Влияние самоподобности речевого трафика на качество обслуживания в телекоммуникационных сетях

• Автор: Осин, Андрей Владимирович
• Шифр специальности: 05.12.13
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 164 с. : ил. + Прил. (102 с.: ил.)

Глава 1. Самоподобность телекоммуникационного трафика. Постановка

задачи исследования

1.1.Основные положения теории самоподобных процессов

1.1.1. Оценка показателя Херста

1.1.2. Самоподобность трафика ТС

1.1.3. Самоподобность речевого трафика

1.2. Качество обслуживания в ТС

1.2.1. Определение QoS

1.2.2. Влияние самоподобности трафика речи на QoS

1.2.3. Пути оптимизации параметров ТС по QoS

1.3. Основные характеристики речевого трафика
(# 1.3.1. Методы сегментации речевого трафика
1.3.2. Агрегирование речевого трафика и исследование
его самоподобности
1.4. Постановка задачи исследования
Глава 2. Результаты экспериментальных исследований
речевого трафика
2.1. Постановка задачи
2.2. Структура моделируемого узла ТС
2.3. Результаты измерения характеристик речевого трафика
2.3.1. Статистические характеристики речевого трафика
А на уровне вызовов
2.3.2. Статистические характеристики речевого трафика
на уровне пакетов
2.4. Статистический анализ суммарного трафика ТС
2.5. Экспериментальное исследование нестационарное
речевых потоков
2.6. Выводы

Глава 3. Самоподобные и марковские модели речевого трафика
3.1. Постановка задачи
3.2. Марковские модели цифровых потоков на выходе кодека G
3.3. Разработка моделей речевого трафика
3.3.1. Полумарковские модели речевого трафика на уровне вызовов
3.3.2. Оценка параметров полумарковской модели и результаты моделирования речевого трафика на уровне вызовов
3.3.3. Анализ речевого трафика на уровне пакетов
3.3.4. Анализ самоподобности агрегированного трафика VoIP
3.3.5. Модель агрегированного трафика VoIP на уровне пакетов
3.3.6. Математическая формулировка предлагаемых моделей речевого трафика
3.4. Оценка фрактальных свойств речевых процессов: реальных и полученных в результате моделирования
3.5. Методика оценки стационарности моделируемых потоков
3.6. Выводы
Глава 4. Оценка влияния самоподобности речевого трафика
на QoS в ТС
4.1. Постановка задачи
4.2. Оценка влияния самоподобности речевого трафика
на QoS в VoFR-системах
4.2.1. Результаты имитационного моделирования маршрутизатора FR
с кодеками G.728 на входе. Марковские модели
4.2.2. Моделирование мультиплексора Frame Relay
с фрактальным трафиком на входе
4.2.3. Выводы
4.3. Оценка влияния самоподобности речевого трафика на показатели QoS
методами имитационного моделирования ТС в среде ns2
4.3.1. Цели, задачи и объект моделирования
4.3.2. Разработка структурной схемы для имитационного моделирования
4.3.3. Имитационное моделирование речевого трафика
4.3.4. Оценка влияния самоподобности речевого трафика
на показатели QoS
4.3.5. Выводы
4.4. Оптимизация параметров ТС на основе минимизации функционала невязки показателей QoS
4.4.1. Постановка задачи
4.4.2. Описание алгоритма минимизации функционала невязки
4.4.3. Результаты оптимизации
4.4.4. Оценка влияния самоподобности трафика
на результаты оптимизации
4.4.5. Выводы
4.5. Выводы
Заключение
Список литературы
Статистический анализ измеренного речевого трафика показывает, что он может быть представлен в виде двух, в общем случае, нестационарных компонент. Первая обусловлена трафиком на уровне вызовов на больших (минутных и часовых) интервалах времени и описывает периодические структуры ежедневных нагрузок, обычно наблюдаемых в магистральных каналах. Как правило, эта компонента имеет сильно пульсирующую, в общем случае, негауссовскую структуру, корреляционные свойства которой ограничены суточными колебаниями трафика.
Вторая компонента присутствует только на малых (секундных и минутных) масштабах времени, имеет долговременный характер и постепенно исчезает при увеличении масштаба.
Анализ полученных статистических данных показывает, что распределения процесса длительностей вызовов и процесса длительностей интервалов между поступлениями вызовов существенно отличаются от экспоненциального и хорошо описываются распределениями, имеющими «тяжелые хвосты», в частности, распределением Парето.
С помощью разработанного ПО проведен анализ статистических характеристик мультиплексированного речевого трафика, показавший, что при числе мультиплексируемых источников более 10 обрабатываемые потоки можно считать стационарными в широком смысле. Оценки степени само-подобности с использованием методов К/Б-статистики и изменения дисперсии обнаружили, что показатель Херста лежит в интервале 0,75 - 0,95. Это говорит о самоподобности мультиплексированного речевого трафика.