CC BY
190
Исследование вероятностно-временных характеристик трафика с помощью моделирования в ns2
В связи с бурным развитием средств связи и телекоммуникаций и появлением новых видов услуг резко увеличились объемы передаваемой информации. Классические распределения не всегда подходят для описания существующих на данный момент потоков в современных сетях. Поэтому для анализа поведения трафика используются новые виды распределений, исследование которых аналитически не всегда возможно. Одно из таких распределений — это распределение Парето. Оно позволяет описать поведение некоторых новых информационных потоков в сетях (например, загрузка информации с web-сайтов в сети Internet). Проведено имитационное моделирование фрагмента сети в среде ns2. В качестве приложений использовался генератор трафика Парето. Данный генератор (приложение) моделирует трафик, имеющий две величины, распределенные по Ключевые акха: сетевой трафик, определенному закону: интервал между пачками пакетов и длина пачки. По результатам модели-распретлеше Парею, рования было проведено исследование влияния параметров трафика на различные вероятностно-
вероятностно-временные временные характеристики. Сравнительный анализ дает возможность прогнозирования поведения
характеристики, имитационное трафика при различных алгоритмах обработки очередей, таких как приоритетное обслуживание моделирование, среда ns2. (PRI), алгоритм средневзвешенной циклической очереди (WRR) и др.
Поздняк И.С.,
Заместитель декана факультета "Телекоммуникаций и радиотехники" Поволжского государственного университета телекоммуникаций и информатики, кт.н., доцент кафедры "Мультисервисные сети и информационная безопасность", pozdnyak@psati.ru
Киреева Н.В.,
Заместитель начальника отдела аспирантуры и магистратуры, заместитель заведующего кафедрой "Мультисервисные сети и информационная безопасность" факультета 'Телекоммуникаций и радиотехники" Поволжского государственного университета телекоммуникаций и информатики, кт.н., доцент кафедры "Мультисервисные сети и информационная безопасность", kireeva@psati.ru
Согласно ежегодному прогнозу известной компании, к 2016 г. число устройств и подключений во всем мире достигнет почти 19 млрд., т. е. увеличится почти вдвое. При этом объем мирового IP-трафика может достигнуть значения, превышающего показатели за 2011 год в 4 раза. В связи с таким ростом объемов передаваемой информации, исследования и анализ поведения трафика является важной задачей. Ее решение даст возможность прогноза при использовании различных механизмов обеспечения QoS с целью выявления наиболее оптимального по тому или иному параметру.
Обычно Интернет-трафик разделяют по используемому протоколу передачи (TCP и UDP) или программе (Web, Telnet, FTP и др.) [1]. Каждая из этих частей трафика состоит из большого количества мультиплексированных потоков от различных соединений и источников. Доля трафика UDP занимает значительную часть всех передаваемых данных, несмотря на доминирование TCP трафика в сети Интернет.
Сетевой трафик создается большим числом отдельных независимых источников. Простая On/Off модель предполагает, что такие источники переходят из состояния On (в котором генерируется трафик с постоянной скоростью) в состояние Off (когда пакеты не посылаются). Объединение такого трафика дает общую нагрузку, которую можно наблюдать на шлюзе. Анализ показывает, что распределение процесса длительностей вызовов и процесса интервалов между поступлениями вызовов существенно отличается от экспоненциального [1]. Хорошее приближение дает распределение Парето [2].
Это распределение зачастую используют для моделирования On/Off периодов.
Для проведения имитационного моделирования участка сети, представленного на рис. 1, была выбрана среда ns2, так как является программным обеспечением с открытым кодом. Ns2 является объектно-ориентированным ПО, ядро которого реализовано на языке С++. В качестве интерпретатора используется язык скриптов Otcl. В ns2 данные посылаются от одного агента к другому. Но сам агент не генерирует трафик, поэтому к нему присоединяется приложение. В качестве приложений можно использовать различные генераторы трафика, которые моделируют поток с двумя параметрами, распределенными по определенному закону. Эти величины! соответствуют двум первым буквам в классификации Кендалла, например М/М или Р/Р [3]. В данной работе использовался генератор трафика Парето.
Источник 1 (source 1) является генератором трафика UDP с постоянной скоростью (CBR). Источник 2 (source 2) генерирует трафик TCP согласно заданному закону распределением и с изменяемым набором параметров. Для сравнительного анализа использованы результаты моделирования с применением механизмов обеспечения QoS [4]в архитектуре DiffServ, таких как Token Bucket для сглаживания и управления поступающей нагрузкой, для организации очереди — алгоритм Tail Drop и dsRED, в качестве алгоритма обработки очередей применялся алгоритм приоритетного обслуживания (PRI). В работе рассматривалось влияние следующих параметров трафика [5]: скорость потока, размер пакета и параметр формы распределения Парето (характеристический параметр распределения).
Обработка результатов моделирования (трейс-файла) осуществлялась с помощью программы TraceGraph. С ее помощью была собрана статистика, показывающая величины задержки (минимальную, среднюю, максимальную) между узлом источником (source 2) и узлом получателем (destination). Как и следовало ожидать, эти величины имеет прямую зависимость от размера пакета, скорости потока и параметра формы трафика Парето.
1
tcfgc 2 DattiOiPOO
в □
Рис. 1. Фрагмент моделируемой сети
T-Comm, #8-2013
BS
Рис. 2. Плотности распределения задержки: а — скорость потока 20 Мбит/с, длина пакета 1500 байт, параметр формы 3,5; б — скорость потока 10 Мбит/с, длина пакета1000 байт, параметр формы 1,5
Рис. 3. Плотности распределения задержки (скорость потока 5 Мбит/с): а — длина пакета 1500 байт, параметр формы 1,5; б — длина пакета 500 байт, параметр формы 1,5
Рис. 4. Задержка между источником и получателем: а — скорость потока 20 Мбит/с, длина пакета 1500 байт, параметр формы 1,5; б — скорость потока 20 Мбит/с, длина пакета 1500 байт, параметр формы 3,5; в — скорость потока 10 Мбит/с, длина пакета 1500 байт, параметр формы 1,5; г — скорость потока 10 Мбит/с, длина пакета 500 байт, параметр формы 1,5
86
Т-Сотт, #8-2013
ï I о™ ï ï
¥
Willi
m mi
25 3D
« «
a)
6)
Рис. 5. Изменения задержки в процессе моделирования (скорость потока 5 Мбит/с): а — длина пакета 1000 байт, параметр формы 1,5; б — длина пакета 500 байт, параметр формы 1,5
Также были рассмотрены плотности распределения задержки и джиггера между источником, генерирующим трафик Парето, и получателем. В результате, было отмечено, что для скорости потока 20 и 10 Мбит/с величины задержки распределены достаточно равномерно в диапазоне от 0,03 с до 0,07 с для разных длин пакетов. При этом параметр формы (принимающий значения 1; 1,5; 3,5) не сильно сказывается на данной характеристике. Некоторые распределения представлены на рисунке 2.
При анализе результатов моделирования для скорости потока 5 Мбит/с оказалось, что плотности распределения задержки носят неравномерный характер (рис. 3). Чем меньше длина пакета, тем меньше величина задержки. Параметр формы не влияет на данную характеристику. Анализ характеристик плотности распределения джиттера между источником 2 и получателем показал, что подавляющее большинство значений для скоростей 20 и 10 Мбит/с находится в пределах до 0,005 с, а для скорости 5 Мбит/с—до 0,003 с.
Следующей характеристикой, представляющей интерес, является зависимость задержки между источником и получателем от времени отправления пакетов (или, фактически, времени моделирования). Стоит отметить, что зависимость той же задержки от номера отправляемого пакета носит аналогичный характер.
При анализе результатов моделирования было выявлено, что задержка между одним из источников и получателем носит синусоидальный (пилоообразный) характер с различной частотой следования и амплитудой. Это связано в первую очередь с генерированием трафика Парето On/Off периодами. На более высоких скоростях потока характер поведения примерно одинаковый. На разброс значений задержек влияет параметр формы и длина пакета (рис. 4).
Для небольших скоростей потока характер изменения задержки немного отличается (рис. 5).
Анализ проведенных исследований показывает, что при увеличении длины пакета для одной и той же скорости наблюдается не только увеличение величины задержки, но и разброс ее значений между максимальным и минимальным значениями. Следовательно, при выборе длины пакета необходимо руководствоваться типом пе-
редаваемого трафика, его классом обслуживания и чувствительностью к задержкам. Для небольшой загрузки сети (при малых скорости передачи и длине пакета) характерно постоянство задержки в течение всего времени передачи пакетов. Зная характер изменения задержки на небольшом временном участке, можно сделать прогноз о ее дальнейшем поведении.
Используя моделирование, можно в реальном масштабе времени, круглосуточно оценивать работу удаленньх сетевьх сегментов. В качестве параметра, характеризующего качество работы сегмента, используется процент пакетов, потерянных в сегменте. Полезным диагностическим средством при исследовании свойств каналов и выявлении доли потерь, сопряженных с искажениями передаваемых кадров является зависимость вероятности потери пакета от длины пакета. Полезным может быть и сравнение зависимости вероятности потери пакета от его длины, полученной для одного и того же канала в разные моменты времени.
Измеряя зависимость вероятности потерь от длины пакета и, аппроксимируя ее методом наименьших квадратов, можно идентифицировать причины потерь.
Для увеличения наглядности результатов можно сократить скорости передачи источников трафика нагрузки, пропускную способность канала, а также общее число передаваемых пакетов источником и время симуляции.
Литература
1. Шелухин О.И. Мультифракталы. Инфокоммуникационные приложения / О.И. Шелухин — М.: Горячая линия — Телеком, 2011. — 576 с.
2. Шелухин О.И. Фрактальные процессы в телекоммуникациях/ О.И. Шелухин, A.M. Тенякшев, А.В. Осин — М.: Радиотехника, 2003. —480 с.
3. Клейнрок Л. Теория массового обслуживания. Перевод с англ. / Пер. И. И. 1рушко; ред. В. И. Нейман — М.: Машиностроение, 1979. — 432 с.
4. Степанов С.Н. Основы телетрафика мультисервисных сетей / С.Н. Степанов. — М.: Эко-Трендз, 2010 — 392 с.
5. Fall К. The ns Manual (formerly ns Notes and Documentation) [Электронный документ] / K. Fall, K. Varadhan — Режим доступа: http://www.isi.edu/nsnam/ns/doc/ns_doc.pdf. — 25.12.2012.
Research probabilistic-temporal characteristics of the traffic using simulation in ns2 Pozdnyak I.S., pozdnyak@psali.ru, Kireeva N.V., kireeva@psati.ru
Abstract
In connection with the rapid development of communications and telecommunications and the emergence of new services has sharp increase the transformation content. Classical distribution is not always appropriate to describe the currently existing flows in modern networks. Therefore, for traffic behavior analysis using the new types of distributions, which research is not always possible analytically. One of these distributions - the distribution of Pareto. It allows us to describe the behavor of some of the new information flows in networks (for example, downloading information from Web-sites on the Internet). The work was carried out simulation of a network fragment in the en^ronment ns2. As an application using the generator traffic Pareto. This generator (application) traffic models having two variables distributed according to a certain law: the spacing between packs of packets and pack length. By results of modeling have research of influence of traffic parameters on different probabilistic-temporal characteristics. The comparative analysis enables to predict the behavor of traffic in case of different algorithms of processing of queues, such as Priority Queuing (PRI), algorithm of the Weighted Round-Robin (WRR) and others.
Keywords: network traffic, Pareto distribution, probabilistic-temporal characteristics, simulation, environment ns2.
T-Comm, #8-2013
87
