[論文レビュー] An End-to-End Probabilistic Network Calculus with Moment Generating Functions for Efficient Utilization of Independence

Markus Fidler|arXiv (Cornell University)|Jul 3, 2005

Advanced Queuing Theory Analysis被引用数 4

ひとこと要約

本稿では、モーメント生成関数（MGFs）を用いたエンドツーエンドの確率的ネットワーク計算を導入し、直列接続されたサーバー鎖における線形スケーラビリティを達成する。従来の手法を上回る統計的独立性の活用により、閉形式でタイトな確率的性能境界を提供し、独立したクロストラフィックを伴うネットワークにおけるリソース利用効率と多重化利得を顕著に向上させる。

ABSTRACT

Network calculus is a min-plus system theory for performance evaluation of queuing networks. Its elegance stems from intuitive convolution formulas for concatenation of deterministic servers. Recent research dispenses with the worst-case assumptions of network calculus to develop a probabilistic equivalent that benefits from statistical multiplexing. Significant achievements have been made, owing for example to the theory of effective bandwidths, however, the outstanding scalability set up by concatenation of deterministic servers has not been shown. This paper establishes a concise, probabilistic network calculus with moment generating functions. The presented work features closed-form, end-to-end, probabilistic performance bounds that achieve the objective of scaling linearly in the number of servers in series. The consistent application of moment generating functions put forth in this paper utilizes independence beyond the scope of current statistical multiplexing of flows. A relevant additional gain is demonstrated for tandem servers with independent cross-traffic.

研究の動機と目的

• 統計多重化の進展にもかかわらず、既存の確率的ネットワーク計算アプローチにおけるスケーラビリティの欠如に取り組む。
• 古典的ネットワーク計算における最悪ケース仮定の制限を克服し、確率的性能境界を可能にする。
• 直列接続されたサーバー数に対して線形スケーリングを達成し、決定的サーバー合成の効率性を再現する。
• 現在の手法を上回るレベルでクロストラフィックフローの統計的独立性を効果的に活用し、性能境界を向上させる。
• MGFsを用いた閉形式のエンドツーエンド境界を通じて、性能とリソース利用効率の顕著な向上を実証する。

提案手法

• 確率的ネットワーク計算フレームワークを、モーメント生成関数（MGFs）に基づいて定式化し、確率的トラフィックおよびサービス曲線をモデル化する。
• 従来の有効帯域幅手法を上回るレベルで、ネットワーク全体にわたりMGFsを一貫して適用し、クロスティックストリームの独立性を活用する。
• 直列接続された個々のサーバーおよびトラフィックソースのMGFsを合成することで、エンドツーエンドの性能境界を閉形式で導出する。
• MGFsの無記憶性を活用し、畳み込み演算を簡素化し、サーバー鎖における線形複雑度を維持する。
• 解析的取り扱いの容易さと確率的遅延およびバックログ境界の効率的計算を可能にする統一的な数学的構造を導入する。
• ネットワーク合成プロセス全体にわたり、確率的独立性を保持することで、一貫性と正しさを保証する。

実験結果

リサーチクエスチョン

• RQ1 確率的ネットワーク計算は、直列接続されたサーバー数に対して、決定的ネットワーク計算と同等の線形スケーラビリティを達成できるか？

主な発見

• 提案されたMGFベースのフレームワークは、直列接続されたサーバー数に対して線形複雑度を達成し、エンドツーエンドの確率的性能境界を実現する。
• 遅延およびバックログ境界の閉形式表現が導出され、効率的かつ実用的な性能評価が可能になる。
• 現在の統計多重化技術を上回るクロスティックの独立性の活用により、リソース利用効率の顕著な向上が実証された。
• 独立したクロスティックを伴う直列サーバー鎖では、より洗練された独立性モデリングのおかげで、性能境界に測定可能な改善が見られた。
• 既存の確率的アプローチに比べ、スケーラビリティと境界のタイトさの両面で優れた性能を発揮しながらも、解析的取り扱いの容易さを維持している。