CC BY
140
т
Анализ статистических характеристик Интернет-трафика в магистральном канале
Описывается исследование статистических характеристик Интернет-трафика в магистральном канале и приводятся результаты исследования. Исследуемым объектом является публично доступная в сети Интернет реализация трафика магистрального Интернет-канала. Целью исследования является получение информации о статистических характеристиках Интернет-трафика, необходимой для проектирования и оптимизации сети, а также совершенствования технологий обеспечения качества обслуживания (QoS — Quality of Service). В результате исследования были получены графики временных реализаций трафика и плотностей вероятности распределения интенсивности передаваемого трафика для трех значений времени агрегирования. Получены оценки коэффициента Херста для трех временных реализаций трафика (с разным временем агрегирования) несколькими методами, графики распределения интервалов времени между пакетами, размеров пакетов и количества переданными ими информации. Сделаны выводы о высокой степени самоподобия и дисперсии интенсивности трафика, присутствии большого количества пакетов малого размера, что приводит к значительному повышению нагрузки, ухудшению показателей QoS, и, следовательно, должно учитываться при решении многих практических задач. Сделан вывод о высокой сложности (или даже невозможности) разработки универсальной аналитической модели трафика, учитывающей непостоянство в его составе долей разных типов трафика, влияющих на его статистические характеристики. Предложена гипотеза о перспективности использования в этих условиях контроллеров нечеткой логики для решения задач, связанных с повышением эффективности использования сети.
Ключевые слова: ОоБ, траффик, нагрузка, самоподобие, коэффициент Херста, Интернет, распределение с "тяжелым хвостом".
Симаков Д.В.,
аспирант Сибирского Федерального Университета, Россия, Красноярск, dden.simakov@gmail.com
Кучин А.А.,
аспирант Сибирского Федерального Университета, Россия, Красноярск, alex6151@mail.ru
К современным мультисервисным транспортным сетям, через которые передается большое количество различных потоков графика, предъявляется требование обеспечения качества обслуживания (QoS - Quality of Service) при передаче данных потоков, в соответствии с их потребностями (задержка, «джиттер», полоса пропускания, надежность каналов). Для соответствия этому требованию разработаны и продолжают разрабатываться и модернизироваться алгоритмы [1] эффективного управления потоками трафика (например, QoS-маршрутизация, алгоритмы управления окном перегрузки ТСР-соединения и др.), управления очередями и планирования обслуживания пакетов в буферах интерфейсов (например, RED, WFQ), ограничения интенсивности потока и многие другие. Однако, и основном, все эти алгоритмы получены эвристическим путем, и не имеют математического обоснования своей эффективности, учитывающего статистические характеристики трафика. Кроме того, эти характеристики необходимы для эффективного планирования требуемой полосы пропускания каналов передачи и мощности коммутационных устройств в сети, как это было для сетей с коммутацией каналов. Следовательно, задача проведения исследования статистических характеристик трафика является актуальной, а результаты исследования должны быть опорной базой для решения проблем, связанных с обеспечением QoS.
В качестве исследуемого объекта была взята реализация трафика из источника [2], где ежедневно в открытый доступ выкладывается файл собранной с магистрального канала 15 минутной реализации трафика. Из всех доступных файлов случайным образом был выбран файл датируемый
T-Comm #11-2014
31 марта 2014 г. С помощью программы Wireshark [3] из данной реализации были выбраны пакеты с одинаковым МАС-адресом источника, чтобы оставить лишь пакеты движущиеся в одном направлении. При этом количество оставшихся пакетов составило приблизительно 45 миллионов. Полученный таким образом однонаправленный поток был подвергнут анализу.
В первую очередь поток трафика был приведен к эквидистантному временному ряду, то есть весь временной интервал был разделен на равные интервалы, и каждому такому промежутку времени была сопоставлена интенсивность потока трафика (в Мбит/с). На рис. 1 представлены графики профиля сетевого трафика при трех значениях размера интервала времени усреднения (I мс, 10 мс и 100 мс). Как видно из этих графиков, интенсивность трафика изменяется скачкообразно, то есть, как принято говорить [4], трафик является «пачечным». Это означает, что в однонаправленном Ethernet-канале несколько подряд переданных пакетов сменяются сравнительно длительными интервалами «тишины», и наоборот. На рис. 2 изображены графики плотностей распределения вероятности (ПРВ) величины интенсивности графика для грех интервалов времени усреднения. К сожалению, полученные распределения lie удалось аппроксимировать каким-либо из известных ранее. Однако, можно и важно отметить тот факт, что при малой величине окна усреднения, распределения обладают так называемым «тяжелым хвостом» [4,5j, что означает спадание «хвоста» распределения не по экспоненциальному, а по степенному закону, то есть его медленное убывание. С практической точки зрения это означает, что при проектировании сети, в частности при расчете нагрузки, необходимо учитывать «экстремальные» значения интенсивности трафика, которые в Ethernet-сети, в отличии от сетей с коммутацией каналов, не могут рассматриваться как слишком маловероятные. С дру гой стороны, это также означает большую дисперсию интенсивности трафика, что может сопровождаться скачкообразным и нелинейным характером изменения размеров очередей в буферах коммутационных устройств сети.
95
Л
У
96
Т-Сотт #11-2014
л
У
Т-Сотт #11-2014
97
л
т
Литература
TCP составляла приблизительно 73%, а доля UDP - около 10%, можно сделать предположение, что это и является основной причиной высокой степени «пачечмости» трафика. Однако, количество сервисов «реального времени» и их популярность непрерывно растут, что приводит к увеличению доли UDP-трафика. В связи с повышением надежности каналов, оборудования, и, следовательно, сети Интернет в целом, появился протокол обмена данными в пиринговых сетях иТР [8], использующий UDP, взамен TCP, для повышения производительности сети.
Данные факты необходимо учитывать при решении многих задач: проектировании ссти, мониторинге нагрузки, разработке алгоритмов передачи данных, маршрутизации и управления очередями. Отсутствие универсальных аналитических моделей статистических характеристик трафика, в следствии большой сложности (или даже невозможности) их получения, наводит па мысль о перспективности использования контроллеров нечеткой логики (fuzzy logic) [9] для решения этих задач.
1. Кучерявый Е.А. Управление трафиком и качество обслуживания в сети Интернет. - СПб.: Наука и техника, 2004, - 336 с,
2. MAWI Working Group Traffic Archive. URL: http://mawi.wide.ad.jp/mawi/ (лата обращения: 21.05,2014).
3. Wireshark. URL: http://www.wireshark.org/ (дата обращения: 21.05.2014).
4. Столпингс В. Современные компьютерные сети. 2-е изд. -СПб.: Питер, 2003. - 783 с.
5. Осин А.В.. Смольский СМ.. Шелухин О.И. Самоподобие и фракталы. Телекоммуникационные приложения. - М.: Физматлит, 2008. - 368 с.
6. Петров В, В. Структура те лет рафика и алгоритм обеспечения качества обслуживания при влиянии эффекта самоподобия: диссертация кандидата технических наук. Московский энергетический институт, Москва, 2004,
7. Корнышев ЮН.. Пшеничников А.П., Харкевич А.Д. Теория телстрафика. - М: Радио и связь, 19%. - 272 с.
8. uTorrenl Transport Protocol. URL: http://www.bittorrent.org/ beps/be p_0029.htm I (дата обращения: 21.05.2014).
9. Круглое В В., Дли М.И.. Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. — 224 с.
Analysis of statistical characteristics of the Internet-traffic in a backbone link
Denis Simakov, Postgraduate student of Siberian Federal University, Russia, Krasnoyarsk, dden.simakov@gmail.com Aleksey Kuchin, Postgraduate student of Siberian Federal University, Russia, Krasnoyarsk, alex6151@mail.ru
Abstract
This paper describes a research of statistical characteristics of Internet-traffic in a backbone link and its results. An object of the research is a publicly available on the Internet traffic dump. A goal of the research is getting information about statistical characteristics of the Internet-traffic, required for problems of network design, optimization and improving QoS-technologies. Results of the research are plots of traffic time series and power distribution functions of traffic intensity, packet size and delay between packets. Furthermore, Hurst parameter estimations are obtained by four methods. Conclusions were made about high degree of traffic self-similarity, high mean of traffic intensity dispersion and presence of a large number of small packets, which increase load and lead to QoS degradation, hence it should be taken into account when solving many problems. Also conclusion was made about high complexity (or maybe just impossibility) of developing of universal analytical traffic model, that will take into account traffic composition variability, impacting its statistical characteristics. Proposed hypothesis about prospects of using fuzzy logic controllers for solving problems of improving network using efficiency.
Keywords: QoS, traffic, network load, self-similarity, Hurst parameter, Internet, heavy tailed distributions.
References
1. Kucheryavy EA. Traffic management and quality of service in the Internet. St. Petersburg, 2004. 336 p.
2. MAWI Working Group Traffic Archive, viewed 21 May 2014, http://mawi.wide.ad.jp/mawi/
3. Wireshark, viewed 21 May 2014, http://www.wireshark.org/
4. Stallings W. Modern computer networks, 2 ed. St. Petersburg, 2003. 783 p.
5. Osin AV., Smolsky S.M., Sheluhin O.I. Self-similarity and fractals. Telecommunication applications. Moscow, 2008. 368 p.
6. Petrov V.V. Teletraffic structure and QoS-providing algorithm under the influence of self-similarity effect: PhD dissertation. Moscow, 2004.
7. Kornishev Y.N., PshenichnikovA.P, Harkevich A.D. Teletraffic theory. Moscow, 1996. 272 p.
8. uTorrent Transport Protocol, viewed 21 May 2014, http://www.bittorrent.org/beps/bep_0029.html
9. Kruglov VV, Dli M.I., Golunov R.Y Fuzzy logic and artificial neural networks. Moscow, 2001. 224 p.
9B T-Comm #11-2014
Л
