[论文解读] Analysis of Stochastic Service Guarantees in Communication Networks: A Basic Calculus

Yuming Jiang|ArXiv.org|Nov 2, 2005

Network Traffic and Congestion Control参考文献 36被引用 5

一句话总结

本文提出了一种基于最大（虚拟）后件量中心（m.b.c）随机到达曲线和随机服务曲线的随机网络计算框架，支持在概率保证下基于(min, +)代数的网络性能分析。该框架在依赖与独立过程假设下，建立了五个核心属性——叠加、串联、输出表征、单流服务及后件/时延边界——并引入一种新颖的随机严格服务器模型，实现独立情况下的分析，从而获得更优的边界。

ABSTRACT

A basic calculus is presented for stochastic service guarantee analysis in communication networks. Central to the calculus are two definitions, maximum-(virtual)-backlog-centric (m.b.c) stochastic arrival curve and stochastic service curve, which respectively generalize arrival curve and service curve in the deterministic network calculus framework. With m.b.c stochastic arrival curve and stochastic service curve, various basic results are derived under the (min, +) algebra for the general case analysis, which are crucial to the development of stochastic network calculus. These results include (i) superposition of flows, (ii) concatenation of servers, (iii) output characterization, (iv) per-flow service under aggregation, and (v) stochastic backlog and delay guarantees. In addition, to perform independent case analysis, stochastic strict server is defined, which uses an ideal service process and an impairment process to characterize a server. The concept of stochastic strict server not only allows us to improve the basic results (i) -- (v) under the independent case, but also provides a convenient way to find the stochastic service curve of a serve. Moreover, an approach is introduced to find the m.b.c stochastic arrival curve of a flow and the stochastic service curve of a server.

研究动机与目标

• 解决缺乏统一随机网络计算框架的问题，该框架需支持所有五个基本属性：叠加、串联、输出表征、单流服务及随机后件/时延保证。
• 克服在具有随机容量的网络（如无线和多路访问网络）中分析随机服务保证的挑战，此类网络中确定性模型表现不足。
• 通过引入随机严格服务器模型，实现独立情况分析，将理想服务与干扰过程解耦，从而改善性能边界。
• 提供实用方法，从已知过程特性（如(σ(θ), ρ(θ))约束）推导m.b.c随机到达曲线和随机服务曲线。
• 建立一个用于随机服务保证分析的基础计算框架，该框架在概率建模下推广确定性网络计算，同时保持其结构特性。

提出的方法

• 将m.b.c随机到达曲线定义为确定性到达曲线的推广，基于使用矩生成函数来限制最大虚拟后件量。
• 引入随机服务曲线，作为确定性服务曲线的概率推广，以支持在随机服务器行为下的性能分析。
• 提出随机严格服务器模型，将服务器的服务过程分解为理想服务过程与随机干扰过程，以实现独立情况分析。
• 应用(min, +)代数推导并证明一般情况下的五个核心属性（P.1–P.5），并首次在独立情况假设下完成证明。
• 利用Chernoff不等式与矩生成函数技术，从(σ(θ), ρ(θ))-上界约束过程（如i.i.d.或马氏调制过程）推导出m.b.c随机到达曲线。
• 利用随机严格服务器模型，当干扰过程具有已知的(σ(θ), ρ(θ))表征时，推导服务器的随机服务曲线。

实验结果

研究问题

• RQ1 如何构建一种随机网络计算框架，使其在无需额外约束的条件下支持所有五个基本属性（P.1–P.5）？
• RQ2 在(min, +)代数框架下，是否可证明随机过程的叠加、串联、输出表征、单流服务及随机后件/时延保证？
• RQ3 如何正式将独立情况分析整合进随机网络计算中，特别是针对此前未解决的P.2–P.5属性？
• RQ4 过程的(σ(θ), ρ(θ))-上界约束表征与其m.b.c随机到达曲线之间存在何种关系？
• RQ5 能否通过随机严格服务器模型，从其干扰过程的m.b.c随机到达曲线推导出服务器的随机服务曲线？

主要发现

• 对于任意满足(σ(θ), ρ(θ))-上界约束的i.i.d.过程，m.b.c随机到达曲线被证明存在，其边界表达式为 f(x) = e^{θσ(θ)} / (1 - e^{θ(ρ(θ) - r)}) × e^{-θx}，其中任意 r > ρ(θ)。
• 随机严格服务器模型首次实现了对所有五个核心属性（P.1–P.5）的独立情况分析，相比依赖情况分析，获得了更优的性能边界。
• 当干扰过程满足(σ(θ), ρ(θ))-上界约束时，可从其m.b.c随机到达曲线推导出服务器的随机服务曲线。
• 五个基本属性——叠加、串联、输出表征、单流服务及随机后件/时延保证——已在依赖与独立两种情况下，通过(min, +)代数得到正式证明。
• 所提出的计算框架推广了确定性网络计算：当随机参数退化为确定性边界时，其所有核心属性均可作为特例恢复。
• 该框架提供了一种实用方法，可从广泛使用的(σ(θ), ρ(θ))-表征过程（如i.i.d.或马氏调制过程）推导出m.b.c随机到达曲线和随机服务曲线。