25.01.2014 Aufrufe

Institut für Kommunikationsnetze und Rechnersysteme - Universität ...

Institut für Kommunikationsnetze und Rechnersysteme - Universität ...

Institut für Kommunikationsnetze und Rechnersysteme - Universität ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

– 85 –<br />

flussmodell betrachtet werden, wenn an die Stelle von Zellankünften innerhalb eines Bursts ein<br />

kontinuierlicher Datenstrom mit Rate tritt.<br />

R P<br />

4.2.1.3 Modelle <strong>für</strong> selbstähnlichen Verkehr<br />

Die im letzten Abschnitt vorgestellten Modelle erzeugen Verkehrsmuster, die durch Kurzzeitabhängigkeit<br />

(short-range dependence, SRD) gekennzeichnet sind. Dies äußert sich u. a. darin,<br />

dass die Werte der Autokorrelationsfunktion zwar von null verschieden sind, aber mit zunehmendem<br />

Zeitversatz (lag) rasch gegen null gehen. Bei zahlreichen Messungen von IP-Verkehr<br />

in LANs <strong>und</strong> in Weitverkehrsnetzen konnten jedoch auch Langzeitabhängigkeiten (long-range<br />

dependence, LRD) beobachtet werden, d. h. eine nicht verschwindende Autokorrelation über<br />

große Zeitbereiche hinweg [111, 172, 222]. Solche Langzeitabhängigkeiten führen zu selbstähnlichem<br />

Verkehr.<br />

Eigenschaften selbstähnlicher Prozesse<br />

Selbstähnlichkeit kann anschaulich als das Auftreten ähnlicher Verkehrsmuster auf allen Zeitebenen<br />

gedeutet werden. Aus der mathematischen Definition <strong>für</strong> Selbstähnlichkeit [219], die in<br />

verschiedenen Abstufungen auftreten kann (distributional, second order, asymptotically second<br />

order), können einige charakteristische Merkmale selbstähnlichen Verkehrs abgeleitet<br />

werden [94, 172]. Dazu gehört insbesondere, dass die Varianz des kumulierten Ankunftsprozesses<br />

A t , also der in einem Zeitintervall der Länge t ankommenden Datenmenge, stärker mit<br />

t ansteigt als bei Erneuerungsprozessen oder Ankunftsprozessen mit Kurzzeitabhängigkeit.<br />

Quantitativ lässt sich dies mit Hilfe des Hurst-Parameters H folgendermaßen ausdrücken,<br />

wobei c einen nicht von t abhängigen Faktor bezeichnet: 3<br />

VAR [ A t ] → c ⋅ t 2H <strong>für</strong> t → ∞<br />

(4.8)<br />

Die steigende Varianz von A t korrespondiert mit einer sinkenden Varianz der in einem Intervall<br />

der Länge t zu beobachtenden mittleren Rate :<br />

VAR [ m t ] → c ⋅ t 2H – 2 <strong>für</strong> t → ∞<br />

(4.9)<br />

Der Hurst-Parameter nimmt Werte zwischen 0.5 <strong>und</strong> 1 an, wobei H = 0.5 <strong>für</strong> Verkehr gilt, der<br />

keine Selbstähnlichkeit aufweist, während H = 1 einen Extremfall darstellt, bei dem überhaupt<br />

keine Varianzreduktion bzgl. der mittleren Rate auftritt.<br />

m t<br />

3 Gleichung (4.8) bezieht sich auf asymptotische Selbstähnlichkeit. Bei exakter Selbstähnlichkeit (zweiter Ordnung)<br />

gilt sogar Gleichheit.

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!