Beruflich Dokumente
Kultur Dokumente
A principal implicância que isto tráz é no desenvolvimento de Para inferir se um determinado processo estocástico possui
algoritmos para evitar o congestionamento de tráfego de dados, intrinsecamente características com dependências de longa
caso eles sejam baseados nos modelos clássicos, práticamente a
vazão ou perda de dados será bastante considerável [3], 1
Pelas siglas em inglés Wide Sense Stationary (WSS)
0.8
eq. (3) pode ser rescrita como
0.7
1 jm (4) 0.6
X (j m ) = ∑ Xi
m i = ( j −1)m + 1
j =1,2 ,K 0.5
r(k)
0.4
0.3
-0.1
equivalente ao processo original X sobre uma escala de tempo 0 100 200 300 400 500
Lag (k)
600
[seg]
700 800 900 1000
[ ] σ2 2 (5)
m
Var X (j m ) = +
m m2 ∑ (m − k )r (k )
k =1
σ2 (6)
[ ] k
m
Var X (j m ) =
m ∑
1 + 2 1− r (k )
k =1 m
Figura 2 Função de densidade espectral de um processo DCD
k =0
∑ r (k ) < + ∞
∞ separadas por um atraso (lag) temporal longo são consideradas
(a) k =0 praticamente independentes, apresentando um típico decaimento
exponencial na sua função de correlação.
(b) f (0) < + ∞
(c) lim
m→ ∞
{mVar [X (jm ) ]} < + ∞
3.2 Processos com Dependência de Longa
Duração (DLD)
Por outro lado, existem outra classe de processos os quais
possuem as características de dependência de longa duração,
como definidas a seguir.
Um processo estocástico WSS denotado por X com uma função
de autocovariância r (k ), k ≥ 0 é dita que possui uma
dependência de longa duração si satisfaz as seguintes condições
∑ r (k ) = + ∞
∞
(a) k =0
{mVar [X (jm ) ]} = + ∞
As condições (a), (b) e (c) dadas acima para processos DLD são
(c) lim
m→ ∞ muito gerais. Para ser mais específicos considerando as
características quantitativas dos processos com DLD, podem ser
Sem perda de generalidade, o fato da função de autocovariância consideradas as seguintes condições equivalentes considerando
seja não sumável sugere que valores de autocovariâncias para 0 < α <1
atrasos longos são individualmente pequenos, o seu efeito
acumulativo é bastante considerável. As funções de (A) r (k ) ≈ k − α L1 (k ) para k → ∞
autocovariância para processos DLD decaem mais lentamente
do que exponencialmente; tipicamente eles obedecem alguma (B) f (ν ) ≈ να −1 L2 (ν ) para ν → 0
lei de potência, este comportamento é conhecido também como
decaimento hiperbólico. (C) Var [X (j m ) ] ≈ m − α L3 (m ) para m → ∞
0.6
(1) Análise da variância-tempo do processo agregado
r(k)
0.5
0.4
(domínio do tempo).
0.3
(2) Análise baseada na estatística R/S (domínio do tempo).
0.2
(3) Análise do índice de dispersão (IDC) (domínio do tempo).
0.1
(4) Análise do estimador de máxima verossimilhança de
0
Whittle local (domínio da freqüência).
0 100 200 300 400 500 600 700 800 900 1000
Lag (k) [seg]
[ ]
Var X (j m ) ≈ am −β (8)
Por outro lado, se o proceso em questão possui uma variância bloco de comprimento m não sobreposto dessa serie agregada
amostral que decai rapidamente, a lei matemática será a [1][13]. Matematicamente a razão dada por R(n ) S (n ) é
seguinte definida como
Var [X (j m ) ] ≈ am −1 (9)
R( n) (10)
=
1
S( n) S( n )
[
max ( 0, W1 , W2 ,..., Wn ) − min ( 0, W1 , W2 ,..., Wn ) ]
As eq. (8) e (9) mostram as condições (c) tanto para processos
com DLD e DCD descritas na Seção 3 respectivamente. As Figs.
5 e 6 mostram esses comportamentos. Os termos Wk estão dados por Wk =( X 1 + X 2 +L+ X k )−k X (n ) , . O
0
(Pontos normalizados) Parâmetro Beta estimado: -0.32294 termo dado por S(n) é a variância amostral de X t +1 ,X t + 2 ,L,X t + n . i i i
E ≈ dn
H
( )
-1.5
S n
-2
Coef. Angular = -1
Hurst observou que o parâmetro H oscilava tipicamente no
-2.5
intervalo 0.5 < H <1 , a constante d da eq. (11) é finita positiva e
-3
0 0.5 1 1.5 2 2.5 3
independe de n. Naquela época, isto era bastante contraditório
log Escalas de Tempo
porque segundo a teoria essas series temporais deveriam
obedecer a lei dada por
Figura 5 Análise da Variância-tempo para um processo DLD
R(n ) (12)
E ≈ dn
0.5
1.5
-1.5
log Var[X(m)]
-2
1.5
-2.5
log10 R/S
-3 1
-3.5
0 0.5 1 1.5 2 2.5 3
0.5
log Escalas de Tempo
4.2 A Estatística R/S Figura 8 Estatística R/S para um processo com DCD
A estatística R/S (rescaled reajusted range statistic) esta Desta maneira Hurst generalizou a lei n0.5 para a lei n H . A
baseada em um enfoque gráfico heurístico [1] que trata de obter
discrepância entre a eq. (11) e a eq. (12) é conhecida atualmente
a informação fractal ou não de um dado registro temporal.
com o nome de efeito Hurst ou fenômeno de Hurst. Portanto,
Basicamente, mediante a utilização do processo agregado dado segundo a estatistica R/S o comportamento de um processo com
pela eq. (4) calcula-se a razão dada por R(n ) S (n ) para cada DLD debe obedecer à eq. (11) e para um processo com DCD tal
comportamento é governado pela eq. (12). As Figs. 7 e 8 10
1
log10 IDC(t)
R/S é do tipo gráfico e bastante robusto [1], isto é, independe da
0
10
10
0
10
1
10
2
10
3
10
4
10
5
analisada corresponda a um processo com DCD esta etapa Figura 9. Análise do índice de disperssão para um processo
transiente não mudará, ou seja, os pontos calculados irão oscilar com DCD
em torno do valor fixo dado por H = 0.5 (Fig. 7). Porém, se o
Note-se que quando o log [IDC (t )] é plotado em função de
processo possui intrinsecamente uma natureza DLD essa etapa
transiente muda para uma etapa estacionária e bem definida, log (t ) , a eq. (15) resulta numa função linear do tempo com um
isto é, os pontos calculados irão flutuar com um coeficiente coeficiente angular dado por 2 H − 1 O IDC para os processos
angular bem definido no intervalo 0.5 < H <1 (Fig. 6). com DLD cresce monotonamente por varias escalas de tempo. A
Fig. 10 mostra tal comportamento.
4.3 Análise do Indice de Dispersão (IDC) Portanto, estas três análises mostram que o comportamento é
Uma medida de uso comum para capturar a variabilidade dos totalmente diferente para processos com DCD e DLD. A
processos estocásticos é dada pelo índice de dispersão IDC seguinte sub-seção apresenta uma análise no dominio da
(Index of Dispersion for Counts), tendo no passado recente e freqüência para ambos processos estudados.
atualmente muita importância nas medições do tráfego de dados
LAN/WAN em diferentes escalas de tempo. Para um dado
intervalo de tempo, t, o IDC é dado pela variância do número de
4
10
IDC (t )=1 +
2
10
(13)
2(λ1 − λ 2 ) r1r2
[ ]
2
−(r +r )t
− − e
1
1 10
(r1 + r2 )2 (λ1r2 + λ 2 r1 )t
1 2
0 1 2 3 4 5
10 10 10 10 10 10
log10 (t)
Onde λ 1 e λ 2 são as taxas médias dos processos de chegadas Figura 10. Análise do índice de disperssão para um processo
com DLD
que obedecem a uma distribuição de Poisson e ω1 e ω 2 são os
tempos médios de permanência em ambos os estados. Notar que 4.4 O Estimador de Whittle Local
o IDC converge para um valor finito quando t →∞ , ou seja
O estimador de máxima verosimilhança de Whittle local é o
valor do vetor η que minimiza a função Q dada por
Var (X (j m ) ) 2(λ1 − λ 2 ) r1r2
2
(14)
IDC(∞ )= lim = 1+
E (X j )
(m )
(r1 + r2 ) (λ1r2 + λ 2 r1 ) I (ν j ) (16)
t →∞ 2 M
Q (η) = ∑ f (ν , η)
j =1 j
O IDC para um processo com DLD apresenta, mais uma vez, um da serie temporal agregada, ν j são as componentes de
comportamento diferente. Segundo estudos realizados [1], para freqüência de Fourier utilizadas dadas por ν j = 2πj N e I (ν j )
este tipo de processos, o IDC obedece à seguinte lei é a função periodograma do processo em questão.
IDC(t ) =
[ ]
Var X (j m )
≈ ct 2 H −1
(15) O vetor η envolve tanto as componentes de longa e curta
[ ]
E X (j m )
dependência da serie temporal estudada. Quando analisa-se o
movimento Browniano fracional ou os processos “ideais” f-
ARIMA(0,d,0) [14][15], esse vetor η corresponde simplesmente
Onde c é uma constante positiva finita que independe do tempo.
aos valores de H (parâmetro de Hurst) ou d (parâmetro de
diferença ou integrador) respectivamente.
Para utilizar-se o estimador de Whittle, é necessário assumir H Intervalo de
apriori o comportamento da densidade espectral de potência (Parâmetro de Hurst) Confidência
perto da origem. A função de densidade espectral a ser utilizada Processo com DCD 0,49 ± 0.01
na eq. (16) é dada pela seguinte relação [1][12] (condições (b) e
Processo com DLD 0,87 ± 0.03
(B) da sub-seção 3.2)
Tabela 1. Resultados do estimador de Whittle
f (ν ) ≈ CH ν 1− 2 H
(17)
Por outro lado, para um processo com DLD o resultado é
categórico, este processo apresenta um parâmetro de Hurst bem
A eq. (17) corresponde ao comportamento assintótico do
definido no intervalo 0.5 < H <1 , que para este caso em
movimento Browniano fracional [14][16]. A eq. (17) apresenta
uma topología que obedece a uma lei de potência (veja a Fig. 4). particular é H ≈ 0.87 .
É bom lembrar que o comportamento dado pela eq. (17) é
assumido tanto para os processos DCD como os DLD. 4.5 Medida de Desempenho de Uma Fila com
Ambos Tipos de Tráfego como Processos de
Portanto, tendo escolhido o modelo espectral do processo, este Entrada
será ajustado para o espectro medido pelo processo de
minimização dado por Nesta sub-seção apresenta-se brevemente uma análise de
desempenho de uma fila tendo como processos de entrada
I (ν j ) (18) tráfego com DCD e DLD em forma separada, como mostra a
1
∑ log (ν )
M M
j =1 j j =1
1.5
10
1
9
H = 0.9
0.5
8 H = 0.8
0.87
H = 0.7
0 7 M/M/1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
M/D/1
H
Tamanho do buffer
0.7 4
3
0.6
0.5
1
0.4 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
R(H)
REFERÊNCIAS
[1] LELAND, Willie E. , TAQQU, Murad S., WILLINGER,
Walter, WILSON, Daniel V. On the Self-Similar Nature
of Ethernet Traffic. IEEE/ACM Trans. On Networking, v.
2, n.1, p. 1-15, Feb. 1994.
[2] STALLINGS, William. Viewpoints: Self-similarity upsets
data traffic assumptions. IEEE Spectrum. p. 28-29, Jan.
1997.
[3] WILLINGER, Walter., PAXSON, Vern. Where
Mathematics Meets the Internet. Notice of the AMS. p.
961-970, September 1998.
[4] TAQQU, Murad, S., WILLINGER, Walter., SHERMAN,
Robert. Proof of a Fundamental Result in Self-similar
Traffic Modeling. Computer Communication Review No
27, p. 5-23, 1997.
[5] WILLINGER, Walter, TAQQU, Murad S., SHERMAN,
Robert, WILSON, Daniel V. Self-Similarity Through
High-Variability : Statistical Analysis of Ethernet LAN
Traffic at the Source Level. IEEE/ACM Trans. on
Networking, v. 5, n. 1, Feb. 1997.
[6] HEFFES, H., LUCANTONI, David M. A Markov
Modulated Characterization of Packetized Voice and Data