Th`ese de Doctorat de l'université Paris VI Pierre et Marie Curie Mlle ...

More documents

Recommendations

Info

Ces heuristiques étendent l’algorithme de partage équitable “max-min fair share” qui est introduit dans [13]. Le but de cet algorithme est d’allouer la capacité du réseau d’une façon équitable et indépendamment des caractéristiques diverses des applications du réseau. – L’illustration d’un modèle mathématique pour le problème d’allocation dynamique de la bande passante ; la solution de ce modèle permet de maximiser les revenus du réseau et d’obtenir des limites supérieures sur les performances obtenues par n’importe quel algorithme “online” d’allocation dynamique de la bande passante. En plus, ce modèle mathématique se base sur le problème de maximisation des revenus du réseau qui est adressé par un grand nombre de chercheurs [1, 2, 3, 6, 7, 14, 15]. Lerestedecerésumé est organisé comme suit : la section 3 dresse un état de l’art sur l’allocation dynamique de la bande passante. Ensuite, la section 4 introduit notre modèle de service et l’architecture proposée pour la gestion dynamique des ressources, en plus, cette même section décrit le modèle mathématique et l’ensemble des heuristiques proposées pour l’allocation dynamique de la bande passante. La section 5 donne une discussion des résultats obtenus et finalement, la section 6 termine le résumé par les conclusions et les perspectives futures de notre recherche. 3. Allocation dynamique de la bande passante : Algo- rithmes et Architectures Dans [13], un algorithme du partage équitable max-min est introduit pour allouer la bande passante disponible dans le réseau équitablement entre toutes les connexions qui partagent le même lien. Cette allocation suppose que les caractéristiques de toutes les connexions sont identiques. Essentiellement, ce mécanismedecontrôle de flux maximise la bande passante allouée à chaque application indépendamment des différences entre ces applications. La notion du partage équitable max-min est étendue par [6] pour prendre en 4
compte les fonctions d’utilité des utilisateurs. Les auteurs de [6] ont introduit le critère “utility max-min fairness” pour maximiser l’utilité minimale reçue par une application qui partage les ressources en contrainte du réseau. Dans ce travail, nous étendons l’algorithme de partage équitable max-min pour allouer la bande passante disponible sous forme de contrats à court terme aux utilisateurs qui ont l’intention de transmettre au-delà de la bande passante spécifiée dans leur contrat SLA (Service Level Agreement). Des mécanismes de contrôle de flux qui sont basés sur la notion d’utilité sontadressés par un grand nombre de chercheurs [7, 14, 15] afin d’allouer la capacitéduréseau de manière à maximiser les revenus de ce dernier. Dans [7, 14], les auteurs considèrent exclusivement les fonctions d’utilité concaves pour lesquelles existent des solutions de la théorie étendue et des algorithmes comme les condi- tions de Karush-Kuhn-Tucker et le théorème de dualité. Les auteurs dans [15] ont élaboré le problème d’allocation distribuée de la bande passante pour les utilisateurs qui présentent des fonctions d’utilité générales (concaves et sigmoïdales) pour prendre en compte le cas où seprésentent les diverses applications. En plus, ils ont démontré que le fait d’appliquer des algorithmes de contrôledefluxdéveloppés pour les fonctions d’utilité concaves dans un cas plus réel, celui des fonctions d’utilité générales, peut mener à une instabilité età une grande congestion du réseau. Dans notre modèle de service, nous ne nous limitons pas aux fonctions d’utilitéconcaves; comme dans [15], nous permettons aux utilisateurs d’avoir des fonctions d’utilité générales qui est le cas naturellement dans le contexte d’applications diverses. Cependant, pour résoudre le problème d’allocation de la bande passante disponible dans le réseau, nous distinguons deux cas : 1) tous les utilisateurs ont des fonctions d’utilité concaveset2)les utilisateurs ont des fonctions d’utilité générales. Dans le premier cas, nous proposons une formulation mathématique du problème de maximisation du revenu total du réseau tandis que, dans le deuxième cas, nous introduisons 5
Page 1 and 2: Thèse de Doctorat de l’universit
Page 3 and 4: To my family.
Page 5 and 6: Abstract Efficient dynamic resource
Page 7: Acknowledgements I would like to th
Page 10 and 11: 4.2 Connections Classification . .
Page 13 and 14: Résumé delaThèse 1. La probléma
Page 15: supérieure sur les performances qu
Page 19 and 20: (Policy Decision Point), d’un ens
Page 21 and 22: ligne pour individualiser la bande
Page 23 and 24: 6. Nous proposons trois algorithmes
Page 25 and 26: appelons débit de crête. Six sour
Page 27 and 28: 6. Conclusion générale et Perspec
Page 29 and 30: Chapter 1 Introduction The Internet
Page 31 and 32: upper bounds to the performance ach
Page 33 and 34: Chapter 2 Dynamic Bandwidth Allocat
Page 35 and 36: Utility Function Types In a multi-a
Page 37 and 38: comes smaller than the application
Page 39 and 40: of which there exist extensive theo
Page 41 and 42: allows us to allocate the bandwidth
Page 43: Shenker in [10] states that the net
Page 46 and 47: implements such service model by pe
Page 48 and 49: considering different constraints l
Page 50 and 51: 4.1 Problem Statement Let us model
Page 52 and 53: y all network users. Using the nota
Page 54 and 55: in the following Section. The struc
Page 56 and 57: Optimum Bandwidth Allocation Algori
Page 58 and 59: Table 5.1: Pseudo-code specificatio
Page 60 and 61: of all greedy connections that are
Page 63 and 64: Chapter 6 Mathematical Model This C
Page 65 and 66: 1 2 3 4 0000000000 1111111111 00000
Page 67 and 68:
Chapter 7 Numerical Results The mai
Page 69 and 70:
the two core nodes is equal to 6 Mb
Page 71 and 72:
Total Accepted Load (Mb/s) 6 5.5 5
Page 73 and 74:
Page 75 and 76:
plottedinFigure7.9. Figures 7.10 an
Page 77 and 78:
Total Accepted Load (Mb/s) 6 5 4 3
Page 79 and 80:
S 2 S 3 S 4 1 S 6 S1 S5 2 3 4 5 D 1
Page 81 and 82:
high network loads, where it achiev
Page 83 and 84:
proposed allocation algorithms in a
Page 85 and 86:
Table 7.3: Peak rate, subscribed ra
Page 87 and 88:
Chapter 8 Performance Upper Bound T
Page 89 and 90:
Table 8.1: Average performance gain
Page 91 and 92:
Page 93 and 94:
Total Accepted Load (Mb/s) 6 5 4 3
Page 95 and 96:
Chapter 9 Conclusion 9.1 Discussion
Page 97:
established by creating a session i
Page 100 and 101:
[7] F. P. Kelly, “Charging and ra
Page 102 and 103:
[26] P. Reichl, S. Leinen, and B. S
Page 105 and 106:
Appendix A Algorithm Implementation
Page 107 and 108:
these latters are implemented using
Page 109 and 110:
• boolean State: the connection s
Page 111 and 112:
(CSTtable) is updated by the ingres
Page 113 and 114:
Table A.2: Java code for updating t
Page 115 and 116:
List of Acronyms ACA Autonomous Com
Page 117 and 118:
List of Figures 1 Notre architectur
Page 119 and 120:
8.1 Performance upper bound for all
Page 121:
List of Tables 5.1 Pseudo-code spec
show all

Th`ese de Doctorat de l'université Paris VI Pierre et Marie Curie Mlle ...

Create successful ePaper yourself

Delete template?

Save as template?