В.В. Бородин1, В.А. Шевцов2, Н.Г. Ковалкина3

1–3 Московский авиационный институт (национальный исследовательский университет) (Москва, Россия)
1 doc_bor1@mail.ru, 2 vs@mai.ru, 3 natalie.life@mail.ru

Постановка проблемы. В связи с широким использованием гетерогенных сетей актуальной является задача разработки моделей самоподобного трафика и оценки его характеристик. Модели должны учитывать наличие подсетей, работающих в разных стандартах, с различным набором протоколов, операционных систем и приложений.

Цель. Провести оценку параметров самоподобия типовых моделей трафика, определить области их применения и предложить новую модель трафика, дополнительно учитывающую временные и информационные параметры пакетов данных.

Результаты. Предложена обобщенная модель формирования сетевого трафика, учитывающая протоколы обмена данными и параметры передаваемых пакетов. Рассмотрена модель сети с протоколом доступа CSMA/CD и определены характеристики самоподобия сетевого трафика. Показано, что свойства самоподобия трафика в канале связи зависят не столько от типа абонентского трафика, сколько индуцируются используемыми протоколами взаимодействия сети обмена данными.

Практическая значимость. Полученные результаты могут быть использованы для моделирования гетерогенных сетей и оценки их параметров на этапах исследования и проектирования.

Бородин В.В., Шевцов В.А., Ковалкина Н.Г. Типовые модели трафика гетерогенных сетей // Успехи современной радиоэлектроники. 2024. T. 78. № 10. С. 45–58. DOI: https://doi.org/10.18127/j20700784-202410-06

1. Al-Turjman F. Real-Time Intelligence for Heterogeneous Network: Applications, Challenges and Scenarios in IoT HetNets / Springer International Publishing. 2021.
2. Тонг В., Ахаваин А., Чжу П. Сети 6G. Путь от 5G к 6G глазами разработчиков / Пер. с англ. М.: ДМК-Пресс. 2022.
3. Drexler D., Takács Á., Levendovics T., Haidegger T. Handover Process of Autonomous Vehicles – Technology and Application Challenges // Acta Polytechnica Hungarica. 2019. V. 16. Doi: 10.12700/APH.16.9.2019.9.13.
4. Столлингс В. Современные компьютерные сети / Пер. с англ. СПБ.: Питер. 2003.
5. Шелухин О.И., Тенякишев А.М., Осин А.В. Фрактальные процессы в телекоммуникациях. Монография. М.: Радиотехника. 2003.
6. Mah B. An empirical model of HTTP network traffic // Proceeding of INFOCOM’97. V. 2. P. 592–600.
7. Moltchanov D. On-line state detection in time-varying traffic patterns // Proceedings of the 7th International Conference on Next Generation Teletraffic and Wire/Wireless Advanced Networking. 2007. P. 49–60.
8. Dang T.L., Sonkoly B., Molnár S. Fractal analysis and modeling of VoIP traffic // 11th International Telecommunications Network Strategy and Planning Symposium. NETWORKS 2004. P. 123–130.
9. Федорова М.Л., Леденева Т.М. Об исследовании свойства самоподобия трафика мультисервисной сети // Вестник ВГУ. Сер.: Системный анализ и информационные технологии. 2010. № 1. С. 46–54.
10. Hurst H.E., Black R.P., Simaika Y.M. Long-term storage: an experimental study. London: Constable. 1965.
11. Шелухин О.И., Осин А.В., Смольский С.М. Самоподобие и фракталы. Телекоммуникационные приложения. М.: Физматлит. 2008.
12. Шелухин О.И., Осин А.В. Влияние самоподобности трафика на оптимизацию параметров телекоммуникационных сетей // Электротехнические и информационные комплексы и системы. 2007. № 1. Т. 3. С. 55–59.
13. Татарникова Т.М. Статистические методы исследования сетевого трафика // Информационно-управляющие системы. 2018. № 5. С. 35–43. Doi: 10.31799/1684-8853-2018-5-35-43.
14. Halgamuge S.K., Wang L. Computational Intelligence for Modelling and Prediction. Springer Science & Business Media. 2005.
15. Janevski T. Traffic Analysis and Design of Wireless IP Networks. Artech House Publishers. 2003.
16. Dang T.L., Sonkoly B., Molnár S. Fractal analysis and modeling of VoIP traffic // Proceedings of the 11th International Telecommunications Network Strategy and Planning Symposium. NETWORKS’2004. P. 123–130.
17. Kassim M., Ismail M., Yusof M. Statistical Analysis and Modeling of Internet Traffic IP-based Network for Teletraffic Engineering // ARPN Journal of Engineering and Applied Sciences. 2015. V. 10. № 3. P. 1505–1512.
18. Janevski T., Temkov D., Tudzarov A. Statistical Analysis and Modeling of the Internet Traffic // ICEST’2003. P. 170–173.
19. Popoola J., Ipinyomi R.A. Empirical Performance of Weibull Self-Similar Teletraffic Model // International Journal of Engineering and Aplied Sciences (IJEAS). 2017. V. 4. № 8. P. 77–79.
20. Колесников А.В., Иванов И.П., Басараб М.А. Нелинейно-динамические модели сетевого трафика // Нелинейный мир. 2014. Т. 12. № 4. С. 44–56.
21. Гребенщикова А.А., Елагин В.С. Моделирование трафика данных для оценки слайсинга в умной системе 5G на восходящей линии связи // Информационные технологии и телекоммуникации. 2020. Т. 8. № 2. С. 44–54. DOI: 10.31854/2307-1303-2020-8-2-44-54.
22. Onyia C., Nnamani K., Alagbu E., Ezeagwu C. Comparative Analysis of OSI and TCP/IP Models in Network Communication // Quest Journals of Software Engineering and Simulation. 2021. V. 7. № 6. P. 8–14. DOI: 10.35629/9795-07060814.
23. Baugh C., Huang J. Traffic model for 802.16 TG3 MAC/PHY simulations. IEEE 802.16 Contribution 802.16.3c-01/30r1. 2001.
24. Leland W.E., Taqqu M.S., Willinger W., Wilson D.V. On the Self-Similar Nature of Ethernet Traffic (Extended Version) // IEEE/ACM Transactions on Networking. 1994. V. 2. № 1. P. 1–15. DOI: 10.1109/90.282603.
25. Murali K.P., Gadre V.M., Desai U.B. Broadband Network Traffic Modeling. In: Multifractal Based Network Traffic Modeling. 2003. Boston: Springer. https://doi.org/10.1007/978-1-4615-0499-3_3.
26. Alheraish A., Alshebeili S., Alamri T. Regression Video Traffic Models in Broadband Networks // Journal of King Saud University - Engineering Sciences. 2005. V. 18. DOI: 10.1016/S1018-3639(18)30820-1.
27. Adas A. Traffic models in broadband networks // IEEE Communications Magazine. 1997. V. 35. № 7. P. 82–89. DOI: 10.1109/35.601746.
28. Cybenko G.V. Approximation by Superpositions of a Sigmoidal function // Mathematics of Control Signals and Systems. 1989. V. 2. № 4. P. 303–314.
29. Kirichenko L., Radivilova T., Deineko Zh. Comparative Analysis for Estimating of the Hurst Exponent for Stationary and Nonstationary Time Series // Information Technologies & Knowledge. Kiev: ITHEA. 2011. V. 5. № 1. P. 371–388.
30. Clegg R.G. A practical guide to measuring the hurst parameter // International Journal of Simulation. Systems, Science & Technology. 2006. V. 7. № 2. P. 3–14.
31. Abry P., Flandrin P., Taqqu M. S., Veitch D. Self-Similar Network Traffic and Performance Evaluation // New-York: John Wiley & Sons. 2000. P. 39–88.
32. Li J., Chen Y. Rescaled Range (R/S) analysis on seismic activity parameters // Acta Seismologica Sinica. 2001. V. 14. P. 148–155. DOI: 10.1007/s11589-001-0145-9.
33. Zhao G., Zhou G., Wang J. Application of R/S Method for Dynamic Analysis of Additional Strain and Fracture Warning in Shaft Lining // Journal of Sensors. 2015. P. 1–7. DOI: 10.1155/2015/376498.
34. Borodin V., Kolesnichenko V., Shevtsov V. Analysis of the Efficiency of Various Receipting Multiple Access Methods with Acknowledgement in IoT Networks // Inventions. 2023. V. 8. P. 105. DOI: 10.3390/inventions8040105.
35. Borodin V., Shevtsov V., Petrakov А. Functioning Model of Long-Term Sensor Networks // Proceedings of 10th Computer Science On-line Conference: Lecture Notes in Networks and System. 2021. V. 228. P. 282–289. DOI: 10.1007/978-3-030-77448-6_27.