Содержание к диссертации
Введение
ГЛАВА 1 Эволюция моделей трафика и методов расчета для сетей связи общего пользования . 16
1.1 Модели трафика в системах массового обслуживания 16
1.2 Телефонная сеть связи общего пользования (ТфОП) . 19
1.3 Сети связи следующего поколения . 20
1.4 Сотовые сети подвижной связи . 27
1.5 Интернет Вещей и всепроникающие сенсорные сети . 29
1.6 Имитационное моделирование 33
1.6.1 Принцип построения и особенности реализации имитационных моделей 31
1.6.2 Примеры прикладных систем имитационного моделирования 48
Выводы по главе 1 52
ГЛАВА 2 Разработка и исследование моделей трафика для сотовых сетей подвижной связи 54
2.1 Анализ развития сотовых сетей подвижной связи 54
2.2 Методы прогнозирования развития технологий телекоммуникаций 58
2.3 Разработка моделей трафика ССПС на этапе эволюционного развития в условиях преобладания речевого трафика и определение их численных характеристик 76
2.3.1 Прогноз развития сотовых сетей связи в начале 21-века . 78
2.3.2 Модель речевого трафика ССПС и оценка ее численных характеристик . 88
2.4 Выявление закономерностей миграции трафика из ТфОП в
ССПС и между разными технологиями ССПС, а также
беспроводными сетями широкополосного доступа 95
Выводы по главе 2 105
ГЛАВА 3 Разработка моделей пространственного распределения трафика в сетях связи четвертого поколения в условиях преобладания трафика передачи данных, метода и алгоритма оптимизации размещения базовых станций системы длительной эволюции lte .
3.1 Задача выбора координат размещения базовых станции беспроводного доступа с учетом интенсивности абонентского трафика 106
3.2 Разработка модели 108
3.2.1 Скорость передачи данных на уровне доступа 108
3.2.2 Выбор координат базовой станции . 118
3.3 Распределение базовых станций на обслуживаемой территории 121
3.3.1 Постановка задачи распределения базовых станций 121
3.3.2 Использование алгоритмов кластеризации 126
3.3.2.1 Кластерный анализ и алгоритмы кластеризации 126
3.3.2.2 Постановка задачи кластеризации . 130
3.3.2.3 Алгоритм кластеризации k-средних 131
3.3.2.4. Алгоритм кластеризации FOREL 135
3.3.3 Модификация алгоритмов кластеризации формального элемента и k-средних // 138
Выводы по главе 3 148
ГЛАВА 4 Рзработка и исследование моделей трафика для сетей связи следующего поколения 149
4.1 Анализ развития сетей связи следующего поколения 149
4.2 Разработка и исследование моделей трафика для Интернет-телевидения и их сравнение с моделями трафика IPTV 152
4.3 Оптимизация выбора расписания работы и загруженности операторов справочно-информационных центров 162
4.4 Разработка и исследование моделей трафика для интеллектуальной сети связи 169
4.5 Разработка и исследование моделей трафика для нового типа 177
сетей – сетей с малыми задержками, необходимых для реализации услуг игр реального времени и медицинских сетей Выводы по главе 4 185
ГЛАВА 5 Разработка и исследование моделей трафика для приложений концепции интернета вещей 186
5.1 Анализ развития концепции Интернета Вещей и основных ее приложений . 186
5.2 Разработка моделей трафика для всепроникающих сенсорных сетей, учитывающих реакцию сети и ее пользователей на генерируемый сетями USN трафик 188
5.3 Разработка моделей трафика M2M при взаимодействии с LTE и оценка влияния генерируемого M2M трафика на процессы обслуживания трафика типовых пользователей LTE . 194
5.3.1 Классификация трафика М2М . 194
5.3.2 Модель опосредованного трафика M2M 200
5.3.3 Модель псевдодетерминированного трафика M2M . 204 Выводы по главе 5 209
ГЛАВА 6 Управление трафиком машина-машина на основе расписания 210
6.1 Влияние трафика машина-машина на качество обслуживания . 210
6.2 Суточная модель трафика машина-машина 217
6.3 Реакция трафика на расписание управления 223
6.4 Оптимизация расписания управления трафиком машина-машина. 231 Выводы по главе 6 237
Заключение 238
Список сокращений и условных обозначений 241
Список литературы 244
- Интернет Вещей и всепроникающие сенсорные сети
- Разработка моделей трафика ССПС на этапе эволюционного развития в условиях преобладания речевого трафика и определение их численных характеристик
- Задача выбора координат размещения базовых станции беспроводного доступа с учетом интенсивности абонентского трафика
- Разработка и исследование моделей трафика для Интернет-телевидения и их сравнение с моделями трафика IPTV
Интернет Вещей и всепроникающие сенсорные сети
На сегодняшний день концепция сетей связи следующего поколения основной своей цели достигла: созданы гетерогенные сети, обеспечивающие пользователю предоставление любых услуг телекоммуникаций. Кроме того, прошло уже более десяти лет с момента принятия Сектором Стандартизации Телекоммуникаций Международного Союза Электросвязи (МСЭ-Т) первых рекомендаций по сетям связи следующего поколения. За это время появились и достаточно широко распространились самоорганизующиеся сети [48,50,51], в том числе всепроникающие сенсорные сети USN (Ubiquitous Sensor Networks) [151], целевые сети автомобильного транспорта VANET (Vehicular Ad Hoc Networks) [197, 233], медицинские сети MBAN (Medical Body Area Networks) [223] и т.д. Общепризнанными стали прогнозы по развитию сетей связи, в соответствии с которыми на горизонте планирования до 2020 – 2025 года появятся так называемые триллионные сети [56,241,245], т.е. сети, в которых число терминалов будет составлять единицы и десятки триллионов, а в дальнейшем и наносети на основе Интернета Нановещей [52,152,153].
Все это потребовало создания новой концепции развития сетей связи. В соответствии с новыми рекомендациями МСЭ-Т такой концепцией является концепция Интернета Вещей [234, 235], которая предполагает, что любая вещь, обладающая возможностью быть подключенной к сети и идентифицированной сетью по IP адресу, является терминалом сети. Действительно, в современном сетевом понимании вещи определяются МСЭ-Т как “объекты физического мира (физические вещи) или информационного мира (виртуальные вещи), которые можно идентифицировать и интегрировать в сети связи”. Исходя из сказанного, становится понятным, откуда возьмутся триллионы пользователей в новых сетях.
Технологической основой внедрения концепции Интернета Вещей сегодня являются всепроникающие сенсорные сети USN [169,236,237]. Эти сети представляют собой самоорганизующиеся сети, в которых передается информация, как правило, о результатах мониторинга процессов, явлений и т.п. Характер передаваемой информации позволяет предполагать, что, в основном, это будут целые числа и/или дроби. Однако реакция сети или пользователя, которому эта информация предназначена, не совсем ясна с точки зрения потенциально создаваемого трафика. В связи с изложенным, требуется разработка как моделей трафика передаваемого от сенсорной сети в сеть связи общего пользования, так и моделей трафика, представляющего собой реакцию сети связи общего пользования и ее пользователей на трафик всепроникающих сенсорных сетей.
Наиболее динамично развивающимися на сегодня сетями в рамках концепции Интернета Вещей являются сети машина-машина M2M (Machineo-Machine) [114, 117, 238, 239, 240]. Для таких сетей необходимой является как разработка моделей трафика, достаточно близких к моделям USN, так и уже сегодня оценка трафика, влияющего на процессы установления соединения в ССПС, в первую очередь в условиях внедрения систем длительной эволюции LTE [137, 138, 139, 175]. Одной из наиболее сложных проблем при масштабном внедрении M2M является минимизация влияния трафика M2M на качество обслуживания существующего трафика, например, VoIP. В главе 4 будет разработано близкое к оптимальному расписание для обслуживания трафика M2M, которое позволяет минимизировать влияние этого трафика на существующий.
Имитационное моделирование сетей связи является разновидностью математического моделирования и выполняется с использованием аналитических и численных методов расчета [105, 117, 217].
При имитационном моделировании СМО необходимо иметь модель потока заявок и модель процесса обслуживания. Как было отмечено выше поток заявок, представляет собой случайный процесс их поступления и может быть задан как набор случайных чисел, имитирующих моменты времени их поступления или интервалы времени между моментами поступления. Таким образом, для моделирования входящего потока необходимо иметь возможность получения случайных чисел с заданным законом распределения.
Для получения случайных чисел могут использоваться различные способы. Существуют следующие основные способы получения случайных чисел: -табличные способы, -физические способы, -алгоритмические способы. Табличные способы предполагают использование специальных таблиц случайных чисел, имеющих заданный закон распределения.
Физический способ предполагает измерение параметра некоторого физического процесса, например шума, возникающего при прохождении электрического тока через сопротивление. Алгоритмический способ предполагает использование различных эмпирических способов вычисления чисел. Для решения задач имитационного моделирования, наибольшее распространение получил алгоритмический способ, хотя, строго говоря, этот способ позволяет получать не случайные, а псевдослучайные числа. Отличие псевдослучайных чисел от случайных состоит в том, что последовательность случайных чисел не может быть повторена по нашему желанию, в то время как алгоритмический способ дает такую возможность. Последовательность псевдослучайных чисел имеет ограниченную длину (цикл повторяемости), т.е. количество чисел, после которого последовательность повторяется. Однако эти отличия, в большинстве случаев, допустимы и позволяют применять псевдослучайные последовательности, там, где требуются применение случайных чисел.
Разработка моделей трафика ССПС на этапе эволюционного развития в условиях преобладания речевого трафика и определение их численных характеристик
Уже первый взгляд на стремительное развитие гетерогенных сетей и, в первую очередь, сотовой сетей подвижной связи, показывает, что использование традиционных методов прогнозирования для развития этих сетей может быть неприемлемым.
Действительно, логистический закон развития дает достаточно надежные прогнозы при условии, что в момент прогноза значительная доля потенциальных пользователей уже подключена к сети [135]. Не случайно, в рассматриваемой книге середины 60-х годов [135] логистический закон используется применительно к телефонной сети связи Германии, уже близкой к моменту насыщения. Достаточно надежные прогнозы для ТфОП были получены при использовании логистической кривой и в Российской Федерации в конце ХХ века [8, 25]. Вместе с тем, как уже отмечалось выше, использовать логистический закон для прогнозирования развития новых технологий надо крайне осторожно.
Для иллюстрации этого положения вновь обратимся к [135]. Пусть m - число подключенных абонентов к моменту времени t, N - потенциально возможное число абонентов, Я - параметр потока заявок абонентов на подключение телефона. Логистическая кривая получается из предположения, что процесс развития рассматривается как процесс с чистого размножения. При этом желание пользователей, не имеющих телефона, установить его пропорционально числу абонентов, подключенных к сети. Именно эта «память» логистической кривой, имеющая замечательные свойства для развития эволюционных процессов, делает ее непригодной для использования при прогнозировании новых технологий. Действительно, логистическая кривая необучаема извне, она обучается только на собственном опыте, причем по вполне определенному пропорциональному алгоритму развития.
Поэтому при наличии малой доли подключенных абонентов к моменту прогноза доверительные интервалы для прогноза получаются исключительно широкими. Действительно, распределение числа абонентов, подключенных к сети к моменту времени t при исходном состоянии сети емкостью в одного абонента имеет следующий вид:
С учетом изложенного ясно, почему использование логистической кривой для прогноза числа абонентов сотовых сетей привело к таким парадоксальным результатам как 4,4 миллионов в 2005 году или от 13 до 225 миллионов в 2010 [12, 26].
К традиционным методам прогнозирования процессов развития относятся также полиномиальные методы [141]. Полиномиальные методы основаны на экстраполяции трендов и дают неплохие результаты при прогнозировании характеристик сетей на период 4-5 лет. В отличие от логистической кривой полиномиальные методы прогнозирования основываются полностью на статистической информации и с их помощью можно получить достаточно надежные краткосрочные прогнозы. К сожалению, для долгосрочных прогнозов они малопригодны вследствие расходящегося характера значений доверительных интервалов. Вместе с тем известна удачная попытка прогнозирования с помощью зеркального метода, призванного уменьшить значение ширины доверительных интервалов при полиномиальном прогнозировании, для прогноза числа сотовых телефонов в России. Еще в 1998 году с помощью зеркального метода [191] на 2007 год в Российской Федерации число сотовых телефонов было спрогнозировано на уровне 32 миллионов, а равенство числа сотовых и стационарных телефонов было запланировано на 2009 год. Вместе с тем, так же, как и логистическая кривая полиномиальные методы, в том числе и зеркальный, не обучаемы извне, что не дает прямой возможности использовать зарубежный опыт. Использование зарубежного опыта для прогнозирования и впрямь было бы очень полезным, поскольку телекоммуникации в России развиваются в соответствии с общемировыми тенденциями, хотя и с некоторым отставанием.
Наиболее хорошо обучаемыми для целей прогнозирования в настоящее время являются нейронные сети. Отличные результаты для краткосрочного прогнозирования характеристик трафика в трудах зарубежных [164, 203] и отечественных исследователей [192] требуют обратить внимание и на использование нейронных сетей в долгосрочных прогнозах.
На рисунке 2.3 приведен прогноз удельной абонентской нагрузки [109, 110, 121], выполненный на базе нейронной сети типа TLRN (Time Lagged Recurrent Network – рекуррентная нейронная сеть с запаздыванием). Как видим, прогнозируемый участок в некоторой степени повторяет характер поведения зависимости y(t) в прошлом. Это качество может оказывать как положительное, так и отрицательное влияние на точность прогноза удельной нагрузки (с одной стороны учитываются стабильные факторы влияния, такие как сезонные колебания нагрузки, с другой стороны, в прогнозе могут быть ошибочно учтены нестабильные факторы, например, изменения нагрузки вследствие рекламных акций). Далее используем нейронные сети для долгосрочного прогнозирования развития ССПС.
Традиционно прогнозируемый показатель для ТфОП – число абонентов, подключенных к сети. Достаточно часто этот показатель используют и в относительном виде – телефонная плотность, т.е. число абонентов, подключенных к сети, на 100 жителей. Однородный характер речевой нагрузки позволяет считать этот показатель достаточным для прогнозирования развития телефонной связи, впрочем, как и соответствующий для сотовых сетей подвижной связи. Весьма важным представляется для целей прогнозирования, а при прогнозировании логистической кривой просто необходимым, знание предельных значений телефонной плотности для ТфОП и сотовых сетей.
Ряд стран достиг уже предела телефонной плотности для своих ТфОП, а кое-где плотность начала уже снижаться. Безусловно, на значение предельной телефонной плотности существенное влияние оказывает все большее распространение сотовых телефонов. Для Японии максимальное число абонентов ТфОП составило 61.530.000 в 1996 году [206, 242], что при численности населения в 125.800.000 [123] дало предельную телефонную плотность 48,9%, но уже в 2000 году эта плотность упала до 41,2%. При этом плотность для сотовых телефонов выросла с 16,6% до 48,8%, а отдельно учитываемая плотность ISDN и xDSL окончаний составила 7,6%. Замечательным образом почти совпадающие предельная телефонная плотность, достигнутая в 1996 году, и сумма телефонной плотности и плотности ISDN, xDSL в 2000 году подчеркивают факт преобразования ТфОП в пакетную сеть связи общего пользования. На рисунке 2.13 приведен прогноз изменения удельной абонентской нагрузки, построенный нейронной сетью.
Задача выбора координат размещения базовых станции беспроводного доступа с учетом интенсивности абонентского трафика
Задача определения координат размещения базовой станции на некоторой территории является составной частью общей задачи планирования сети беспроводного доступа, включающей в себя задачи выбора числа базовых станций и их параметров с учетом характеристик абонентского трафика. В данном разделе рассматривается статическая (независящая от времени) модель выбора координат базовой станции на территории с произвольным распределением абонентского трафика (пользователей).
Базовая станция системы беспроводного (подвижного) доступа (BS– Base Station) обеспечивает покрытие некоторой территории, форма и площадь которой зависят от таких факторов, как параметры антенных устройств, высота установки антенн, мощность излучения, диапазон частот, плотность и этажность застройки территории, и другие факторы. При этом под зоной покрытия понимаем территорию, на которой для пользователя потенциально возможно установление связи. Под потенциальной возможностью установления связи понимаем возможность обмена данными по радиоканалу с уровнем качества (характеризуемого скоростью ПД и др. параметрами), предусмотренным провайдером услуг (оператором).
Таким образом, множество BS и множество пользователей (UE – User Equipment) образуют систему связи. Далее будем рассматривать систему, образуемую одной BS и множеством UE, для описания функционирования которой следует определить показатели (параметры), отражающие ее соответствие целевому назначению.
Будем исходить из следующих положений:
-назначением системы является предоставление услуги беспроводного доступа для пользователей, находящихся на определенной территории;
-численность и распределение абонентов по территории определяются факторами, не зависящими от параметров системы связи (планом застройки территории, дорожной сетью, организацией автомобильного и пешеходного трафика и т.д.);
-услуга беспроводного доступа может оказываться с различным уровнем качества, зависящим от требований со стороны пользователей.
Качество обслуживания абонентов характеризуется различными показателями, зависящими от организации сети на всех уровнях: доступа, распределения и уровне ядра сети. В рамках данной задачи будем рассматривать только характеристики, определяемые сетью доступа, т.е. системой (BS, UEs). Для характеристики функционирования этой системы выберем в качестве основного следующий параметр – достижимую скорость передачи данных (пропускную способность) на уровне доступа b .
Приведем сравнительный анализ зависимости пропускной способности точки доступа от распределения абонентов по обслуживаемой территории. Рассмотрим модель зоны обслуживания точки доступа (базовой станции). Точка доступа имеет антенное устройство с круговой диаграммой направленности. Модель зоны обслуживания представляет собой круг радиуса R, центр которого О представляет точку установки базовой станции. Пользователи случайным образом распределены по территории. Потребность в услугах характеризуется распределением интенсивности трафика по территории.
В качестве характеристики точки доступа будем рассматривать ее среднюю пропускную способность (математическое ожидание пропускной способности). Под пропускной способностью будем понимать потенциально возможную скорость передачи данных, между базовой станцией и абонентским оборудованием, зависящую только от затухания сигнала, определяемого расстоянием между BS и UE . Зависимость скорости передачи данных от расстояния определяется моделью затухания (например, Окамура Хата) и стандартом радио доступа (например, IEEE 802.16e).Величина затухания и пропускной способности, определяемая данной моделью, практически имеет значительный разброс [125]. С учетом этого можно предположить, что аппроксимация ступенчатой функции данной модели линейной функцией, в целях анализа пропускной способности, не внесет значительной ошибки в результаты, но значительно упростит задачу.
Разработка и исследование моделей трафика для Интернет-телевидения и их сравнение с моделями трафика IPTV
При исследовании моделей трафика IPTV на модельной сети ФГУП ЦНИИС на малых фрагментах художественного фильма размером 60 сек значение коэффициента Херста составило H=0.48. На рисунках 4.1 и 4.2 изображены скейлограммы вейвлет-преобразования для пуассоновского и измеренного антиперсистентного потоков [108, 221].
На больших фрагментах того же фильма данное явление не повторялось. Для 45-и минутного фрагмента фильма поток был самоподобным с высокой степенью самоподобия (H=0.8).
В последнее время все большую долю рынка телевизионного вещания занимает Интернет-телевидение, которое отличается от IPTV, в первую очередь, отсутствием гарантированного уровня качества обслуживания. Проведем исследование характеристик потоков Интернет-телевидения с целью обнаружения проявление антиперсистентности потоков для такого способа предоставления телевизионных услуг [116].
Развитие технологий как на уровне абонента, так и на уровне сети привело к значительному увеличению числа производителей и провайдеров видеоконтента. К их числу, например, можно отнести такие известные сегодня Интернет ресурсы, как YouTube, Google Video, RuTube, Smotri.com и др. Такие сервисы, как YouTube позволяют любому пользователю (пользователю Интернет) создавать свои видео материалы и размещать их в сети для общего доступа. В настоящее время ситуация с видеоконтентом существенно изменяется как в части расширения числа его производителей, так и в части способов его доставки. Если для обеспечения качества IPTV операторы связи применяли специальные технологии (методы обслуживания трафика), которые позволяли при ограниченном объеме ресурсов сети (пропускной способности) обеспечить высокое качество услуги, то в настоящее время, технологии уже позволяют обеспечить достаточное или приемлемое качество передачи видео широко распространенными в Интернет протоколами передачи. Наряду с упомянутыми видео хостингами, такие производители видеоконтента как телеканалы также имеют ресурсы в сети Интернет, позволяющие получать онлайн доступ к вещательным каналам. Учитывая то, что объем видео данных существенно выше, чем объем текстовых документов и аудио данных, и учитывая современные тенденции, можно предположить, что трафик видео будет составлять значительную или большую долю Интернет трафика. Поэтому характеристики этого трафика будут в наибольшей степени определять характеристики Интернет трафика. Учитывая сказанное выше, представляет интерес исследовать особенности трафика, производимого пользователями услуг ОТТ (Over the Top) провайдеров видео контента.
Рассмотрим далее особенности трафика ОТТ услуг доступа к видео контенту. В качестве объектов исследования изучим трафик провайдеров различного уровня: ОРТ (Первый канал), при доступе к онлайн трансляции на сайте данного канала [252], CNN (Cable News Network) [253] и сайт, ретранслирующий программы различных каналов (kaban.tv) [254]. Некоторые характеристики трафика и маршрутов доставки данных приведены в таблице 4.1.
На рисунке 4.3 приведена реализация потока трафика «Первого канала», а на рисунке 4.4 и рисунке 4.5 приведены реализации потоков видео трафика от провайдеров CNN и сайта kaban.ru (измерения за интервалы 10 мс).
Из приведенных иллюстраций видно, что трафик на рисунке 4.3 имеет выраженный пачечный характер, пачечный характер трафика на рисунке 4.4 и рисунке 4.5 менее выражен.
Данные передаются пакетами максимальной длины (1514 байт) с использованием протокола TCP («Первый канал»); TCP (CNN); TCP, RTMP (Kaban). Маршруты доставки данных содержат 12, 11 и 14 «скачков», соответственно. Оценка коэффициента Херста методом анализа изменения дисперсии иллюстрируется на рисунке 4.6.
Из приведенных данных видно, что статистические свойства трафика видео, производимого пользователями различных провайдеров видео услуг, могут существенно отличаться, что вероятнее всего, связано с параметрами маршрутов сети и оборудования провайдеров.
Поток видеоданных в идеальных условиях (минимальные задержка доставки пакета и джиттер, достаточная производительность сервера) имеет выраженный характер самоподобного процесса (коэффициент Херста в данном эксперименте более 0,8). В случаях, когда влияние параметров качества функционирования сети значительно, свойства потока в большей степени отличаются от свойств самоподобного потока, причем значение коэффициента Херста может уменьшаться и менее чем до 0,5, как это видно из результатов эксперимента. Таким образом, потоки Интернет-телевидения могут обладать и антиперсистентными свойствами независимо от продолжительности фрагмента фильма.
Приведенные результаты анализа характеризуют единичный поток трафика провайдер-пользователь, т.е. поток, который может иметь место на уровне абонентского доступа (при условии, что абонент получает единовременно только одну услугу) или на ином уровне сетевых элементов, при отсутствии других активных пользователей. В реальной ситуации групповое оборудование будет обслуживать агрегированный поток от многих пользователей. Поэтому представляет интерес исследование свойств агрегированного потока видео данных. На рисунке 4.7 приведен анализ коэффициента Херста для различного числа потоков видео.
