M G 1 Notas

Traco en Redes - Modelos de Colas M|G|1
Trco en Redes
Modelos de Colas M|G|1
Luis Marrone
LINTI-UNLP
2 de octubre de 2010
L. Marrone (LINTI-UNLP) Modelos de ColasM|G|1 2 de octubre de 2010 1 / 52
Contenidos
1 Introduccin
2 Tiempo Residual
3 Pollaczek - Khinchin
4 Ejemplos
5 Bibliografa
Notas:
1
Introduccin
M/G/1 FCFS
Aplicable en un escenario con mltiples usuarios que acuden a un
recurso escaso (canal compartido, servidor, etc)
nico servidor con buffer ilimitado y clientes ilimmitados.
Los clientes llegan segn Poisson con media
El tiempo de servicio es una VA S con funcin de distribucin
B(S), B(s) = Pr {S s}
E[S], E[S
2
]
E[N] es el nmero promedio de clientes en el sistema
E[N
q
] es el nmero promedio de clientes en la cola
E[N
s
] es el nmero promedio de clientes en el servidor
Introduccin
Propiedades M/G/1
Aplicando la ley de Little para el servidor,
= E[N
s
] = E[S]; < 1
se demuestra que:
E[N
q
] =

2
E[S
2
]
2(1 )
E[W] =
E[N
q
]
=
E[S
2
]
2(1 )
Notas:
2
Introduccin
Propiedades M/G/1
Frmula de Pollaczek Kintchine
E[N] = E[S] +

2
E[S
2
]
2(1 )
E[R] = E[S] +
E[S
2
]
2(1 )
Propiedades M/G/1
Frmula de Pollaczek Kintchine
E[N] = E[S] +
2 E[S2]
2(1 )
E[R] = E[S] +
E[S2]
2(1 )
2
0
1
0
-
1
0
-
0
2
Modelos de ColasM|G|1
Introduccin
Propiedades M/G/1
Por la dependencia del momento de segundo orden de S resulta que
cuanta ms dispersin haya en el sistema peor ser la performance.
Notas:
3
Introduccin
Inuencia de la varianza
Escenario con dos redes con servidores casi equivalentes.
E[S
1
] = 1, Determinstico, E[S
2
1
] = 1, var [S
1
] = 0
E[S
2
] = 1 pero S
2
puede tener dos valores, 0, 5 y 1, 5
varE[S
2
] = 0, 25
Los tiempos resultaron un 25% mayores
Introduccin
Varianza innita
Consideremos un caso con = 0, 4
El tiempo de servicio tiene una distribucin f (s) = 2/s
3
, s 1 y
f (s) = 0, s < 1
o
s f (s) =
1
s
2
s
3
ds = [
2
s
]
1
= 2
= E[S] =< 1 es estable
E[S
2
] =
1
s
2 2
s
3
ds = [2 lns]
1

Si aplicamos PK, E[N] an cuando el sistema no est
sobrecargado El efecto de la varianza se patentiza con el coeciente
de variacin:
C
2
x
=
2
x
/E[x]
2
Notas:
4
Introduccin
Varianza innita...
Nuevas Expresiones:
E[N] = E[S] +
(E[S])
2
(1 + C
2
s
)
2(1 )
= +

2
(1 + C
2
s
)
2(1 )
E[W] =
E[S](1 + C
2
s
)
2(1 )
Introduccin
Nmero promedio de mensajes
Notas:
5
Introduccin
Aplicacin de PK
Los procesos de llegada y de servicios deben ser independientes
El servidor siempre est ocupado en presencia de clientes.
La poltica de atencin no se basa en el tiempo de servicio, slo
ser FCFS o LCFS.
La poltica de atencin es sin interrupcin(non-preemptive).
Siempre se completa el procesamiento del mensaje por parte del
servidor
Introduccin
Canal de Datos
Velocidad 10 Kbps.
Se transmiten dos tipos de paquetes.
El stream resultante constituye un proceso de Poisson con
= 40paq/seg
Paquetes de corta longitud,
1
= 0, 2, E[L
1
] = 10b
Paquetes de larga longitud,
2
= 0, 8, E[L
2
] = 200b
Las longitudes se distribuyen exponencialmente
Nos interesa conocer el tiempo promedio de espera y el nmero
promedio de paquetes en el canal.
Notas:
6
Introduccin
Canal de Datos...
Modelo de M/G/1:
Los arribos son tipo Poisson
Paquetes con diferentes longitudes promedio llevan a otra
distribucin
Elegimos la hiperexponencial de 2 etapas:
f (x) =
2
i =1
i

i
e
i
x
1/
i
es el tiempo de servicio para los paquetes clase i

i

i
= 1
E[S] =
i
/
i
var [S] = 2
i
/
2
i

i
/
i
2
Introduccin
Canal de Datos...
Calculamos los
i

1
= 1000paq/seg

2
= 50paq/seg
La utilizacin =
i

i
/
i
= 0, 648

2
S
= 0, 3777
E[S
2
] = 6, 4 10
4
E[W] = 40
6,40410
4
2(10,648)
= 36, 39mseg
E[N] = + E[W] = 2, 1034paq
Notas:
7
Introduccin
Canal de Datos segn M/M/1
E[S] = 0, 0162seg =
L
1
V

1
+
L
2
V

2
=
1
E[W] = 29, 82mseg =

1
E[S]
E[N] = 1, 81paq
Introduccin
Comparativo
M|M|1 M|H
2
|1 M|D|1
= 1 en todos los casos
En:
M|H
2
|1
1
=
2
= 0, 5
1
= 2;
2
= 2/3
En:
M|D|1 C
2
D
= 0
M|M|1 C
2
M
= 1
M|H
2
|1 C
2
H
2
= 1, 5
Notas:
8
Introduccin
Resultados comparativos
E[W
M
] =
E[S](1 + 1)
2(1 )
=

1
E[W
D
] =
E[S](1 + 0)
2(1 )
=
1
2
E[W
M
]
E[W
H
2
] =
E[S](1 + 1, 5)
2(1 )
=
5
4
E]W
M
]
Tiempo Residual
Tiempo Residual
Denicin 1
Si observamos un proceso de Poisson en un instante determinado el
tiempo que transcurre entre ese instante y el prximo evento tambin
estar exponencialmente distribuido.
Consideremos un caso general de renovacin con distribucin
f
X
(x)
Lo observamos aleatoriamente en un instante dado e indicamos
con Y el tiempo restante hasta la ocurrencia del prximo evento.
Denicin 2
Se lo reconoce como tiempo de vida residual.
Notas:
9
Tiempo Residual
Tiempo Residual...
Indicamos ese intervalo de observacin de esta manera:
Tiempo Residual
Tiempo Residual...
La probabilidad de que esta observacin ocurra en un intervalo de
longitud Z es proporcional a la longitud de Z y a la ocurrencia de
dicho intervalo,
f
X
(z) dz
Es decir:
f
Z
(z) dz = C z f
X
(z) dz

0
f
Z
(z) dz =

0
C z f
X
(z) dz = 1
C E[X] = 1
C =
1
E[X]
, y f
Z
(z) =
z f
x
(z)
E[X]
Resta encontrar f
Y|Z
(y) y luego f
Y
(y)
Notas:
10
Tiempo Residual
Tiempo Residual...
Supongamos que el punto de observacin ocurre en el intervalo z con una distribucin
uniforme:
f
Y|Z
(y|z) =
1/z 0 < y < z

0, dems casos
f
Z|Y
(z, y) = f
Z
(z) f
Y|Z
(y|z)
=
z f
X
(z)
E[X]
1
z
=
f
X
(z)
E[X]
, 0 < y z <
= f
Y
(y) =

z=y
f
Z,Y
(z, y)dz =

z=y
f
X
(z)
E[X]
dz
f
Y
(y) =
1 F
X
(y)
E[X]
Tiempo Residual
Tiempo Residual...
E[Y] =

0
yf
Y
(y)dy
=
1
E[X]

0
y(1 F
X
(y))dy
Integrando por partes
=
1
E[X]
1
2
y
2
(1 F
X
(y))
y=
y=0
+

0
1
2
y
2
f
X
(y)dy
=
1
2E[X]

0
y
2
f
X
(y)dy
E[Y] =
E[X
2
]
2E[X]
E[T] =
E[X
2
]
2E[X]
Notas:
11
Tiempo Residual
Ejemplos
Con distribucin exponencial:
f
Y
(y) =
1 F
X
(y)
E[X]
=
1 (1 e
y
)
1/
= e
y
= f
X
(y)
E[Y] = 1/
Como E[Z] = E[T] + E[Y] = 2/
E[Z] = E[X] Paradoja del tiempo de espera
Con perodos determinsticos:
E[X
2
] = E[X]
2
El tiempo residual resulta:
E[Y] =
E[X]
2
Pollaczek - Khinchin
Prueba intuitiva
Estamos interesados en el tiempo de respuesta promedio E[R] que un
mensaje tendr en una cola M|G|1.
Los mensajes llegan segn Poisson con parmetro
El tiempo de servicio es una VA S con E[S] y E[S
2
].
Encolamiento FCFS
Cuando arriba un mensaje ver E[N] mensajes en la cola.
En promedio = E[S] estarn en el servidor.
El tiempo que buscamos estar dado por tres componentes:
E[R
1
]: Tiempo residual de servicio del mensaje que est en el
servidor.
E[R
2
]: Tiempo de servicio de los mensajes encolados
E[R
3
]: Tiempo de servicio del mensaje que lleg
Notas:
12
Prueba...
E[R
1
] Es el producto de la probabilidad que haya un paquete en el
servidor y el tiempo de servicio residual.
E[R
1
] =
E[S
2
]
2E[S]
Los E[N] mensajes en la cola requerirn en promedio:
E[R
2
] = (E[N] ) E[S]
El mensaje que lleg:
E[R
3
] = E[S]
Teniendo en cuenta la frmula de Little:
E[N] = E[R]
........
Prueba...
Resulta:
E[R] = E[R
1
] + E[R
2
] + E[R
3
]
=
E[S
2
]
2E[S]
+ (E[R] ) E[S] + E[S]
(1 ) E[R] =
E[S
2
]
2E[S]
+ E[S] (1 )
E[R] = E[S] +
E[S
2
]
2(1 )
Notas:
13
Ejemplos
Arribos batch en M|G|1
Datagrama fragmentado
Celdas ATM
Trco de voz
Arribo de Poisson de rfagas de mensajes cortos con intensidad
Un arribo batch consta de una cantidad aleatoria H de mensajes
con probabilidad h
k
, k = 1, 2, ...
E[H] =
k=1
k h
k
E[H
2
] E[H] = E[H(H 1)] =
k=1
k(k 1) h
k
Ejemplos
Arribos batch ...
Cada mensaje de la rfaga tiene un tiempo de servicio S con E[S]
y E[S
2
] donde = E[H]E[S].
El tiempo de espera promedio del mensaje de la rfaga es:
E[W] =
E[H] E[S
2
]
2(1 )
+
E[H(H 1)]E[S]
2E[H] (1 )
El primer trmino indica el tiempo de espera promedio en M|G|1
El segundo trmino es el tiempo extra de espera experimentado
por los mensajes que no son primeros en la rfaga.
A esta cola se la identica como M
[H]
|G|1, donde H indica la
distribucin del tamao de la rfaga.
Notas:
14
Ejemplos
Tamao Fijo
Consideremos una aplicacin que genera mensajes con
distribucin exponencial de longitud A con
E[A] = 1/bytes = 1Kbytes
La red que los transporta slo acepta mensajes de longitud ja de
bytes = 50
La velocidad de la red es de bytes/seg = 100Kbytes.
= 75 mensajes/seg
Calculamos el tiempo de espera de los mensajes pequeos en la
red.
Calculamos primero H, h
k
.
Ejemplos
Tamao Fijo ...
Si la aplicacin genera mensajes de longitud a ste ser dividido en k
mensajes si:
(k 1) < a k
h
k
=
k
(k1)
f
A
(a) da = F
A
(k ) F
A
((k 1) )
h
k
=
1 e
k
1 e
(k1)
h
k
= e
(k1)

1 e
h
k
=
k1
1 e
= (1 )
k1

Notas:
15
Ejemplos
Tamao Fijo ...
H se distribuye geomtricamente con:
= 1 e
, E[H] = 1/
Var [H] =
(1 )
2
E[H
2
] = var [H] + E[H]
2
=
2
2
E[H(H 1)] = E[H
2
] E[H] =
2
2

1
=
2(1 )
2
Podemos reemplazar la expresin anterior en la de E[W] y teniendo
en cuenta que el tiempo de servicio resulta determinstico
(E[S
2
] = E[S]
2
)
E[W] =
E[S]
2
2(1 )
+
(1 ) E[S]
(1 )
Ejemplos
Tamao jo...
Con los datos dados:
= 0, 049
E[H] = 20, 504 = 1/
E[S] = 0, 5mseg
= E[H]E[S] = 0, 769
E[W] =
E[S]
2
2(1 )
+
(1 ) E[S]
(1 )
E[W] = 43mseg
Notas:
16
Ejemplos
Tamao jo...
Si no hubiese fragmentacin:
E[W] =
E[S
2
A
]
2(1 E[S
A
])
=
E[S
A
]
2
(1 E[S
A
]
E[W] = 30mseg
La fragmentacin alarga los tiempos en un 43%
Ejemplos
Ejemplo con ausencia de servidor
El servidor pasa a atender otra clase de trco siempre que la
cola est vaca. Si al volver encuentra el sistema libre se toma
otro perodo de descanso.
Consideramos los valores medios.
Los mensajes llegan con una distribucin de Poisson.
Las longitudes de los mensajes tienen una distribucin tal que el
tiempo de servicio es E[S] y E[S
2
].
= E[S]
La ausencia es una VA V (Vacation) con E[V] y E[V
2
].
Notas:
17
Ejemplos
...ausencia...
E[W] tendr tres componentes:
El tiempo de ausencia remanente por la probabilidad que no haya
mensajes para procesar:
(1 )E[V
2
]
2E[V]
El tiempo remanente del mensaje que se est procesando:
E[S
2
]
2E[S]
El tiempo de procesamiento de los mensajes anteriores:
E[N
q
]E[S]
Ejemplos
...ausencia...
Por la ley de Little:
E[N
q
] = E[W]
E[W] =
E[V
2
]
2E[V]
+
E[S
2
]
2(1 )
Notas:
18
Ejemplos
Servidor con ausencias y arribos batch(rfagas)
Las rfagas llegan con Poisson,
Las rfagas son de longitud H.
Cada mensaje de la rfaga tiene E[S] y E[S
2
]
= E[H]E[S]
E[W] =
E[V
2
]
2E[V]
+
E[H]E[S
2
]
2(1 )
+
E[H(H 1)]E[S]
2E[H](1 )
Ejemplos
M|G|1 con prioridades
Al servidor llegan mensajes con Poisson, pero con dos tipos de
longitudes/tiempo de servicio:
Porcentaje de mens. Tiempo de servicio
40 % 10 mseg
60 % 250 mseg
E[S] = 0, 4 10 + 0, 6 250 = 154mseg
E[S
2
] = 0, 4 10
2
+ 0, 6 (250)
2
= 0, 03754154mseg
2
Las expresiones regulares de M|G|1 nos dan:
E[W]
1 0,154 0,00222
2 0,308 0,00542
3 0,462 0,1046
4 0,616 0,1953
5 0,770 0,4076
6 0,942 1,4803
Notas:
19
Ejemplos
Prioridades
Las prioridades se pueden implementar:
Con interrupcin(preemptive)
El procesamiento de un mensaje se interrumpe siempre que llega otro
de mayor prioridad. Se reordenan los mensajes de la cola.
Sin interrupcin
El servidor espera a terminar de procesar el mensaje que est
trabajando y luego atiende al de mayor prioridad.
Ejemplos
Anlisis sin interrupcin
Supongamos que se hayan denido P clases de trco.
La clase 1 es la de mayor prioridad y P la de menor.
Los mensajes llegan al servidor con Poisson,
R
El tiempo de servicio para la clase r es E[S] = 1/
r
y E[S
2
].
Notas:
20
Ejemplos
... sin interrupcin ...
El tiempo de espera de un mensaje que llega al servidor tiene 3
componentes:
El tiempo de servicio remanente del mensaje que est siendo
procesado.
El tiempo de servicio de las clases 1 a r
El tiempo de servicio de las clases 1 a r 1 que llegan durante la
espera de la clase r
W
r
= T
P
+
r
k=1
T
k
+
r 1
k=1
T
k
E[W
r
] = E[T
P
] +
r
k=1
E[T
k
] +
r 1
k=1
E[T
k
]
Ejemplos
E[T
P
] =
P
k=1
k
E[S
2
k
]
2E[S
k
]
=
1
2
P
k=1
k
E[S
2
k
]
E[T
k
] est dado por el nmero de mensajes en la cola despus de la llegada del r-simo.
E[T
k
] = E[N
q,k
]/
k
=

k
E[W
k
]
k
=
k
E[W
k
]
Durante la espera E[Wr ] de los mensajes clase r, en promedio
k
E[W
k
] mensajes de la clase k
llegarn con 1/
k
tiempo de servicio cada uno.
E[T
k
] =
k
E[W
k
]/
k
=
k
E[Wr ]
Sustituyendo en la expresin buscada:
E[Wr ] =
P
k=1
k
2
E[S
2
k
] +
r
k=1
k
E[W
k
] +
r 1
k=1
k
E[Wr ]
Notas:
21
Ejemplos
E[W
r
] =
P
k=1
k
2
E[S
2
k
] +
r 1
k=1
k
E[W
k
] +
r
k=1
k
E[W
r
]
=
P
k=1
k
2
E[S
2
k
] +
r 1
k=1
k
E[W
k
] + E[W
r
]
r
k=1
k
E[W
r
]
1
r
k=1
=
P
k=1
k
2
E[S
2
k
] +
r 1
k=1
k
E[W
k
]
Denimos
r
=
r
k=1

k
con
0
= 0 y dividiendo por (1
r
), obtenemos,
E[W
r
] =
P
k=1
k
2
E[S
2
k
] +
r 1
k=1

k
E[W
k
]
1
r
Ejemplos
E[W
1
] =
E[T
P
]
1
1
=
E[T
P
]
1
1
=
P
k=1
k
E[S
2
k
]
2(1
1
)
Donde vemos que habiendo una clase el resultado coincide con el
caso M|G|1 general.
E[W
2
] =
E[T
P
] +
1
E[W
1
]
1
2
=
E[T
P
]
(1
2
)(1
1
)
Notas:
22
Ejemplos
Finalmente...
Frmula de Cobham
E[W
r
] =
E[T
P
]
(1r )(1
r 1
)
De modo que el tiempo de respuesta promedio de la clase r ser:
E[R
r
] = E[S
r
] +
E[T
P
]
(1
r
)(1
r 1
)
Ejemplos
Solucin con prioridades
E[W]
i

i

b

b
E[W
i
] E[W
b
] E[T
P
]
1 0.1540 0.0222 0.4 0.004 0.6 0.15 0.0188 0.0222 0.0188
2 0.3080 0.0542 0.8 0.008 1.2 0.30 0.0378 0.0547 0.0375
3 0.4620 0.1046 1.2 0.012 1.8 0.45 0.0570 0.1059 0.0563
4 0.6160 0.1953 1.6 0.016 2.4 0.60 0.0763 0.1987 0.0750
5 0.7700 0.4076 2.0 0.020 3.0 0.75 0.0958 0.4164 0.0938
6 0.9240 1.4803 2.4 0.024 3.6 .090 0.1154 1.5183 0.1126
Donde:
i trco interactivo
b trco batch
Notas:
23
Bibliografa
Bibliografa I
P. NAIN, Basic Elements of Queueing TheoryApplication to the
modelling of COmputer SystemsLecure Notes, INRIA, 1998.
R.COOPER, Introduction to queueing theory, Elsevier, 1981.
LEONARD KLEINROCK, Queueing Systems, Vol I, II, John Wiley &
Sons, 1975.
J. DAIGLE, Queueing Theory with Applications to packet
communications, Springer Sience, 2007.
G. BOLCH ET AL., Queueing networks and Markov chains:
modeling and performance evaluation with computer science
applications, John Wiley & Sons, Inc., 1998.
WUYI YUE, Advances in Queueing Theory and Network
Applications, Springer, 2009.
Bibliografa
Bibliografa II
L. LIPSKY, Queueing Theory A Linear Algebraic Approach,
Second Edition, Springer, 2009.
Notas:
24

M G 1 Notas

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

M G 1 Notas

Uploaded by

Copyright:

Available Formats

Traco en Redes - Modelos de Colas M|G|1

E[W] = 29, 82mseg =

1/z 0 < y < z

L. Marrone (LINTI-UNLP) Modelos de ColasM|G|1 2 de octubre de 2010 33 / 52

You might also like