Різноманітне застосування технології Інтернету речей породжує розмаїтість переданого трафіку даних, який створюється різними мережами. Різнорідний трафік для створення адекватної моделі вимагає використання найбільш підходящого математичного апарату. одні моделі трафіку більш коректно описуються на основі розподілів ймовірностей, інші на основі методів фрактального аналізу. Моделі потоку заявок, аппроксимируются різними розподілами як з «легкими хвостами» (розподіл Гаусса, Пуассона), так і з «важкими хвостами» (розподілу Парето, Вейбула, логнормальний розподіл). Для опису трафіку в мережах з пакетною комутацією знаходять широке застосування самоподібні моделі трафіку. Ступінь самоподібності трафіку може бути визначена різними методами. Розглянуто приклади моделей трафіку, створюваного пристроями IoT: модель трафіку для медичної бездротової сенсорної мережі (WSN) на основі гауссовского розподілу; ON / OFF моделі трафіку WSN для стеження за випадково і лінійно рухається цілями; моделі трафіку IoT з розподілами на обмеженому інтервалі часу; самоподібна модель агрегованого трафіку на шлюзі WSN.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Осовский А.В., Кутузов Д.В., Стукач О.В.


Область наук:

  • Комп'ютер та інформатика

  • Рік видавництва: 2019


    Журнал: Динаміка систем, механізмів і машин


    Наукова стаття на тему 'АНАЛІЗ МОДЕЛЕЙ ТРАФІКУ, створювати пристрої ІНТЕРНЕТУ РЕЧЕЙ'

    Текст наукової роботи на тему «АНАЛІЗ МОДЕЛЕЙ ТРАФІКУ, створювати пристрої ІНТЕРНЕТУ РЕЧЕЙ»

    ?УДК 654.027.3

    АНАЛІЗ МОДЕЛЕЙ ТРАФІКУ, створювати пристрої ІНТЕРНЕТУ РЕЧЕЙ

    ANALYZE TRAFFIC PATTERNS GENERATED BY IOT DEVICES

    А. В. Осовскій1, Д. В. Кутузов2, О. В. Стукач3, 4 1ТОВ «Ф'юче Інжиніринг Лаб», м Астрахань, Росія 2Астраханскій державний технічний університет, м Астрахань, Росія 3Новосібірскій державний технічний університет, Новосибірськ, Росія 4Національний дослідницький університет «Вища школа економіки», Москва, Росія

    A.V. Osovskiy1, D.V. Kutuzov2 O.V. Stukach3,4

    1 «Future Engineering Lab Ltd», Astrakhan, Russia 2 Astrakhan State Technical University, Astrakhan, Russia 2 Novosibirsk State Technical University, Novosibirsk, Russia 4National Research University «Higher school of Economics», Moscow, Russia

    Анотація. Різноманітне застосування технології Інтернету речей породжує розмаїтість переданого трафіку даних, який створюється різними мережами. Різнорідний трафік для створення адекватної моделі вимагає використання найбільш підходящого математичного апарату. Одні моделі трафіку більш коректно описуються на основі розподілів ймовірностей, інші - на основі методів фрактального аналізу. Моделі потоку заявок, аппроксимируются різними розподілами як з «легкими хвостами» (розподіл Гаусса, Пуассона), так і з «важкими хвостами» (розподілу Парето, Вейбула, логнормальний розподіл). Для опису трафіку в мережах з пакетною комутацією знаходять широке застосування самоподібні моделі трафіку. Ступінь самоподібності трафіку може бути визначена різними методами. Розглянуто приклади моделей трафіку, створюваного пристроями IoT: модель трафіку для медичної бездротової сенсорної мережі (WSN) на основі гауссовского розподілу; ON / OFF моделі трафіку WSN для стеження за випадково і лінійно рухається цілями; моделі трафіку IoT з розподілами на обмеженому інтервалі часу; самоподібна модель агрегованого трафіку на шлюзі WSN.

    Ключові слова: моделі трафіку, Інтернет речей, бездротові сенсорні мережі (WSN), самоподібний трафік, ON / OFF модель.

    DOI: 10.25206 / 2310-9793-7-4-220-226

    I. Вступ

    В даний час проникнення технології Інтернету речей (Internet of Things, IoT) стає практично повсюдним. За два минулих десятиліття Інтернет речей змінив багато бізнес-процеси і став трендом розвитку сучасних інформаційно-телекомунікаційних технологій. Концепція IoT базується на міжмашинної взаємодії. По суті це автоматизація безлічі процесів на більш високому рівні. Від RFID-міток на товарах для спрощення процесів логістики, Інтернет речей трансформувався в глобальну мережу, до якої включаються оточують людину предмети.

    Розвитку та широкому впровадженню IoT сприяло істотне здешевлення і мініатюризація елементної бази для всіляких пристроїв. Застосування пристроїв IoT різноманітно. У промисловості застосування технології IoT дозволяє проводити віддалений контроль зносу деталей і випереджаюче технічне обслуговування. Все це в кінцевому підсумку сприяє оптимізації виробничого процесу, збільшення продуктивності, зниження людського фактора і ризиків, і як наслідок скорочення витрат. Технології IoT також знаходять застосування в сільському господарстві (моніторинг вологості, температури грунту і характеристик грунту), в сфери житлово-комунального господарства (диспетчеризація приладів обліку), в медицині (моніторинг стану пацієнта в режимі 24/7), в управлінні міським господарством (регулювання автомобільного трафіку) і т.д.

    Різноманітне застосування технології Інтернету речей породжує розмаїтість переданого трафіку даних, який створюється різними мережами. Основне призначення моделей трафіку - опис трафіку набором параметрів, з метою отримання чисельних характеристик (таких як пропускна здатність, якість обслуговування), необхідних для вирішення однієї із завдань (наприклад, завдання проектування мережі, якості обслуговування - Quality of Service, QoS).

    II. Методи дослідження і побудови моделей трафіку

    Різнорідний трафік (такий як передача голосу, даних, зображень і т.п.) для створення адекватної моделі вимагає використання найбільш підходящого математичного апарату. Одні моделі трафіку більш коректно описуються методами математичної статистики - на основі розподілів ймовірностей (моделі потоку заявок), інші - на основі методів фрактального аналізу (фрактальні або самоподібні моделі трафіку).

    У моделях потоку заявок кожен 1Р-пакет, розглядається як заявка (транзакт), яка повинна бути обслужена - передана, прийнята або оброблена. Трафік, створюваний 1Р-пакетами, характеризується такими параметрами як: інтенсивність надходження пакетів (пакетів / с), середня довжина пакета (біт, байт), інтервал часу між пакетами, інтенсивність трафіку (біт / с), частка втрачених пакетів, частка пакетів з помилками. З функціональних залежностей особливий інтерес представляють функції розподілу інтервалів часу між пакетами і довжини пакетів і характер загасання цієї функції.

    Моделі трафіку можна також умовно розділити на моделі, що застосовуються для опису трафіку в мережах з комутацією каналів і мережах з пакетною комутацією.

    У мережах з комутацією каналів, наприклад для мовного трафіку, широко використовується модель найпростішого потоку на основі розподілу Пуассона. Даний розподіл добре описує кількість викликів (заявок), що надходять на вузол комутації в одиницю часу в залежності від середньої інтенсивності приходу заявок. Інтервали часу між приходом таких заявок мають експоненційний розподіл. Найпростіший потік має властивості: стаціонарність, ординарність, відсутності післядії, а сумарний потік заявок двох і більше пуассонівських потоків також є пуассоновским, що значно спрощує процес моделювання.

    У мережах з комутацією пакетів в моделях трафіку, створюваного наприклад пристроями 1от, так само може використовуватися розподіл Пуассона. Так в дослідженні [1] для аналізу статистичних характеристик мобільних пристроїв з використанням технології 5G для мережі 1от отримана аналітична модель на основі пуассоновского потоку.

    Проте, численні дослідження трафіку в мережах 1от [2-5] показали, що моделі на основі розподілу Пуассона не завжди підходять для коректного моделювання трафіку в мережах з комутацією пакетів.

    У розподілі Пуассона велика частина подій зосереджена близько математичного очікування, і лише їх незначна частина зосереджена далеко від середнього. Розподіл Пуассона відноситься до розподілів з так званими «легкими хвостами», що мають відносно швидке убування значення ймовірності, виражене експоненціально затухаючої функцією:

    Р {1 > х) - з • ех, (1)

    де с - константа

    Так в ряді досліджень [6-8] представлені моделі потоку трафіку від пристроїв 1от, в яких апріорі передбачається, що трафік є пуассоновским процесом без будь-якого пояснення коректності обраної моделі.

    Таким чином, розподілу з легкими хвостами (наприклад, розподіл Пуассона або Гаусса) для моделювання трафіку мереж 1от може застосовуватися, але дуже обмежено і після попередньої перевірки коректності моделей.

    Більшість моделей трафіку 1от набагато точніше аппроксимируются розподілами з хвостами, що зменшуються набагато повільніше, експоненційної функції. Наприклад, в мережах 1от під час стеження за деякою метою [3, 4] сенсорний вузол передає дані при знаходженні мети в зоні спостереження, і перестає передавати дані при виході мети за межі зони сканування. По суті, дані передаються пачками. Інтуїтивно зрозуміло, що у такого роду трафіку, по-перше, буде спостерігатися більша дисперсія інтервалів часу між моментами надходження заявок, по-друге, дані будуть досить часто присутній у вибірці навіть при значному відхиленні від середнього значення. Тому буде спостерігатися повільне спадання хвоста функції розподілу. Такі розподілу відносяться до розподілів «з важкими хвостами», які мають повільно загасаючу функцію, виражену статечним законом:

    Р (1 > х) - з • х ~ а, х ^^, (2)

    де с - константа, 0<а<2 - параметр форми (індекс хвоста розподілу), характеризує ступінь його тяжкості.

    Як видно з формули (2) при невеликих значеннях параметра форми розподіл має дуже важкий хвіст. Розподілу «з важкими хвостами» широко використовуються для моделювання трафіку мульти-

    сервісних мереж. До таких розподілів зокрема відносяться розподілу Парето, Вейбула, логнормаль-ве розподіл і т.д.

    Традиційні моделі трафіку, засновані на марковських процесах і формулах Ерланга, успішно застосовуються в мережах з комутацією каналів, дають невиправдано оптимістичні рішення і призводять до недооцінки навантаження в мережах з комутацією пакетів. Відкриття властивості самоподібності трафіку дозволило переосмислити ймовірносно-часові характеристики таких мереж. Фрактальні або самоподібні моделі трафіку вводять такі поняття як довгострокова залежність (вплив значення кількості пакетів, що надійшли деякий час назад на кількість пакетів в даний момент часу) і самоподоба трафіку. Довготривала залежність, по суті це форма післядія потоку заявок, що впливає на QoS в мережах IoT. Багато дослідників розглядають довгострокову залежність в сукупності зі ступенем самоподібності трафіку [9, 10].

    На відміну від пуассонівських процесів, які не мають післядії, самоподібні процеси залежать не тільки від часу, але і від попередніх подій. Тому самоподібні процеси мають повільно убутні залежності. Відомо, що самоподоба будь-якого процесу зберігається лише до певної межі. Мірою статистичної стійкості процесу (ступенем самоподібності) при багаторазовому масштабування служить показник Херста (H). при 0,5<H<1 - процес персистентний або самоподібний (ймовірність відхилення від середнього в тому ж напрямку що й в попередній момент часу настільки велика, наскільки показник H близький до 1, тобто чим ближче до 1, тим процес більш трендоустойчівий). при 0<H<0,5 - процес анти-персистентний або ергодичний (ймовірність відхилення від середнього в протилежному напрямку настільки велика, наскільки параметр H близький до 0, тобто чим ближче до 0, тим процес більш мінливий - прагне змінитися на протилежний). При H = 0,5 - процес стохастічен, відхилення від середнього є випадковим (білий шум). Показник Херста в багатьох випадках дозволяє виявити тренд навіть з невідомою функцією розподілу трафіку. Крім показника Херста в самоподібних моделях трафіку також може бути використана автокореляційна функція.

    Перелічимо основні методики визначення ступеня самоподібності трафіку (оцінки параметра Херста). До них, зокрема, відносяться: R / S-аналіз (аналіз нормованого розмаху), аналіз дисперсії агрегованих рядів, метод Хігучі (дозволяють провести аналіз у часовій області); аналізу періодограмм, методи Віт-тла (дозволяють провести аналіз в частотної області); вейвлет-аналіз (аналіз у часовій і частотній областях).

    Для моделювання самоподібного трафіка як формальної математичної моделі найбільш часто застосовується фрактальний гауссовский шум (Fractal Gaussian Noise, fGN) з різними варіаціями (наприклад, з використанням вейвлетів Добеши, швидкого перетворення Фур'є і т.д.)

    Розглянемо приклади моделей трафіку, створюваного пристроями IoT більш детально.

    III. Моделі трафіку на основі потоку заявок

    Гауссовская модель трафіку для медичної WSN

    Однією сфер застосування бездротової сенсорної мережі (Wireless Sensor Network, WSN) може бути медицина, а точніше моніторинг стану пацієнтів. У дослідженні [2] представлені стохастичні моделі трафіку, створюваного медичної WSN. За допомогою бездротових датчиків (вузлів WSN), закріплених на тілі пацієнта здійснюється моніторинг життєво важливих параметрів. Як емпіричних даних в моделях використовуються дані з баз даних медичних сигналів.

    Моделювання трафіку для таких мереж необхідно для вирішення ряду завдань: 1) підвищення енергоефективності вузлів WSN; 2) дослідження можливих перевантажень в мережі і перешкод між вузлами; 3) підбір правильних протоколів маршрутизації і адресації в мережі; 4) розробка оптимальної архітектури вузлів WSN і максимально ефективне проектування мережі.

    Джерелами трафіку в моделях є медичні вузли WSN, які вимірюють і передають в бездротову мережу сигнали електрокардіограми (ЕКГ) і температури тіла в режимі безперервної передачі даних. Вибір типу джерел трафіку продиктований такими міркуваннями. ЕКГ - швидко змінюється параметр, а температура тіла змінюється дуже повільно. По суті, розглянуті два крайніх випадку -Передача щодо великого обсягу трафіку в одиницю часу (ЕКГ) і передача невеликого обсягу даних в одиницю часу (температура).

    Автори розглядають два сценарії для моделей ЕКГ трафіку. Перший, коли WSN вузол передає необроблені 11-бітові дані ЕКГ з частотою дискретизації 360 Гц, що дає безперервну швидкість передачі даних 3960 біт / с. Другий - коли WSN вузол використовує для стиснення ЕКГ сигналу вихідне кодування (стиснення даних без втрат) з метою зниження витрати енергії на передачу.

    В результаті моделювання при передачі даних ЕКГ авторами отримані моделі трафіку, що мають гауссовское розподіл потоку заявок з нульовим середнім і змінюється з часом дисперсією. Змінюється дисперсія призводить до нестаціонарному потоку трафіку.

    Для моделей передачі даних температури пацієнтів розглядається ті ж два сценарії: 1) з безперервною передачею не кодованою даних (11-бітних відліків з частотою 2 Гц, що дає модель з безперервною швидкістю передачі 3 біт / с); 2) із стисненням даних без втрат.

    Моделювання передачі даних зміни температури показало, що так само як в моделях ЕКГ, трафік розподілений по гауссовскому закону з нульовим середнім. На відміну від моделей ЕКГ, в моделях даних про температуру крива гауссовского розподілу має постійну дисперсію.

    ON / OFF модель трафіку

    Інша сфера застосування WSN - це використання сенсорних вузлів стеження за метою. Трафік, що генерується WSN сильно залежить від програми або сценарію роботи мережі. Все різноманіття сценаріїв роботи можна розділити на три типи: 1) періодична відправка даних (наприклад, модель відправки даних з постійною швидкістю (Constant Bitrate, CBR); 2) відправка даних за запитом; 3) керована подіями відправка даних. Відстеження мети - це керована подіями відправка даних. Сенсорні вузли відправляють дані, тільки якщо відбулася подія - поява в області сканування об'єкта спостереження.

    У дослідження [3] пропонується використовувати в бездротової сенсорної мережі, призначеної для стеження за метою, так звану ON / OFF модель трафіку.

    Імітаційна модель такої WSN складається з 100 просторово розподілених сенсорних вузлів, розгорнутих в зоні спостереження 1000 Перейти до 1000 м (сітка 10 на 10 сенсорних вузлів) для стеження за метою з випадковою траєкторією руху. Дальність виявлення кожного сенсорного вузла - 250м. Перевірка на знаходження мети всередині області, що сканується проводилася через 0.1 секунду. Час моделювання 50000 секунд.

    ON / OFF модель трафіку передбачає, що сенсорні вузли передають пакети при знаходженні мети в зоні спостереження (стан ON), і перестає передавати пакети при виході мети за межі зони сканування (стан OFF). Таку модель трафіку можна розглядати як послідовність періодів включення (ON) і вимкнення OFF (рис. 1)

    5 10 15 20 25 Рис. 1. ON / OFF модель трафіку з таймером включення 5 секунд

    Стан ON зберігається, поки не закінчиться таймер включення. Якщо інший пакет надходить до закінчення таймера включення, таймер включення перезапускается. Якщо під час вікна таймера включення не надходить пакет, стан вимикається (OFF).

    У представленій ON / OFF моделі також проведено дослідження впливу величин таймерів включення (1.5с, 5с, 20с) на результати моделювання трафіку.

    В результаті імітаційного експерименту виявлено:

    1) розподіл періодів ON / OFF добре апроксимується узагальненим розподілом Парето (Generalized Pareto Distribution, GPD) «з коротким хвостом» (швидке згасання функції) незалежно від місця розташування цілі і величини таймера включення;

    2) інтенсивність трафіку протягом періоду ON відповідає усеченному нормальному розподілу, причому максимальна швидкість дорівнює верхній межі швидкості, а мінімальна швидкість дорівнює зворотній величині тривалості таймера включення;

    3) при зміні місця розташування мети частоти спостережуваних періодів ON / OFF можуть змінюватися (в вузлах, розташованих в центрі зони спостереження, спостерігається більше періодів ON / OFF, ніж в тих, які розташовані близько до краю зони спостереження);

    4) вибір таймера включення може також впливати на спостережувані періоди ON / OFF (як кількість, так і тривалість періодів).

    Властивість «короткого хвоста» моделі даного трафіку може бути використано для виявлення аномалій - при спостереженні незвично довгого періоду ON, а також для виявлення збоїв в роботі вузлів

    (Незвично довгий період OFF). На основі представленої моделі може бути також розроблений генератор трафіку.

    Вищеописана ON / OFF модель трафіку, для стеження за випадково рухається метою, була доповнена рядом моделей, представленими в дослідженні [4]. Зокрема, створена аналітична і імітаційна моделі трафіку сенсорного вузла WSN, що стежить за лінійно рухається під випадковими кутами метою зі швидкостями 2, 3 і 5 км / год. Імітаційне моделювання показало: 1) розподіл довжин ON-інтервалів має дуже короткий хвіст і практично не залежить від місця розташування сенсорного вузла; 2) розподіл довжин OFF-інтервалів має розподіл Парето «з важким хвостом» з коефіцієнтом форми a від 0,1 до 0,6 в залежності від розташування сенсорного вузла і швидкості руху цілі.

    Моделі трафіку IoT з розподілами на обмеженому інтервалі часу

    Особливий інтерес представляють собою ті розподілу інтервалів часу між IP-пакетами, які визначені на кінцевому інтервалі часу. Інтерес до подібних розподілів зумовлений низкою причин. По-перше, вимірювання вхідного потоку IP-пакетів показують, що часто спостерігаються тривалі періоди, протягом яких "важкі хвости" відсутні. По-друге, при дотриманні деяких умов розподілу на обмеженому інтервалі дозволяють отримати верхні межі для тривалості затримки заявок. По-третє, частина IP-пакетів, породжених IoT, буде передаватися за розкладом, що не відповідає моделям трафіку з розподілами, для яких область визначення справа не обмежена.

    Так модель трафіку представлена ​​в роботі [11] задана розподілом вхідного потоку заявок, на обмеженому інтервалі часу. Автори запропонували моделі, на основі розподілів «не мають хвостів». На думку авторів, дані моделі, більш коректно застосовувати для вхідного потоку заявок в мережах з комутацією пакетів. Автори отримали середнє значення часу затримки заявок і коефіцієнт варіації цієї ж випадкової величини, які перевищують аналогічні величини моделей з «важкими хвостами»

    В іншому дослідженні [12] так само досліджуються розподілу вхідного потоку заявок, заданого на обмеженому інтервалі часу в однолінійної системі телетрафіка з постійним часом обслуговування заявок. Мультисервісний трафік розглядається як результат складання двох компонент, що представляють потоки IP-пакетів різної природи. Перший компонент це трафік людей (користувачем, як правило, стає людина), другий - це трафік речей, створюваний при реалізації концепції IoT. Дослідження другого компонента ускладнюється тим, що поки складно прогнозувати характер зростання трафіку IoT з необхідною достовірністю. Автори наводять модель формування потоку IP-пакетів на вході вузла комутації. Операція складання IP-пакетів, що надходять з різних джерел, здійснюється в даній моделі в гіпотетичному блоці, в якості якого може виступати буферна пам'ять на вході вузла комутації. У моделі передбачається, що для обох класів трафіку (людей і речей) відомі функції розподілу тривалості інтервалів між моментами надходження заявок. На виході підсумовуючого пристрою формується потік заявок, які повинні бути оброблені вузлом комутації. Для цього потоку авторами ставиться завдання визначити вид функції розподілу сумарного потоку і її параметри. Однак це вдається зробити не завжди. Автори пропонують вхідні потоки, задані моментами надходження заявок, висловити цілими числами, рівними відношенню поточного часу t до нікому малому періоду x. Це дозволить знайти діаметрально протилежні закони надходження заявок для сумарного потоку, так званим "кращим" і "найгіршим". Визначення "кращий" і "найгірший" використовується для того, щоб акцентувати увагу на наступному факті: характеристики якості обслуговування трафіку при заданій величині пропускної здатності вузла комутації для розглянутих випадків можуть порівнюватися за допомогою цих прикметників. У запропонованій моделі для "кращого" випадку зберігається ординарність, а для "гіршого" випадку ординарність порушується - в деякі моменти часу можуть прийти відразу дві заявки. Це відбувається при ненавмисної "синхронізації" двох вхідних потоків. Результати моделювання, підтверджують висновок про те, що застосування функції розподілу обмеженого справа дозволяє отримати верхні межі для параметрів часу затримки заявок.

    IV. Фрактальні (самоподібні) моделі трафіку

    Як фрактальної (самоподобной) моделі трафіку розглянемо модель трафіку, представлену в дослідженні [4] самоподобна трафік агрегируется в даній моделі на шлюзі WSN стеження за метою, яка рухається по різних траєкторіях - випадкової і лінійної.

    Модель WSN базується на методах, розглянутих в дослідженні [3] (для випадкової траєкторії цілі) і містить 24 просторово розподілених сенсорних вузлів, розгорнутих в зоні спостереження 30 на 30 м та 1 шлюз, розташований в центрі сенсорного поля. Дальність виявлення кожного сенсорного вузла 15-20м.

    Ступінь самоподібності і довготривалої залежності агрегованого трафіку (для даних, сигналізації і загального трафіку шлюзу) в представленої моделі визначається комплексно - методом аналізу нормованого розмаху і локальним методом Віттл. Це дозволяє проаналізувати не тільки різні області

    уявлення трафіку (тимчасову і частотну), але і використовувати два різних методу обчислення параметра Херста - графічний і оптимізаційний.

    В результаті моделювання отримано і досліджено ряд залежностей характеристик трафіку, що надходить на шлюз WSN стеження за метою. Зокрема виявлено, що середня тривалість періодів відправки пакетів вузлами WSN стеження за випадково рухається метою впливає на ступінь самоподібності і довготривалої залежності агрегованого на шлюзі трафіку в більшій мірі, ніж форма розподілу цієї величини. Також з'ясовано, що збільшення швидкості передачі даних протягом ON-інтервалів призводить і до істотного зростання (до 60%) ступеня самоподібності і довготривалої залежності агрегованого на шлюзі трафіку.

    V. Висновки і висновок

    Основне призначення моделей трафіку - опис трафіку набором параметрів, з метою отримання чисельних характеристик необхідних для вирішення однієї із завдань (наприклад, завдання QoS). У моделях потоку заявок, що задаються різними розподілами кожен IP-пакет, розглядається як заявка, яка повинна бути обслужена - передана, прийнята або оброблена. Моделі трафіку можна також умовно розділити на моделі, що застосовуються для опису трафіку в мережах з комутацією каналів і мережах з пакетною комутацією. У мережах з комутацією каналів широко застосовуються розподілу «легкими хвостами» (наприклад, розподіл Пуассона). У мережах з пакетною комутацією розподілу «легкими хвостами» може застосовуватися, дуже обмежена, після попередньої перевірки коректності моделей. Моделі трафіку в таких мережах в багатьох випадках коректніше аппроксимируются розподілами, що мають «важкі хвости». У самоподібних моделях трафіку, що базуються на методах фрактального аналізу, ступінь самоподібності трафіку визначається на основі обчислення показника Херста.

    У цьому дослідженні ми провели аналіз різних моделей трафіку, створюваного пристроями IoT. Розглянуто приклади різних моделей трафіку: модель трафіку для медичної бездротової сенсорної мережі (WSN); ON / OFF моделі трафіку WSN для стеження за випадково і лінійно рухається цілями; моделі трафіку з розподілами на обмеженому інтервалі часу; самоподібна модель агрегованого трафіку на шлюзі WSN.

    Джерело фінансування. Подяки

    Робота виконана за фінансової підтримки Російського фонду фундаментальних досліджень в рамках наукового проекту № 19-07-00612.

    Науковий керівник - канд. техн. наук, доц. Кутузов Д.В.

    Список літератури

    1. Abdullah Baz, Abbas Abu Al-Naja, M. Baz. Statistical model for IoT / 5G networks // 2015 Seventh International Conference on Ubiquitous and Future Networks.

    2. Messier G. G., Finvers I. G. Traffic Models for Medical Wireless Sensor Networks // IEEE Communications Letters. January 2007. Vol. 11, no. 1. Р. 13-15. DOI: 10.1109 / LCOMM.2007.061291. https://ieeexplore.ieee.org/document/4114210.

    3. Wang Q., Zhang T. Source traffic modeling in wireless sensor networks for target tracking // In Proc. of the 5th ACM International Symposium on Performance Evaluation of Wireless Ad-Hoc, Sensor, and Ubiquitous Networks (PE-WASUN'08). 2008. Р. 96-100.

    4. Vybornova A., Koucheryavy А. Traffic Analysis in Target Tracking Ubiquitous Sensor Networks // 14th International Conference, NEW2AN 2014 and 7th Conference, ruSMART 2014 року, Springer International Publishing, August 27-29, 2014.Vol. 8638. Р. 389-398.

    5. Kutuzov D., Osovsky A., Starov D., Stukach O. Processing of the Gaussian Traffic from IoT Sources by Decentralized Routing Devices // 2019 International Siberian Conference on Control and Communications (SIBCON). Proceedings. IEEE. 18-20 April 2019. Tomsk, Russia. DOI: 10.1109 / SIBTON.2019.8729617. URL: https://ieeexplore.ieee.org/document/8729617.

    6. Tang S. An Analytical Traffic Flow Model for Cluster-Based Wireless Sensor Networks // 1st International Simposium on Wireless Pervasive Computing. 2006.

    7. Tseng H., Yang S., Chuang P., Wu H., Chen G. An energy consumption analytic model for a wireless sensor MAC protocol // In Proc. 2004 IEEE Vehicular Technology Conference Spring (VTC 2004 Fall), 2004. Vol. 6. Р. 4533-4537.

    8. Demirkol F. Delic AlagAoz H., Ersoy C. Wireless sensor networks for intrusion detection: packet traffic mo deling // IEEE Communications Letters. January 2006. Vol. 10 (1). Р. 22-24.

    9. Sahinoglu Z., Tekinay S. On Multimedia Networks: Self-Similar Traffic and Network Performance // IEEE Communications Magazine. January 1999. № 48. Р. 52.

    10. Wisitpongphan N., Peha J. M. Effect of TCP on Self-Similarity of Network Traffic // Proceedings of 12th IEEE International Conference on Computer Communications and Networks (ICCCN). 2003.

    11. Levakov A. K., Sokolov A. N., Sokolov N. A. Models of incoming traffic in packet networks // T-Comm. 2015. Vol. 9, № 5. Р. 91-94.

    12. Зайцев В., Соколов Н. Особливості мультисервисного трафіку з урахуванням повідомлень, інших пристроїв IoT // Перша миля. 2017. № 4. С. 44-47.

    УДК 519.179.2

    МОДЕЛЮВАННЯ ПОШУКУ ЗАДАНОГО ЧИСЛА ОПТИМАЛЬНИХ МАРШРУТІВ

    У ПЕРЕОГРАНІЧЕННИХ ВИПАДКАХ

    MODELING MULTIPLE PATHS FOR QOS-AWARE ROUTING IN THE OVER-CONSTRAINED CASE

    Е. В. Щерба, Г. А. Литвинов

    Омський державний технічний університет, м Омськ, Росія

    E. V. Shcherba, G. A. Litvinov

    Omsk State Technical University, Omsk, Russia

    Анотація. У наших попередніх роботах ми запропонували систему для моделювання пошуку одного оптимального маршруту в умовах увігнутих обмежень, що накладаються на шуканий маршрут, і алгоритм для пошуку заданого числа маршрутів в булевозначних мережах. У даній роботі ми представляємо практичну реалізацію даного алгоритму з метою пошуку заданого числа оптимальних маршрутів при наявності безлічі увігнутих обмежень. Запропонована раніше система моделювання була розширена для вирішення зазначеного завдання. В ході моделювання пошуку маршрутів була підтверджена отримана раніше теоретична оцінка часової складності запропонованого алгоритму. Результати експериментів також представлені в роботі.

    Ключові слова: багатоколійні маршрутизація, маршрутизація з обмеженнями, алгоритм Йена, булевозначние мережі

    DOI: 10.25206 / 2310-9793-7-4-226-231

    I. Вступ

    Протоколи багатоколійні маршрутизації демонструють високу ефективність в різних мережах з динамічною топологією, включаючи мобільні, сенсорні і інші типи мереж, і все більше привертають увагу дослідників і розробників. Основна ідея багатоколійні маршрутизації полягає в тому, щоб знайти і використовувати кілька шляхів для доставки пакетів між парою заданої парою вузлів джерела і призначення.

    Завдяки розподіленої архітектурі мереж і виникає надмірності каналів зв'язку протоколи багатоколійні маршрутизації в залежності від використовуваної стратегії можуть забезпечувати такі переваги, як відмовостійкість, балансування навантаження, агрегація смуги пропускання і поліпшення показників якості обслуговування, наприклад, таких як затримка. Відмовостійкість забезпечується за рахунок дублювання пакетів даних, які направляються до місця призначення по альтернативних шляхах. Це зменшує ймовірність порушень передачі даних в разі збоїв в каналах зв'язку.

    Можливість підвищення стійкості маршрутів в значній мірі залежить від архітектури мережі і наявності в мережі непересічних шляхів. У ситуаціях, коли основний маршрут доставки пакетів перевантажений, протоколи багатоколійні маршрутизації можуть виконати перенаправлення трафіку по альтернативних шляхах, щоб знизити навантаження на перевантажений канал. Агрегація смуги пропускання декількох каналів зв'язку здійснюється шляхом поділу даних, які направляються на один вузол призначення, на кілька потоків, кожен з яких направляється по окремому шляху. Ця стратегія особливо корисна, коли існує кілька маршрутів з низькою пропускною здатністю, в той час як необхідна пропускна здатність,


    Ключові слова: МОДЕЛІ ТРАФІКУ /ІНТЕРНЕТ РЕЧЕЙ /БЕЗДРОТОВІ СЕНСОРНІ МЕРЕЖІ (WSN) /самоподібного трафіка /ON / OFF МОДЕЛЬ

    Завантажити оригінал статті:

    Завантажити