[論文レビュー] Development of Multifractal Models for Self-Similar Traffic Flows

Ginno Millán, Gastón Lefranc|arXiv (Cornell University)|Mar 11, 2021

Complex Systems and Time Series Analysis参考文献 5被引用数 4

ひとこと要約

本論文は、自己相似性を示すトラフィックトレースへの多フラクタルモデルの適合を、ウェーブレットに基づく解析を活用して、シンプルで効率的な手法で行うことを提案する。この手法は、マルコフ変調ポアソン過程（MMPP）および標準的な自己相似モデルと比較して、実際のトラフィックダイナミクスをよりよく再現し、複数の時間スケールにわたるバースト性およびスケーリング行動を捉える上で優れた精度を示す。

ABSTRACT

This paper presents a simple technique of multifractal traffic modeling. It proposes a method of fitting model to a given traffic trace. A comparison of simulation results obtained for an exemplary trace, multifractal model and Markov Modulated Poisson Process models has been performed.

研究の動機と目的

• 自己相似性を示すトラフィックフローを多フラクタル技術を用いて実用的で効率的な方法でモデリングすること。
• 複雑な最適化を要せず、実世界のトラフィックトレースへの多フラクタルモデルの正確な適合を可能にすること。
• 提案された多フラクタルモデルの性能を、MMPPなどの既存のモデルと比較すること。
• 実際のトラフィックに見られる主な統計的性質、たとえば長距離自己相関性やバースト性を再現できるかどうかを検証すること。
• 既存のトラフィックモデリング手法に対して、スケーラブルで計算的に実行可能な代替手法を提供すること。

提案手法

• 本手法は、与えられたトラフィックトレースから多フラクタルスペクトルを推定するためにウェーブレットに基づく多フラクタル解析を採用する。
• 一般化されたフラクタル次元（Hurstパラメータ）を計算するために、分割関数アプローチを用い、複数のモーメントにおけるスケーリング行動を特徴付ける。
• 推定された多フラクタルスペクトルを用いて、元のトレースの自己相似性および多フラクタル性を保持した合成トラフィックトレースを生成する。
• トラフィックトレースから導出されたウェーブレット係数の集合を用いて、モデルをキャリブレーションし、観測データと整合性を保つ。
• 反復的最適化を回避するため、経験的多フラクタルスペクトルを確率過程モデルへ直接マッピングする。
• 同じトレースを用いて、提案された多フラクタルモデル、MMPPモデル、および標準的な自己相似モデルのシミュレーション結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 シンプルでウェーブレットに基づく手法が、実際のトラフィックトレースへの多フラクタルモデルの適合を正確に行えるか？
• RQ2 提案された多フラクタルモデルは、MMPPモデルと比較してバースト性の高いトラフィック特性をどの程度正確に再現できるか？
• RQ3 多フラクタルモデルは、実際のトラフィックに観察される長距離自己相関性およびスケーリング行動をどの程度正確に保持できるか？
• RQ4 提案された手法は、実用的なネットワークモデリング応用において計算的に効率的かつスケーラブルか？
• RQ5 多フラクタルモデルは、単フラクタルモデルやマルコフ変調型モデルと比較して、トラフィックの多スケールバースト性をよりよく捉えられるか？

主な発見

• 提案された多フラクタルモデルは、実際のトラフィックトレースに見られる多スケールバースト性および長距離自己相関性を的確に捉えている。
• シミュレーション結果から、多フラクタルモデルがMMPPモデルよりも元のトレースの統計的性質をより正確に再現していることが示された。
• 単フラクタルモデルと比較して、経験的多フラクタルスペクトルへの適合が良好であり、複雑なトラフィックダイナミクスの表現が向上していることが示された。
• ウェーブレットに基づく適合手法により、反復的最適化を経ずに直接パラメータ推定が可能となり、計算コストが低減された。
• 比較結果から、多フラクタルモデルが複数の時間スケールにわたるスケーリング行動をMMPPモデルよりもよく保持していることが明らかになった。
• 本手法は頑健でスケーラブルであり、ネットワークシミュレーションおよび性能評価フレームワークへの統合に適している。