06 Clase06 TEL223 2019 PDF

TEL223 Ingeniería de
tráfico en
telecomunicaciones
CAPÍTULO 2
Cesar A. Santiváñez, Ph.D. PROCESOS ESTOCASTICOS
csantivanez@pucp. pe
D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 2
Procesos estocásticos o aleatorios

•  Definicion y clasificacion
•  Procesos estacionarios
•  Funcion de autocorrelacion y densidad espectral
•  Procesos Ergodicos
•  Proceso de Poisson
•  Poisson sampling/multiplexing
•  Markov-modulated Poisson Process (MMPP)
Today’s
PROCESOS DE POISSON
•  Proceso de ruido blanco y de Wiener lecture
•  Procesos Self-Similar
•  Long-term dependency (LTD)
•  Modelos FBM, fBm, y PPBM.
D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 3 D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 4
Proceso de Incrementos Independientes Proceso de Conteo
•  Un proceso estocástico x(t) se dice que es un proceso de incrementos •  Un proceso estocástico de tiempo continuo y valores enteros se llama
independientes si , i=0,1,…, es es estadísticamente
x(ti +1 ) − x(ti ) proceso de conteo de la serie de eventos si N(t) representa el número
independiente (Por lo tanto, estadísticamente no correlacionado). total de ocurrencias de un evento en el intervalo de tiempo [0, t].
•  Sea el proceso estocástico x(t) un proceso estacionario de
incrementos independientes. Entonces, la varianza de los N(t)
incrementos independientes , donde ,es
x(t 2 ) − x(t1 ) t1 < t 2 4 Ejemplos de eventos:
proporcional a t 2 − t1 •  Llegada de un paquete
3 •  Inicio de una llamada
•  Etc.
2

1 0 t1 t2 t3 Time Intervalos de tiempo
entre sucesivas
T1 T2 T3 T4 ocurrencias
Proceso de Conteo (cont.) Proceso de Poisson

•  Proceso de renovación (Renewal Process): •  Un proceso de conteo N(t) se dice que es un proceso de Poisson con
•  Los tiempos entre llegadas son v.a. independientemente distribuidas. razón media (o intensidad) λ si:
•  Proceso de Poisson: i) N(t) tiene incrementos independientes estacionarios.
•  Proceso de renovación en la cual los tiempos entre llegadas obedecen una ii) N(0)=0
distribución exponencial.
iii) El número de eventos que ocurren en un intervalo τ está
distribuido como Poisson con media λτ. Esto es:
( λτ ) k
P{N (t + τ ) − N (t) = k} = e − λτ , k = 0,1,2,...
k!
también es llamado como proceso de incremento de Poisson.
Proceso de Poisson: propiedades
•  Combinando 2 procesos de Poisson P1 y P2 se obtiene otro proceso
de Poisson P3 con λ3=λ2+λ1
•  Poisson sampling: cada llegada de un proceso de Poisson P3 es
asignada con probabilidad p1 a un proceso P1 y con probabilidad p2 a
un proceso P2. Tanto P1 como P2 son procesos de Poisson con
parametros p1λ3 y p2λ3 respectivamente.
•  Probabilidad upon arrival: el sistema visto justo antes de una
ocurrencia (llegada) es igual al sistema en estado estable.
Procesos/cadenas de Markov
•  Por ejemplo, consideremos un sistema de comunicaciones con una cola de
paquetes. La probabilidad de que un paquete al llegar encuentre “k”
paquetes esperando en la cola es igual a la probabilidad que en un instante
cualquiera hayan “k” paquetes en la cola!
Proceso de Markov Proceso de Markov (cont.)

•  La ecuación anterior puede ser escrita como:
•  Un proceso estocástico x(t) se dice que es un proceso de Markov si f {x(t n ) | x(t1 ), x(t 2 ),..., x(tn−1 )} = f {x(t n ) | x(tn−1 )}
satisface la siguiente probabilidad condicional:
entonces se tiene:
P{x(t n ) ≤ xn | x(t1 ) = x1 , x(t 2 ) = x2 ,..., x(t n −1 ) = xn −1} f {x(t1 ), x(t2 ),..., x(tn )} = f {x(tn ) | x(t1 ), x(t2 ),..., x(tn−1 )}× f {x(t1 ), x(t2 ),..., x(tn−1 )}
= P{x(t n ) ≤ xn | x(t n −1 ) = xn −1}, donde t1 < t 2 < ....t n −1 < t n
= f {x(tn ) | x(tn−1 )} f {x(t1 ), x(t2 ),..., x(tn−1 )}

•  Cadena de Markov: Proceso de Markov con estado discreto. f {x(t1 ), x(t2 ),..., x(tn−1 )} = f {x(tn−1 ) | x(tn−2 )} f {x(t1 ), x(t2 ),..., x(tn−2 )}
•  Proceso de Difusión: Proceso de Markov con estado continuo. ⇒
n
f {x(t1 ), x(t2 ),..., x(tn )} = f {x(t1 )}∏ f {x(tk ) | x(tk−1 )}
k=2
Proceso de Markov
•  Conclusión:
•  La función de densidad de probabilidad conjunta de un proceso de Markov
puede ser expresado por medio de la densidad marginal y un
f {x(t1 )}
conjunto de funciones de densidad de probabilidad condicional Algunos procesos estocasticos
f {x(t r ) | x (tr −1 )} ,el cual es llamado densidad de probabilidad de transición.
“Markovianos” usados para
•  Un proceso de Markov se dice Homogeneo en el tiempo si la
densidad de probabilidad de transición es invariante en el tiempo τ: modelar trafico
f {x(tr + τ ) | x(tr + τ −1)} = f {x(tr ) | x(tr−1 )}
Modelos para fuentes de datos Modelos para fuentes de voz - Modelos on-off
•  Tradicionalmente, se ha asumido que en las redes de conmutación de •  Talk Spurt
paquetes habían condiciones necesarias para suponer que la generación •  Segmento continuo de habla entre intervalos silenciosos en los que
de celdas sigue un proceso de Poisson o de Bernouilli. sólo se puede escuchar el ruido de fondo (campo de habla)
•  Los procesos que más se aproximan al fenómeno talk spurt se basan
Habiendo diversos servicios de Internet, cada en una cadena de Markov de dos estados (on y off).
aplicación presenta una tasa una distribución de
generación de celdas diferente, que puede ir desde
•  Intentan describir una fuente que emite infor-mación a ráfagas, de
transmisiones esporádicas y cortas hasta largas manera que en el estado on se generan paquetes de voz y en el
transferencias de información (bulk transfers – estado off hay silencio.
recordar “elefantes y ratones”).
Por ello, los modelos más utilizados son los •  Dependiendo de la distribución del proceso de llegadas cuando la
procesos on--off markovianos, y los interrumpidos fuente se encuentra en estado activo, se pueden considerar dos tipos
de Poisson o Bernoulli de procesos: Bernoulli Interrumpido o Poisson Interrumpido.
Procesos de Poisson modulados por cadenas de Procesos de Poisson modulados por cadenas
Markov (MMPP, Markov Modulated Poisson de Markov (MMPP)
Processes) •  Considerarnos que el MMPP modela el tráfico de voz, de manera
•  Presentamos los procesos de Markov modulados. que el estado k se corresponde con un tráfico de voz de tasa λk
•  También llamados procesos doblemente estocásticos, que usan una •  Mientras que el tráfico de datos se considera poissoniano con
cadena de Markov que define (según el estado en el que nos
media λd.
encontremos) la distribución de probabilidad del tráfico
•  Es decir, la cadena "modula" el proceso de generación. •  Así, el tráfico total generado es λk + λd.
•  Un MMPP usa un proceso de Poisson como proceso modulado, es
decir, que cambia el ritmo de generación de llegadas según el estado
en el que nos encontremos (a un estado sk le corresponde un
proceso de Poisson con media Ak).
•  Duracion en un estado: una VA exponencial
Modelos para fuentes de vídeo

•  Modelos de fluidos modulados por cadenas
de Markov (Markov Modulated Fluid
Models)
•  Los modelos de fluidos se caracterizan por
modelar el tráfico como un flujo continuo,
siendo especialmente indicados cuando las
unidades de tráfico (paquetes o celdas)
son muy pequeñas comparadas con el White Noise, Random Walk, &
tráfico total.
•  En los modelos de fluido modula-dos por
Markov, el estado de la cadena determina
Wiener Process
la tasa del fluido (a un estado sk le
corresponde una tasa constan-te λk). Este
modelo es usado en fuentes de vídeo del
tipo VBR (tasa variable).
Proceso Ruido Blanco Caminata aleatoria o “Random Walk”
El modelo más simple de una variable con una tendencia estocástica es una
{a(t )}t∈T
•  Sea un p.e., se llama ruido blanco si: caminata aleatoria
E[a(t )] = 0 Una serie de tiempo y sigue una caminata aleatoria si el cambio en yt cumple:
i. 
a(t ) ~ N (0, σ a2 ) ∀t ∈ T
⎧1 si s = t
ii.  Cov[at , as ] = δ st = ⎨ estocástica
⎩0 e.t.o.c.
En general, es común referirse a una serie como caminata aleatoria si sigue
un modelo como el anterior pero con
•  Obs:
1.  El ruido blanco es un proceso estocástico estacionario (por construcción). E [εt | yt−1, yt−2, ...] = 0
∀t1 , t2 ,..., tn ∈ T a(t1 ),a(t2 ),...,a(tn )
2.  Si las VA son independientes La idea básica de una caminata aleatoria es que el valor de una serie en el
entonces es ruido blanco puro estado futuro es el valor actual más un cambio impredecible (la trayectoria de
3.  Su integral resulta en un “random walk process” yt sigue “pasos” aleatorios).
Caminata aleatoria o “Random Walk” Caminata aleatoria o “Random Walk”

Si yt sigue una caminata aleatoria, el mejor La varianza de una caminata aleatoria aumenta con el tiempo, por lo que la
pronóstico del valor futuro es el valor actual. distribución de yt cambia con el tiempo:

E [yt | yt−1, yt−2, ...] = yt−1 yt = yt−1 + εt,

Si la serie tiene una tendencia a moverse, esta var (yt ) = var (yt−1 ) + var (εt ) ,
se conoce como caminata aleatoria con var (yt ) = var (yt−1 ) + σ2ε
tendencia (o “Random walk with drift”)
Otra forma de verlo es pensando que yt empieza en cero, es decir,
yt = α0 + yt−1 + εt y = 0. Entonces, y = ε , y = ε + ε , de tal forma que
0 1 1 2 1 2
Si yt sigue una caminata aleatoria, yt = ε1 + ε2 + ... + εt.
entonces no es estacionaria. var (yt ) = var (ε1 + ε2 + ... + εt ) = tσ2ε
Y por lo tanto,

Proceso Normal(Gaussiano) Ruido Blanco Gaussiano (“WGN”)
•  Un proceso estocástico x(t) se dice que es un proceso normal (o •  Un ruido blanco es un caso simple de los
gaussiano) si para cualquier tiempo t, la variable aleatoria x(t) tiene procesos estocásticos, donde los valores son
independientes e idénticamente distribuidos
distribución Normal. a lo largo del tiempo con media cero e igual
varianza, se denota por
•  Obs:
•  Un proceso normal es importante en el análisis estocástico de un fenómeno
aleatorio observado en las ciencias naturales, ya que muchos fenomenos
aleatorios pueden ser representados aproximadamente por una densidad de
probabilidad normal. Ejm: movimiento de la superficie del oceano.
Si integramos el proceso WGN, obtenemos el Proceso de Wiener-Levy

Proceso de Wiener-Lévy
•  Un proceso estocástico x(t) se dice que es un proceso de Wiener-Lévy
si:
i) x(t) tiene incrementos independientes estacionarios.
ii) Todo incremento independiente tiene distribución normal.
iii) E[x(t)]=0 para todo el tiempo.
iv) x(0)=0
•  Se puede demostrar que la varianza de un proceso Wiener-Lévy
Procesos Self-Similar
aumenta linealmente con el tiempo: Var[x(t)] = σ2t
•  Se conoce como Proceso de movimiento Browniano el cual describe
el movimiento de pequeñas particulas inmersas en un líquido o gas.

MODELOS CON DEPENDENCIA A LARGO PLAZO MODELOS CON DEPENDENCIA A LARGO PLAZO
•  Para unproceso de conteo P(t), y una duracion τ, definamos la Autosimilitud
secuencia (proceso estocastico de variable discreta) Xn como el • Es un concepto muy relacionado con la
numero de ocurrencias en el n-esimo intervalo [nτ, (n+1) τ]. idea de los fractales, introducida por
Mandelbrot. Se dice que un proceso {Xt}
x[n] = P(nτ + τ) - P(nτ) es exactamente auto similar (selfsimilar)
•  Si P(t) es un proceso de Poisson o de Wiener (incrementos si la estadística de la autocorrelación
ρk(m) se mantiene en diferentes escalas
independientes), la auto-correlación (autocovarianza) Rxx decaera de tiempo.
muy rápidamente. Es decir, que la dependencia de la señal • Comparación de un proceso
consigo misma sólo se da en un margen corto de tiempo. autosimilar (a) y otro no autosimilar (b).
•  Pero, para el caso del trafico en el backbone de Internet, se ha Se puede apreciar que el primero
detectado que la autocorrelación decae a un ritmo menor. Por mantiene su apariencia mientras que el
segundo tiende a comportarse como
ello se han adoptado nuevos enfoques y modelos ruido blanco cuando está agregado
Tráfico Ethernet: comportamiento autosimilar, en Tráfico Ethernet: comportamiento autosimilar, en

contradicción con los modelos clásicos markovianos contradicción con los modelos clásicos markovianos
•  Se midió el numero de llegadas •  Taqqu, Leland, Willinger y Wilson en
Duración “heavy tail” introduce
memoria y correlación
(“incrementos”) para diferentes 1994 analizaron trazas provenientes
escalas de tiempo (covarianzas?) de una red Ethernet y constataron
que el tráfico seguía un
•  A la izquierda, las trazas capturadas. comportamiento autosimilar, en
contradicción con los modelos
•  En el centro, un modelo clásico clásicos markovianos.
markoviano.
•  Trafico se “suaviza” •  Los mismos autores efectuaron un
•  Consecuencia directa de la análisis a nivel de fuentes aisladas, y
independencia de los incrementos, es concluyeron que el tráfico Ethernet se
comporta como la agregación de
decir, la falta de memoria. muchas fuentes on--off con
•  A la derecha, una traza sintetizada a distribuciones de alta variabilidad
(Pareto, heavy tails colas pesadas).
partir de un modelo autosimilar.
Dependencia a corto (short range) y
Casos de procesos autosimilares
largo (long range) plazo
•  Se dice que un proceso {Xt} presenta dependencia a corto plazo si su •  Fractional Brownian Motion (FBM) /Fractional Gaussian Noise
autocorrelación es sumable: Proceso exactamente autosimilar
•  Fractional ARIMA
Proceso asíntoticamente autosimilar
•  Fluid Burts Model (fBm) / Poisson Pareto Burst Model
•  Los procesos con autocorrelaciones que decaen exponencialmente se
denominan dependientes a corto plazo (short range dependent).
•  Se dice que un proceso {Xt} muestra dependencia a largo plazo Fractional Brownian Motion
https://www.youtube.com/watch?v=VJ3xzfnGUGA
(long range dependence) si su autocorrelación no es sumable:
https://www.youtube.com/watch?v=H-h8FWPdJmo
El Movimiento Browniano Fraccional (FBM) Modelo fBm (Fluid Bursts Model)

•  El Movimiento Browniano fraccional, {fBt} es un proceso •  Asume que el trafico total es la suma de “k” sesiones
autosimilar gaussiano con parametro de Hurst H∈ [0.5,1).
•  Cada sesión inyecta trafico a un ritmo constante b (fluid model)
•  Las diferencias respecto al Movimiento Browniano: •  También podría ser acorde con un Proceso de Poisson
•  Incrementos son estacionarios, no necesariamente independientes
σ 2t 2 H
•  La varianza es igual a en lugar de σ 2t •  Las sesiones aparecen de acuerdo a un proceso de Poisson (tiempo
entre llegadas tiene distribución exponencial c.p. λ)
•  Se demuestra que, para el caso discreto, la autocorrelación
normalizada de la secuencia de incrementos (llamada también •  La duración de cada sesión tiene una distribución Pareto con
ruido gaussiano fraccional) presenta dependencia a largo plazo. parámetro 1<β<2 y media d
•  Heavy tailed, introduce “memoria”
•  El parámetro de Hurst H se puede estimar mediante la gráfica
varianza- tiempo. •  Con estas suposiciones, el Proceso B(t) que cuenta el trafico
ingresante en el intervalo [0,t] converge a B(t) = (λdb) t + zH, donde zH
•  De interés: un proceso de conteo B(t) = m*t + zH, donde zH es FBM es un Proceso FBM (heavy tail, self-similar) con H=(3-β)/2.
con parámetro H, y “m” es el arrival rate promedio.
Análisis de diferentes clases de tráfico Análisis de diferentes clases de tráfico
El tráfico se puede modelar con procesos autosimilares TCP, FTP, Telnet.
HTTP (World Wide Web). Paxson [1995] presenta un estudio exhaustivo sobre los servicios de
• Se puede modelar como la superposición de fuentes on/off de tipo Internet. Las principales conclusiones son:
Pareto, con varianza infinita. La justificación se basa en la distribución • Los modelos poissonianos subestiman la variabilidad (burstiness) de
de los tamaños de los ficheros HTML y multimedia.
las transferencias de paquetes TCP
• Telnet es bien representado per Poisson a nivel de conexión, pero no
SS7 (señalización). a nivel de paquete, donde se detecta auto similitud.
• Se demuestra que si se utilizan los modelos de Poisson, el tráfico de
señalización se subestima, ya que dicho tráfico presenta distribuciones • Las transferencias en bloque de FTP se desvían mucho del modelo
con colas del tipo heavy tail, que indican un fuerte componente de poissoniano, excepto en el nivel de sesión. La distribución del número
dependencia a largo plazo de bytes en cada paquete sigue un modelo heavy tailed (un ejemplo es
la distribución de Pareto).
Análisis de diferentes clases de tráfico Reflexiones sobre los modelos autosimilares

Video VBR (Variable Bit Rate) •  Hay aspectos todavía abiertos, aparecen lagunas y surgen preguntas
Uno de los más estudiados, por la importancia que este tipo de tráfico en las redes como:
de banda ancha (es el que más recursos de transmisión necesita).
Garrett [1994] y Beran et al. [1995] presentan trabajos en los que se analizan •  - ¿Es realmente autosimilar el tráfico de las redes de banda ancha?
diferentes películas y programas de televisión, y sus conclusiones son las Parece una buena aproximación, pero podría ser que el tráfico fuera
siguientes:
Se demuestra que la traza es auto similar (presenta variaciones lentas de la simplemente no estacionario, y no necesariamente autosimilar (que
componente continua) y que la distribución es heavy-tailed es uno de los casos particulares de no estacionariedad).
Se destaca la presencia de componentes con dependencia a corto plazo, no •  - ¿La autosimilitud es debida a las fuentes o a su agregación?
despreciables (por eso son tan interesantes los modelos F-ARIMA, ya que capturan
los dos comportamientos) Depende del servicio. Por ejemplo, el tráfico LAN es autosimilar sólo
La dependencia a largo plazo constituye una característica inherente a la estructura cuando hay agregación, mientras que en el caso del video VBR el
de las películas (planteamiento-nudo-desenlace, con diferentes requerimientos de efecto aparece en el nivel de fuentes individuales.
ancho de banda para cada fase) y a la jerarquía plano-escena-secuencia (las
diferentes escalas en las que se da la autosimilitud) .
Reflexiones sobre los modelos autosimilares Reflexiones sobre los modelos autosimilares
•  - ¿Hasta qué punto es la agregación y la propia dinámica de la red •  - - Si el tráfico es realmente autosimilar, ¿son los modelos
la que provoca la autosimilitud? propuestos una buena solución para modelarlo?
•  Todavía está por estudiar a fondo la influencia de los protocolos en el •  Ciertamente, son mejores que los modelos poissonianos, y
comportamiento del tráfico. Por ejemplo, el protocolo TCP introduce proporcionan una explicación física del fenómeno (al menos en el
una serie de mecanismos de control (ventana adaptativa, lucha per el caso del tráfico Ethernet, a través de la agregación de terminales que
ancho de banda, control de congestión). se comportan según modelos on--off con distribuciones de Pareto).
•  Pero incluso los modelos autosimilares no son capaces de capturar al
100% el comportamiento de las trazas reales, por la presencia de
Short Range Dependency y periodicidades ( como el caso de las
fuentes MPEG).
Reflexiones sobre los modelos autosimilares

- ¿Son realmente importantes los efectos
autosimilares en la práctica?
• Es un tema abierto, y se ofrecen conclusiones
contradictorias.
Se ha propuesto el estudio a dos niveles:
• aplicación (autosimilitud inherente a la fuente) y
• red (influencia de la dinámica de los protocolos como
el TCP).
A nivel de aplicación, la autosimilitud tendría influencia
en el control de acceso (CAC) y la asignación de
recursos de transmisión
Mientras que a nivel de red, influiría en la congestión,
el dimensionado de los buffers, etc.
Tampoco queda claro qué influencia tiene cada nivel.
D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 43

06 Clase06 TEL223 2019 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

06 Clase06 TEL223 2019 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

TEL223 Ingeniería de

D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 2

Procesos estocásticos o aleatorios

Proceso de Conteo (cont.) Proceso de Poisson

Proceso de Markov Proceso de Markov (cont.)

Modelos para fuentes de vídeo

Caminata aleatoria o “Random Walk” Caminata aleatoria o “Random Walk”

Si integramos el proceso WGN, obtenemos el Proceso de Wiener-Levy

Tráfico Ethernet: comportamiento autosimilar, en Tráfico Ethernet: comportamiento autosimilar, en

El Movimiento Browniano Fraccional (FBM) Modelo fBm (Fluid Bursts Model)

Análisis de diferentes clases de tráfico Reflexiones sobre los modelos autosimilares

Reflexiones sobre los modelos autosimilares

D. Chavez & C. Santivanez TEL223: Ing. Trafico en Telecom. 43

S-ar putea să vă placă și