[论文解读] A Temporal Approach to Stochastic Network Calculus

Jing Xie, Yuming Jiang+1 more|arXiv (Cornell University)|Dec 13, 2011

Network Traffic and Congestion Control参考文献 26被引用 3

一句话总结

本文通过基于累积到达时间和累积服务时间建模流量和服务，提出了一种时间域的随机网络计算方法，适用于误码和竞争型网络（如无线和多路访问系统）的分析。主要贡献是建立了一个新的时域框架，实现了延迟和缓存上限、叠加及串联等基本性质，并通过模型转换将这些性质与现有空域模型关联起来。

ABSTRACT

Stochastic network calculus is a newly developed theory for stochastic service guarantee analysis of computer networks. In the current stochastic network calculus literature, its fundamental models are based on the cumulative amount of traffic or cumulative amount of service. However, there are network scenarios where direct application of such models is difficult. This paper presents a temporal approach to stochastic network calculus. The key idea is to develop models and derive results from the time perspective. Particularly, we define traffic models and service models based on the cumulative packet inter-arrival time and the cumulative packet service time, respectively. Relations among these models as well as with the existing models in the literature are established. In addition, we prove the basic properties of the proposed models, such as delay bound and backlog bound, output characterization, concatenation property and superposition property. These results form a temporal stochastic network calculus and compliment the existing results.

研究动机与目标

• 解决现有随机网络计算在分析具有概率服务的网络（如误码无线链路和竞争接入）时的局限性。
• 开发一种时域建模方法，从间隔到达时间和间隔服务时间的视角捕捉分组到达和服务的时序行为。
• 在新时域框架内建立基本性质——延迟上限、缓存上限、输出表征、串联和叠加。
• 通过推导时域与现有空域模型之间的转换规则，弥合时域与空域随机网络计算之间的差距。
• 使复杂网络场景（如泊松过程的叠加）的性能分析成为可能，借助新的时域模型。

提出的方法

• 基于分组间累积到达时间 $\Gamma(m,n) = a(n) - a(m)$ 定义流量模型，形成时域到达曲线的基础。
• 基于每分组的累积服务时间定义服务模型，使用服务时间 $\delta_n$ 表征时域服务过程。
• 引入两种时域随机到达曲线：$v.w.d$（具有边界函数 $h(y)$）和 $v.b.c$（具有反函数 $z^{-1}_i(x)$），以实现概率延迟和缓存上限。
• 通过反函数和时间偏移上的上确界，建立时域 $v.w.d$ 与空域 $v.b.c$ 随机到达曲线之间的模型转换。
• 通过推导聚合时域到达曲线 $\lambda(n) = \inf\{\tau : \sum_{i=1}^N \alpha_i(\tau) \geq n\}$ 和边界函数 $h(y) = f(z^{-1}(y))$，证明 $N$ 个流的叠加性质。
• 使用最小-正则代数和最大-正则代数形式化时域网络计算，确保与既定网络计算原理的一致性。

实验结果

研究问题

• RQ1 如何从时域视角重构随机网络计算，以更好地建模无线和多路访问网络中的概率服务？
• RQ2 当流量和服务在时域中建模时，延迟上限、缓存上限、输出表征、串联和叠加等基本性质是什么？
• RQ3 时域随机到达曲线如何转换为其等价的空域对应形式，反之亦然？
• RQ4 多个随机到达过程（如泊松过程）的叠加能否在时域中有效表征？
• RQ5 模型转换在实现跨不同网络场景的灵活且精确的性能分析中起到什么作用？

主要发现

• 本文基于累积到达时间和累积服务时间，建立了一个完整的时域随机网络计算框架，使具有概率服务的网络性能分析成为可能。
• 两个独立泊松过程叠加的时域 $v.w.d$ 随机到达曲线被推导为 $\lambda_s(n) = T_s \cdot n$，其中 $T_s < \frac{1}{\mu_1 + \mu_2}$，边界函数为 $h_s(x) = 1 - (1 - \rho_s) \sum_{i=0}^{\lfloor x/T_s \rfloor} e^{-(\mu_1 + \mu_2)(iT_s - x)} \frac{[(\mu_1 + \mu_2)(iT_s - x)]^i}{i!}$。
• 证明了时域 $v.w.d$ 到达曲线的叠加性质，表明聚合流具有 $v.w.d$ SAC，其边界函数为 $h(y) = f(z^{-1}(y))$，其中 $f = f_1 \otimes \cdots \otimes f_N$。
• 建立了时域 $v.w.d$ 与空域 $v.b.c$ 随机到达曲线之间的转换方法，支持跨框架分析与验证。
• 在时域中证明了串联与缓存上限性质，表明新框架支持核心网络计算操作。
• 该框架被证明适用于具有重传的无线网络和具有随机退避的多路访问网络等复杂场景，而空域模型难以直接应用。