WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Если представить сегмент в виде простейшей СМО, то для каждого узла сети получится схема, показанная на рисунке 1. Точка А называется точкой композиции потоков, точка В – точкой декомпозиции. В этих точках, по правилу сохранения интенсивности входного потока iвх= iвых Рисунок 1 – Структура i-ого узла сегмента сети После того, как конфигурация сети определена, необходимо определить матрицу вероятностей передач P={pij}, где pij - вероятность передачи заявки из i-го узла в j-й.

Рассмотрены и исследованы уравнения равновесия интенсивностей i и дисперсий Di интервалов времени потоков на входе и выходе каждого узла i=1,...,n. Решением этих систем уравнений определяются средние и дисперсии интервалов времен между заявками для каждого потока сети.

Для определения характеристик распределения выходного потока используются аналитические выражения (1) и (2). Здесь обозначены: через вероятность того, что pобслуженная заявка оставляет СМО пустой, и - среднее и дисперсия времени D простоя, и D - среднее и дисперсия времени обслуживания заявки, вых и Dвых – среднее и дисперсия времени между заявками в выходном потоке:

, (1) вых p. (2) Dвых D p0D p0 (1 p0)( ) p0, D Для определения параметров и, а также всех характеристик СМО использован метод двумерной диффузионной аппроксимации функционирования СМО. В этом случае дискретные процессы поступления N1(t) и обслуживания N2(t) аппроксимируются непрерывными диффузионными процессами x1(t) и x2(t).

Рассмотрим систему массового обслуживания с бесконечной, а также с конечной очередью, управляемую рекуррентным входным потоком с параметрами и – D среднего значения и дисперсии интервала времени между событиями входного потока. Эта СМО будет математической моделью любого активного оборудования рассматриваемых корпоративных сетей. Пусть и – среднее значение и D дисперсия – характеристики распределения времени обслуживания. Указанные характеристики распределений входного потока и времени обслуживания наиболее удобны для практического измерения. Фундаментальные вероятностные процессы поступления N1(t) и обслуживания N2(t), являющиеся дискретными ступенчатыми процессами, аппроксимируются на периоде занятости СМО непрерывными марковскими (диффузионными) процессами х1(t) и х2(t) соответственно. При этом дискретные и непрерывные процессы будут определенно согласованы на уровне двух первых моментов распределений.

В области, определенной условиями N0 и Nmax=m (m – максимальное число заявок в СМО), плотность распределения (t, x1, x2) векторного диффузионного процесса {х1(t), х2(t)} удовлетворяет уравнению Колмогорова bi ai ) ( 2 xi2 xi, (3) t i где a1 1/ ; a2 1/ ; ; b2 D 3.

b1 D Так как период занятости начинается с уровня x1=1, то начальным условием для уравнения (3) будет (0, x1, x2)= (x1-1)(x2), где () - дельта функция Дирака.

Траектория двумерного процесса {х1(t), х2(t)} соединяет начало и конец периода занятости. Решение уравнения (3) в указанной области распределения двумерного процесса {х1(t), х2(t)} позволяет находить все характеристики функционирования СМО на уровне средних значений и дисперсий распределений интервалов поступления и обслуживания при произвольных законах. Такая модель позволяет анализировать различное активное оборудование сети при широком диапазоне изменения характеристик распределения трафика, но необходимо знать данные о трафике сети.

Для этого разработан алгоритм сбора статистической информации на входе в сегмент сети, которая сохраняется в базу данных и используется для определения вида распределения трафика и построения маршрутной матрицы. С помощью программных средств серии nmap с использованием снифферов и технологии ARP poisoning based sniffing автоматически обнаруживаются сенсоры сбора информации и активного оборудования. Каждый обнаруженный, поддерживаемый устройством протокол, проверяется на возможные сенсоры. С помощью пакета сбора информации, состоящего из снифферов, коллекторов netflow, snmp-опросников и сетевых сканеров с каждой единицы оборудования последовательно через равные промежутки времени, заданные заранее, осуществляется сбор данных о трафике по конкретным портам устройств.

Далее в главе рассматривается алгоритм автоматизации построения маршрутной матрицы. Это необходимо для решения уравнений равновесия потоков, где фигурируют элементы данной матрицы.

Для вычисления маршрутной матрицы строятся две исходные матрицы, в которых элементами xij и yij являются нормализованные величины трафика для исследуемого протокола (или общего трафика) (4):

ingress _ trafi (t ), если i j ingress _ trafi (t ), если i j j j (4) X Yij ij _ _ outgress trafi (t j ), если i j, outgress traf i (t j ), если i j, где i – номер порта коммутатора, tj – дискретные моменты времени съема данных о трафике, ingress_traf – матрица данных об интенсивности входящего в сетевой интерфейс трафика в каждом временном срезе, outgress_traf –матрица данных об интенсивности исходящего из сетевого интерфейса трафика в каждом временном срезе. Затем проводится стандартизация исходных матриц путем вычисления элементов новой матрицы для проверки гипотез о значимости j j UX xij 1(x ) UYij yij 1( y ). (5), ij (x j ) ( y j ) Далее вычисляются парные оценки коэффициентов корреляции для входящего и исходящего трафика, и проверяется значимость оценок коэффициентов корреляции, незначимые оценки приравниваются к нулю. Pij, при i>j, рассчитываются по матрице UX, при i

Интеграция алгоритмов расчета характеристик СМО, маршрутной матрицы и характеристик распределения потоков после сбора и соответствующей обработки статистической информации о трафике позволяет проводить эксперименты на модели реальной сети с наименьшими затратами.

Благодаря высокой скорости вычислений показателей производительности программы на основе метода ДДА и точности, соперничающей с имитационным моделированием, стало возможным проводить вычислительные эксперименты над моделью в режиме реального времени, что открывает новые возможности применения таких моделей.

Третья глава посвящена проектированию программной системы распознавания и анализа трафика. Современная тенденция развития сетей передачи данных подразумевает собой конвергенцию данных, голоса, видео и учетно-контрольных потоков под единой средой передачи данных IP или ATM. Чтобы выявить основные тенденции трафика, его пики, пики конкретных приложений, возможности конкретных типов трафика взаимодействовать с различными политиками и типами QoS необходимо:

- разделить логические потоки трафика - хост-хост и приложение-приложение;

- определить вероятностные характеристики каждого логического потока для последующего анализа;

- определить суточные, часовые и иные циклы периодичности в поведении трафика.

Важным здесь является определение вероятностных характеристик. Без них невозможно проводить моделирование сегмента сети для получения стрессхарактеристик по каждому приложению, и не будет возможности предсказать показатели производительности, время отклика приложения и стабильность этих показателей во времени.

Определение вида распределения трафика проводится по алгоритму, показанному на рисунке 2. Библиотека автоматического выбора вида распределения охватывает класс, состоящий из 6 непрерывных законов распределения случайных величин, наиболее часто используемых в приложениях: экспоненциального, нормального, Эрланга, Вейбулла, двойного показательного, гамма-распределения. Затем выбирается наиболее подходящий закон распределения по заданному критерию согласия.

После этого делается прогноз на возможное количество и качество трафика в соответствии с выбранным приложением и его параметрами.

Например, оптимальные параметры сети для голосового трафика с кодеком G711 на канале 128Кбит/с показаны на рисунке 3. Как видно из рисунка, максимальное количество голосовых каналов – 4.

На рисунке 3а в зоне хорошей связи находятся канала, на рисунке 3б – 3 канала. На самом деле такие показатели на канале 128Кбит/с можно получить только с использованием адаптивной системы распознавания тишины, в этом случае голосовой трафик обладает скважностью.

Рассчитаем параметры трафика с помощью метода ДДА.

Для 1 канала G711 требуется до 81,2 Кбит/с в Рисунок 2 – Схема пике. Средняя скважность стандартного разговора алгоритма распознавания достигает 0,5. Так как размер джиттер-буфера трафика достигает 60 мс для протокола G711, величина задержки может достигать 100 мс. Размер пакета G711 достигает эквивалентного размера в 30 мс, следовательно, в буфер умещается до 2-х пакетов. Очередь больше 2-х пакетов приводит к слишком большому джиттеру и потере пакетов.

Соответственно, исходя из графика, более 4-х потоков недопустимо.

а) б) Рисунок 3 – Показатели качества сети: а) расчетные, б) фактические Однако при 4-х соединениях задержка в канале достигает 180 мс. Для одного канала это слишком много. Задержка 100 мс достижима при не более чем 2-х конкурирующих голосовых каналах.

Распознавание трафика предложенным методом позволяет определить параметры законов распределения, а также его вид в автоматическом режиме.

В четвертой главе приведены результаты расчетов характеристик реальных узлов сетей, конкретных моделей коммутаторов, маршрутизаторов, сегментов сетей в целом, приводится пример построения аналитической модели на базе метода и модели ДДА. В классической теории СМО все процессы поступления и обработки заявок представляются в виде зависимости количества заявок от времени. Так как интервалы времени являются случайной величиной, то математическая обработка таких зависимостей ограничивалась либо моделями M/M/k, M/G/1, либо имитационным моделированием.

Метод ДДА апробирован для широкого диапазона изменения параметров потоков: загрузка варьируется от 0,1 до 0,9, коэффициенты вариаций входного потока и времени обслуживания меняются от 0,1 до 5. При этом его точность равномерна и удовлетворяет требованиям инженерной применимости для любой загрузки больше и меньше 1 в отличие от одномерной диффузионной аппроксимации, где погрешность может превышать 100%. Для оценки адекватности метода параллельно использована программная система имитационного моделирования сетей OPNET Modeler. На рисунках 4а, 5а приведены результаты расчетов по этой программной системе.

Рассмотрен случай, когда небольшая сеть использует ресурсы сети Интернет. В дополнение используется 2 сервера приложений, один объединяет HTTP и EMAIL потоки, другой – FTP. Такие же результаты получены с использованием интегрированного в комплекс моделирования метода ДДА на срезе в 125,1 пакетов/с (загрузка линии 88%) (рисунки 4б, 5б).

а) б) Рисунок 4 – Время отклика приложений FTP: а) по результатам имитационного моделирования, б) по результатам расчета методом ДДА Результаты расчетов на рисунках 4 и 5 показывают, что полученные характеристики для имитационного моделирования составляют: по протоколу HTTP среднее время отклика около 1,06 с (для ДДА 1,07 с), по протоколу FTP – около 2,09 с (для ДДА 2,09 с), нагрузка на линию связи 128 Кбит/с – порядка 88% при среднем размере пакета 930b. В главе также рассмотрены вопросы качества сети.

Далее приведены результаты стресс-тестирования при исследовании мультимедийного трафика в высоконагруженной сети. При игнорировании QoS политик в общем виде в режиме перегрузки канала работа протоколов затруднена, а голосовых служб и вовсе невозможна (рисунок 6). И это при коэффициенте вариации интенсивности входного потока не превышающем 1,0.

а) б) Рисунок 5 – Время отклика приложений HTTP: а) по результатам имитационного моделирования, б) по результатам расчета методом ДДА На рисунке 6 задержка в канале связи при загрузке 88% достигает 2-3 с, длина очереди превышает 400 единиц. Вариант использования QoS ограничивается экономической целесообразностью. Эта услуга у провайдера стоит немало, ее активация требуется на всем протяжении канала и на конечном оборудовании.

Используем политики QoS для голосового трафика с ToS (Type of Service, тип сервиса)=4 (Streaming Media).

Рисунок 6 – Голосовой трафик в условии перегруза канала с использованием QoS (ToS=4) с фоновым трафиком протокола HTTP Результаты расчетов, приведенные на рисунке 6, говорят, что в этом случае качество IP разговора неприемлемо. На уровне 0,88 от максимальной загрузки при ToS=4 задержка составляет порядка 100-150 мс, что намного меньше первого варианта. При ToS=6 (Interactive Voice) голосовой трафик имеет исключительный приоритет для прохождения по каналу. Поэтому задержки снижаются до 1-5 мс, длина выделенной голосовой очереди не превысит 6 пакетов (рисунок 7).

Однако, при действии голосового трафика остальной трафик будет испытывать еще большую задержку. Все эти расчеты проводились в автоматическом режиме на основе созданной модели сети. Данные о производительности оборудования получены на основе стресс-тестирования.

На основе анализа всех существующих моделей активных узлов сети выбор в работе сделан в пользу моделей на основе двумерной диффузионной аппроксимации СМО при произвольных законах распределений.

Рисунок 7 – Вариант использования QoS c ToS=Пятая глава посвящена практическому подтверждению адекватности выбранной модели ДДА узлов сети, а также корректности методики сбора информации о сети.

Рассчитаны показатели производительности двух сетей – УНПК ОГУ и ОАО «Оренбургэнергосбыт» с использованием этих методов. Расчеты верифицируются системой моделирования OPNET Modeler и реальными данными стресс-тестирования сети. Полученные результаты интерпретируются в табличном виде.

Ниже приведены результаты моделирования сети УНПК ОГУ на основе разработанных методов. Это подразделение включает в сферу обслуживания корпоративной сети порядка 480 компьютеров, которые распределены по сегментам. Структура основного трафика включает: HTTP трафик (прокси-сервер, 33Гб/мес, 12% от общего трафика), FTP (Oracle, серверы кафедр ПОВТ, ПИ, ВТ, Гб/мес, 35%), SMB (Oracle, все сервера, 95 Гб/мес, 30%), E-mail (37 Гб/мес, 14%), VoIP телефонию (Oracle+Asterix, 0,5 Гб, 0,3%).

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»