[论文解读] Window Flow Control Systems with Random Service

Alireza Shekaramiz, Jörg Liebeherr+1 more|arXiv (Cornell University)|Jul 16, 2015

Network Traffic and Congestion Control参考文献 10被引用 6

一句话总结

该论文将确定性窗口流量控制分析扩展至具有随机服务和固定反馈时延的随机网络，采用矩生成函数（MGF）网络计算方法。推导了i.i.d.和马氏调制服务过程下有效容量与统计服务曲线的紧致上下界，揭示了反馈时延与服务相关性对性能的决定性影响，且在特定情况下可获得精确结果。

ABSTRACT

We present an extension of the window flow control analysis by R. Agrawal et.al. (Reference [1]), C.-S. Chang (Reference [6]), and C.-S. Chang et. al. (Reference [8]) to a system with random service time and fixed feedback delay. We consider two network service models. In the first model, the network service process itself has no time correlations. The second model addresses a two-state Markov-modulated service.

研究动机与目标

• 为解决网络计算中随机反馈系统分析的开放性问题，特别是具有随机服务的窗口流量控制问题。
• 对随机环境中反馈时延与窗口大小约束引起的服务质量退化进行建模与量化。
• 通过双变量随机过程与矩生成函数，将确定性反馈分析推广至概率设置。
• 为独立与相关服务过程提供有效容量与统计服务曲线的紧致边界。
• 实现在真实、非确定性网络场景下窗口流量控制的精确性能评估。

提出的方法

• 使用带有矩生成函数（MGF）的双变量网络计算方法，对随机到达、服务与反馈时延进行建模。
• 通过推导改进的卷积估计方法，对反馈系统依赖关系进行处理，从而改进MGF网络计算方法。
• 将理论应用于两种服务模型：i.i.d.服务与两状态马氏调制的On-Off服务。
• 基于MGF框架，推导反馈系统有效容量的上下界。
• 利用窗口化服务过程的矩生成函数边界，构建统计服务曲线。
• 通过参数如 $ p_{00}=0.2 $, $ p_{11}=0.9 $, 和 $ P=1.125 $ Mbps，采用1 ms时隙进行数值验证。

实验结果

研究问题

• RQ1 反馈时延与窗口大小如何影响随机窗口流量控制系统的有效容量？
• RQ2 当服务随机且反馈延迟时，服务过程的最紧边界是什么？
• RQ3 与i.i.d.服务相比，服务过程中的时间相关性（如马氏调制）如何影响性能边界？
• RQ4 MGF网络计算方法能否适应反馈系统中非交换卷积带来的挑战？
• RQ5 在何种条件下，可为随机反馈系统中的有效容量推导出精确表达式？

主要发现

• 对于i.i.d.服务，有效容量 $ \gamma_{\rm win}(-\theta) $ 的边界为 $ \min\{\gamma_S(-\theta), \frac{w}{d}\} $，且基于MMOO过程推导出更紧的下界。
• 当 $ \theta \to \infty $ 时，有效容量的上下界趋于一致，表明对尾部性能具有高精度。
• 对于马氏调制服务，统计服务曲线 $ \mathcal{S}_{\rm win}^\varepsilon(0,t) $ 显示初始时延，源于OFF状态的持续性，且当 $ w/d $ 增大时边界变宽。
• 统计服务曲线的下界仅在 $ t > 10 $ ms 时变为正值，与仿真中的实线曲线一致。
• 由推论3所得的有效容量边界比推论5更紧，表明性能估计具有高精度。
• 数值结果证实，$ w/d $ 增大可成比例改善服务曲线，与VBR服务行为一致。