Poglavlje 6

Odabrani prometni modeli

Teorija prometa je iznimno iroko znanstveno podruje. Cilj ovog predmeta je obuhvaanje samo osnovnih prometnih modela. Prometni modeli temeljeni na Markovljevim lancima su iznimno korisni, no u nekim sluajevima se ne mogu uspjeno primijeniti na odreene realne sluajeve. Zbog toga se koriste odreene aproksimacije, poput uidne aproksimacije, koja je djelomino temeljena na teoriji obnavljanja (renewal theory ). Vremenska ogranienost nam ne doputa da uemo u ovo zanimljivo podruje. Zbog istog razloga ne moemo iscrpnije prouavati modele temeljene na Markovljevim lancima. Stoga emo u ovom zadnjem poglavlju dati samo pregled odabranih prometnih modela koji se koriste u prometnoj analizi. Poet emo s analizom nekih osnovnih sustava posluivanja kod kojih vrijeme posluivanja nije raspodijeljeno eksponencijalno. Upoznat emo se s osnovnim modelima izvorita glasovnog i video prometa. Iznimno je zanimljiv samoslini (self-similar ) model prometnog izvorita koji koristimo za modeliranje kumulativnog TCP prometa u Internetu i modeliranje video prometa. Upoznat emo se s osnovnim metodama analize mree repova koje se mogu primijeniti na paketske mree. Na kraju emo se upoznati s poopenjem Erlangove B formule - Kaufman-Robertsovom formulom.

6.1 M/G/1 sustavi posluivanja temeljeni na jednostavnim Markovljevim lancima

6.1.1 Erlangova razdioba posluivanja Er

Prouavajui realne sustave posluivanja A.K. Erlang je uoio da vrijeme posluivanja jedinica u sustavima posluivanja esto nije eksponencijalno raspodijeljeno. Zapravo, zakljuio je da je razdioba posluivanja vie slina Gamma razdiobi nego eksponencijalnoj razdiobi. Budui da nije raspolagao s boljim matematikim alatom od Markovljevih lanaca, htio je modelirati ove sustave posluivanja koristei dobro poznata svojstva Markovljevih lanaca. Ve smo ranije pokazali da se zbroj eksponencijalno raspodijeljenih sluajnih varijabli ravna po gamma razdiobi. Promotrimo posluiteljski dio sustava posluivanja koji je sastavljen od r serijski povezanih posluitelja koji dolazee jedinice posluuju intenzitetom r, s eksponencijalno raspodijeljenim (slika 6.1).

Slika 6.1: Erlangov posluitelj s r-stupnjeva Erlangov posluiteljski dio ima svojstvo da kada jedna jedinica zapone svoje opsluivanje niti jedna druga jedinica ne smije ui u posluiteljski dio dok se trenutno posluivana jedinica ne obradi do kraja. 261

262

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Dakle, u trenutku kada neka jedinica naputa sustav posluivanja, sljedea jedinica ulazi u posluiteljski dio, i to u njegov prvi posluitelj. Tamo se zadrava odreeno vrijeme koje se ravna po eksponencijalnoj razdiobi s parametrom r. Nakon toga prelazi u drugi posluitelj gdje se takoer zadrava odreeno eksponencijalno raspodijeljeno vrijeme, pa u sljedei i tako redom dok ne izae iz posluiteljskog dijela. Tek u trenutku izlaska jedinice iz posluiteljskog dijela u sustav ulazi sljedea jedinica ukoliko je ima. Dakle, u bilo kojem trenutku samo se jedna jedinica smije nalaziti u Erlangovu posluiteljskom dijelu. Budui da je ukupno vrijeme zadravanja jedinice u Erlangovom posluiteljskom dijelu odreeno zbrojem r sluajnih varijabli koje su eksponencijalno raspodijeljene s parametrom r, razdioba vremena obrade jedinice x u ovom sustavu posluivanja odreena je Gamma razdiobom (6.1).
b(x) = r(rx)r1 erx , (r 1)! x 0.

(6.1)

Budui da je do ovog izraza doao Erlang, razdiobu odreenu izrazom (6.1) zovemo Erlangova razdioba i oznaavamo Er . r je konkretan cijeli broj koji ovisi o promatranom sustavu posluivanja. Zanimljivo je pogledati graf gustoe razdiobe za razliite vrijednosti parametra r (slika 6.2).

Slika 6.2: Gustoa razdiobe Erlangove razdiobe za r = 1, 2, 4, 6, 8, 10, 20 Ova funkcija ima neka izuzetno zanimljiva i vana svojstva. Oekivanje sluajne varijable x koja ima gustou razdiobe b(x) je: 1 1 E[] = r x = . (6.2) r Toka u kojoj ova funkcija dostie svoj maksimum je:
tmax = r1 1 . r

(6.3)

to je r vei to je toka maksimuma blia vrijednosti 1/. Ako pustimo da r tei u dobivamo da se oekivanje poklapa s maksimumom gustoe razdiobe. Moe se pokazati da funkcija b(x) konvergira k delta funkciji (x ) kada k tei u beskonanost.
r

lim b(x) = lim

r(rx)r1 erx = (x 1/). r (r 1)!

(6.4)

Ova injenica je izuzetno vana. Moemo se pitati kakva sluajna varijabla ima gustou razdiobe jednaku delta funkciji? Prisjetimo se intuitivnog znaenja funkcije gustoe razdiobe kao funkcije koja pokazuje kako "gusto" se vrijednosti sluajne varijable pojavljuju u odreenim podrujima vrijednosti.

6.1. HR , M/ER /1, M/D/1

263

Ako je funkcija gustoe razdiobe delta funkcija (x ), to onda znai da sluajna varijabla pri svakoj realizaciji dogaaja poprima vrijednost jednaku . U tom sluaju ak ne moemo niti govoriti o sluajnoj varijabli, nego o deterministikoj varijabli. Ova spoznaja je izuzetno bitna. To znai da ako uspijemo modelirati sustav posluivanja M/Er /1, onda emo graninim prijelazom r dobiti parametre sustava posluivanja M/D/1.

6.1.2

Hipereksponencijalna razdioba posluivanja HR

Posluiteljski dio nekog posluitelja moe biti izuzetno kompleksna kombinacija serijski i paralelno povezanih posluitelja. Promotrimo sada sluaj posluiteljskog dijela koji se sastoji od R paralelnih posluitelja gdje svaki posluitelj ima eksponencijalno vrijeme posluivanja proizvoljnog intenziteta i , 1 i R. Ovakav posluiteljski dio sustava posluivanja prikazan je na slici 6.3.

Slika 6.3: R-stupanjski paralelni posluiteljski dio U posluiteljski dio dolazi R razliitih vrsta jedinica. Svaka jedinica koja pripada vrsti i se obrauje na posluitelju i koji jedinice svoje vrste posluuje intenzitetom i . i je vjerojatnost dolaska jedinice vrste i u posluiteljski dio. Izraunajmo razdiobu vjerojatnosti vremena posluivanja za ovakav sustav. Neka Ai oznaava dogaaj da je jedinica koja je pristigla u posluiteljski dio bila namijenjena posluitelju i. Vjerojatnost takvog dogaaja je P (Ai ) = i Neka je X sluajna varijabla koja mjeri vrijeme posluivanja bez poznavanja same naravi jedinice koja se posluuje. Moemo sprovesti sljedei izvod:
P Xx =P X x A1 X x A2 . . . X x AR =

= P X x A1 + X x A2 + . . . + X x AR = = P X x|A1 P (A1 ) + X x|A2 P (A2 ) + . . . + X x|AR P (AR ) =

R R

=
i=1

P X x|A1 P (A1 ) =
i=1

1 ei x i

Gustou razdiobe varijable koja mjeri vrijeme posluivanja jedinica u posluiteljskom dijelu dobivamo derivacijom funkcije P X x po parametru x (6.5).
P X x b(x) = x =
i=1 R

i i ei x ,

x0

(6.5)

264

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Ovu razdiobu zovemo hipereksponencijalnom razdiobom R-tog stupnja - HR . Njeno oekivanje je:
R

E[X] = X =
i=1

i i

(6.6)

Budui da je i ovaj posluiteljski dio mogue prikazati preko dijagrama stanja Markovljevog lanca, mogue je izvriti jednostavnu analizu sustava posluivanja M / H R / 1. Demonstrirajmo osnovna svojstva opisanog posluitelja sljedeim primjerom:

Primjer 6.1

Na izlazu s autoputa postoje dvije naplatne kuice, jedna za kamione i autobuse, a druga za automobile i motocikliste. Poznato je da je ukupni dolazni intenzitet vozila na naplatne kuice 7 vozila u minuti. Na autoputu je 25% autobusa i kamiona, a 75% automobila i motocikala. Ako je prosjeno vrijeme posluivanja autobusa i kamiona na naplatnoj kuici 0.5 minuta, a automobila i motocikla 0.15 minuta, koliko je prosjeno vrijeme posluivanja vozila na naplatnim kuicama autoputa ? Uz pretpostavku da se na naplatnim kuicama odravaju neovisni redovi za svaku od naplatnih kuica, koliki je prosjean broj vozila koji eka na posluivanje ? S obzirom na posluiteljski dio ovog sustava posluivanja postoje dvije vrste jedinica: velika i mala vozila. Svaka vrsta se posluuje na svom posluitelju. To znai da imamo sustav posluivanja kod kojeg je vrijeme posluivanja raspodijeljeno po hipereksponencijalnoj razdiobi H2 . Prema (6.6) slijedi da je:
E[] = x = 0.25 0.5 minute + 0.75 0.15 minuta = 0.23 minute x

Ukoliko se odrava poseban red za svaku vrstu vozila onda je ukupna duljina reda jednaka zbroju redova vrsti. U tom sluaju promatramo dva neovisna sustava posluivanja M/M/1. Intenzitete posluivanja posluitelja znamo, a dolazne intenzitete dobivamo dekompozicijom dolaznog Poissonova procesa.
Nq 1 = 1 2 1 1 0.25 1 = 1 Nq 2 = 2 2 1 2 0.75 2 = 2

Uvrtavajui vrijednosti:
=7

vozila min

1 =

1 0.5 min

2 =

1 0.15 min

Dobivamo da je:

Nq 1 = 6.125 vozila

Nq 2 = 2.92 vozila

U prosjeku je ispred naplatnih kuica:

Nq = Nq 1 + Nq 2 = 9.04 vozila

6.1.3

Osnovni parametri sustava posluivanja M/Er /1 i M/D/1

Promotrimo prvo sustav posluivanja M/Er /1. Kako bismo doli do sustava jednadbi koji opisuje ovaj sustav potrebno je kreirati odreeni dijagram stanja. Umjesto stanja sustava uvodimo pojam stupnja u sustavu. Jedinice koje su u sustavu moraju proi kroz r stupnjeva obrade u posluiteljskom dijelu. Stupanj sustava deniramo kao broj stupnjeva obrade kroz koje e morati proi sve trenutno prisutne jedinice u sustavu posluivanja. Neka je broj jedinica u sustavu tono n. Stupanj moemo zamisliti kao broj koraka koji su potrebni da se neka n-ta jedinica obradi. n-ta jedinica prvo mora priekati da se jedinica koja je trenutno u posluiteljskom dijelu do kraja obradi i da se obrade sve n 2 jedinice ispred nje plus ona sama (dakle n 1 jedinica), i mora jo priekati r i + 1 stupnjeva kako bi se do kraja obradila trenutno obraivana

6.1. HR , M/ER /1, M/D/1

265

jedinica. Pretpostavljamo da je trenutno obraivana jedinica dola do i-tog stupnja. Da se obradi jedna jedinica potrebno je proi kroz r stupnjeva. Ako s j oznaimo broj stupnjeva kroz koji sustav mora proi kako bi se obradilo n jedinica, onda vrijedi:
j = (n 1)r + (r i + 1) = rn i + 1

(6.7)

Budui da nas zanima stacionarna vjerojatnost pn koja oznaava vjerojatnost da je u sustavu n jedinica, onda moramo nai vezu vjerojatnosti P [ j stupnjeva u sustavu ] i vjerojatnosti pn . Ako deniramo
Pj P [ j stupnjeva u sustavu ]
nr

onda
pn =

Pj ,
j=(n1)r+1

n = 1, 2, 3, . . .

(6.8)

(6.8) kae da je u sustavu posluivanja n jedinica onda kada se u sustavu ima proi kroz j = (n 1)r + 1 ili j = (n 1)r + 2 ili . . . ili nr stupnjeva. Dijagram stupnjeva obrade prikazan je na slici 6.4

Slika 6.4: Dijagram stupnjeva obrade sustava posluivanja M/Er /1 Tako smo doli do klasinog Markovljevog procesa za koji moemo postaviti sustav linearnih jednadbi. Iz rjeenja tog sustava, koristei (6.8) dobivamo funkciju razdiobe stanja ovog sustava posluivanja. Sustav jednadbi koji slijedi je:
P0 = rP1 ( + r)Pj = rPj+1 , ( + r)Pj = Pjr + rPj+1 ,

j = 1, 2, . . . , r 1 j = r, r + 1, . . .

(6.9)

Na alost nema jednostavnog rjeenja za ovaj sustav jednadbi. Teko da bismo ga mogli rijeiti gornji sustav bez koritenja z-transformacije. Zbog ogranienog vremena koje nam je na raspolaganju neemo traiti funkciju razdiobe. Bitno je jedino zapamtiti koju metodu smo koristili kako bi uope Erlangov posluitelj uspjeli svesti na Markovljev lanac. Iako nema jednostavnog opeg rjeenja, za sustav posluivanja s konano velikim spremnikim dijelom traenje rjeenja se svodi na odreene matrine operacije. Ovdje emo samo dati izvedene izraze pomou kojih moemo raunati osnovne statistike parametre sustava posluivanja M/Er /1. Srednji broj jedinica u sustavu posluivanja M/Er /1 je:
N= 1 1 1 2
1 r

(6.10)

gdje je optereenje cijelog posluiteljskog dijela:

=

(6.11)

Budui da i ovdje vrijede osnovne zakonitosti sustava posluivanja i Littleova formula, direktno slijede i

266 ostali parametri:

Ns Nq W T = = = =

POGLAVLJE 6. ODABRANI PROMETNI MODELI

(6.12)
1 1+ 2(1 ) r
2

N Ns =

(6.13) (6.14) (6.15)

1 Nq 1+ = 2(1 ) r 1 1 1 (1 ) 2
1 r

M/D/1 sustav posluivanja je sustav posluivanja u kojem je vrijeme posluivanja svake jedinice tono 1/. Ve prije smo ustanovili da sustav posluivanja M/Er /1 konvergira u sustav posluivanja M/D/1 kada r tei u beskonano. Graninim prijelazom dobivamo sve karakteristine parametre sustava posluivanja M/D/1:
1 1 2 2 N Ns = 2(1 ) Nq = 2(1 ) 1 1 (1 ) 2

N Ns Nq W T

= = = = =

(6.16) (6.17) (6.18) (6.19) (6.20)

Demonstrirajmo osnovna svojstva sustava posluivanja M/Er /1. etiri radne stanice alju pakete van svoje domene preko usmjeritelja. Intenzitet slanja paketa je jednak za sve stanice i iznosi 1500 paketa/s. Svi paketi se usmjeravaju na isti izlazni port i nema drugog prometa koji bi bio usmjeren na ovaj port usmjeritelja. Link koji posluuje port usmjeritelja ima kapacitet 2 Mb/s. Duljine paketa suraspodijeljene po Erlangovoj razdiobi s oekivanjem d = 40 okteta i r = 4. Izraunajte prosjenu duljinu repa i prosjeno vrijeme zadravanja paketa u izlaznom portu posluitelja. Jasno je da se radi o sustavu posluivanja M/Er /1. Budui da je vrijeme posluivanja proporcionalno duljini paketa i da je duljina paketa raspodijeljena po Erlangovoj razdiobi E4 to je po istoj razdiobi raspodijeljeno i vrijeme posluivanja na odlaznom linku (posluiteljskom dijelu). Potrebno je odrediti i .
= 4 1500 paketa/s = 6000 paketa/s

Primjer 6.2

budui da imamo etiri Poissonova izvorita. odreujemo iz kapaciteta odlaznog linka na sljedei nain:
= 2 106 bit/s = 6250 paketa/s 40 okteta 8 bita

Usporeujui dolazni i odlazni tok paketa zakljuujemo da e izlazni port u prosjeku ipak uspjeti posluiti veliku veinu paketa. Sada izraunajmo optereenje linka:
= 6000 paketa/s = = 0.96 6250 paketa/s

6.2. OSNOVNI MODELI IZVORITA GLASOVNOG PROMETA Koristei se sada izrazima (6.12, 6.13, 6.14, 6.15) dobivamo:
Ns Nq W T = = 0.96 paketa 40 okteta = 320 bita 2 1 = 1+ = 14.4 paketa = 576 okteta 2(1 ) r 1 1+ = 2.4 ms = 2(1 ) r = 1 1 1 (1 ) 2
1 r

267

= 2.56 ms

Na alost nisu nam poznati izrazi za razdiobu duljine repa ekanja pa ne moemo ocijeniti potrebnu veliinu spremnika kako bi broj odbaenih paketa bio relativno mali. Sigurno je jedino da bi spremnik trebao biti vei od 277 okteta, no koliko vei je dobro pitanje. Potrebno je izvriti veu matematiku analizu ili izvesti nekoliko simulacija koje bi dale korektan odgovor. Inae, u veini primjena gdje ne postoji analitiki izraz za razdiobu duljine repa, projektanti koriste simulaciju i statistiku analizu kako bi pronali razdiobu duljine repa.

6.2 Osnovni modeli izvorita glasovnog prometa

Izvor glasovnog prometa moe se promatrati na nekoliko razina: na razini uspostavljanja i raskida poziva (razini veze), na razini dijaloga - perioda za vrijeme kojih korisnik generira glasovnu informaciju, na razini snopova paketa koji prenose glasovnu informaciju i razini samog prijenosa paketa. Za poetak opiimo poziv na razini uspostave veze (poziva). Mjerenja pokazuju da se vrijeme trajanja poziva i vrijeme izmeu kraja jedne i poetka druge veze jednog korisnika moe dosta dobro opisati eksponencijalnom razdiobom. To nas navodi na zakljuak da aktivnost nekog korisnika opiemo Markovljevim lancem s kontinuiranim parametrom s dva stanja.

Slika 6.5: Dijagram stanja modela uspostave i raskida veze za jednog korisnika Matrica gustoa prijelaznih vjerojatnosti je:
Q=

odakle neposredno iitavamo da je prosjeno vrijeme boravka u stanju 0 1/, a u stanju 1 1/. Stacionarne vjerojatnosti su: , p1 = p0 = + + Ovaj model moemo neposredno primijeniti prilikom simulacije ili generiranja prometa prilikom mjerenja na realnoj mrei. Meutim, ponekad generiranje eksponencijalno raspodijeljene sluajne varijable nije prikladno i esto se primjenjuju alternativni naini. Jedan od naina generiranja trajektorije promatranog binarnog Markovljevog lanca je koristei Markovljev lanac s diskretnim parametrom.

6.2.1

Aproksimacija Markovljevog lanca s kontinuiranim parametrom Markovljevim lancem s diskretnim parametrom

Promatrajmo sluajnu varijablu X koja je raspodijeljena po eksponencijalnoj razdiobi s parametrom a. Neka je K diskretna sluajna varijabla koja ima geometrijsku razdiobu s parametrom p. Izraunajmo pod

268

POGLAVLJE 6. ODABRANI PROMETNI MODELI

kojim uvjetima e varijable X i K imati jednako oekivanje. Jasno da varijabla X mjeri nekakvo vrijeme, a K broj koraka. Stoga, kako bismo doveli u vezu dvije varijable, broj koraka geometrijski raspodijeljene varijable K pomnoit emo s nekim ksnim vremenskim periodom t i na taj nain dobiti varijablu koja mjeri diskretna vremena. Moramo izvriti i jednu preinaku razdiobe varijable K . Budui da ona mjeri broj intervala t i budui da broj ostanaka u istom stanju Bernulijeve sluajne varijable odgovara broju intervala koje mjerimo, logino je funkciju vjerojatnosti sluajne varijable K denirati na sljedei nain:
pi = P (K = i) = (1 p)i1 p

Oekivanje ovako denirane sluajne varijable je jednako

E[K] = 1 p

Traimo uvjete pod kojima e biti zadovoljeno

E[X] = E[t K] = t E[K].

(6.21) (6.22)

Slijedi:

1 1 = t p

p = t

Dakle, parametar geometrijske razdiobe p koji postie uvjet (6.21) proporcionalan je parametru eksponencijalne razdiobe varijable X i duljini vremenskog odsjeka t. Koristei ovaj podatak pokazat emo da varijabla K t za male t dobro aproksimira eksponencijalnu razdiobu s parametrom . Ova injenica e nam omoguiti da Markovljeve lance s kontinuiranim parametrom preslikavamo u Markovljeve lance s diskretnim parametrom. Izraunajmo funkciju razdiobe sluajne varijable K za sluaj kada je zadovoljen uvjet (6.21): x/t x K=i = =P P {t K x} = P K t
i=1 x/t x/t

P {K = i} =

p (1 p)i1 =

i=1

i=1 x/t

=p

1 (1 p) 1 (1 p)

= 1 (1 p)x/t = 1 (1 t)x/t

Neka je n = x/t. Dobivamo:

P {t K x} = 1 1 + x n
n

(6.23)

Ukoliko pustimo da n tei u beskonano, odnosno da t tei k 0, dobivamo

t0

lim P {t K x} = 1 ex

(6.24)

to je izraz za funkciju razdiobe eksponencijalne razdiobe s parametrom . Budui da je desna strana izraza (6.23) monotona funkcija od n, neposredno zakljuujemo da se razdioba varijable K s geometrijskom razdiobom i parametrom p = t asimptotski pribliava eksponencijalnoj razdiobi s parametrom . Razdioba sluajne varijable K je to blie razdiobi sluajne varijable X to je interval t manji. Kvaliteta aproksimacije se moe vidjeti sa slike 6.6. Nadalje bismo mogli izvriti analizu odstupanja (pogreke) koju unosimo aproksimacijom, no za takvu analizu u ovoj skripti nema prostora. Budui da smo utvrdili na koji nain moemo vriti aproksimaciju eksponencijalne razdiobe geometrijskom, pogledajmo kako moemo Markovljev lanac s kontinuiranim parametrom aproksimirati Markovljevim lancem s diskretnim parametrom. Trebamo postii dva cilja. Matricu prijelaznih vjerojatnosti moramo podesiti tako da su oekivanja vremena ostanka u pojedinim stanjima jednaka onima kod lanca s kontinuiranim parametrom i da su zadovoljene vjerojatnosti skokova izmeu stanja.

6.2. OSNOVNI MODELI IZVORITA GLASOVNOG PROMETA

269

Slika 6.6: Aproksimacija eksponencijalne razdiobe geometrijskom razdiobom

Neka je matrica prijelaznih vjerojatnosti Markovljevog lanca s diskretnim parametrom P i matrica gustoa prijelaznih vjerojatnosti Markovljevog lanca s kontinuiranim parametrom Q. Prisjetimo se da je parametar p geometrijske razdiobe vjerojatnost pojave iekivanog Bernoulievog dogaaja. Ako je lanac u stanju k , onda je dogaaj kojeg iekujemo geometrijskom razdiobom promjena stanja iz k u neko drugo stanje. Budui da je vrijeme neprekidnog boravka u istom stanju raspodijeljeno eksponencijalno, jasno je da je parametar (vjerojatnost) p za dato stanje k jednak:
p = qkk t =
j=k

pkj =
j=k

qkj t.

Ova jednakost slijedi iz injenice da je parametar eksponencijalne razdiobe varijable koja mjeri vrijeme neprekidnog boravka lanca s kontinuiranim parametrom u istom stanju jednak qkk . Budui da parametar p oznaava vjerojatnost odlaska lanca iz stanja k , onda slijedi da je prijelazna vjerojatnost pkk iz matrice P jednaka
pkk = 1 p = 1 + qkk t

(6.25)

Na taj nain smo izraunali elemente dijagonale matrice P. Da bismo dobili i ostale elemente moramo se koristiti vjerojatnostima skokova. Vjerojatnost skoka iz stanja i u stanje j za lance s kontinuiranim parametrom odreujemo prema izrazu qij pij = qii Izraunajmo vjerojatnosti skokova za Markovljev lanac s diskretnim parametrom. Vjerojatnost skoka iz stanja i u stanje j dobivamo sljedeim izvodom:
pij = P {Xn+1 = j|Xn = i, Xn+1 = Xn } = P {Xn+1 = j, Xn = i, Xn+1 = Xn } = P {Xn = i, Xn+1 = Xn } P {Xn+1 = j, Xn+1 = Xn |Xn = i} P (Xn = i) = = P {Xn+1 = Xn |Xn = i} P (Xn = i) pij P {Xn+1 = j, Xn+1 = Xn |Xn = i} = = 1 P {Xn+1 = Xn |Xn = i} 1 pii =

Budui da nam je cilj postii jednakost skokova, izjednaavanjem dobivamo:

pij qij = 1 pii qii pij qij = 1 1 qii t qii pij = qij t

270

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Dakle, jednadbe pomou kojih pronalazimo matricu prijelaznih vjerojatnosti P aproksimacijskog Markovljevog lanca s diskretnim parametrom iz matrice Q su
pij = qij t, i = j pii = 1 + qii t

(6.26)

6.2.2

Jednostavan model usamljenog govornog izvorita

Promatrajmo periode dijaloga jednog korisnika paketske telefonske usluge. To su vremenski periodi kada korisnik aktivno govori (ne slua). Pretpostavljamo da se paketi generiraju samo onda kada korisnik govori i zanima nas statistika aktivnosti generatora paketa. Ukoliko promatramo dijaloge za vrijeme dok je veza uspostavljena, moemo ih modelirani binarnim Markovljevim lancem gdje stanje 1 odgovara prisutnosti dijaloga, a stanje 0 odgovara odsutnosti dijaloga. Meutim, ukoliko elimo modelirati dijaloge uzimajui u obzir uspostavljenost veze, moramo promatrati model s tri stanja.

Slika 6.7: Jednostavan model govornog izvorita s tri stanja U tom modelu emo zbog jednostavnosti pretpostaviti da se veza moe prekinuti samo ako korisnik ne govori. Neka stanje 0 predstavlja stanje raskinute veze, stanje 1 uspostavljene veze bez dijaloga, a stanje 2 stanje uspostavljene veze s dijalogom. Moemo pretpostaviti da je prosjeno vrijeme boravka u stanju 0 T0 , prosjeno vrijeme boravka u stanju 1 T1 , a prosjeno vrijeme boravka u stanju 2 T2 . Pretpostavimo da je statistiki utvreno da promatrani lanac ima stacionarne vjerojatnosti p0 , p1 i p2 . Poetnika greka koja se esto potkrada u ovakvim sluajevima je pokuaj izraunavanja stacionarnih vjerojatnosti na osnovu vremena T0 , T1 i T2 . U opem sluaju vrijedi sljedea konstatacija:
p0 = T0 , T0 + T1 + T2 p1 = T1 , T 0 + T1 + T 2 p2 = T2 . T0 + T 1 + T 2

Ovakvo rezoniranje vrijedi samo u sluaju binarnog Markovljevog lanca. Matrica gustoa prijelaznih vjerojatnosti Q ima oblik: 0 Q = ( + ) 0

Budui da odgovara parametru eksponencijalne razdiobe varijable koja mjeri vrijeme boravka u stanju 0, zakljuujemo: 1 = T0 Slinim zakljuivanjem dobivamo da je: 1 = T2 1 += T1 Za izraunavanje parametara i potrebno je dovesti u vezu izraze za stacionarne vjerojatnosti s njihovim vrijednostima. Rjeavajui sustav linearnih jednadbi dobivamo:
p0 = , + + p1 = , + + p2 = + +

6.2. OSNOVNI MODELI IZVORITA GLASOVNOG PROMETA Slijedi:

271

p0 = p1 p1 = p2

= =

p0 T 0 p1 p2 . T2 p1

Primijetimo da statistiki utvreni postoci boravka lanca u pojedinim stanjima moraju zadovoljiti jednakost: p2 1 p0 + = . T 0 p1 T 2 p1 T1 Rezimirajmo. Na osnovu statistiki odreenih veliina izraunali smo elemente matrice Q i koristei je moemo simulirati promatrani model i analizirati njegovo ponaanje. Meutim, to ukoliko elimo izgraditi generator prometa koji radi po prikazanom modelu. Pretpostavimo da elimo napraviti generator paketa IP telefonskog korisnika u cilju mjerenja na realnoj mrei. U IP telefoniji se paket generira samo za vrijeme kada korisnik govori (za vrijeme dijaloga) u pravilnim vremenskim razmacima od 20 ms. Kako bismo uspjeli generirati pakete, u program bismo morali ugraditi brojne mehanizme, timere koje bismo ugaali po eksponencijalnoj razdiobi, te while petlju koju bismo aktivirali za vrijeme dok je lanac u stanju 2, a koja bi u pravilnim vremenskim razmacima od 20 ms generirala paket. Jednostavnije bi bilo model transformirati u odgovarajui model s Markovljevim lancem s diskretnim parametrom i na osnovu matrice prijelaznih vjerojatnosti generirati pakete. Jednostavnost se svodi na to to bi za dobivanje jednakog uzorka paketa bila potrebna samo jedna while petlja koja bi se ponavljala svakih 20 ms i koja bi u stanju 2 generirala IP paket. Stanje, zapisano u nekoj unutarnjoj varijabli, bi se mijenjalo na osnovu matrice prijelaza P. Prednost ovakvog pristupa je oigledna za sluaj kada emuliramo veliki broj korisnika.

Primjer 6.3

Izraunajmo parametre Markovljevog lanca s diskretnim parametrom koji aproksimira model korisnika paketske telefonije s tri stanja. Matrica gustoa prijelaznih vjerojatnosti je:

1 T0 p0 T0 p1 1 T0 1 T1 1 T2

0
p2 T2 p1 1 T2

Transformaciju emo dakako izvriti uzimajui da je t = 20 ms, koliko traje period generiranja paketa. Koristei se transformacijskim izrazima (6.26) dobivamo:
1+
1 T0 t 1 T0 t 1 + T1 t 1 T2 t

Q=

0
p2 T2 p1 t 1 1 + T2 t

Model s tri stanja koji smo analizirali je najjednostavniji cjeloviti model na razini dijaloga. Spomenuli smo i analizirali jednu njegovu primjenu. Meutim, taj model daleko je od tonog i preciznog opisa realne govorne komunikacije. Na primjer Brady-ev model koji ne uzima u obzir uspostavu i raskid komunikacije ima 6 stanja kojima opisuje dijaloge unutar konverzacije.

P=

p0 T0 p1 t

6.2.3

Jednostavani modeli grupe govornih izvorita

Jedan model grupe govornih izvorita smo ve upoznali. Dijagram stanja prikazan je na slici 6.8. Parametre i odreujemo statistiki analizirajui ponaanje jednog korisnika - model s dva stanja:
= 1 TOF F , = 1 TON ,

gdje je TON - prosjeno vrijeme razgovora, a TOF F prosjeno vrijeme izmeu dva razgovora.

272

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Slika 6.8: Model aktivnosti grupe korisnika

Ukoliko ovaj model koristimo za opis broja uspostavljenih veza, moemo ga koristiti za opis svih vrsta konekcijski orijentiranih komunikacija. Ukoliko se spustimo na razinu dijaloga, model se znatno poslonjuje. Da bismo ga dobro opisali, morali bismo za N korisnika promatrati trodimenzionalni odsjeeni proces raanja i umiranja gdje bi se svaka dimenzija i odnosila na broj korisnika ije se trenutno stanje opisuje kao stanje i jednostavnog modela govornog izvorita. Takvo razmatranje emo ovdje preskoiti zato to je proraunksi vrlo sloeno. Objasnit emo model koji se temelji na Markovljevom lancu s diskretnim parametrom. Neka su p0 , p1 i p2 stacionarne vjerojatnosti jednostavnog modela s tri stanja s diskretnim parametrom koji opisuje dijaloge jednog korisnika. Taj model moemo dodatno pojednostavniti tako to stanja 0 i 1 stopimo u jedno stanje koje oznaava stanje bez prisutnosti govora. Novi model ima dva stanja i samo statistiki dobro opisuje prethodni model. Promatrajmo skupinu od N korisnika i pokuajmo opisati broj korisnika koji trenutno imaju dijalog. Ako je Markovljev lanac uao u stacionarno stanje (nakon velikog broja koraka), onda je vjerojatnost da neki korisnik ima dijalog jednaka p2 . Vjerojatnost da tono n 2 korisnika ima dijalog u nekom trenutku je stoga jednaka N (1 p2 )N n pn . n Promatrajmo sada korisnike IP telefonije. Za vrijeme dijaloga paketi se generiraju u pravilnim vremenskim razmacima, svakih t = 20 ms. Ukoliko svakih 20 ms elimo generirati pakete svih korisnika, onda ih moramo generirati onoliko koliko nam diktira funkcija vjerojatnosti prvog reda u stacionarnom stanju: N (1 p)N n pn (6.27) pn = n gdje je p = p2 . Ovaj model se zove binarni model prometnog izvorita i u praksi se pokazuje kao dobra aproksimacija realnog stanja. Fragment trajektorije stohastikog procesa koji odgovara binomnom modelu prikazan je na slici 6.9.

Slika 6.9: Binomni model grupe korisnika Problem s kojim se susreemo je odreivanje vrijednosti binomne sluajne varijable koja mjeri broj paketa koji se generiraju tijekom jednog intervala. Budui da je nemogue izraunati inverz funkcije razdiobe binomne varijable, koristimo se aproksimacijom pomou centralnog graninog teorema. Vari-

6.3. OSNOVNI MODELI IZVORITA VIDEO PROMETA

273

jabla X koja mjeri broj trenutno aktivnih dijaloga jednaka je zbroju binarnih varijabli Xi s funkcijom vjerojatnosti 0 1 . Xi 1p p Oekivanje i varijanca od Xi su jednake:
E[Xi ] = 0(1 p) + 1p = p V ar[Xi ] = E[X 2 ] E[X]2 = p p2 = p(1 p) = 2 .

Stoga se po centralnom graninom teoremu varijabla X

N

X=
i=1

Xi

za velike N moe dobro opisati normalnom razdiobom:

X N (np, np(1 p)).

Postupak generiranja normalno raspodijeljenih sluajnih varijabli opisali smo u poglavlju o generiranju sluajnih varijabli.

6.3 Osnovni modeli izvorita video prometa

Video promet spada u klasu prometa s varijabilnom brzinom prijenosa. Video signal sastoji se od niza okvira koji slijede jedan iza drugog u pravilnim vremenskim razmacima. Video koder svaki okvir kodira razliitim brojem bita to rezultira varijabilnom brzinom toka koji izlazi iz kodera. Brzina se odreuje kao broj informacijskih jedinica (najee bita) koje generira koder unutar nekog vremenskog okvira podijeljen s duljinom trajanja tok vremenskog intervala. Za duljinu mjernog intervala obino uzimamo prosjenu duljinu snopa bita - od 50 do 500 ms. Video signal je zanimljiv po tome to brzina iz kodera zadrava odreeno vrijeme istu vrijednost, a vrijednosti brzina su koncentrirane oko nekoliko razina. Brzina izlaznog toka informacije iz kodera je tako kvantizirana to upuuje na mogunost njenog opisa Markovljevim lancima. Slika 6.10 prikazuje trajektoriju brzina i njihovu kvantizaciju, a slika 6.11.

r(t) 40 30 20 10 0 2000 4000 6000 8000 10000 t

Slika 6.10: Kvantiziranost brzine prijenosa u vremenu Statistika mjerenja brzina pokazuju da se gustoa razdioba brzina moe opisati normiranim zbrojem Erlangovih (Er ) gustoa razdiobe s oekivanjima jednakim glavnim razinama. Modeliranje se svodi na utvrivanje to vie glavnih razina brzina i njihovo modeliranje Markovljevim lancem s kontinuiranim parametrom. U ovom odjeljku emo se upoznati samo s jednostavnim Markovljevim modelima s kontinuiranim i diskretnim parametrom. Kasnije emo se upoznati s MMPP modelom video prometa koji se moe primijeniti na modeliranje bilo kojeg prometa s varijabilnom brzinom.

274
fr(x)
0.08

POGLAVLJE 6. ODABRANI PROMETNI MODELI

0.06

0.04

0.02

10

20

30

40

50

Slika 6.11: Razdioba brzina i glavne razine

6.3.1

Markovljev model video prometa s kontinuiranim parametrom

U literaturi postoji veliki broj modela video prometa koji se temelje na procesu raanja i umiranja. Ovdje predstavljamo opi model iz kojeg se paljivim odabirom parametara moe izvesti bilo koji drugi slian model. Za svaki se video signal moe utvrditi maksimalna i minimalna brzina: rmin i rmax . Markovljev model se svodi na utvrivanje N + 1 razina brzina koje su jednoliko raspodijeljene izmeu rmin i rmax . Brzinu i-te razine odreujemo pomou izraza:
r(i) = rmin + rmax rmin i. N

Dijagram stanja Markovljevog modela s kontinuiranim parametrom je prikazan na slici 6.12.

Slika 6.12: Markovljev model s kontinuiranim parametrom Kao to vidimo, intenzitet prijelaza u vie stanje opada s rednim brojem stanja, a intenzitet prijelaza u nie stanje raste s rednim brojem stanja. Neka je R(t), t 0 pripadni Markovljev lanac. R(t) odgovara brzini informacijskog toka koji izlazi iz video izvora u trenutku t. Neka je i X(t) Markovljev lanac koji
neposredno odgovara deniranom dijagramu stanja modela. sljedeom relacijom: Odnos ova dva procesa moe se iskazati

R(t) = rmin +

rmax rmin X(t) = rmin + X(t). N N X(t)

je:

(6.28)

Odgovarajua matrica gustoa prijelaznih vjero jatnosti lanca

Q=

N 0
. . .

N [(N 1) + ] 2
. . .

0 ... (N 1) ... [(N 2) + 2] . . .

. . . . . .

0 0 0
. . .

0 0 0
. . .

...

N N

6.3. OSNOVNI MODELI IZVORITA VIDEO PROMETA Postavljajui jednadbe lokalne ravnotee za X(t) dobivamo:
p 0 N = p1 p1 (N 1) = p2 2 p1 = p0 N (N 1) = 2
2

275

p2 = p 1

. . .
pi = N i
i

N! p0 = 2!(N 2)!

N 2

p0

p0 ,

i = 1, 2, . . . , N.
N i=0

Stacionarnu vjerojatnost p0 dobivamo iz jednadbe

N

pi = 1 : 1N i = p0 1 +
N

1 = p0
i=0

N i
N

= p0
i=0

N i

p0 =

Stacionarne vjerojatnosti lanca X(t) su:

pi = N i
i

N i

N i

i = 0, . . . , N.

(6.29)

Budui da oba procesa X(t) i R(t) promatramo u stacionarnom stanju, ne moramo voditi rauna o vremenu t, pa skraeno piemo redom X i R. Koristei se funkcijom vjerojatnosti stanja moemo izraunati oekivanje i varijancu sluajne varijable R koja mjeri brzinu video signala. Ova varijabla je denirana izrazom X (6.30) R = rmin + N gdje je X sluajna varijabla stanja promatranog modela. Funkcijska ovisnost R o X je oblika
R = a + bx

to implicira
E[R] = E[a + bx] = a + bE[x] V ar[R] = V ar[a + bx] = V ar[a] + V ar[bx] = b2 V ar[x].

Oekivanje i varijancu dobivamo rjeavanjem jednostavnih redova na sljedei nain:

N

E[X] =
i=0

ii = p +
N

N N i=0 N i=0

N i i

i1

= + N . ( + )2

N i

= ... = N
2

V ar[X] = E[X 2 ] E[X]2 =

N (N + ) N 2 ( + ) +

Oekivanje i varijanca varijable R su:

E[R] = rmin + (rmax rmin ) V ar[R] = N rmax rmin +
2

+ = 2 . ( + )2 N

(6.31)

Problem s kojim smo suoeni je odreivanje vrijednosti parametara i za koje na model dobro opisuje realni izvor. Pri tome se moramo koristiti vrijednostima koje smo dobili statistikom obradom

276

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Da bismo odredili i pojedinane vrijednosti parametara i moramo se posluiti autokovarijacijskom funkcijom Cov[r(t), r(t + )] = Cov( ) koju dobivamo statistikom obradom mjernih rezultata. Dakako, potreban nam je analitiki izraz za autokovarijancu  . Ukoliko bismo raunali autokovarijancu sluajnog procesa R(t) u stacionarnom stanju po deniciji, dobili bismo:
Cov( ) = E {(R(t) E[R]) (R(t + ) E[R])} = E {R(t) R(t + )} E[R]2 =
N N

mjernih uzoraka: aritmetikom srednjom vrijednou i standardnom devijacijom koje odgovaraju oekivanju i korijenu varijance. Koristei se izrazima za oekivanje i varijancu moemo izraunati samo odnos /: E[R] rmin = . (6.32) rmax E[R]

=
i=0 i=0 N N

rmin + i rmin + i rmin + i

N N N

rmin + j rmin + j rmin + j

N N N

P {X(t) = i, X(t + ) = j} E[R]2 = P {X(t) = i | X(t + ) = j} pi E[R]2 = pij ( ) pi E[R]2 .

=
i=0 i=0 N N

=
i=0 i=0

Izvod smo sproveli pretpostavljajui da je proces R(t) u stacionarnom stanju. Problem koji je nastupio je nepoznatost vjerojatnosti pij ( ). Ve smo rekli da u opem sluaju ne moemo odrediti analitiki izraz za ove funkcije. Stoga moramo potraiti alternativno rjeenje. Ukoliko pogledamo ponovno dijagram stanja promatranog modela, uoavamo da je jednak modelu izvorita grupe korisnika. Taj model je superpozicija N neovisnih binarnih Markovljevih modela s matricom gustoa prijelaznih vjerojatnosti
Q=

i konstante rmin . Neka R(t) predstavlja binarni Markovljev lanac s matricom Q. Razlikujemo dva stanja, stanje u kojem je pripadna brzina 0 i stanje u kojem je pripadna brzina R(t) = N . Ukoliko uspijemo izraunati autokovarijacijsku funkciju za model s dva stanja, onda emo moi izraunati i autokovarijacijsku funkciju procesa R(t). Budui da je kovarijanca zbroja neovisnih varijabli jednaka zbroju pojedinanih kovarijanci:
N N N

Cov
i=0

Yi (t) ,
i=0

Yi (t + )

=
i=0

Cov [(Yi (t)) , (Yi (t + ))] ,

funkciju Cov( ) emo izraunati prema izrazu:

Cov( ) = Cov [R(t), R(t + )] = N Cov R(t), R(t + ) + Cov[rmin ] = N Cov R(t), R(t + ) . Moramo jo jedino izraunati kovarijancu od R(t).
1 1

Cov R(t), R(t + ) =

i=0 j=0

pij ( ) pi E[R]2 =

p11 ( ) p1 E[R]2 .

Rjeavajui Kolmogorovljevu jednadbu P ( ) = P( ) Q , dobivamo: p0 = , + p1 = , + p11 ( ) = + e(+) . + +

 Izvod autokovarijacijske funkcije nije nudan za shvaanje gradiva pa ga student moe preskoiti.

6.3. OSNOVNI MODELI IZVORITA VIDEO PROMETA Nadalje je:

E[R] = p1 Cov R(t), R(t + ) = = N N
2

277

N + +
2

+ e(+) + +

e(+) +

Konano je:
2 Cov( ) = N Cov R(t), R(t + ) = e(+) = V ar[R] e(+) . N +

Vratimo li se izrazima (6.31) i (6.32) dobivamo:

= E[R] rmin 1 ln rmax rmin V ar[R] Cov( ) V ar[R] Cov( ) .

(6.33)

rmax E[R] 1 = ln rmax rmin

Dakle parametri i su u potpunosti odreeni srednjom vrijednou brzine, njenom varijancom i autokovarijacijskom funkcijom. Budui da je varijanca V ar[R] konstanta, a kovarijanca funkcija parametra , postavlja se pitanje mogunosti dobivanja konstante iz izraza
1 ln V ar[R] Cov( ) .

Dakako, nije za oekivati da e navedeni izraz konvergirati konstanti za svaki , pa time i same vrijednosti parametara i . Procjena parametara i zadire u problematiku mjerne statistike i na ovom mjestu se neemo baviti ovim problemom.

6.3.2

Poissonov proces moduliran Markovljevim procesom ( - MMPP)

Markov Modulated Poisson Process

Do sada smo govorili samo o sustavima posluivanja kod kojih vrijeme posluivanja nije bilo eksponencijalno raspodijeljeno. No, u veini primjena niti dolazni proces jedinica u sustav posluivanja nije Poissonov. Dolazni tok moe biti razliit: deterministiki (D), s hipereksponencijalno raspodijeljenim meudolaznim vremenima, meudolaznim vremenima raspodijeljenim po Erlangovoj razdiobi ili neki drugi. Jedan od esto koritenih modela dolaznog toka jedinica u sustav posluivanja je i Poissonov proces koji je moduliran Markovljevim procesom ( - MMPP). Ovaj proces se esto koristi za modeliranje kumulativnog varijabilnog toka kakav je i informacijski tok koji potie od video izvora s kompresijom slike. Zamislimo tok ATM elija na nekom prijenosnom linku kojeg stvaraju videofonske aplikacije. Kada korisnik uspostavi video-telefonsku vezu, onda se za cijelo vrijeme trajanja te veze generiraju ATM elije po Poissonovom procesu (barem tako pretpostavljamo). Slika 6.13 prikazuje tok elija koji generira jedan videofon. Pretpostavljamo da je trajanje poziva (razgovora) eksponencijalno raspodijeljeno, jednako kao i vrijeme izmeu poziva. elijski tok iz m videofona se multipleksira i alje dalje u mreu. Zanima nas tok koji je nastao superpozicijom tokova m pojedinanih korisnika. On je izvrstan primjer prometnog toka koji se moe opisati procesom MMPP. Jasno je da je proces koji opisuje ukupni tok elija u odreenom trenutku jednak zbroju Poissonovih procesa trenutno aktivnih poziva. Aktivnih poziva moe biti od 0 do m. Budui da je zbroj Poissonovih procesa opet Poissonov proces iji je intenzitet jednak zbroju intenziteta pribrojenih Poissonovih procesa, to je konani proces Poissonov proces koji u vremenu mijenja svoj intenzitet. Vrijeme koje protekne izmeu dvije uzastopne promjene intenziteta procesa je raspodijeljeno eksponencijalno. Taj proces zovemo

Markov Modulated Poisson Process

278

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Slika 6.13: Tok elija koji generira videofon

Poissonov proces moduliran Markovljevim procesom. Odreeni Markovljev proces (lanac) kontinuiran u vremenu mijenja (modulira) intenzitet Poissonova procesa pa odavde i slijedi naziv za MMPP. Kako bismo dobili uvid u ovaj proces, promotrimo trajektoriju nekog MMPP procesa koja je prikazana na slici 6.14.
X(t) Stanje Stanje Stanje Stanje

Slika 6.14: Tipina trajektorija MMPP-a

U opem sluaju MMPP procesa Markovljev lanac koji modulira Poissonov ima m stanja 1, . . . , m. Svakom stanju i Markovljevog lanca pridruujemo odreeni intenzitet i . Markovljev lanac je opisan svojom matricom gustoa prijelaznih vjerojatnosti Q:
q1 q21 . . . qm1 q11 q2 . . . qm2 ... ... .. . q1m q2m . . .

Q=

(6.34)

. . . qm

gdje je naravno
k

qi =
j=1;i=j

qij

(6.35)

6.4. MODELI MREA S KOMUTACIJOM KANALA

279

Poznavanje (6.34) i (6.36) je dovoljno za opis MMPP-a u stacionarnom stanju. To stanje proces postie kada je parametar stanja procesa t 0.

Denirajmo dijagonalnu matricu reda m koja na dijagonali ima intenzitete MMPP procesa. 1 0 . . . 0 0 2 . . . 0 = . (6.36) . .. . . . . . . . .
0 0 ... m

122 E 522

Promotrimo sada MMPP s dva stanja. Ako je intenzitet bilo kojeg od stanja jednak 0, 1/2 = 0, onda taka proces zovemo prekinuti Poissonov proces (IPP - Interrupted Poisson Process ). Ukoliko su oba intenziteta vea od 0 onda se takav proces zove izmjenjivi ili komutirani Poissonov proces (SPP - Switched Poisson Process ). Denirajue matrice ovog procesa su:
Q= q1 q2 q1 q2 = 1 0 0 2

Rjeavanjem Kolmogorovljeve jednadbe dobivamo rjeenje za vektor stacionarnih vjerojatnosti:

F= q2 q1 q1 + q2 q1 + q2

6.4 Modeli mrea s komutacijom kanala

U prvom poglavlju upoznali smo nekoliko paketskih tehnologija koje u cilju garantiranja kvalitete veze vre uspostavu veze s kraja na kraj. Jedan nain garantiranja kvalitete usluge je rezervacija dovoljno irokog prijenosnog pojasa s kraja na kraj. Svaka usluga zahtijeva svoju irinu prijenosnog pojasa. Osnovni problem pri projektiranju takvih mrea je procjena prijenosnih kapaciteta. Kapacitet se projektira tako da vjerojatnost blokiranja uspostave poziva za svaku od usluga ne bude vei od neke unaprijed zadane vrijednosti. Postupci izraunavanja kapaciteta u mrei su dosta sloeni. U obzir se uzima algoritam usmjeravanja (ksni ili dinamiki), zatitni mehanizmi, kao i dnevno, tjedno i sezonsko maksimalno optereenje (glavni prometni sat) u razliitim dijelovima mree. Kapaciteti moraju biti tako odabrani da u sluaju ispada jedne grane ili vora u mrei ostatak mree moe preuzeti promet s oteenog dijela. Nadalje emo se upoznati samo s osnovnim modelima blokiranja poziva u mrei. Poet emo s modelima jednouslunih (telefonskih) mrea s usamljenim resursom (Engsetov i Erlangov model) i kasnije to proiriti na vieuslune mree s jednim ili vie resursa (Kaufman-Roberts, Wilkinson).

6.4.1

Engsetov model

Promatrajmo resurs kapaciteta C kanala. Svaki kanal predstavlja posluitelj i svih C kanala rade u paraleli. U sustav pristiu zahtjevi za uspostavom poziva. Vremena trajanja poziva (call holding time ) su raspodijeljena po eksponencijalnoj razdiobi s parametrom 1/ (slika 6.15). Izvorite procesa dolazaka zahtijeva za uspostavu poziva je grupa od N korisnika. Korisnici su meusobno neovisni i ne meusobno se ne nazivaju. Engsetov model temelji se na pretpostavci da je intenzitet dolazaka zahtijeva proporcionalan broju neaktivnih korisnika. Ukoliko i C korisnika ostvaruje poziv intenzitet dolaska zahtijeva za uspostavom poziva je (N i). Dakle, dolazni proces je funkcija stanja samog resursa. Parametri i odgovaraju redom intenzitetima prijelaza korisnika u aktivno stanje, odnosno povratka u neaktivno stanje (binarni Markovljev lanac). Omjer ova dva parametra zovemo ponueni promet po korisniku: [Erl]. a=

280

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Slika 6.15: Engsetov posluiteljski sustav

Ponueni promet izraavamo u jedinici erlang. U telefonskim mreama se za ovaj parametar obino uzima vrijednost 0.1 erl u glavnom prometnom satu. Dijagram stanja opisanog Engsetovog posluiteljskog sustava je prikazan na slici (slika 6.16)

Slika 6.16: Dijagram stanja Engsetovog modela Postavljajui i rjeavajui C jednadbi lokalne ravnotee jednostavno dobivamo opi izraz za stacionarne vjerojatnosti stanja .
N i a i
C j=0

pi =

N j a j

(6.37)

U sluaju Engsetovog modela, vjerojatnost blokiranja poziva nije jednaka vjerojatnosti da se model nalazi u stanju blokiranja. Vjerojatnost blokiranja poziva jednaka je vjerojatnosti da se sustav nalazi u stanju blokiranja kada pristigne zahtjev za uspostavu poziva. Za sluaj Engsetovog modela, vjerojatnost da se sustav nalazi u stanju i kada pristigne zahtjev za uspostavom poziva jednaka je:
pi = pi1 .

(6.38)

Stoga je u Engsetovom modelu vjerojatnost blokiranja poziva jednaka:

N aC1 C 1 N j a j

BEngset (N, a, C) =

C1 j=0

(6.39)

Pri izvodu vjerojatnosti blokiranja pretpostavili smo da korisnici koji su blokirani ne biraju ponovno odmah, nego ekaju odreeno (dulje) vrijeme. Vano je napomenuti da ovaj efekt ima utjecaj na poveanje ukupnog ponuenog prometa A. Ako ne bismo uzimali u obzir ovaj efekt, ponueni promet bio bi jednak

Za vjebu provedite izvod i provjerite konaan izraz

6.4. MODELI MREA S KOMUTACIJOM KANALA

281

omjeru efektivnog dolaznog intenziteta ef i inverza prosjenog vremena trajanja poziva. Efektivni intenzitet moemo dobiti na sljedei nain:
N

ef =
i=0

(N i)i . p

pi je stacionarna vjerojatnost Engsetovog modela u sluaju C = N . Samo pod tim uvjetom e se obaviti sav ponueni promet. Uvrtavanjem dobivamo ef = N , +

i ponueni promet je:

ef =N [Erl]. (6.40) + Obavljeni promet je jednak postotku uspjeno realiziranih zahtijeva za uspostavom poziva pomnoenim s ponuenim prometom: A= L = A [1 BEngset (N, a, C)] [Erl].

(6.41)

U praksi se dosta teko odreuje vrijednost parametra A, i on se esto odreuje iz postotka nerealiziranih poziva i obavljenog prometa, koristei odreene statistike metode. Vano je napomenuti da se tako izmjeren ponueni promet odnosi na pravi ponueni promet A , budui da je u njemu sadrano poveanje u odnosu na A zbog efekta ponovljenog biranja nakon blokade poziva. Engsetov model se zbog svoje sloenosti rjee upotrebljava u praksi. Uzrok tome je prvenstveno taj to intenzitet dolaska zahtijeva za uspostavu poziva nije konstantan, to znatno poslonjuje bilo kakvu ozbiljniju analizu. Meutim, Engsetov model u odnosu na Erlangov model tonije opisuje realan sustav kada je broj korisnika N malen.

6.4.2

Erlangov model Erlangova B formula, aproksimacija i projektiranje kapaciteta

Erlangov model je formalno prezentiran u prethodnom poglavlju. To je model blokiranja poziva s C posluitelja kod kojeg je dolazni proces Poissonov proces intenziteta - M/M/C /C . Ponueni promet (average trac load ) raunamo prema izrazu:
A= [Erl]

(6.42)

Ponueni promet jednak je zbroju prometa ponuenih od svih korisnika koji svoj poziv uspostavljaju kroz promatrani resurs (link). Budui da je sveukupni dolazni proces Poissonov intenziteta , onda je on jednak zbroju Poissonovih procesa koji potjeu od pojedinih korisnika ili skupina korisnika. Stoga je i intenzitet dolaznog Poissonovog procesa jednak zbroju intenziteta pojedinih pritoka:
= 1 + 2 + . . .

Pretpostavimo li da je prosjeno vrijeme razgovora jednako za sve korisnike, obje strane moemo podijeliti s i dobivamo: A = A1 + A2 + . . . [Erl]. (6.43) Dakle, ukupni ponueni promet jednak je zbroju ponuenih prometa pojedinih pritoka. Budui da je resurs ogranienog kapaciteta (C ), odreeni zahtijevi za uspostavom poziva bit e blokirani. Vjerojatnost blokiranja daje nam Erlangova B funkcija gubitaka! (Erlang loss function ):
AC B(C, A) = CC! . Aj j! j=0
!

(6.44)

Agner Krarup Erlang, Danski matematiar, objavio je ovu formulu u svom radu "Solution of some Problems in the Theory of Probabilities of Signicance in Automatic Telephone Exchanges", Elektrotkeknikeren, vol 13, 1917.

282

POGLAVLJE 6. ODABRANI PROMETNI MODELI

A je ponueni promet izraen u jedinici erlang, a C je cijeli broj koji odgovara broju posluitelja (kanala) u resursu - kapacitet resursa. Oznaka B(C, A) je oznaka za Erlang B funkciju u amerikoj literaturi. U Europskoj literaturi je ekvivalentna oznaka E1,C (A). Nadalje emo zbog jednostavnosti koristiti oznaku B(C, A). Ve ranije smo analizirali proces brojanja kod kojeg se iz Poissonovog toka dogaaja intenziteta isputaju dogaaji s vjerojatnou p. Pokazali smo da je novi tok takoer Poissonov tok intenziteta (1 p). Stoga je dolazni proces koji se stvarno posluuje u posluiteljima resursa Poissonov proces intenziteta = [1 B(C, A)].

Podijelimo li obje strane ovog izraza s , dobivamo:

L = A (1 B(C, A)) [Erl].

(6.45)

Parametar L zovemo obavljeni promet (carried load ). Nadalje vrijedi:

L=
i

Ai 1 B

C,
i

Ai

(6.46)

nog prometa

Preljevni ili izgubljeni promet (overow/loss trac ) deniramo kao razliku ponuenog i obavljeY = A L = A B(C, A) [Erl].

(6.47)

Y je promet koji se trajno gubi ili se preusmjerava alternativnim rutama kroz mreu. Osnovni problem analize telefonskog prometa je procjena stvarnog ponuenog prometa. Zbog efekta ponovnog biranja, ponueni promet raste s vjerojatnou blokiranja poziva. Ako je vjerojatnost blokiranja poziva velika, veliki broj blokiranih korisnika e uskoro nakon blokiranja ponovno uputiti zahtjev za uspostavom poziva. to je vjerojatnost blokiranja vea, sve e vei broj korisnika ponovno pozivati i time e se pravi ponueni promet poveavati. Meutim, taj ponueni promet nije i pravi ponueni promet jer se djelomino stvara od uzastopnog ponovnog biranja blokiranih korisnika. Zovemo ga ktivni ponueni promet A . Raunamo ga samo za relativno velike vjerojatnosti blokiranja. Budui da teko moemo predvidjeti ponaanje korisnika nakon blokiranja, A najee procjenjujemo iz izmjerenog obavljenog prometa L. Postoji nekoliko naina procjene vrijednosti A . Procjene se temelje na razliitim pretpostavkama o nainu ponaanja korisnika. Ovdje emo prouiti najjednostavniju analizu. Neka je E izmjereni postotak (vjerojatnost) blokiranja poziva, a L izmjereni obavljani promet. Fiktivni ponueni promet A e zasigurno biti vei od L i manji od stvarnog ponuenog prometa A. Pretpostavimo da je stvarni ponueni promet priblino jednak L (zbog male vjerojatnosti blokiranja). Preljevni promet ne raunajui ponovno nazivanje je zasigurno jednak L E , to znai da je ponueni promet A = L(1 + E). Pretpostavimo sada da blokirani korisnici ponovno biraju sve dok ne ostvare poziv. Oni generiraju dodatni (ktivni) promet. Ovom prometu se dodaje novi promet od korisnika koji do sada nisu nazivali. Pri prvom pokuaju poziva preljevni promet je bio L E . Pri drugom pokuaju jednak je prometu koji je ostao blokiran iz prvog pokuaja plus novi blokirani promet: L E + L E E . Budui da korisnici ne odustaju od uspostave poziva, ovaj postupak moemo nastaviti do beskonanosti. Dobivamo da je ktivni ponueni promet: A = L 1 + E + E2 + E3 + . . . = L 1E [Erl].

(6.48)

Dobiveni izraz je u skladu s izrazom (6.45). To nam omoguuje da na jednostavan nain odredimo ponueni promet koji moramo predati Erlangovom modelu blokiranja kako bismo za obavljeni promet dobili L, dakle: L = A [1 B(C, A )] . (6.49)

Dakako, ovaj izraz vrijedi samo uz uvedenu pretpostavku ponaanja blokiranih korisnika. Ostale modele neemo prouavati zbog njihove prevelike sloenosti. Treba samo napomenuti da se ti modeli temelje na razliitim pretpostavkama o razdiobama vremena ponovnog nazivanja blokiranih korisnika. Erlangov B model je jednostavan, no zbog sloenosti izraza za vjerojatnost blokiranja zadaje dosta problema. Najvei problem je nemogunost jednostavnog izraunavanja nazivnika i nemogunost pronalaska inverza funkcije gubitaka.

6.4. MODELI MREA S KOMUTACIJOM KANALA

283

Daljnja olakanja raunanja Erlang B formule se svode na aproksimacije. Jedna od aproksimacija je R. Franks-ova aproksimacija koja funkciju B(C, A) aproksimira funkcijom B (C, A):
B (C, A) = 1
1 j=0

Jedan od naina olakavanja izraunavanja vrijednosti B(C, A) je rekurzivni izraz Erlang B formule kojeg ovdje dajemo bez izvoda: 1 B(C, A) = . (6.50) C 1+ A B(C 1, A)

C! Aj (C j)!

(6.51)

Vrijednost parametra se izabire tako da je zadovoljeno

C! A , (C )! > 0.

(6.52)

Uz tako izabranu vrijednost , pogreka aproksimacije je:

B (C, A)(1 ) B(C, A) B (C, A).

(6.53)

Iako ova aproksimacija znatno olakava izraunavanje Erlangove funkcije gubitaka, jo uvijek je nepraktina za velike vrijednosti parametra C . Na sreu, razvijena je kontinuirana aproksimacija koja ima jednaku sloenost izraunavanja za sve vrijednosti A i C . Aproksimacija kontinuiranom dvodimenzionalnom funkcijom ima oblik:
B(C, A) 1 a2 (d) a0 (d) C + a1 (d) + C AC d= C a0 (d) = e 2 d a1 (d) =
1 2

(6.54)

gdje je:

(6.55)
d Erf c 2 2

e 2 u du = e
2

d2 2

2 d d3 + a0 (d) 3 3 3 d5 7 d d3 + + 18 36 12 d6 d4 1 + + 18 4 12 a0 (d)

(6.56)

a2 (d) =

Dakako, za funkciju Erf c[x] moramo koristiti njenu aproksimaciju. Budui da aproksimacije esto imaju izuzetno veliki broj koecijenata, jasno da aproksimaciju funkcije B(C, A) ne moemo izraunati bez pomoi raunala. Stoga za izraunavanje vrijednosti Erlangove B funkcije moemo koristiti tablicu koecijenata 6.1. Prvo izraunamo vrijednost koecijenta d i iz tablice iitamo najblie vrijednosti za koecijente ai . Budui da je aproksimacijska funkcija kontinuirana i neprekidna, ona je i diferencijabilna. Deriviranjem funkcije B(C, A) po parametru C dobivamo izraz
C +A C B(C, A)2 a2 B(C, A) B(C, A) 1 + B(C, A) . a0 C C 2C A 2 C

(6.57)

To je ujedno i najvaniji rezultat ove aproksimacije. Pronalaskom derivacije Erlangove B funkcije korak smo blie rjeenju problema prorauna minimalnog kapaciteta C koji uz zadani ponueni promet A garantira vjerojatnost blokiranja manju ili jednaku pB . Prije nego razradimo i ovaj problem, na jednostavnom primjeru demonstrirajmo koritenje tablice 6.1.

284

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Tablica 6.1: Koecijenti za izraunavanje B(C, A) i B(C, A)/C
d -4.0 -3.9 -3.8 -3.7 -3.6 -3.5 -3.4 -3.3 -3.2 -3.1 -3.0 -2.9 -2.8 -2.7 -2.6 -2.5 -2.4 -2.3 -2.2 -2.1 -2.0 -1.9 -1.8 -1.7 -1.6 -1.5 -1.4 -1.3 -1.2 -1.1 -1.0 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0.0 a0 (d) 7471.92 5033.6 3425.03 2353.9 1633.99 1145.63 811.271 580.248 419.159 305.812 225.335 167.682 126.012 95.628 73.2784 56.6963 44.2877 34.9234 27.7973 22.3296 18.1002 14.8026 12.2111 10.1589 8.52140 7.20514 6.13944 5.27051 4.55713 3.96752 3.47705 3.06646 2.72063 2.42763 2.17795 1.96402 1.77973 1.62017 1.48132 1.35993 1.25331 a1 (d) 159407. 99535.1 62651.6 39749.3 25416.8 16377.6 10633.2 6955.08 4582.42 3040.68 2031.68 1366.67 925.355 630.512 432.234 298.043 206.664 144.068 100.942 71.0681 50.2673 35.7136 25.4851 18.2669 13.1546 9.52245 6.93554 5.08977 3.77157 2.83026 2.15902 1.68182 1.34432 1.10756 0.943479 0.831834 0.757968 0.711248 0.683950 0.670453 0.666667 a2 (d) 2.17917106 1.2756106 751801. 446061. 266392. 160110. 96828.7 58911.7 36051.5 22185.8 13726.4 8536.02 5334.02 3348.29 2110.67 1335.65 848.137 540.202 344.95 220.718 141.432 90.7006 58.1719 37.2839 23.8598 15.2321 9.6918 6.14094 3.87239 2.42994 1.51885 0.948605 0.596028 0.381586 0.254027 0.180436 0.139786 0.118745 0.108948 0.105223 0.104443 d 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0 a0 (d) 1.253310 1.159260 1.075940 1.001840 0.935667 0.876364 0.823028 0.774894 0.731314 0.691734 0.655680 0.622744 0.592574 0.564867 0.539358 0.515816 0.494040 0.473853 0.455101 0.437647 0.421369 0.406161 0.391927 0.378582 0.366051 0.354265 0.343164 0.332693 0.322803 0.313449 0.304590 0.296191 0.288218 0.280641 0.273433 0.266568 0.260023 0.253778 0.247812 0.242109 0.236652 a1 (d) 0.666667 0.669614 0.677131 0.687650 0.700039 0.713485 0.727409 0.741404 0.755189 0.768575 0.781440 0.793709 0.805344 0.816329 0.826668 0.836374 0.845471 0.853986 0.861950 0.869393 0.876349 0.882848 0.888921 0.894597 0.899905 0.904869 0.909516 0.913867 0.917944 0.921767 0.925354 0.928722 0.931887 0.934863 0.937664 0.940302 0.942789 0.945134 0.947348 0.949439 0.951416 a1 (d) 0.1044430 0.1047730 0.1051900 0.1051710 0.1044930 0.1031090 0.1010650 0.0984539 0.0953865 0.0919742 0.0883198 0.0845138 0.0806327 0.0767391 0.0728830 0.0691034 0.0654296 0.0618828 0.0584778 0.0552238 0.0521261 0.0491862 0.0464033 0.0437746 0.0412960 0.0389621 0.0367669 0.0347041 0.0327670 0.0309489 0.0292432 0.0276431 0.0261425 0.0247351 0.0234151 0.0221769 0.0210152 0.0199250 0.0189017 0.0179407 0.0170380

AC Izraunati d = i odrediti koecijente a0 , a1 i a2 . C 1 B(C, A) a0 C + a1 + a2 / C B(C, A) C +A B(C, A)2 C a2 B(C, A) 1 + B(C, A) a0 C C 2C A 2 C

6.4. MODELI MREA S KOMUTACIJOM KANALA

285

Primjer 6.4 Promet ponuen jednom 30-kanalnom prijenosnom sustavu je A = 36.57 Erl. Izraunajmo vjerojatnost blokiranja poziva. Koristei neposredno Erlang-B funkciju u svom izvornom obliku za vjerojatnost blokiranja dobivamo:
pB = AC /C! Ai /i!
i=0,C

= 0.245977

uz C = 30. Pokuajmo sada izraunati ovu vjerojatnost aproksimacijskom funkcijom.

d= 36.57 30 = 1.1995 1.2 30

Iz tablice itamo da su vrijednosti koecijenata

a0 = 0.592574, a1 = 0.805344, a2 = 0.0806327.

Uvrtavajui njihove vrijednosti u aproksimacijsku funkciju dobivamo:

pB 1 a2 a 0 C + a1 + C =1 0.081 0.59 30 + 0.8 + 30 = 0.245915.

Greka koju uvodi aproksimacija je: ili 0.025%, to je zanemariva pogreka.

pB = 62.43 106

Postavimo isti problem na drugi nain. Pretpostavimo da nam je zadana maksimalna vjerojatnost blokiranja pB = 0.01. Pokuajmo odrediti koliki minimalni prijenosni kapacitet C (izraen u broju kanala) nam je potreban da zadovoljimo postavljeni kriterij. Jedna od mogunosti je da se koristimo iterativni postupak Newtonovom metodom tangente. Pogledajmo graf na slici 6.17. Prikazan je graf aproksimacijske funkcije B(C, A) za A = 36.57. Isprekidani pravac prikazuje ciljanu maksimalnu vjerojatnost blokiranja pB = 0.01. C koordinata toke gdje se kriaju pravac pB = 0.01 i graf funkcije B(C, A) predstavlja traeni minimalni kapacitet C za kojeg je vjerojatnost blokiranja pB = 0.01. Iterativni postupak traenja vrijednosti C Newtonovom metodom tangente se sastoji od konstrukcije tangente u nekoj proizvoljnoj toki koja je zasigurno manja od C . To je poetna toka postupka - C0 . Bez dokaza tvrdimo da je A < C, gdje je A ponueni promet. Stoga za poetnu toku uzmimo C0 = A. Cilj koraka metode tangente je pronai toku koja je blie vrijednosti C od C0 . Tu toku dobivamo kao C koordinatu toke krianja tangente funkcije B(C, A) u toki C0 = A i pravca pB = 0.01. Tu toku oznaimo s C1 . Elementarnom matematikom dobivamo da je pB B(C0 , A) + C0 . C1 = B(C, A) C C0 U opem sluaju vrijedi
Ci = pB B(Ci1 , A) + Ci1 . B(C, A) C Ci1 C = lim Ci
i

Primjer 6.5

(6.58)

(6.59)

Koristei se izrazom (6.58) uz poetni uvjet C0 = A dobivamo vrijednost C . Meutim, po (6.58) ispada da bismo ovaj iterativni postupak trebali ponavljati do beskonano. Meutim, postupak jako brzo

286

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Slika 6.17: Newtonova metoda tangente

konvergira, nakon nekoliko koraka. Jedan od naina odreivanja koraka zavretka postupka je pomou denicije tolerancije C . Ako vrijedi:
C > pB B(Ci1 , A) , B(C, A) C Ci1

(6.60)

onda postupak zavravamo u i-tom koraku i pogreka koju smo napravili pri proraunu je Rijeimo problem s poetka. Zadana nam je maksimalna vjerojatnost blokiranja pB = 0.01. A = C0 = 36.57 Erl. Za toleranciju moemo izabrati C = 1, dakle maksimalna pogreka koju elimo postii je 1 kanal. Uvrtavajui zadane vrijednosti u (6.58) dobivamo:
C1 = 0.01 B(36.57, 36.57) 0.01 0.121 + 36.57 = 43.44. + 36.57 = B(C, 36.57) 0.01616 C 36.57 C2 = 46.801. C Ci C.

Razlika C1 C0 > C = 1 pa nastavljamo postupak. U sljedeem koraku dobivamo: Razlika C2 C1 > C = 1 pa nastavljamo postupak. U treem koraku dobivamo:
C3 = 48.2524.

Razlika C3 C2 > C = 1. U etvrtom koraku dobivamo:

C4 = 48.573.

Razlika C4 C3 < C = 1, pa smo zavrili postupak. Naravno, budui da broj kanala mora biti cijeli broj, kao konano rjeenje moramo izabrati prvu veu cjelobrojnu vrijednost od C4 = 48.573. Dakle, kapacitet prijenosnog sustava treba biti:
C = 49 kanala.

Vjerojatnost blokiranja za kapacitet C = 49 je B(49, 36.57) = 0.00862261 < 0.01 = pB . Proraun je izvren korektno.

6.4. MODELI MREA S KOMUTACIJOM KANALA

287

6.4.3

Preljevni promet

Za topologiju telefonske mree je tipino da izmeu svakog para vorova postoji grana koja ih povezuje. U klasinim implementacijama, iskoristivost mree se moe poveati ukoliko se uvede mogunost alternativnog usmjeravanja u mrei. Ukoliko neki poziv nije mogue uspostaviti na neposrednom putu izmeu

tu pu om vn ) ati met ern ro alt i p na vn et elje om (pr Pr

Pr om et

na ne po sre

dn om

pu tu

Slika 6.18: Mrea s alternativnim usmjeravanjem i preljevni promet dva vora, onda se poziv pokuava uspostaviti preko drugog puta duljine dvije grane, odnosno preko tzv. tandemskog vora. Na slici 6.18 pozivi izmeu vorova 1 i 2 koji se ne mogu uspostaviti na neposrednom putu se uspostavljaju preko tandemskog vora 3. Postoji vie vrsta alternativnog usmjeravanja. Ovdje promatramo samo ksno alternativno usmjeravanje. U tom sluaju za svaki par vorova postoji samo jedan rezervni put za uspostavu poziva. U mrei s ksnim alternativnim usmjeravanjem svaka grana nosi promet koji se obavlja neposredno izmeu dva vora i preljevni promet iz jednog ili vie parova vorova. Stoga je prilikom dimenzioniranja kapaciteta grane potrebno uzeti u obzir i preljevni promet. Za razliku od ponuenog prometa ija je varijanca jednaka oekivanju, preljevni promet ima znatno veu varijancu od oekivanja. Takoer, obavljeni promet ima manju varijancu od oekivanja. Dakle, preljevni promet nije Poissonov proces. To je promet za kojeg je omjer varijance i oekivanja (peackedness ) vei od 1. Oekivanje i varijancu preljevnog prometa za kanal kapaciteta C i ponueni promet a dobivamo pomou Riordanovih formula:
= E[N ] = a B(C, a), v = V ar[N ] = 1 + a C +1a+ .

(6.61) (6.62)

Postavlja se pitanje kako izraunati vjerojatnost blokiranja ne-Poissonovog prometa s varijancom v i oekivanjem koji je ponuen kanalu kapaciteta C . esto koritena metoda u ovu svrhu je Wilkinsonova metoda, poznata i pod nazivom Equivalent Random Theory. Wilkinsonova metoda polazi od pretpostavke da je svaki promet s varijancom v i oekivanjem preljevni promet nekog ktivnog kanala kapaciteta C kojem je ponuen promet a . Vrijednosti parametara ktivnog kanala proizlaze iz jednadbi koje se dobivaju izjednaavanjem oekivanja i varijance promatranog prometa i preljevnog prometa ktivnog kanala:
= B(C , a ) v = 1+ a C + 1 a + .

Ovaj sustav jednadbi mogue je tono rijeiti samo numeriki. Nakon pronalaska parametara a i C , vjerojatnost blokiranja se priblino odreuje pomou izraza:
B= a B(C + C, a ).

(6.63)

288

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Rjeavanje sustava jednadbi pri izraunavanju parametara C i a je mukotrpno i numeriki zahtjevno. Stoga se u praksi koriste razliite aproksimacije. Najpoznatija je Rappova aproksimacija:
a = v + 3z(z 1), C = a ( + z) 1, +z1

(6.64)

v gjde je z = . U sluaju kada je kanalu ponueno vie prometa razliitih varijanci i oekivanja, onda se po Wilkinsonovoj metodi takav sluaj aproksimira jednim prometnim tokom s oekivanjem i varijancom jednakim zbroju pojedinih oekivanja i varijanci tokova:

=
i

i , vi .
i

v=

(6.65)

6.4.4

Blokiranje poziva usamljenog kanala u vieuslunoj mrei

Promatrajmo usamljeni kanal kapaciteta C . Kapacitet je cjelobrojni viekratnik neke osnovne brzine prijenosa . Postoji k usluga. Svaka usluga postavlja zahtjeve za uspostavom poziva. Zahtjevi za uspostavom poziva usluge i pristiu po Poissonovom procesu intenziteta i i trae rezervaciju bi brzine prijenosa kroz kanal. bi je takoer cjelobrojni viekratnik osnovne brzine prijenosa . Trajanje uspostavljenog poziva usluge i raspodijeljeno je po eksponencijalnoj razdiobi s parametrom i . Ponueni promet usluge i deniran je umnokom intenziteta dolaska zahtijeva i srednjim vremenom trajanja poziva:
ai := i . i

(6.66)

Opisani model prikazan je na slici 6.19.

Slika 6.19: Model blokiranja poziva u vieuslunoj mrei Parametar koji nas zanima u ovom modelu je vjerojatnost blokiranja uspostave poziva PBi za uslugu i. Ovaj problem smo ve analizirali za sluaj kada je broj usluga jednak 2. U ovom modelu promatramo sluaj kada je broj usluga k proizvoljan, ukljuujui mogunost da je broj usluga k = 1. U tom sluaju za vjerojatnost blokiranja moramo dobiti rezultat koji je jednak onom kojeg daje Erlang-B formula. Vano je uoiti da sve usluge imaju openito razliite vjerojatnosti blokiranja poziva. Ve smo rekli da za sluaj kada je broj usluga jednak k = 2, model opisujemo dvodimenzionalnim Markovljevim lancem (vidi 4.3.3). U opem sluaju, model blokiranja opisujemo Markovljevim lancem s k dimenzija. Nadalje emo pretpostavljati da se poziv koji pristigne na resurs uspostavlja ako ima dovoljno raspoloivom prijenosnog pojasa. Takav princip dijeljenja resursa se zove politika potpunog dijeljena (CS - complete sharing policy ). Postoje i brojne druge politike, npr. politika parcijalnog dijeljenja (partial sharing policy ) i potpunog dijeljenja s ogranienjem zauzetosti (complete sharing policy with occupancy constraint ). Cilj njihove primjene je izjednaavanje vjerojatnosti blokiranja razliitih usluga. Da bi se dolo do vjerojatnosti blokiranja, potrebno je izraunati stacionarne vjerojatnosti stanja modela. Neka je n = [n1 , n2 , . . . , nk ] vektor stanja modela, gdje ni oznaava broj uspostavljenih poziva

6.4. MODELI MREA S KOMUTACIJOM KANALA

289

usluge i. Neka je b = [b1 , . . . , bk ] vektor zahtjeva na brzinu prijenosa. Stacionarna vjerojatnost stanja n (s oznakom P (n)) u sluaju cjelovitog dijeljenja resursa dana je izrazom (Kaufmanov teorem):
ani i ni ! i=1 ani i ni ! i=1
k k

P (n) =

(6.67)

{n:nbC}

Vjerojatnost blokiranja poziva usluge i dobiva se zbrajanjem stacionarnih vjerojatnosti onih stanja n u kojima nije mogue uspostaviti novi poziv usluge i.
PBi =
{n:nb>Cbi }

P (n).

(6.68)

Dobiveni izraz je potrebno uzeti s velikim oprezom. Stacionarna vjerojatnost stanja n predstavljaju samo udio vremena kojeg model provodi u stanju n. Vjerojatnost blokiranja poziva jednaka je vjerojatnosti da je model u stanju blokiranja u trenutku dolaska zahtjeva za uspostavom poziva. Stoga se u opem sluaju zbroj stacionarnih vjerojatnosti blokirajuih stanja i vjerojatnost blokiranja poziva razlikuju. Zbroj stacionarnih vjerojatnosti blokirajuih stanja se zove vremensko blokiranje i razlikuje se od blokiranja poziva. U sluaju Poissonovog procesa zahtijeva za uspostavom poziva, vremensko blokiranje je jednako blokiranju poziva, tj. ove dvije vjerojatnosti su brojano jednake. Ovaj princip vrijedi openito za sve M/M/n/K modele posluivanja. U literaturi je poznat pod nazivom PASTA (Poisson Arrivals See Time Averages ).

6.4.5

Neosjetljivost

Rjeenje (6.68) izvedeno je za sluaj Poissonovih dolaznih procesa zahtjeva za uspostavom poziva i eksponencijalnom razdiobom trajanja poziva. Meutim, isto rjeenje vrijedi bez obzira na razdiobu vremena trajanja poziva. Jedino to je vano da izraz (6.68) bude toan je da je srednje vrijeme trajanja poziva usluge i jednako 1/i . Dakle, trajanje poziva moe biti i unaprijed determinirano (ksno), a da su vjerojatnosti blokiranja prema (6.68) jo uvijek tone. Ovo svojstvo se u literaturi zove svojstvo neosjetljivosti (insensitivity property ). Isto svojstvo vrijedi i u mreama s komutacijom kanala i ksnim usmjeravanjem. To su one mree u kojima se pozivi odreene usluge izmeu para vorova uspostavljaju uvijek istim putom kroz mreu.

6.4.6 Kaufman-Robertsova rekurzija

Rjeenje za vjerojatnost blokiranja (6.67) i (6.68) je neprikladno za praktinu primjenu. Veliko pojednostavljenje mogue je izvriti koristei rekurziju koju su neovisno izveli Kaufman i Roberts. Neka je q(j) stacionarna vjerojatnost da je u kanalu kapaciteta C rezervirano (zauzeto) tono j jedinica, odnosno da je trenutno rezervirana brzina prijenosa j . Tada vrijedi sljedea rekurzija:
q(j) = 1 j
k

i=1

ai bi q(j bi ),

(6.69)

q(j) = 0 za j < 0. Budui da su q(j) stacionarne vjerojatnosti, mora biti zadovoljeno:

C

q(j) = 1.
j=0

(6.70)

Vjerojatnost blokiranja se izraunava prema izrazu:

bi 1

PBi =
j=0

q(C j).

(6.71)

290

POGLAVLJE 6. ODABRANI PROMETNI MODELI

Primjer 6.6

Razmatrajmo primjer s dvije usluge, k = 2. Neka su ponueni prometi: a1 = 1/2, a2 = 1/3. Vektor zahtjeva za brzinom prijenosa je b = [2, 3]. Kapacitet kanala je C = 5. Potrebno je izraunati vjerojatnosti blokiranja obje usluge. U prvom koraku je potrebno izraunati tzv. nenormalizirani vektor stanja q. Potrebno je denirati q (0) = 1. Prema rekurzivnoj formuli slijedi:
q (1) = q (2) = 1 {(1 2) + q (1 3)} = 0 q 1

1 1 {(2 2) + q (2 3)} = q 2 2 1 1 q q (3) = {(3 2) + q (3 3)} = . . . 3 3

Generiran je vektor:

1 1 1 1 . q = 1, 0, , , , 2 3 8 6
5

Normirani vektor q se dobiva dijeljenjem elemenata vektora q zbrojem svih elemenata u q.

q(0)1 =
j=0

q (j) =

24 17 = . 8 51

1 [24, 0, 12, 8, 3, 4] . 51 Vjerojatnost blokiranja poziva usluge i dobivamo zbrajanjem bi posljednjih elemenata vektora q: q= PB1 = 3+4 7 = , 51 51 PB2 = 4+3+8 15 = . 51 51

Slijedi vektor q:

6.4.7

Blokiranje poziva u mrei s ksnim usmjeravanjem i Knapsack aproksimacija

Vjerojatnost blokiranja poziva u mrei s ksnim usmjeravanjem moe se izraziti kompliciranim izrazom u produktnoj formi poput izraza (6.68). Izraz vrijedi bez obzira na razdiobu trajanja poziva (neosjetljivost). Takav izraz neprikladan je za praktine primjene i potrebno je koristiti odreene aproksimacije. Najbolje rezultate u ovom podruju postiu tzv. aproksimacije reduciranim prometom (reduced load approximation ). Postoji nekoliko aproksimacija: Kellyeva aproksimacija (jo poznata i kao aproskimacije Erlangovom ksnom tokom), Knapsack aproksimacija, Pascalova aproksimacija i druge. Meu njima najbolje rezultate daje Knapsack aproksimacija. Razmatra se mrea od J kanala (grana) koji povezuju vorove mree. Kapacitet grane j je Cj . Svi kapaciteti u mrei su cjelobrojni viekratnici neke osnovne brzine prijenosa . U mrei je prepoznatljivo k usluga. Usluga i identicirana je putom Ri na kojem uspostavlja poziv, brzinom prijenosa bi koju rezervira na svim granama na putu i ponuenim prometom ai . Put za uslugu i je skup grana Ri = {e1 , . . . , e|Ri | }. Duljina puta izraena je u broju grana - |Ri |. Ukoliko se promatra samo jedna grana u mrei, onda kroz nju pozive uspostavlja samo odreeni podskup usluga. Neka je skup indeksa tih usluga za granu j j :
j = {i : j Ri } .

Elementarna pretpostavka Knapsack aproksimacije, kao i svih aproksimacija s reduciranim prometom, je da se blokiranje poziva odvija neovisno na svim granama kroz koje se poziv uspostavlja. Dakle, vjerojatnost blokiranja poziva usluge i se prema ovoj aproksimaciji se moe izraunati na sljedei nain:
PBi = 1 (1 Lij ),

(6.72)

jRi

gdje je Lij vjerojatnost blokiranja poziva usluge i na grani j . Jasno, vjerojatnost prihvaanja poziva usluge i na grani j je jednaka 1 Lij , pa je vjerojatnost prihvata poziva s kraja na kraj mree jednaka vjerojatnosti da je poziv prihvaen na svim granama u mrei.

6.4. MODELI MREA S KOMUTACIJOM KANALA

291

Problem koji ostaje nerijeen je kako izraunati koecijente Lij . Prema Knapsack aproskimaciji Lij se odreuje na taj nain to se promatra model usamljenog kanala (grane) j kojem su ponueni reducirani prometi usluga u skupu j . Reducirani promet usluge i j se izraunava prema sljedeoj jednadbi:
ai,j = ai
jRi i=j

(1 Lij )

(6.73)

Dakle, reducirani ponueni promet usluge i je onaj promet kojeg mrea nije blokirala na granama na putu Ri osim na promatranoj grani j . S takvim ponuenim prometima svih usluga u skupu j se ulazi u proraun vjerojatnosti blokiranja za usamljeni kanal kapaciteta Cj . Lij se rauna kao vjerojatnost blokiranja usluge i na grani j uz reducirane ponuene promete aj = {ai,j : i j } i zahtjeve za brzinom prijenosa bi = {bi : i j }.
bi 1

Lij =
m=0

q(Cj m),

(6.74)

gdje je
q(m) =

1 m

ij

ai b i
Cj

rRi i=r

(1 Lrj ) q(m bi ),

(6.75)

q(m) = 1.
m=0

(6.76)

Jasno, postavlja se pitanje kako izraunati koecijente Lij jer se prema (6.75) Lij moe izraunati samo ako su poznati Lij koecijeni na svim ostalim granama. Ovakav sustav jednadbi ne moe se rijeiti eksplicitno i potrebno je upotrijebiti odreene numerike postupke. Potrebno je uoiti da je sustav jednadbi (6.74), (6.75) i (6.76) preslikavanje s prostora [0, 1]Jk u isti prostor. Kad je denirano preslikavanje s konveksnog prostora u isti prostor, onda vrijedi tzv. teorem Brouwera. Po tom teoremu, ako postoji preslikavanje f : S S , gdje je S konveksan skup, onda zasigurno postoji i toka x S takva da je x = f (x). Takva toka se naziva ksnom tokom preslikavanja f . Dakle, preslikavanje denirano Knapsack aproksimacijom zasigurno ima jednu ksnu toku. Jedan nain pronalaska ksne toke je metodom sekvencijalne iteracije. Ideja metode sekvencijalne iteracije je odabrati proizvoljno rjeenje x1 S i na osnovu njega preslikavanjem dobiti novo rjeenje x2 = f (x1 ). Rjeenje x2 se proglaava novim rjeenjem i pronalazi se rjeenje x3 = f (x2 ). Nastavljajui ovaj postupak, svako novo rjeenje se sve vie pribliava ksnoj toki x. Za Knapsack aproksimaciju je mogue pokazati da ovaj postupak uvijek konvergira ksnoj toki. Dakle, u poetku je dovoljno odabrati da su svi Lij = 1. Tada se preslikavanjem (6.74) - (6.76) pronalaze nove vrijednosti Lij . Nad tim vrijednostima se opet vri preslikavanje i postupak se ponavlja dok ne bude zadovoljen neki uvjet konvergencije.

292

POGLAVLJE 6. ODABRANI PROMETNI MODELI

6.5 Zadaci za vjebu Erlangova i hipereksponencijalna razdioba

Zadatak 6.1
Autoput ima est traka. Voza koji je upravo uao u sasvim desnu traku eli se to prije prebaciti u sasvim lijevu traku. Ako je vrijeme koje je potrebno da se voza prebaci u susjednu traku raspodijeljeno eksponencijalno s oekivanjem 10 sekundi, koju razdiobu ima vrijeme prebacivanja u sasvim lijevu traku (izraz za gustou razdiobe) i koliko je oekivanje te sluajne varijable ?

Zadatak 6.2

Na regrutaciji regruti prolaze test motorikih sposobnosti. Test se sastoji od 3 zadatka. Za rjeavanje svakog zadatka su u prosjeku potrebne 3 minute. Na test je dovedeno 20 regruta. Kada jedan regrut rjeava test, ostali ekaju. Koliko je oekivano vrijeme koje e biti potrebno da svi regruti rijee test ?

Zadatak 6.3

Sustav od 3 paralelno postavljena procesora primaju zadatke koje moraju obraditi. Zadaci upueni prvom procesoru se u ukupnom toku zadataka pojavljuju s vjerojatnou 1 , zadaci za drugi procesor s vjerojatnou 2 i zadaci za trei procesor s vjerojatnou 3 . Ukoliko su vremena obrade zadataka u procesorima raspodijeljena eksponencijalno i intenziteti obrade u procesorima redom 1 , 2 i 3 , odredite srednje vrijeme posluivanja zadataka u ovom paralelnom posluiteljskom sustavu kao i funkciju razdiobe vremena obrade.

Zadatak 6.4

Odreena ploica u telefonskoj centrali je trostruko redundantna i redundantni dijelovi rade u hladnoj rezervi. Ploica se ne mijenja dok se ne pokvare sva tri redundantna dijela (glavni i dva rezervna). Ako je prosjeno vrijeme do otkazivanja jednog elementa 1 godina, izraunajte funkciju gustoe razdiobe vremena nakon kojeg e biti potrebno zamijeniti ploicu.

Sustavi posluivanja M/Er /1 i M/D/1

Zadatak 6.5
Lijenik vodi ordinaciju bez pomoi medicinske sestre zato to je ona otila na godinji odmor. Budui da ne moe obavljati svoj dio posla i dio posla kojeg bi trebala obavljati medicinska sestra istovremeno, lijenik prvo primi pacijenta (pripremi njegov karton, provjeri zdravstvenu iskaznicu ...), a onda tek poinje obavljati pregled. Vremena pregleda i prijema su raspodijeljena eksponencijalno s oekivanjima 10 minuta. Koliki broj pacijenata eka ispred vrata ordinacije ako je intenzitet dolazaka pacijenata 2 na sat ?

Zadatak 6.6

ATM multipleksor vri statistiki multipleks 10 elijskih tokova pomou FIFO posluitelja s odlaznim linkom kapaciteta 1000 elija/s. 5 elijskih tokova imaju intenzitete po 140 elija/s, a ostalih 5 imaju intenzitete po 40 elija/s. Koliki je prosjean broj elija u spremniku i koliko je prosjeno vrijeme zadravanja elija u multipleksoru ? IP paketi pristiu u izlazni port usmjeritelja. Prosjena duljina paketa je 500 byte-ova, a dolazni intenzitet je = 1000 paketa/s. Odlazni link je kapaciteta 5 Mb/s. Ako je duljina paketa raspodijeljena po Erlangovoj E4 razdiobi, izraunajte prosjenu duljinu repa paketa i kanjenje u portu.

Zadatak 6.7

Zadatak 6.8

Ljudi dolaze na birako mjesto po Poissonovoj razdiobi s intenzitetom 0.5 ljudi u minuti. Glasai prvo dolaze do mjesta gdje se provjerava da li su na glasakom popisu i gdje dobivaju listi. Nakon toga odlaze do kabine gdje zaokruuju svog kandidata i nakon toga ubacuju listi u kutiju. Na oba mjesta se zadravaju u prosjeku 50 sekundi. Vrijeme obaju koraka je raspodijeljeno eksponencijalno. Ukoliko glasai ekaju da njihov prethodnik proe kroz oba koraka prije nego to i sami pristupe glasanju, izraunajte prosjenu duljinu reda biraa, razdiobu vremena kojeg glasa provodi glasajui i prosjeno vrijeme samog glasanja.

6.5. ZADACI ZA VJEBU

293

Poissonov proces moduliran Markovljevim procesom - MMPP

Zadatak 6.9
stanja ? Koliko stanja ima MMPP koji se dobiva superpozicijom etiri SPP procesa i koja su to Koliko stanja ima MMPP koji se dobiva superpozicijom tri IPP procesa i koja su to Izraunajte oekivanje MMPP procesa koji se dobiva superpozicijom dva jednaka IPP Izraunajte oekivanje MMPP procesa koji se dobiva superpozicijom dva jednaka SPP

Zadatak 6.10
stanja ?

Zadatak 6.11
procesa. procesa.

Zadatak 6.12

294

POGLAVLJE 6. ODABRANI PROMETNI MODELI

6.6 Rjeenja zadataka za vjebu

6.6.1
Voza eli iz prve trake prei u estu. Budui da u svakoj traci eka odreeno vrijeme, ukupno vrijeme koje e mu biti potrebno da pree u estu traku jednako je zbroju vremena koje je proveo u prvoj, drugoj, . . . , petoj traci. estu traku ne raunamo jer kada doe u estu traku, voza je ve na cilju. Dakle, ukupno vrijeme koje je potrebno da se pree u estu traku jednako je zbroju 5 eksponencijalno raspodijeljenih sluajnih varijabli. Ukupno vrijeme se stoga ravna po Erlangovoj razdiobi E5 . Prametar r te razdiobe dobivamo kao inverz prosjenog vremena kojeg korisnik provodi u jednoj liniji.
1 = 10 s 5

Rjeenje zadatka 6.1

Erlangova i hipereksponencijalna razdioba

Vrijeme od 10 s moemo shvatiti kao prosjeno vrijeme obrade u jednom posluitelju u sluaju da imamo Erlanogov posluitelj s 5 "eksponencijalnih" posluitelja. Konano, ako s x oznaimo vrijeme potrebno da voza dosegne estu traku, moemo napisati:
fx (x) =
1 1 5 50 (5 50 x)4 e5 50 x = 4!
1 1 1 1 4 10 x 10 ( 10 x) e

4!

Prosjeno vrijeme koje je potrebno da se dosegne esta traka je:

E[] = r x 1 = 50 s r

Budui da regrut ne smije ui u prostoriju u kojoj se obavlja testiranje, a testiranje (posluivanje) se sastoji od 3 koraka (posluitelja), radi se klasinom sustava posluivanja M/Er /1. Meutim, ne trai se prosjena duljina reda, nego se trai prosjeno vrijeme koje e biti potrebno da se poslui svaki od 20 regruta. Budui da se test sastoji od tri testa za ija su rjeavanja potrebna eksponencijalno raspodijeljena vremena, ukupno trajanje testiranja je raspodijeljeno po Erlangovoj razdiobi E3 s oekivanjem 9 minuta (3 testa po 3 minute). Srednje vrijeme posluivanja 20 regruta nalazimo kao 20 regruta po 9 minuta:
E[] = 20 x 1 = 20 9 = 180 min 3

Rjeenje zadatka 6.2

Rjeenje zadatka 6.3

Radi se o Hipereksponencijalnom posluiteljskom sustavu s R = 3 posluitelja. (Vidi 6.3 i izraze (6.5,6.6)). Odmah slijede razdioba i oekivanje vremena obrade u ovom posluitelju.
3

b(x) =
i=1

i i ei x ,
3

x0 i i

E[] = x = x
i=1

Rjeenje zadatka 6.4

Budui da je vrijeme ispravnog rada sustava od tri ploice sastavljeno (jednako zbroju) od tri eksponencijalno raspodijeljena vremena s prosjenom vrijednou (oekivanjem) 1 godinu, to se vrijeme ispravnog

6.6. RJEENJA

295

rada ravna po Erlangovoj razdiobi s parametrom r = 3, E3 . Koristei se izrazom (6.1) dobivamo da vrijeme do kvara sve tri ploice (x) ima razdiobu:
1

fx (x) =

3 3 god.

1 3 x 3 god. 2!

1 x 3 3 god. e

Rjeenje zadatka 6.5

6.6.2

Sustavi posluivanja M/Er /1 i M/D/1

U ovom zadatku je jedino bitno odrediti sustav posluivanja o kojem se radi. Cijela ordinacija je sustav posluivanja iji se posluitelj sastoji od dva serijski spojena "eksponencijalna" posluitelja (lijenik koji prihvaa pacijenta, i isti lijenik koji ga pregledava), svaki s oekivanjem 10 minuta. Budui da pacijent eka ispred vrata ordinacije sve dok je prethodni u njoj, jasno je da se radi o sustavu posluivanja M/E2 /1, r = 2. 1 1 = 10 min = 2 20 min Koristei se podatkom da je = 2/60 pacijenata u minuti i izrazom (6.13) dobivamo:
Nq =
2 2(1 )

1+

1 = 1 pacijent r

Rjeenje zadatka 6.6

ATM elije su paketi ksne veliine, pa je vrijeme njihovog posluivanja konstantno. Budui da se prilazni tokovi ponaaju u skladu s Poissonovim procesom, moemo ustanoviti da se radi o sustavu posluivanja M/D/1. Dolazni intenzitet je jednak:
= 5 140 + 5 40 = 900 elija/s

Intenzitet posluivanja je = 1000 elija/s. Prosjean broj elija u spremniku se izraunava prema (6.18)
Nq = 2 0.92 = = 4.05 elija 2(1 ) 2(1 0.9)

Prosjeno vrijeme zadravanja elija u multipleksoru, tj. vrijeme zadravanja u sustavu posluivanja se rauna prema (6.21):

T =

0.9 1 1 1 = 5.5 ms 1 = (1 ) 2 1000(1 0.9) 2

Budui da je duljina IP paketa raspodijeljena po Erlangovoj E4 razdiobi i da se bitovi paketa posluuju konstantnom brzinom, to je vrijeme posluivanja paketa takoer raspodijeljeno po Erlangovoj razdiobi E4 . Budui da IP paketi pristiu po Poissonovom procesu, imamo sustav posluivanja M/E4 /1. Prosjeno vrijeme posluivanja IP paketa ujedno predstavlja parametar 1/ E4 razdiobe i jednak je:

Rjeenje zadatka 6.7

5 106 = 1250 paketa/s 500 8 bita = 1000 = = 0.8 1250

296 Prema izrazima (6.13) i (6.15)

Nq T = N Ns = =

POGLAVLJE 6. ODABRANI PROMETNI MODELI

1 1 1 (1 ) 2

1 2 1+ = 2.4 paketa 2(1 ) r

1 r

= 3.2 ms

Rjeenje zadatka 6.8

Budui da se glasanje sastoji od dva serijski povezana koraka ije je trajanje raspodijeljeno eksponencijalno, i budui da graaninu nije doputeno pristupiti proceduri prije nego to prethodnik u potpunosti ne zavri glasanje, jasno je da se radi o sustavu posluivanja M/E2 /1. Daljnje rjeavanje zadatka je trivijalno. Prosjean broj glasaa u redu se rauna po (6.13).
= Nq = 0.5 = 100 = 0.83 60

Razdioba vremena posluivanja je Erlangova E2 s oekivanjem (prosjenim vremenom posluivanja) 100 sekundi.

2 1 1+ = 3.125 2(1 ) r

6.6.3

Rjeenje zadatka 6.9

Poissonov proces moduliran Markovljevim procesom - MMPP

Potrebno je samo utvrditi koliko novih stanja se moe generirati superpozicijom etiri razliita SPP procesa. Ako se zamisli da su stanja 0 i 1, onda je jedna mogua kombinacija 0010. Takvo stanje ukljuenosti izvora predstavlja jedno stanje novog MMPP-a. Budui da kombinacija ima onoliko koliko ima i binarnih brojeva koji se mogu napisati iz etiri bita, onda zakljuujemo da je broj stanja novog procesa jednak 24 = 16.

Rjeenje zadatka 6.10 Rjeenje zadatka 6.11 Rjeenje zadatka 6.12

MMPP nasljeuje stanje totalne iskljuenosti koje odgovara sluaju kada su sva tri procesa iskljuena. Ukljueni mogu biti izvori 1 i 2, 1 i 3, 2 i 3, i naravno mogu biti ukljueni svi. Dakle imamo ukupno 5 stanja. Trivijalno. m(t) = 2 mIP P (t) Trivijalno. m(t) = 2 mSP P (t)