного трафика не подходят для использования в сетях, предназначенных для передачи данных. Сегодня мы сталкиваемся с феноменальным ростом информационного потока, поэтому очень важно понимать его характеристики , чтобы эффективно использовать сетевые ресурсы и оптимизировать производительность сети.

Теоретически в будущем трафик должен все более приближаться к гауссову процессу. Преобладающий эффект индивидуального приложения будет менее значительный для совокупного трафика. Однако на данный момент сетевой трафик ещё не близок к гауссовой модели. За последние 20 лет было предпринято много попыток найти для широкополосной передачи данных (например, мультимедийных) формулу, схожую с формулой Эрланга [4] для традиционных телефонных сетей. Но пока ещё нет модели, которая могла бы выполнить эту функцию. В настоящее время интенсивность трафика недостаточно высока для того, чтобы несоответствующее поведение одного из потоков трафика не отражалось на характеристиках сетевого трафика в целом. Необходимость появления хороших моделей трафика актуальна как никогда.

1.2.3 Современные и будущие модели. Жидкостная модель трафика

В данной модели трафик рассматривается как объёмный и характеризуется расходом. Она подходит для моделирования трафика там, где вклад индивидуальных трафиков незначителен, например, индивидуальные соты в широкополосной сети ISDN (B-ISDN) ATM. Здесь вклад большого трафика позволяет лучше и проще проанализировать производительность сети, а также экономию моделирования и вычисления ресурсов. Жидкостные модели подходят для моделирования пульсирующего трафика с конфигурациями ON/OFF. Для удобства аналитического манипулирования были сделаны следующие допущения: трафик в состояние ON прибывает с детерминированным результатом при постоянной интенсивности , трафик отключается во время состояния OFF, периоды ON и OFF экспоненциального распределены и взаимно независимы.

Самоподобная модель

Здесь приведу три наиболее часто используемые модели для самоподобного процесса.

Дробная ARIMA - FARIMA. Для моделирования LRD модель FARIMA одна из самых используемых моделей для самоподобных процессов.

(1.3)

(1.4)

Одно из главных преимуществ этой модели - её способность одновременного моделирования процессов LRD и SRD. В дополнение FARIMA обеспечивает быстрое имитационное моделирование. Это особенно полезно при одновременной имитации процесса массового обслуживания для трафика SRD и LRD, мы можем установить параметры, влияющие на степень зависимости SRD и LRD, мы можем установить параметры, которые более или менее чувствительны к SRD или LRD.

Дробный гауссов шум - FGN. Наряду с моделью FARIMA,FGN является другой часто используемой стохастической моделью для самоподобного трафика. Она приемлема для моделирования пакетного трафика и трафика мультимедийных приложений с преобладание LRD. Она даёт хорошие оценки характеристик массового обслуживания для совокупного трафика.

Модель преобразовательно-расширяющей-выборки - TES. Данная модель способна определять частное распределение и автокорреляцию измеряемого трафика. Хорошая модель TES должна одновременно удовлетворять трём требованиям: 1) гистограмма измеряемого трафика должна соответствовать частному распределению модели, 2) автокорреляция модели должны соответствовать измеряемому трафику до приемлемого интервала, 3) существует хорошее соответствие между выборочными траекториями моделируемых и измеряемых данных.

1.3 Оценка показателя Хёрста

Критерием самоподобия трафика является показатель Хёрста. Параметр H (Hurst parameter) напрямую связан с корреляционной функцией и варьируется в пределах от 0,5 до 1. Чем ближе к единице, тем более сильная корреляционная функция оказывает влияние на трафик. Чтобы облегчить себе задачу, исследователи заставили клиентов формировать не беспорядочный поток данных, а подчиняющийся закону распределения Пуассона. Говоря проще, изменяли задержки между отсылкой пакетов таким образом, чтобы итоговое распределение плотности соответствовало закону Пуассона.

Проверка на самоподобость и оценка показателя H (Хёрста) это сложная задача. В обычных условиях всегда оперируют с конечными наборами данных, поэтому невозможно проверить, является или нет трасса трафика самоподобной по определению. Однако, необходимо исследовать различные свойства самоподобности в реальном измеренном трафике. При этом возникает ряд проблем.

1. Даже если подтверждаются некоторые выше перечисленные свойства самоподобности, нельзя сразу сделать вывод, что проанализированные данные имеют самоподобную структуру, так как существуют другие эффекты, которые могут приводить к таким же свойствам (например, нестационарность). И поскольку анализ основывался только о тех тестах, которые могут ввести в заблуждение, разумно говорить о самоподобной структуре в заданном масштабном диапазоне для заданного набора данных.

2. Оценка показателя Хёрста зависит от многих факторов (например, методика оценки, размер выборки, масштаб времени, корреляционная структура и т.д.), что затрудняет нахождение самой уместной для поставленной задачи «оценки H».

3. При использование показателя Хёрста в практических целях (например, определение размеров буферов) интерпретация этого показателя, очевидная для теоретических самоподобных процессов.

На сегодняшний день известно несколько методов оценки самоподобности во временных рядах, самыми популярными из которых являются анализ R/S- статистики и анализ графика изменения дисперсии.

RS-анализ -- совокупность статистических приёмов и методов анализа временных рядов (преимущественно финансовых), позволяющих определить некоторые важные их характеристики, такие как наличие непериодических циклов, памяти и т. п.

Показатель Хёрста или коэффициент Хёрста мера, используемая в анализе временных рядов. Эта величина уменьшается, когда задержка между двумя одинаковыми парами значений во временном ряду увеличивается. Впервые это понятие использовалось в гидрологии в практических целях для определения размеров плотины на реке Нил в условиях непредсказуемых дождей и засух, наблюдаемых в течение длительного времени. Название «Экспонента Херста» или «Коэффициент Херста» дано в честь Гарольда Эдвина Хёрста ведущего исследователя того времени в этой области. Стандартное обозначение H также дано в честь него.

Экспонента Херста, H, определяется в терминах асимптотического поведения масштабированного диапазона как функции отрезка времени временного ряда следующим образом:

(1.5)

Где, R(n) - размах первых n значений ряда, S(n) - стандартное отклонение

E[x] - математическое ожидание

n- величина промежутка времени (количество точек в отрезке временного ряда)

С - константа

Для того, чтобы точнее определить показатель, временной ряд должен быть достаточно длинным.

Последовательности, для которых , считаются персистентными -- они сохраняют имеющуюся тенденцию, то есть возрастание в прошлом более вероятно приводит к возрастанию в дальнейшем, и наоборот. При значении 0,5 явной тенденции не выражено, а при меньших значениях процесс характеризуется антиперсистентностью -- любая тенденция стремится смениться противоположной.

Значения показателя Хёрста природных процессов группируются вблизи значений 0,72-0,73. Вывод очевиден: заведомо не проявляющий признаков самоподобия трафик, пройдя через стек протоколов TCP/IP, модулируется последним и превращается в самый настоящий "сетевой фрактал". [5]

1.4 Распределение с «тяжёлым хвостом»

Распределение является с «тяжёлым хвостом» , в случае если асимптотическая модель степенной зависимости следует следующему правилу:

так как (1.6)

Параметр описывает скорость убывания «хвоста» распределения. Чем меньше становится , тем медленней убывает «хвост». Асимптотическая модель распределения является гиперболической и стремится к пределу медленнее, чем при экспоненциальном распределении. Так как «хвост» убывает медленно, то мы имеем дело с распределением с «тяжёлым хвостом». Сущность данного распределения заключается в том, что большая часть вероятностной меры может присутствовать в хвосте распределения. Оно отличается от экспоненциального , геометрического и пуассоновского распределений тем, что

1) Если , то распределение имеет бесконечную дисперсию,

2) Если , то распределение имеет бесконечное среднее.

Наиболее часто используемыми примерами распределения с медленно убывающим хвостом является распределения Парето и Вейбулла.

1.4.1 Распределения Парето

Данное распределение является самым простым распределением с медленно убывающим хвостом. Оно имеет гиперболический характер во всём диапазоне. Математически интегральная функция распределения Парето выражается следующим образом:

(1.7)

Где k является минимальным значением x; - скорость убывания хвоста распределения.

Величина k является просто масштабным коэффициентом и не оказывает влияние на хвост распределения.

1.4.2 Распределение Вейбулла

Интегральная функция распределения Вейбулла выражается следующим образом:

(1.8)

Оба параметра a и b влияют на хвост распределения. Однако характер медленно убывающего хвоста распределения Вейбулла более чувствителен к значению b.

Обычно распределения с медленно убывающим хвостом описывает такие процессы перемещения потока данных, как промежуток времени между последовательными входами пользователя в систему и длина пакета. Если трафик характеризуется распределением с медленно убывающим хвостом, то он является высоко коррелированным, что означает интенсивность входного потока выше интенсивности обслуживания.



Глава 2. Методы моделирования

Методы моделирования сетевого трафика, концептуально можно разделить на два класса - аналитические и имитационные. Аналитическая модель - это совокупность математических выражений, формально описывающая моде- лируемый объект или процесс. Такие модели удобны для проведения теоретических исследований, однако, для большинства источников построение адекватной аналитической модели крайне затруднительно. Имитационная модель - это набор алгоритмов, генерирующий некую последовательность, которая по своим характеристикам близка к реальной (экспериментально снятой с действующего объекта) последовательности. В качестве такой последовательности, например, может быть сетевой трафик. Использование имитационных моделей является зачастую более предпочтительным и удобным. В тоже время, как правило, имитационные модели имеют узкую специфику, и применение таких моделей требует зна- чительной работы для адаптации модели к новым условиям применения.

2.1 Имитационное моделирование

Одним из наиболее важных и полезных инструментов для описания сложных процессов и систем стало имитационное моделирование. Имитировать, согласно словарю Вебстера [6] значит "вообразить, постичь суть явления, не прибегая к экспериментам на реальном объекте". По сути , каждая модель или физического объекта есть форма имитации. Имитационное моделирование есть процесс построения модели реальной системы и постановки экспериментов на этой модели ,чтобы понять поведение системы или оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные строения, обеспечивающие функционирование данной системы. Таким образом, процесс имитационного моделирования мы понимаем как процесс, включающий и построения модели, и аналитическое применение модели для изучения некоторой проблемы. Под моделью реальной системы мы понимаем представление группы объектов или идей в некоторой форме, отличной от их реального воплощения. Следовательно, работу систем, существующих только на бумаге или находящихся в стадии планирования, можно моделировать так же, как и работу действующих систем.

Поэтому имитационное моделирование является экспериментальной и прикладной методологией, имеющей целью:

· описать поведение системы;

· построить теории и гипотезы, которые могут объяснить наблюдаемое поведение;

· использовать эти теории для предсказания будущего поведения системы, т. е. тех воздействий, которые могут быть вызваны изменениями в системе или изменениями способов ее функционирования.

В отличие от большинства технических методов, которые могут быть классифицированы в соответствии с научными дисциплинами, в которые они уходят своими корнями (например, с физикой или химией), имитационное моделирование применимо в любой отрасли науки.

2.2 Функции моделей

Вся суть представления некоторого объекта, системы или понятия при помощи модели носит столь общий характер, что дать полную классификацию функций модели сложно. Различают пять случаев применения моделей в качестве:

1) средства осмысления действительности;

2) средства общения;

3) средства обучения и тренажа;

4) инструмента прогнозирования;

5) средства постановки экспериментов.

Модель может служить для достижения одной из двух основных целей: либо описательной, если модель служит для объяснения, либо предписывающей, когда модель позволяет пояснить и воспроизвести характеристики объекта, определяющие его поведение. Модель предписывающего типа обычно является и описательной, но не наоборот. Это означает, что предписывающая модель почти всегда является описательной по отношению к моделируемому объекту, но описательная модель не всегда полезна для целей планирования и проектирования.

2.3 Классификация моделей

Модели вообще и имитационные модели в частности можно классифицировать различными способами. К сожалению, ни один из них не является полностью удовлетворительным, хотя каждый служит определенной цели. Укажем некоторые типовые группы моделей, которые могут быть положены в основу системы классификации:

· статические (например, поперечный разрез объекта) и динамические (временные ряды);

· детерминистские и стохастические;

· дискретные и непрерывные;

· натурные, аналоговые и символические.

При моделировании сложной системы исследователь обычно вынужден использовать совокупность нескольких моделей из числа разновидностей, упомянутых выше. Любая система или подсистема может быть представлена различными способами, которые значительно отличаются друг от друга по сложности и детализации. В большинстве случаев в результате системных исследований появляются несколько различных моделей одной и той же системы. Но обычно по мере того, как исследователь глубже анализирует и лучше понимает проблему, простые модели заменяются все более сложными.

2.4 Достоинства и недостатки имитационного моделирования

Все имитационные модели представляют собой объекты типа «черного ящика». Поэтому для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, а не "решать" их. Имитационные модели не могут формировать свое собственное решение в том виде, в каком это имеет место в аналитических моделях, а могут лишь служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором. Более того, имитационное моделирование является только одним из нескольких имеющихся в распоряжении системного аналитика важнейших методов решения проблем. Поскольку необходимо и желательно приспосабливать средство или метод к решению задачи, а не наоборот, то возникает естественный вопрос: в каких случаях имитационное моделирование полезно?

Мы определили имитационное моделирование как экспериментирование с моделью реальной системы. Необходимость решения задач путем экспериментирования становится очевидной, когда возникает потребность получить о системе специфическую информацию, которую нельзя найти в известных источниках. Известно, что непосредственное экспериментирование на реальной системе устраняет много затруднений, если необходимо обеспечить соответствие между моделью и реальными условиями; однако недостатки такого экспериментирования иногда весьма значительны, поскольку:

1. Оно может нарушить установленный порядок работы коллектива.

2. Может оказаться сложным поддержание одних и тех же рабочих условий при каждом повторении эксперимента или в течение всего времени проведения серии экспериментов.

3. Для получения одной и той же величины выборки (и, следовательно, статистической значимости результатов экспериментирования) могут потребоваться чрезмерные затраты времени и средств.

4. При экспериментировании с реальными системами может оказаться невозможным исследование множества альтернативных вариантов.

По этим причинам исследователь должен рассмотреть целесообразность применения имитационного моделирования при наличии любого из следующих условий:

1. Не существует законченной математической постановки данной задачи либо еще не разработаны аналитические методы решения сформулированной математической модели. К этой категории относятся многие модели массового обслуживания, связанные с рассмотрением очередей. [7]

2. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Аналитические решения существуют, но их реализация невозможна вследствие недостаточной математической подготовки имеющегося персонала. В этом случае следует сопоставить затраты на проектирование, испытания и работу на имитационной модели с затратами, связанными с приглашением специалистов со стороны.

4. Кроме оценки определенных параметров желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода.

5. Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдений явлений в реальных условиях; соответствующим примером может служить изучение поведения космических кораблей в условиях межпланетных полетов.

6. Для долговременного действия систем или процессов может понадобиться сжатие временной шкалы. Имитационное моделирование дает возможность полностью контролировать время изучаемого процесса, поскольку явление может быть замедлено или ускорено по желанию.

Можно ли вообще, опираясь на имитационное моделирование, получить результаты также и наиболее эффективным способом? Ответ нередко будет отрицательным и по следующим причинам:

1. Разработка хорошей имитационной модели часто обходится дорого и требует много времени, а также наличия высокоодаренных специалистов, которых в данном коллективе может и не оказаться. Для создания хорошей модели может потребоваться от 3 до 11 лет.

2. Может показаться, что имитационная модель отражает реальное положение вещей, хотя в действительности это не так. Если этого не учитывать, то некоторые свойственные имитации особенности могут привести к неверному решению.

3. Имитационная модель в принципе не точна, и мы не в состоянии измерить степень этой неточности. Это затруднение может быть преодолено лишь частично путем анализа чувствительности модели к изменению определенных параметров.

4. Результаты, которые дает имитационная модель, обычно являются численными, а их точность определяется количеством знаков после запятой, выбираемым экспериментатором. В связи с этим возникает опасность "преувеличения чисел", т. е. приписывания им большей значимости, чем они на самом деле имеют.

4. Результаты, которые дает имитационная модель, обычно являются численными, а их точность определяется количеством знаков после запятой, выбираемым экспериментатором. В связи с этим возникает опасность "преувеличения чисел", т. е. приписывания им большей значимости, чем они на самом деле имеют.



2.5 Дискретно-событийное моделирование

Чтобы анализировать процессы, протекающие в мире, иногда удобно рассматривать их как последовательность отдельных важных моментов - событий. Подход к построению имитационных моделей, предлагающий представить реальные действия такими событиями и называется "дискретно-событийным" моделированием (discrete event modeling).

Термин "дискретно-событийное моделирование",обычно используется в более узком смысле для обозначения "процессного" моделирования, где динамика системы представляется как последовательность операций (прибытие, задержка, захват ресурса, разделение,) над некими сущностями, представляющими клиентов, документы, звонки, пакеты данных, транспортные средства и т.п. Эти сущности пассивны, они сами не контролируют свою динамику, но могут обладать определёнными атрибутами, влияющими на процесс их обработки (например, тип звонка, сложность работы) или накапливающими статистику (общее время ожидания, стоимость). Процессное моделирование используется на среднем или низком уровне абстракции: каждый объект моделируется индивидуально, как отдельная сущность, но множество деталей "физического уровня" (геометрия, ускорение/замедление) опускается. Такой подход широко используется в моделировании бизнес-процессов, производства, логистики, здравоохранения и т.д.

2.6 Сетевые симуляторы

На сегодняшний день известно достаточно много сетевых симуляторов и исследователям есть из чего выбрать. Одними из популярных продуктов являются OPNET, OMNET, NS2. Существуют узкоспециализированные симуляторы, созданные лишь для моделирования определённого оборудования. Как правило, подобное ПО выпускается производителями телекоммуникационного оборудования.

2.6.1 OPNET Modeler (Optimized Network Engineering Tools)

OPNET - мощная среда имитационного моделирования дискретных событий и состояний. Она включает множество библиотек сетевых технологий и протоколов связи, таких как TCP/IP, протокол передачи гипертекста (HTTP), технология асинхронного режима передачи (ATM) и FrameRelay, IP-QoS, 802.11 (Wi-Fi), ZigBee и др. Эти библиотеки поставляют блоки для построения моделей сетей. Одним из множества модулей, доступных в OPNET Modeler, является беспроводной модуль. Он расширяет функциональность среды для имитационного моделирования и анализа беспроводных сетей.

В версии OPNETModeler14.0 доступны модели узлов ZigBee, разработанные самой компанией OPNET. При этом исходный код модели сетевого уровня и уровня приложений скрыт от пользователей. Доступен только код модели нижнего уровня 802.15.4.

Также существует модель узлов-сенсоров с открытым исходным кодом, соответствующая стандарту IEEE802.15.4, разработкой, которой занимается сообщество OPEN-ZB.

Модель реализует физический уровень и уровень доступа к среде, и соответствует стандарту IEEE 802.15.4. Версия модели 2.1 поддерживает только топологию звезда, где коммуникации происходят между конечными устройствами через центральное устройство, называемое координатором частной сети.

OPNET представляет собой симулятор, который имеет очень соблазнительный интерфейс для пользователей, потому что он включает в себя несколько модельных библиотек. Исходный код этих библиотек доступен при наличии OPNET MODELER, что позволяет программисту ознакомиться со всей внутренней иерархией программы.



Рис.3 Заголовок симулятора OPNET

Чтобы использовать симулятор пользователь должен сначала понять алгоритм по которому работает симулятор. Алгоритм работы показан на (рис.4).

Рис.4 Иерархия проекта OPNET

Редактор узлов используется для создания моделей узлов и определения их внутренней структуры. Эти модели используются для создания узлов внутри сети в редакторе проекта.

Внутренние узлы модели имеют модульную структуру, которая определяется как узел подключения нескольких модулей с пакетом потоков и кабелей. Это соединение позволяет обмениваться информацией и пакетами между ними. Каждый модуль имеет определенную функцию в узле, такую как: создание пакетов, склеивание, процесс или передача и прием.

2.6.2 OMNeT++ (Objective Modular Network Testbed in C++)

OMNeT++ - среда имитационного моделирования дискретных событий и состояний с открытым исходным кодом, основанная на компонентах, которая становится всё более популярной. Основная область применения - моделирование сетей передачи данных, ИТ систем и бизнес процессов. Компоненты OMNeT++ написаны на С++. На базе среды моделирования OMNeT++ 4.1 построен симулятор различных протоколов беспроводных сенсорных сетей Castalia (текущая версия 3.1). В нём также реализована модель соответствующая стандарту IEEE 802.15.4. На базе рассматриваемой среды моделирования существуют библиотеки INETMANET и MiXiM, которые позволяют создавать модели беспроводных сенсорных сетей, но на текущий момент готовые модели отсутствуют.

OMNeT++ - симулятор сетей с низким энергопотреблением. Особенностью данного симулятора является то, что команда разработчиков ставила перед собой задачу не только реализовать модели уровней передачи данных, но и смоделировать физические процессы, данные о которых собираются в узлах. В результате получается, что беспроводные сенсоры связаны между собой не только беспроводными каналами связи, но и физическим процессом, параметры которого они измеряют. Внутренняя структура узла представлена на (рис. 5).



Рис.5 Внутренняя структура узла

Сплошные стрелки обозначают прохождение сообщений между модулями, а пунктирные - интерфейс между ними с вызовом простых функций. Модель узла представлена следующими модулями:

...