[논문 리뷰] Estimation of Hurst Exponent in Self-similar Traffic Flows

Ginno Millán|arXiv (Cornell University)|2021. 03. 11.

Simulation Techniques and Applications인용 수 4

한 줄 요약

이 논문은 자기유사성 있는 트래픽 흐름에서 허스트 지수(H)를 정확하게 추정하기 위해 월틀 최대우도추정기(MLE)의 새로운 변종을 제안한다. 이는 장거리 의존성과 이질적인 네트워크 소스에서 H의 국소성 문제에 기인한 과제를 다루며, 집계된 및 개별 트래픽 스트림 모두에서 추정의 강건성을 향상시켜 현대 컴퓨터 네트워크 트래픽의 지속적 상관관계를 모델링하고 시뮬레이션하는 데 더 신뢰할 수 있는 대안을 제공한다.

ABSTRACT

In this paper it presents, develops and discusses the existence of a process with long scope memory structure, representing of the independence between the degree of randomness of the traffic generated by the sources and flow pattern exhibited by the network. The process existence is presented in term of a new algorithmic that is a variant of the maximum likelihood estimator (MLE) of Whittle, for the calculation of the Hurst exponent (H) of self-similar stationary second order time series of the flows of the individual sources and their aggregation. Also, it is discussed the additional problems introduced by the phenomenon of the locality of the Hurst exponent, that appears when the traffic flows consist of diverse elements with different Hurst exponents. The instance is exposed with the intention of being considered as a new and alternative approach for modeling and simulating traffic in existing computer networks.

연구 동기 및 목표

• 장거리 의존성이 있는 자기유사성 트래픽 흐름에서 허스트 지수를 추정하기 위한 강건한 알고리즘을 개발하는 것.
• 다양한 트래픽 소스 간에 변동하는 허스트 지수 문제(즉, 국소성 문제로 알려진 과제)를 해결하는 것.
• 개별 및 집계된 네트워크 트래픽 스트림 모두에서 허스트 지수 추정의 정확도를 향상시키는 것.
• 정교한 H 추정 기반으로 새로운 대안적 모델링 및 시뮬레이션 프레임워크를 제공하는 것.
• 실제 네트워크 데이터에서 지속적 상관관계를 잘 포착하는 데에 이 방법의 효과성을 검증하는 것.

제안 방법

• 논문은 자기유사성 트래픽에서 두 번째 순서 정상 시간 시리즈에 특화된 수정된 월틀 최대우도추정기(MLE)의 버전을 도입한다.
• 일반 소스 흐름과 그 집계된 결과물에 모두 알고리즘을 적용하여 일관성과 정확도를 평가한다.
• 주파수 도메인에서 스펙트럼 밀도 근사치를 최적화하여 장거리 의존성을 고려한다.
• 다른 허스트 지수를 가진 혼합된 트래픽 소스로 인한 비정상성과 이질성 문제를 보완하기 위해 보정 조치를 통합한다.
• 유한 표본에서의 편향을 보정하기 위해 시간 시리즈의 페리오그램 기반 우도 함수를 사용하는 추정 과정을 수행한다.
• 모의실험과 합성 및 실제 트래픽 데이터 분석을 통해 접근법을 검증하며, H 추정의 안정성에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 장거리 의존성이 있는 자기유사성 트래픽 흐름에서 허스트 지수를 어떻게 더 정확하게 추정할 수 있는가?
• RQ2 소스의 이질성이 집계된 네트워크 트래픽에서 허스트 지수 추정에 어떤 영향을 미치는가?
• RQ3 수정된 월틀 MLE가 네트워크 트래픽에서 지속적 상관관계를 포착하는 데 있어 기존 추정기보다 뛰어나게 작용할 수 있는가?
• RQ4 허스트 지수의 국소성은 트래픽 모델링 및 시뮬레이션의 신뢰성에 어떤 영향을 미치는가?
• RQ5 제안된 알고리즘이 개별 및 집계된 트래픽 스트림 모두에서 H 추정에 어떤 개선을 가져오는가?

주요 결과

• 제안된 월틀 MLE 변종은 장거리 의존성이 존재하는 상황에서도 기존 방법에 비해 허스트 지수 추정의 정확도가 향상됨을 보여준다.
• 알고리즘은 개별 및 집계된 트래픽 흐름 모두에서 안정적인 H 추정치를 유지하여 추정의 분산을 감소시킨다.
• 다른 허스트 지수를 가진 혼합된 소스를 더 잘 다루기 때문에 국소성 문제의 영향을 효과적으로 완화한다.
• 추정기에서 사용하는 스펙트럼 밀도 근사치는 유한 표본 상황에서의 편향을 감소시켜 신뢰도를 향상시킨다.
• 실험 결과로는 추정기가 트래픽의 자기유사성 구조를 잘 유지함을 확인하였으며, 이는 네트워크 시뮬레이션에의 활용 가능성을 뒷받침한다.
• 이 접근법은 지속적 상관관계 패tern을 가진 트래픽의 모델링 및 시뮬레이션을 위한 실용적인 대안을 제공한다.