Исследование и разработка методов анализа вероятностно-временных характеристик узлов сетей связи специального назначения тема диссертации и автореферата по ВАК РФ 05.12.13, кандидат наук Сапрыкин Александр Вячеславович

• Сапрыкин Александр Вячеславович
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Сапрыкин Александр Вячеславович

ОГЛАВЛЕНИЕ

Стр.

ВВЕДЕНИЕ

1 ОСОБЕННОСТИ ПОСТРОЕНИЯ СЕТЕЙ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ

1.1 Концептуальные положения построения и развития сетей специального назначения

1.2 Технологии для построения сетей специального назначения

1.3 Архитектура сетей специального назначения

1.4 Модель сети специального назначения

1.5 Выводы по разделу

2 ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКИХ СВОЙСТВ ТРАФИКА СЕТЕЙ СВЯЗИ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ

2.1 Методы анализа статистических свойств трафика

2.2 Влияние корреляционных свойств временных интервалов на пачеч-ность трафика

2.3 Анализ времени ожидания заявки в очереди для системы массового обслуживания общего вида

2.4 Анализ времени ожидания заявки в очереди при обработке коррелированного трафика

2.5 Расчет времени ожидания заявки в очереди при обработке коррелированного трафика в узле сети типа G/G/1

2.6 Выводы по разделу

3 АНАЛИЗ ФУНКЦИОНИРОВАНИЯ УЗЛА СЕТИ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ В УСЛОВИЯХ НЕТОЧНОГО ЗНАНИЯ ПАРАМЕТРОВ ТРАФИКА

3. 1 Общее решение задачи оценивания среднего времени ожидания заявки в очереди для системы G/G/1

3.2 Решение задачи оценивания среднего времени ожидания заявки в очереди для системы G/D/1

3.3 Анализ характеристик системы массового обслуживания общего вида методом рандомизации

3.4 Выводы по разделу 3 106 4 ИССЛЕДОВАНИЯ ХАРАКТЕРИСТИК УЗЛОВ МУЛЬТИСЕРВИС-

НОЙ СЕТИ МЕТОДОМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

4.1 Обзор средств моделирования сетей связи

4.2 Характеристики симулятора №2

4.3 Моделирование и обработка самоподобного трафика симулятором Ш2

4.4 Выводы по разделу 4 126 ЗАКЛЮЧЕНИЕ 129 СПИСОК СОКРАЩЕНИЙ 131 СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Исследование и разработка методов анализа вероятностно-временных характеристик узлов сетей связи специального назначения»

ВВЕДЕНИЕ

Актуальность темы исследования. Доминантным подходом развития современных сетей связи является подход, осно-ванный на концепции создания сетей нового поколения (NGN), базирующихся на мультисервисных сетях. Закон Российской Федерации «О связи» предписывает, что именно сети NGN должны стать основой современных ведомственных сетей связи, создаваемых для решения задач обороны и обеспечения безопасности страны. Совершенно очевидно, что телекоммуникационные системы кроме задачи установления и поддерживания коммуникаций в социуме, а также между различными государственными и негосударственными структурами, призваны решать задачи управления, поддерживая функционирование различных информационных систем. При этом конвергенция современных информационных и телекоммуникационных технологий приводит к созданию инфокоммуникационных сетей специального назначения.

Управление сетями специального назначения с целью обеспечения высокого каче-ства предоставления услуг (QoS) требует разработки адекватных математических моделей функционирования сети. Эти модели должны быть динамическими и опи-сывать основные процессы генерации сообщений, несущих определенную инфор-мацию от разнообразных источников, процессы распределения сообщений (инфор-мации) и процессы переноса информации между источником и получателями ин-формации. При этом любые современные услуги, такие как передача голоса VoIP, широкополосный доступ в Интернет, видео по запросу, телевидение, реализуемое технологией IPTV, конференцсвязь и др., формируют так называемый терминаль-ный поток, поступающий на соответствующий узел ССН. Совокупность таких пото-ков образует сетевой информационный поток, который благодаря влиянию различных случайных факторов имеет ярко выраженный стохастический характер и может быть адекватно описан методами теории массового обслуживания. Такой поток, называемый трафиком, обрабатывается (обслуживается) в узле ССН также случайным образом, т.к. параметры трафика и параметры

состояния узла могут быть известны, как правило, на уровне задания законов распределения случайных значений этих параметров.

Проведенные эксперименты по анализу структуры потоков (трафика) инфо-коммуникационных систем нового поколения выявили, что исследуемый трафик имеет отчетливую структуру типа VBR (variable bit rate), что приводит к высокой пачечности. Пачечность же, как известно, порождается корреляционными связями временных характеристик трафика. В свою очередь явно выраженные корреляционные свойства трафика заставляют в качестве его математических моделей использовать случайные процессы, обладающие свойствами фракталов. В отечественной литературе очень мало работ, в которых анализ сетевых узлов ССН осуществляется с учетом фрактальных свойств трафика. В данной диссертационной работе делается попытка восполнить этот пробел, поэтому исследования, проведенные в ней, можно считать весьма актуальными.

Степень разработанности темы исследования характеризуется следующими основными достижениями.

Инфокоммуникационные сети связи в составе отрасли связи и массовых коммуникаций являют собой многоузловую систему, со сложной структурой и составом передаваемого трафика, а также системой управления и мониторинга. К таким сетям относятся сети передачи данных, широкополосные беспроводные сети, ведомственные сети (в частности сети специального назначения (ССН). Все перечисленные инфокоммуникационные сети связи выполняют функции обработки, хранения, транспортировки различных видов трафика с применением единой транспортной инфраструктуры.

Эволюция сетей передачи голосовых сообщений и данных постепенно привела к разработке различных проектов модернизации ССН, направленных на обмен трафиком Triple Play, c возможностью конвергенции традиционных сетей связи с современными сетям передачи данных, использующих в качестве транспортных технологий Ethernet, SDH, ATM или беспроводные технологии передачи данных IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX).

Конвергенция трафика и технологий его транспортировки при использовании в сетях связи позволяет предоставлять пользователям широкий спектр услуг и приложений, дает возможность их масштабирования, создавая в последствии необходимые условия для построения инфокоммуникационной основы ССН.

Особенностью любых современных сетей связи, в том числе ССН является нарастающий рост и разнородность передаваемой информации. Как показано в исследованиях [2, 12, 14, 65, 110] основными видами современного трафика являются мультимедийные приложения - видеотрафик IPTV, трафик сети internet, видео-и аудиоконференции, IP-телефония, видео по запросу и прочее.

Увеличение объемов и типов передаваемой информации обуславливает трансформацию дифференцированных по типу передаваемого трафика ССН в единые инфокоммуникационные сети, которые предоставляют обширный спектр информационных и телекоммуникационных услуг, которые реализуются с помощью программно-аппаратных комплексов, объединяющих в себе всевозможные проводные и беспроводные телекоммуникационные сети.

При этом значимой особенностью ССН являются требования к показателям надежности и живучести, которые определяют выбор структуры сети, а именно: избыточность средств резервирования оборудования и каналов связи. В частности структурная схема сети должна позволять принимать оперативные решения по управления ресурсами при перегрузках и отказах.

Архитектура ССН базируется на стандартной многоуровневой структуре, включающей в себя сеть доступа, транспортную сеть, узлы управления услугами, узлы информационных и телекоммуникационных служб. Функционирование абонентской и транспортной сетей подразумевает реализацию прозрачной передачи информации между рабочими местами без какого-либо обработки ее содержания. Основными элементами ССН являются: информационные устройства (серверы, межсетевые экраны), коммуникационная часть (оборудование коммутации), трафик (транспортируемый контент), спецпользователи (рабочие места).

В настоящее время уделяется большое внимание проблеме построения сети специального назначения, в которой сложность заключается в выборе адекватной

математической модели. Современный этап развития отрасли инфокоммуника-ций располагает различные подходы к моделированию и проектированию таких сетей. Существует трехуровневая сетевая модель [43], которая содержит инфраструктурный, промежуточный и базовый уровни, представляющие совокупность уровневых сетей.

Анализ трафика всех уровней ССН [9, 68, 73, 46, 108] показывает, что марковские свойства трафика выявляются лишь при малых коэффициентах загрузки сети. Тогда как мультимедийный трафик при значительной сетевой загрузке обладает фрактальными свойствами, обусловленными корреляционными связями временных параметров [50, 58, 73].

В таком ключе все более актуальными и перспективными становятся задачи статистического исследования трафика ССН, математического анализа параметров реальных потоков трафика и имитационное моделирование ССН. Перечисленные подходы призваны решить следующие задачи, направленные на оптимизацию ССН: мониторинг сети и управление ее параметрами на описанных уровнях модели ССН, анализ трафика на всех уровнял ССН, разработка и уточнение методик расчета вероятностно-временных характеристик узлов ССН при обработке фрактального трафика.

Решение задач мониторинга и управления ССН требует формирования достаточно строгого описания модели ССН и протекающих в ней процессов [17] с учетом их динамики. Процессы, протекающие в сети, в частности движение пользовательский информации, образуют трафик, а совокупность трафика определяет особенности потоков, которые носят выраженный стохастический характер. При организации управления и мониторинга сети важно обладать инструментами, позволяющими прогнозировать потоки информации, при этом в качестве математической модели трафика и узлов сети успешно используются соответствующие модели систем массового обслуживания [31, 32, 73]. Где обслуживание трафика определяется соответствующими известными параметрами, как правило, заранее известными хотя бы приближенно в части законов распределения случайных значений этих параметров.

Во многих научных работах приведены математические описания самоподобного трафика, однако использование теоретических результатов на практике остается весьма сложной задачей, т.к. теория массового обслуживания предполагает независимость интервалов времени между заявками и интервалов обслуживания заявок, а фрактальность экспериментального трафика обусловлена сильными корреляционными связями указанных интервалов. Значительный вклад в развитие принципов анализа инфокоммуникационных мультисервисных сетей связи (в том числе, специальной связи) и разработку методик по исследованию и управлению трафиком внесли российские ученые В.М. Вишневский, В.Г. Карташев-ский, А.Е. Кучерявый, К.Е. Легков, А.Н. Назаров, К.Е. Самуйлов, С.Н. Степанов, К.И. Сычев, О.И. Шелухин и другие и многие зарубежные ученые, такие как L. Kleinrock, T. Saaty, I. Norros, D. Cox, J. Keilson.

В частном случае, когда временные параметры - интервалы времени между заявками на обслуживание и интервалы времени обслуживания заявок независимы, аналитический анализ работы узла сети можно провести, моделируя его как систему массового обслуживания G/G/1. Тогда время ожидания заявки в очереди, можно оценить, решив интегральное уравнение Линдли [32], для которого необходимо иметь одномерные плотности вероятностей интервалов времени между заявками и интервалов времени обслуживания заявок, которые часто известны с той или иной степенью неопределенности относительно параметров этих плотностей, что обусловлено сложностью и изменчивостью процессов, протекающих в исследуемой ССН [20].

В таком случае необходимо учитывать неопределенность знания относительно параметров распределений, в частности применить интервальный метод [20, 37], при котором неопределенные параметры формируются неким диапазоном своих возможных значений. Эффективность такого подхода для анализа системы M/M/1 показана в работе [20, 113], применение интервального метода для анализа G/G/1, G/D/1 приведено в работах [101, 113]. Отметим, что система G/D/1 наиболее подходит для моделирования работы узлов ССН, т.к. реализация прото-

колов криптографической защиты информации подразумевает постоянную длину пакетов.

При анализе трафика с корреляционными связями последовательностей интервалов времени между заявками и интервалов обслуживания заявок, как системы массового обслуживания общего вида G/G/1, данные последовательности могут быть аппроксимированы гиперэкспоненциальными распределениями Н2. Статистические характеристики таких распределений должны учитывать корреляционные свойства исходных последовательностей трафика так, чтобы остались справедливыми условия применимости интегрального уравнения Линдли.

Описанные аналитические модели сети специального назначения позволяет при известных распределениях трафика, определяющих характер функционирования всех уровней сети, рассчитать вероятностно-временные характеристики узлов сети для реализации мониторинга и управления сетью в онлайн режиме.

Оценку аналитических результатов исследования узлов сети специального назначения, целесообразно осуществить с использованием специализированных моделирующих платформ, позволяющих воспроизвести на персональном компьютере работу узлов сети или фрагментов проводных и беспроводных сетей связи при обработке реального трафика, обладающего самоподобными свойствами. Информация по описанному вопросу изложена в работах [28, 40, 71]. В качестве среды имитационного моделирования применена программа №2, которая сочетает в себе: реализации протоколов функционирования сетей, позволяет описать для моделируемой сети топологию, конфигурацию источников и приемников трафика, а так же параметры соединений.

Рассмотренная в процессе исследования имитационная модель обработки реального самоподобного трафика позволяет оценить вероятностно-временные характеристики обслуживания потоков. Знание этих характеристик дает информацию для улучшения параметров сетевого управления и повышения уровня качества обслуживания в сети. Качество работы сети во многом обусловлено факторами, многие из которых носят случайных характер и могут не поддаваться строгому математическому анализу.

В целом, проведенный анализ степени разработанности темы исследования демонстрирует перспективность и необходимость проведения статистического анализа трафика сетей специального назначения, а также выполнения аналитических расчетов узлов ССН и имитационного моделирования сетей. В данном случае приоритет можно отдать имитационному моделированию в компьютерных программах-симуляторах, как более быстрому способу решения вопроса без применения реального оборудования. Анализ существующих достижений в изучаемой области показывает скудность материалов, связанных с исследованием трафика ССН, что делает данное направление более перспективным в плане выработки методик формирования воздействий по управлению трафиком и мониторинга объекта исследования.

Цель работы и задачи исследования. Цель работы состоит в исследовании вероятностно-временных характеристик узлов сетей специального назначения при обработке самоподобного трафика.

Цель диссертационной работы достигается последовательным решением следующих задач:

- анализ существующих моделей трафика и методов его обработки, основанных на классической теории массового обслуживания,

- анализ методов математического моделирования трафика с использованием самоподобных случайных процессов,

- разработка методов анализа систем массового обслуживания общего вида при обработке трафика с независимыми временными интервалами, характеризуемыми распределениями вероятностей с «тяжелыми» хвостами,

- разработка моделей самоподобного трафика на основе процессов восстановления, учитывающих корреляционные характеристики временных интервалов трафика,

- разработка методов анализа систем массового обслуживания общего вида при обработке самоподобного трафика,

- анализ характеристик систем массового обслуживания общего вида при обработке самоподобного трафика методом имитационного моделирования.

Объект исследования. Инфокоммуникационные сети специального назначения.

Предмет исследования. Модели систем массового обслуживания и методы анализа характеристик функционирования узлов ССН при обработке самоподобного трафика.

Структура диссертации. Диссертация включает содержание, введение, четыре раздела основного текста, заключение, список сокращений и библиографический список.

Краткое содержание работы.

Во введении обоснована актуальность диссертационной работы, описано состояние исследуемой проблемы, сформулированы цели и задачи работы, перечислены основные научные результаты, полученные в диссертации, определена научная новизна и практическая ценность результатов, описана область их применения, представлены основные положения, выносимые на защиту, приведены сведения об апробации работы, публикациях по теме работы, описана структура диссертации и её объем.

В разделе 1 диссертационной работы приведен анализ структуры сетей специального назначения, описаны технологии, используемые при построении ССН, рассматривается трехуровневая сетевая модель, вводится понятие двухполюсного уровневого компонента, рассмотрена модель уровневого компонента, построенная методами теории массового обслуживания, рассмотрены основные характеристики узлов ССН, требующие анализа в условиях обработки трафика, порожденного широким спектром услуг, предоставляемых сетью. Отмечено, что трафик ССН в современных условиях обладает фрактальными свойствами и не может быть описан марковскими моделями, что подтверждается многочисленными результатами мониторинга сети. В связи с этим разработка методов анализа вероятностно-временных характеристик узлов ССН с учетом фрактального характера процессов, характеризующих функционирование сети, представляет собой актуальную проблему, требующего своего решения.

В разделе 2 диссертации исследованы статистические свойства трафика сетей специального назначения. При этом в качестве математической модели трафика и узлов сети успешно используются соответствующие модели систем массового обслуживания а качество обслуживание трафика определяется соответствующими параметрами, как правило, заранее известными хотя бы приближенно в части законов распределения случайных значений этих параметров.

Здесь рассматриваются математические модели трафика, основанные на методах теории фракталов. Показано, что важнейшей характеристикой фрактальных свойств трафика является показатель Херста. Устанавливается взаимосвязь двух моделей трафика, описываемого потоком событий, происходящих в случайные моменты времени, и совокупностью случайных интервалов времени между событиями (пакетами) и интервалов времени обработки пакетов.

Рассматриваются самоподобные модели трафика, определяемые особыми корреляционными свойствами рассматриваемых интервалов времени и распределениями с «тяжелыми» хвостами.

Важным результатом второй главы является установление связи коэффициентов корреляции интервалов времени между пакетами и пачечностью трафика.

Приводится общая методология анализа среднего времени ожидания заявки в очереди, основанная на решении интегрального уравнения Линдли спектральным методом. Упрощение процедуры решения основано на использовании аппроксимации вероятностных распределений рядами затухающих экспонент.

Для упрощения анализа процессов обработки самоподобного трафика в узлах ССН вводится понятие обновляющего процесса с гиперэкспоненциальным или эрланговским распределением вероятностей временных интервалов, корреляционные свойства которых учитываются изменяющимся дисперсионными свойствами, описываемыми индексом дисперсии последовательности.

Введение обновляющих процессов позволило построить методику анализа среднего времени ожидания пакета в очереди при обработке самопобного трафика системой массового обслуживания общего вида.

В разделе 3 диссертационной работы рассматривается анализ вероятностно-временных характеристик узла ССН в случае, когда параметры распределений, описывающих интервалы времени между поступающими на обработку заявками, априорно неизвестны. В этом случае использование интервального подхода, связанного с усреднением распределений по возможному интервалу изменения параметра, позволяет решить задачу анализа функционирования системы массового обслуживания общего вида.

В главе также рассмотрена задача анализа системы обслуживания общего вида на основе использования в качестве модели трафика рандомизированного пуассоновского потока. Данная модель, подразумевая изменение интенсивности пуассоновского потока от интервала к интервалу, позволяет описывать трафик при зависимых интервалах между поступающими пакетами.

Использование рандомизированного пуассоновского потока в качестве модели трафика позволило рассчитать пропускную способность узла обработки трафика и вероятность блокировки узла в зависимости от размера очереди.

Аналитические результаты первого раздела главы подтверждены моделированием с использованием симулятора NS2.

В разделе 4 диссертации приведены результаты многочисленных опытов по моделированию симулятором NS2 различных фрагментов сети с узлами, обрабатывающими модельный самоподобный трафик (трафик Парето) и трафик IPTV, записанный на реальной сети.

В частности, проведен эксперимент по исследованию негарантированной доставке данных (best-effort service) и технологии дифференцированного обслуживания с WRED алгоритмом управления очереди. Исследовались зависимости вероятности потери пакетов от значения параметра Херста трафика Парето.

Также промоделирована ситуация, связанная с совместной передачей TCP и UDP трафика. Данный эксперимент позволяет выяснить характер зависимостей задержки и джиттера от размера пакета, скорости потока и параметра формы трафика Парето.

Еще один эксперимент связан с оценкой влияния фонового трафика (CBR+Парето) на показатели качества доставки трафика 1РТУ по сегменту сети. При этом получены характеристики качества обслуживания основного трафика и фонового трафика, такие как задержка, джиттер, вероятность потери пакетов и вероятность сброса пакетов.

В заключении приводится описание основных результатов диссертационной работы.

Научная новизна. В диссертационной работе получены следующие новые научные результаты:

1. С использованием методов регрессионного анализа показано, что формирование пачек заявок на входе системы массового обслуживания осуществляется из-за корреляции интервалов времени между заявками. Причем положительные значения коэффициентов корреляции способствуют возникновению пачки, а отрицательные - приводят к обратной тенденции.

2. Показано, что адекватной математической моделью самоподобного трафика может служить процесс восстановления с гиперэкспоненциальным или эр-ланговским распределением мгновенных значений интервалов времени между заявками, учитывающий корреляционные свойства трафика через индекс дисперсии потока интервалов времени.

3. Решена задача оценивания среднего времени ожидания заявки в очереди для системы массового обслуживания общего вида при обработке коррелированного трафика путем решения интегрального уравнения Линдли спектральным методом с использованием модели самоподобного трафика в виде процесса восстановления с гиперэкспоненциальным распределением мгновенных значений интервалов времени между заявками.

4. Показано, что использование в качестве модели коррелированного трафика рандомизированного пуассоновского процесса позволяет рассчитать вероятность блокировки системы массового обслуживания в зависимости от размера очереди.

Теоретическая и практическая значимость исследования. Теоретическая значимость работы прежде всего состоит в том, что полученные результаты позволили построить методику анализа вероятностно-временных параметров узлов сети специального назначения, обрабатывающих трафик, обладающий самоподобием, т.е. трафик с явно выраженными корреляционными свойствами последовательности случайных интервалов времени между заявками, интервалов, вероятностные свойства которых характеризуются распределениями с «тяжелыми» хвостами. Составляющими этой методики являются результаты, объясняющие возникновение пачечности трафика современных ССН, модели трафика, основанные на синтезе обновляющего процесса, который учитывает корреляционные свойства трафика и произвольные распределения вероятностей временных параметров трафика, модели, которые позволили использовать методы классической теории массового обслуживания для определения важнейшего параметра системы массового обслуживания - среднего времени пребывания заявки в очереди. Значимым результатом является и продемонстрированная возможность оценки другого важного параметра системы массового обслуживания - вероятности блокировки системы, рассчитать которую удалось с использованием модели коррелированного трафика на основе рандомизированного пуассоновского потока.

Практическая значимость работы, как и большинства работ в области теории телетрафика, состоит в обеспечении процесса проектирования сетей адекватными моделями трафика и методиками его анализа.

Практическое значение положений и выводов диссертации для планирования и постановки перспективных научно-исследовательских и опытно-конструкторских работ подтверждается результатами внедрения на предприятиях и организациях России согласно полученным актам внедрения.

Работа соответствует следующим пунктам паспорта специальности 05.12.13 (Системы, сети и устройства телекоммуникаций):

п.2 - исследование процессов генерации, представления, передачи, хранения и отображения аналоговой, цифровой, видео-, аудио- и мультимедиа инфор-

мации; разработка рекомендаций по совершенствованию и созданию новых соответствующих алгоритмов и процедур.

п.11 - разработка научно-технических основ технологии создания сетей, систем и устройств телекоммуникаций и обеспечения их эффективного функционирования;

п.14 - разработка методов исследования, моделирования и проектирования сетей, систем и устройств телекоммуникаций.

Методология и методы исследования. Для решения поставленных в диссертации задач использовались методы теории массового обслуживания, математической статистики, теории вероятностей, теории функций комплексной переменной, имитационного моделирования.

Обоснованность и достоверность результатов. Обоснованность и достоверность результатов работы обеспечивается корректным применением математического аппарата и подтверждается результатами имитационного моделирования, совпадением в частных случаях результатов, полученных в диссертации, с результатами других авторов, а также результатами апробации, публикации и внедрения основных положений диссертации.

Список литературы диссертационного исследования кандидат наук Сапрыкин Александр Вячеславович, 2018 год

Источник

Маршрутизатор

_1_

Маршрутизатор

_1_

Маршрутизатор

Маршрутизатор

Маршрутизатор

Маршрутизатор

Рисунок 4.13 - Фрагмент моделируемой сети

Для имитации ситуации в реальной сети наряду с обработкой исследуемого трафика обрабатывается фоновый трафик. Фоновым для основного является соче-

тание CBR (Constant Bit Rate) трафика с постоянной битовой скоростью и ON/OFF-трафика с распределением Парето ON и OFF периодов.

Исследуемый трафик передается между источником и получателем 1. Конкурирующий с данным потоком фоновый трафик передается от источника к получателю 2 и реализуется генерацией CBR и ON/OFF-трафика. В качестве основного потока обрабатывается трафик IPTV. Данный трафик, зафиксированный в реальной линии связи, импортирован в симулятор NS2.

Представленная схема позволяет проанализировать влияние корреляционных свойств длин пакетов (через задание параметра формы распределения Паре-то, который задает значение параметра Херста и, следовательно, корреляционные свойства трафика) на результаты обработки трафика получателем. В эксперименте анализировались следующие параметры качества обслуживания: задержка, джиттер и доля потерянных пакетов.

Для трафика IPTV изменение задержки пакетов во времени и джиттера во времени приведены на рис.4.14 и 4.15, соответственно.

Рисунок 4.14 - Изменение задержки для трафика сети IPTV

Рисунок 4.15 - Изменение джиггера для трафика 1РТУ

Результаты моделирования представлены в таблице 4.2.

Таблица 4.2.

Результаты моделирования

Параметры QoS Тип трафика

CBR 0N/0FF с распределением Парето 1РТУ

Задержка, мс 80 91 82

Джиттер, мс 5 0,51 8

Вероятность потерь, % 0 5 0,3

Вероятность сброса, % 6,5 0,3 12

Анализ результатов моделирования показал, что в процессе обработки трафика те параметры QoS, которые традиционно используются для оценки эффективности обработки потоков, мало отличаются для различных моделей трафика. Наиболее приближенные значения параметров QoS при обработке реального трафика получены для фоновой модели в виде ON/OFF процесса с распределением Парето. При этом такой параметр как вероятность сброса пакета для коррелированного трафика значительно превышает допустимые значения по QoS.

Как указано в документах, регламентирующих параметры качества обслуживания в операторских сетях [7], при передаче VoIP трафика потери пакетов не должны превышать 0,25%, а при передаче потокового видео - не более 1%.

Знание этих характеристик дает информацию для улучшения параметров сетевого управления и повышения уровня качества обслуживания в сети.

4.4 Выводы по разделу 4

1. Для экспериментальной проверки теоретических результатов, полученных в разделах 2 и 3, осуществлен выбор платформы моделирования фрагментов ССН исходя из критериев:

- детальная реализация протоколов функционирования сетей,

- возможность написания и подключения собственных модулей,

- возможность изменения параметров моделирования во время проведения экспериментов,

- платформенная независимость,

- развитый графический интерфейс,

- цена продукта.

В итоге в качестве платформы моделирования выбран свободно распространяемый объектно-ориентированный программный продукт NS2, ядро которого реализовано на языке C++.

2. Для анализа степени влияния самоподобия трафика на уровень потери пакетов поставлен эксперимент для модели негарантированной доставки данных

(с управлением очереди алгоритмом FIFO) и модели дифференцированного обслуживания (с управлением очередью алгоритмом WRED).

При использовании распределения Парето для интервалов времени между пакетами и постоянным временем обслуживания пакетов в модели негарантированной доставки данных показано, что при увеличении параметра Херста Н в интервале значений от 0,1 до 0,6 наблюдается увеличение количества потерянных пакетов. Минимальный процент потерь наблюдается для H = 0,6 - 4,66%, максимальный процент - для Н = 0,9 - 7,26%. Увеличение потерь пакетов с ростом параметра Херста указывает на неэффективность работы алгоритма FIFO для потоков с самоподобием.

В модели дифференцированного обслуживания при H = 0,6 теряется в среднем 2% пакетов, при Н = 0,9 - 5%.

3. Моделирование варианта совместной передачи TCP и UDP (CBR) трафика (TCP - трафик Парето) показало, что задержка пакетов в моделируемом фрагменте сети в диапазоне скоростей потока от 20 Мбит/с до 10 Мбит/с задержки распределены равномерно в диапазоне от 0,03 с до 0,07 с при разных длинах пакетов. Значение параметра формы распределения Парето при этом не оказывает существенного влияния на задержку.

Для скорости потока 5 Мбит/с интегральная функция распределения задержки имеет неравномерный характер, что характеризует возможно скачкообразный характер изменения задержки.

Зависимость задержки между источником и получателем от времени отправления пакетов имеет циклический характер с переменной «частотой» следования и «амплитудой».

4. Рассмотрена схема эксперимента, в которой конкурирующий с основным IPTV-трафиком фоновый трафик передается от источника к получателю и реализуется генерацией CBR и ON/OFF-трафика (трафик IPTV импортирован в NS2 с реальной линии связи). Анализ изменения задержки пакетов и джиггера показал, что что в процессе обработки трафика те параметры QoS, которые традиционно используются для оценки эффективности обработки потоков мало отличаются для

различных моделей трафика (IPTV, CBR и ON/OFF-трафика). Наиболее приближенные значения параметров QoS при обработке реального трафика получены для фоновой модели в виде ON/OFF процесса с распределением Парето. При этом, такой параметр, как вероятность сброса пакета, для коррелированного трафика IPTV значительно превышает допустимые значения по QoS.

Oсновные результаты, представленные в настоящем разделе, опубликованы в трудах автора [105, 106].

ЗАКЛЮЧЕНИЕ

В соответствии с целью диссертационной работы и поставленными задачами исследования в диссертационной работе получены следующие результаты:

1. Проведен анализ существующих моделей трафика и методов его обработки, основанных на классической теории массового обслуживания. При этом установлено, что в современных инфокоммуникационных сетях трафик, как случайный процесс, обладает самоподобными свойствами, что характеризуется явно выраженными корреляционными свойствами интервалов времени между заявками и интервалов времени обработки заявок в узлах сети, и распределения вероятностей указанных интервалов имеют «тяжелые» хвосты.

С использованием регрессионного анализа установлено, что положительные значения коэффициентов корреляции порождают процесс образования пачек заявок, в то время как отрицательные значения коэффициентов корреляции приводят к обратной тенденции.

2. В случае, когда последовательности указанных интервалов независимы, для анализа среднего времени ожидания заявки в очереди системы массового обслуживания общего вида целесообразно использовать интегральное уравнение Линдли, решение которого спектральным методом может быть легко найдено при аппроксимации плотностей вероятностей временных интервалов рядами затухающих экспонент (в частности, гиперэкспоненциальным или эрланговским распределением).

3. Для учета корреляционных свойств временных интервалов в работе использованы модели трафика в виде обновляющих процессов (процессов восстановления) с гиперэкспоненциальными распределениями. Учет корреляционных свойств осуществляется через индекс дисперсии временных интервалов, определяемый суммой всех значимых коэффициентов корреляции последовательности временных интервалов.

4. Для трафика, обладающего самоподобными свойствами, разработана методика оценивания среднего времени ожидания заявки в очереди для системы

массового обслуживания общего вида, основанная на решении интегрального уравнения Линдли спектральным методом с использованием модели самоподобного трафика в виде процесса восстановления с гиперэкспоненциальным распределением мгновенных значений интервалов времени между заявками.

5. Для оценки влияния размера очереди на пропускную способность системы массового обслуживания (или вероятность блокировки) использована модель самоподобного трафика в виде рандомизированного пуассоновского потока, у которого интенсивность меняется при изменении состояния системы.

6. Для проверки результатов, полученных аналитическим путем, в работе проведено имитационное моделирование процессов передачи и обработки трафика узлами сети с заданными характеристиками на симуляторе №2. Моделирование показало качественное совпадение теоретических и экспериментальных результатов.

Перспективное направление дальнейших исследований по тематике диссертационной работы связано с разработкой системы оперативного мониторинга трафика состояния узлов сетей специального назначения.

СПИСОК СОКРАЩЕНИЙ

ATM (Asynchronous Transfer Mode) - асинхронный способ передачи данных

BGP (Border Gateway Protocol) - протокол граничного шлюза)

BL (Base Layer) - базовый уровень

CBR (Constant Bit Rate) - постоянный битрейт

CBS (Committed Bust Size) - фиксированный размер буфера

CIR (Committed Information Rate) - фиксированная информационная скорость

CR-LDP (Constraint-based Routing Label Distribution Protocol) -Протокол распределения меток маршрутизации, основанный на ограничениях

DHCP (Dynamic Host Configuration Protocol) - протокол динамической настройки узла

FIFO (First In, First Out) - «первым пришёл - первым ушёл» (обслуживание в порядке поступления)

FR (Frame Relay) - ретрансляция кадров

GII (Global Information Infrastructure) - глобальная информационная инфраструктура

GRE (Generic Routing Encapsulation) - общая инкапсуляция маршрутов

HTTPS (HyperText Transfer Protocol Secure) - расширение протокола HTTP для поддержки шифрования

IL (Infrastructure Layer) - инфраструктурный уровень

IP (Internet Protocol) - межсетевой протокол

IPSec (IP Security) - [защита данных, передаваемых по IP]

IPTV (Internet Protocol Television) - телевидение по протоколу Интернет

ISDN (Integrated Services Digital Network) - цифровая сеть с интеграцией служб

IS-IS (Intermediate System to Intermediate System) - протокол внутренней маршрутизации

L2F (Layer 2 Forwarding Protocol) - протокол эстафетной передачи на втором уровне

L2TP (Layer 2 Tunneling Protocol - протокол туннелирования второго уровня

LDP (Label Distribution Protocol) - протокол распределения меток

MAC (Media Access Control) - управление доступом к среде

MPLS (Multiprotocol Label Switching) - многопротокольная коммутация по меткам

MWL (MidWay Layer) - промежуточный уровень

NGN (Next Generation Networks) - сети следующего поколения

OSPF (Open Shortest Path First) - протокол динамической маршрутизации по кратчайшему пути

PPP (Point-to-Point Protocol) - протокол «точка-точка» (канального уровня)

PPTP (Point-to-Point Tunneling Protocol) - туннельный протокол «точка-точка»

QoS (Quality of Service) - качество обслуживания

RIP (Routing Information Protocol) - протокол маршрутизации (один из простейших)

RSVP (Resource ReSerVation Protocol) - протокол резервирования сетевых ресурсов

RSVP-TE (Resource ReSerVation Protocol for Traffic Engineering) - модифицированный протокол RSVP для сигнализации

SDH (Synchronous Digital Hierarchy) - синхронная цифровая иерархия

SSL (Secure Sockets Layer) - уровень защищённых шкетов

SSTP (Secure Socket Tunneling Protocol) - протокол безопасного тунне-лирования сокетов

TCP (Transmission Control Protocol) - протокол управления передачей

UDP (User Datagram Protocol) - протокол пользовательских датаграмм

VCI (Virtual Circuit Identifier) - идентификатор виртуального канала

VoIP (Voice over Internet Protocol) - голосовая связь через интернет

VPI (Virtual Path Identifier) - идентификатор виртуального маршрута

VPN (Virtual Private Network) - виртуальная частная сеть

WRED (Weighted random early detection) - взвешенное произвольное раннее обнаружение

ВОС - взаимодействие открытых систем ССН - сети специального назначения УПУ - узел предоставления услуг

СПИСОК ЛИТЕРАТУРЫ

1 Автокорреляционная функция. Примеры расчётов [Электронный ресурс]. - Режим доступа: http://www.newreferat.com/ref-671-1.html, свободный. -Загл. с экрана.

2 Аджемов, А.С., Васильев А.Б., Кучерявый А.Е. Перспективные направления развития сетей связи общего пользования // Электросвязь. - 2008 - № 10 -С. 6-7.

3 Александров А.М. Один метод исследования систем массового обслуживания // Изв. АН СССР. Техническая кибернетика - 1971.- № 3. C. 105-115.

4 Александров А.М. Рандомизированные модели цифрового телетрафика // Электросвязь. № 6. 2010. С.41-44.

5 Анализ свойства самоподобия трафика веб-ресурса [Электронный ресурс]. - Режим доступа: http://morozov.krc.karelia.ru/articles/kp/, свободный. - Загл. с экрана.

6 Аппроксимация функций [Электронный ресурс]. - Режим доступа: http://physics.herzen.spb.ru/library/01/01 /nm_labs/approximation.htm, свободный. -Загл. с экрана.

7 Архив документации на OpenNet.ru / Раздел «Cisco маршрутизаторы и коммутаторы». [Электронный ресурс] - Режим доступа: www.mpls-exp.ru/ispqoscisco.html, свободный. - Загл. с экрана.

8 Бельков Д.В., Едемская Е.Н. Анализ сетевого трафика методом агрегирования [Электронный ресурс] - Режим доступа: http://ea.donntu.edu.ua:8080/jspui/bitstream/123456789/3247/1/Анализ%20сетевого% 20трафика%20методом%20агрегирования^^ свободный. - Загл. с экрана.

9 Беляев С.О., Буранова М.А. Анализ характеристик трафика сети специального назначения // XVII МНТК «Проблемы техники и технологий телекоммуникаций». - 2016, Самара. - С. 260-261.

10 Бителева А. Принципы IPTV-вещания // Телеспутник. - 2012. - №10. -с. 24-27.

11 Букашкин С.А., Тучкин А.В. Особенности пакетной передачи различных видов трафика по каналам с небольшой пропускной способностью // Радиотехника. - 2014. - №4. - С.37-42.

12 Буранова М.А. Исследование статистических характеристик самоподобного телекоммуникационного трафика // Инфокоммуникационные технологии. - 2012. - №4. - Том 10. - С. 35-41.

13 Буранова М. А., Карташевский В. Г. Анализ времени ожидания для узла сети типа G/D/1 при неточном знании параметров трафика // Информационные технологии и телекоммуникации. 2017. Том 5. № 1. С. 24-33.

14 Буранова М.А, Карташевский В.Г., Самойлов М.С. Анализ статистических характеристик мультимедийного трафика узла агрегации в мультисервисной сети / // Радиотехнические и телекоммуникационные системы. - 2014. - №4. - С. 63-69.

15 Буранова М.А., Карташевский В.Г., Самойлов, М.С. Сравнительный анализ статистических характеристик видеотрафика в сетях пакетной передачи данных // Инфокоммуникационные технологии. - 2013. - №4. - Том 12. - С. 3338.

16 Буранова М.А., Карташевский, В.Г. Влияние механизмов управления QOS на показатели качества обслуживания мультимедийного трафика сети Internet // T-Comm. - 2013. - №8. - С. 54-60.

17 Буренин А.Н., Легков К.Е. К вопросу математического описания потоков управляющей информации в процессе управления современной инфокомму-никационной сетью специального назначения // Наукоемкие технологии в космических исследованиях земли. 2013. №5.- С.8-12.

18 Буренин А.Н., Легков К.Е., Нестеренко О.Е. К вопросу построения систем управления современными инфокоммуникационными сетями специального назначения // Наукоемкие технологии в космических исследованиях Земли. -2013. - Т. 6, №6. - С. 22-28.

19 Гольдштейн А.Б., Гольдштейн Б.С. Технология и протоколы MPLS [Текст] / Научно-техн. изд. - СПб.: БХВ-Петербург, 2014. - 304 с.: ил.

20 Гончаренко В.А. Анализ реактивности узла вычислительной сети в условиях интервальной неопределенности // Изв. Вузов. Приборостроение, 2008, Т.51. №7. С. 34-39.

21 Градштейн И.С., Рыжик И.М. Таблицы интегралов, сумм, рядов и произведений. - М.: Наука, 1971, 1108 с.

22 Гуда А.Н., Бутакова М.А., Москат Н.А. Модели оценки параметров телекоммуникационного трафика в автоматизированных информационно-управляющих системах [Электронный ресурс] - Режим доступа: http://vernadsky.tstu.ru/pdf/2010/02/12.pdf, свободный. - Загл. с экрана.

23 Данилов, А.Н., Кайюмов С.Т. Анализ методов оценки параметров трафика мультисервисной сети доступа // Т-Сотт. -2011. - №3 - С. 38-39.

24 Деарт В.Ю., Кожухов И.С. Исследование параметров качества обслуживания (QoS), определяющих качество восприятия пользователем (QoE) потокового видео при передаче через Интернет // T-Comm. - 2013. -№7.

25 Диткин В.А., Прудников А.П. Интегральные преобразования и операционное исчисление. - М.: Главная редакция физико-математической литературы издательства «Наука», 1974. - 544 с.

26 Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Книга 1. М.: Финансы и статистика, 1986. - 366 с.

27 Дубницкий В.Ю., Петренко О.Е. Оценивание параметров распределений Бредфорда, Барра и Дагума методом максимального правдоподобия // Системи обробки шформацп-2011. - №4(94). - С.126-129.

28 Канаков О.И., Ковалев П., Филимонов В. Система моделирования сетей связи ns 2. Методическое пособие // Нижегородский государственный университет им. Н.И. Лобачевского, Радиофизический факультет. Лаборатория физических основ и технологий беспроводной связи / Нижний Новгород, 2003, 19 с.

29 Карташевский В.Г. Основы теории массового обслуживания. Учебник для вузов. - М.: Горячая линия-Телеком, 2013 - 130 с.

30 Карташевский И.В. Модель трафика для программно-конфигурируемых сетей // Радиотехника. №6. 2016. - С.124-129

31 Клейнрок Л. Вычислительные системы с очередями / Пер. с англ. под ред. Б.С. Цыбакова. - М.: Мир, 1979, 600 с.

32 Клейнрок Л. Теория массового обслуживания / Пер. с англ. под ред. В.И. Неймана. - М.: Машиностроение, 1979, 432с.

33 Кобзарь, Л.С. Использование параметра качества восприятия в системе IPTV [Электронный ресурс] // Науковi записки УНД1З. -2010. - №3(15). - с. 82. - Режим доступа: http://ru.scribd.com/doc/84119299/16-Kobzar, свободный. -Загл. с экрана.

34 Кокс Д., Льюис П. Статистический анализ последовательностей событий / Пер. с англ. под ред. Н.П. Бусленко. - М.: Мир, 1969. - 312 с.

35 Кокс Д., Смит У. Теория очередей / Пер. с англ. - М.: Мир, 1966. - 223

с.

36 Критерии согласия [Электронный ресурс]. - Режим доступа: http://sernam.ru/book_tp.php?id=34, свободный. - Загл. с экрана.

37 Кузнецов В.П. Интервальные статистические модели.- М.: Радио и связь, 1991, 352 с.

38 Кулябов Д.С., Ланеев Д.Е. Моделирование динамики взаимодействия WEB-сервера и пула клиентов в компьютерной сети в условиях атаки «От-каз в обслуживании» // Вестник Российского университета дружбы народов, серия «Прикладная и компьютерная математика».- Т.4. №1. 2005. С.164-178

39 Кучерявый А.Е., Парамонов А.И., Тарасов Д.В. Особенности видеотрафика для сетей связи следующего поколения // Электросвязь. - 2010. - №1. - С. 37-43.

40 Кучерявый Е.А. NS2 как универсальное средство имитационного моделирования сетей связи / Tampere University of Technology, Telecommunications Laboratory, P.O. Box 553, FIN-33101 [Электронный ресурс] - Режим доступа: http: // www.cs.tut.fi/~yk, свободный. - Загл. с экрана.

41 Ладыженский Ю.В., Моргайлов Д.Д., Юнис М. Моделирование самоподобного входного трафика сетевых процессоров в системе NS-2 // Науковi пращ

ДонНТУ. - Донецк, 2012. - (Серия «1нформатика, юбернетика та обчислювальна техтка»). - № 16 (204). - С. 68-74.

42 Левин Б.Р. Теоретические основы статистической радиотехники - М.: Сов. Радио, Книга первая, 1969, 752с.

43 Легков К.Е. Многоуровневые модели инфокоммуникационных сетей специального назначения // T-Comm: Телекоммуникации и транспорт. - 2015. - Т. 9, №12. - С. 32-36.

44 Легков К.Е. Организация и модели функционирования современных инфокоммуникационных сетей специального назначения // T-Comm: Телекоммуникации и транспорт. - 2015. - Т. 9, №8. - С. 14-20.

45 Метод аппроксимации произвольной плотности распределения суммами экспонент / Блатов И.А., Карташевский В.Г., Киреева Н.В. и др. // Вестник ВГУ. - 2013. - № 2. - С. 53-57.

46 Назаров А.Н., Сычев К.И. Модели и методы расчета показателей качества функционирования узлового оборудования и структурно-сетевых параметров сетей связи следующего поколения.- 2-е изд., перераб. и доп. - Красноярск: Издательство ООО «Поликом», 2011. - 491 с.

47 Нейман В.И. Самоподобные процессы и их применение в теории телетрафика // Труды Международной академии связи. - 1999. - №3. - С. 11-15.

48 Передача Unicast, Broadcast и Multicast трафика [Электронный ре-сурс]. - Режим доступа: http://www.konturm.ru/tech.php?id=iptvpe, свободный. - Загл. с экрана.

49 Поздняк И.С., Киреева Н.В. Исследование вероятностно-временных характеристик трафика с помощью моделирования в ns2 // T-Comm.. 2013. №8. С. 85-87.

50 Причины самоподобности в сетевом трафике / Л.А. Фомин, Г.И. Линец, Д.В. Шлаев и др. // Электросвязь. 2008. №2.- С.20-23.

51 Программа-снифер сетевого трафика [Электронный ресурс]. Режим доступа: http://www.wireshark.org/, свободный. - Загл. с экрана.

52 Решение уравнения Линдли спектральным методом для систем массового обслуживания общего вида / И.А. Блатов, В.Г. Карташевский, Н.В. Киреева, и др. // Электросвязь. №11. 2014. С.48-50.

53 Росляков А.В. Виртуальные частные сети: Основы построения и применения - М.: ЭкоТрендз, 2006, 304 с.

54 Самойлов М.С. Анализ вероятностно-временных характеристик узлов обработки непуассоновского мультимедийного трафика мультисервисных сетей связи: Диссертация на соискание ученой степени кандидата технических наук. -Самара, 2014. - 147 с.

55 Самойлов М.С. Анализ статистических характеристик интенсивно-сти видеотрафика в сети IPTV // Труды 68-ой Международной Конференции «Радиоэлектронные устройства и системы для инфокоммуникационных технологий». -М., 2013. - С.75-77.

56 Сатовский Б.Л. MPLS — технология маршрутизации для нового поколения сетей общего пользования [Электронный ресурс] : журнал о компьютерных сетях и телекоммуникационных технологиях / Сети и системы связи: Электрон. журн. - 2000. - Режим доступа: http://ccc.ru/magazine/depot/01_03/0303.htm, свободный. - Загл. с экрана.

57 Сети и телекоммуникации: учебник и практикум для академического бакалавриата / под ред. К.Е. Самуйлова, И.А. Шалимова, Д.С. Кулябова. - М.: Издательство Юрайт, 2016. - 363 с.

58 Соколов Н.А. Системные аспекты построения и развития сетей электросвязи специального назначения [Электронный ресурс] / Н.А Соколов International Journal of Open Information Technologies ISSN. - 2014. - Т. 2, № 9.- С. 4-8.

59 Специальная радиосвязь. Развитие и модернизация оборудования и объектов. Монография / Под ред. А.Л. Бузова, С.А. Букашкина. - М.: Радиотехника, 2017. - 448с. - Коллектив авторов.

60 Справочник по специальным функциям / Под редакцией М. Абрамови-ца и И. Стиган / Пер. с англ. под ред. В.А. Диткина и Л.Н. Кармазиной. - М.: Наука, 1979, 832 с.

61 Справочник по теории вероятностей и математической статистике / Под ред. В.С. Королюка. - : Издательство. «Наукова думка», 1978. - 582с.

62 Федер Е. Фракталы.- М.: Мир, 1991. - 254 с.

63 Федеральный закон Российской Федерации «О связи» [Электронный ресурс]:[от 7 июля 2003 года № 126-ФЗ] / М-во связи и массовых коммуникаций Рос. Федерации. - Режим доступа: http://minsvyaz.ru/ru/documents/3068/, свободный. - Загл. с экрана.

64 Фомин В.В. Исследование алгоритма управления очередями WRED в модели дифференцируемого обслуживания // Инфокоммуникационные технологии. - 2010. т.8. № 2. - С. 27-31.

65 Фомин В.В. Статистический анализ IP и VoIP трафика // Инфокомму-никационные технологии. - 2009. - №1. - Том 7. - С. 40-44.

66 Хастингс Н., Пикок Дж. Справочник по статистическим распределениям - М.: Статистика, 1980. - 95 с.

67 Хинчин А.Я. Математические методы теории массового обслуживания. - М.: Физматгиз, 1963. - 149 с.

68 Цыбаков Б.С. Модель телетрафика на основе случайного процесса // Радиотехника. 1999. № 5.- С. 24-31.

69 Что такое VPN, зачем он нужен и как им пользоваться [Электронный ресурс]. - Режим доступа: http://hyiphunter.org/chto-takoe-vpn, свободный. - Загл. с экрана.

70 Что такое VPN? Суть технологии и области ее применения [Электронный ресурс]. - Режим доступа: https://www.syl.ru/article/145004/mod_chto-takoe-vpn-sut-tehnologii-i-oblasti-ee-primeneniya, свободный. - Загл. с экрана.

71 Шелухин О.И. Моделирование информационных систем. Учебное пособие для вузов / 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2014, 536 с.

72 Шелухин О.И. Мультифракталлы. Инфокоммуникационные приложения - М.: Горячая Линия - Телеком, 2011. - 578 с.

73 Шелухин О.И., Тенякшев А.М., Осин А.В. Фрактальные процессы в телекоммуникациях / Под ред. О.И. Шелухина. - М.: Радиотехника, 2003, 480с.

74 Шнепс-Шнеппе М.А. Телекоммуникации для экстренных и военных нужд: параллели / International Journal of Open Information Technologies. - 2014. - т. 2. - № 7 - С. 25-36.

75 Шнепс-Шнеппе М.А., Намиот Д.Е. Телекоммуникации для военных нужд: от сети GIG^ сети GIG2 // International Journal of Open Information Technologies. - 2014. - т. 2. - № 9 - С. 9-17.

76 Шринивас В. Качество обслуживания в IP сетях - М: «Вильямс», 2003. - 366 с.

77 Янке Е., Эмде Ф., Лёш Ф. Специальные функции (формулы, графики, таблицы) / Пер. с немецкого под ред. Л.И. Седова - М.: Наука, 1968, 344 с.

78 Araghi M. A new renewal approximation for certain autocorrelated processes // Operations Research Letters, 36, 2008, P.133-139.

79 Araghi M.B. Incorporating Autocorrelated Service Nimes in the Analysis of Delay Systems [Электронный ресурс]. - Режим доступа: https: www.researchgate.net/publication/228806763, свободный. - Загл. с экрана.

80 Balcioglu B., Jagerman D.L., Altiok T. Approximate mean waiting time in a GI/D/1 queue with autocorrelated times to failures // IIE Transactions, 2007, V.39, P. 985-996.

81 Balcioglu B., Jagerman D.L., Altiok T. Merging and Splitting Autocorrelat-ed Arrival Processes and Impact on Queueing Performance // Performance Evaluation, 2008. Vol.65. P.653-669

82 Balcioglu B., Jagerman D.L., Altiok T., Melamed B. Mean Waiting Time Approximations in the G/G/1 Queue // Queueing Systems. 2004. 46. P. 481-506.

83 Crovella M., Lipsky L. Long-lasting transient, conditions in simulations with heavy-tailed workloads / M. Crovella, // Proc 1997 Winter Simulation Conference. -1997.

84 Culley D., Fuchs C., Sharp. an investigation of MPLS traffic engineering capabilities using CR-LDP [Электронный ресурс]. URL: http: //www2 .ensc. sfu .ca/~lj ilj a/ENSC83 3/Spring01 /Proj ects/culley_fuchs_sharp/mpls_r eport.pdf, свободный. - Загл. с экрана.

85 Ethernet в городских сетях [Электронный ресурс]. - Режим доступа: http://mirznanii.com/a/308561/ethernet-v-gorodskikh-setyakh, свободный. - Загл. с экрана.

86 Gusella R. Characterizing the variability of arrival processes with indexes of dispersion. // IEEE J. Selected Areas Commun. 9(2). 1991. P.203-211

87 Heyman, D.P., Lakshman T.V. Source models for VBR broadcastvideo traffic // IEEE/ACM Transactions on Networking. - 1996. - Vol.4. - P. 40-48.

88 IETF RFC 1633, Integrated Services in the Internet Architecture: an Overview.

89 IETF RFC 2474, Definition of the Differentiated Services Field (DS Field)in the IPv4 and IPv6 Headers IETF RFC 2475, An Architecture for Differentiated Services.

90 IETF RFC1112 Host Extensions for IP Multicasting, August 1989.

91 IETF RFC919 Broadcasting Internet Datagrams, October 1984.

92 ITU-T G.1080, Quality of experience requirements for IPTV services, 12,

2008.

93 Jagerman D.L., Melamed B. On Markovian traffic with applications to TES processes // J. Appl. Math. Stochastic Anal. 1994. 7(3). P. 373-396

94 Keilson J, Machihara F. Hyperexponential Waiting Time Structure in Hy-perexponential Systems // Journal of the Operations Research Society of Japan Vol. 28, No. 3, September 1985, pp. 242-250

95 Leland, W.E. On the self-similar nature of Ethernet traffic (Extended version) / W.E. Leland, M.S. Taqqu, W. Willinger, D.V. Wilson. // IEEE/ACM Transactions on Networking. - 1994. - № 2. - P. 1-15.

96 Matthew N.O., Sadiku: An alternative to traditional cable and satellite television / N.O. Matthew // IEEE Potentials. - July 2011.

97 Network Simulator 2 for Wireless [Электронный ресурс] - Режим доступа: http://www.winlab .rutgers. edu/~zhibinwu/html/network_simulator_2 .html, свободный. - Загл. с экрана.

98 Park, K. Self-Similar Network Traffic: An Overview [Электронный ресурс] - Режим доступа: http://pi.314159.ru/park1.pdf, свободный. - Загл. с экрана.

99 Wolff R.W. Stochastic Modeling and the Theory of Queues / Prentice-Hall, Englewood Cliffs, NJ, 1989, 116 p.

100 Букашкин С.А., Буранова М.А., Сапрыкин А.В. Исследование статистических свойств мультимедийного трафика при обработке в сети MPLS // Радиотехнические и телекоммуникационные системы. - 2016. - №4. - С.34-42.

101 Букашкин С.А., Карташевский В.Г., Сапрыкин А.В. Анализ функционирования узла сети специального назначения в условиях неточного знания параметров трафика // Радиотехника. - 2017. - №4. - С. 93-97.

102 Карташевский И.В., Сапрыкин А.В. Обработка коррелированного трафика в узле сети типа G/G/1 // Радиотехника. - 2017. - №10. - С. 119-125.

103 Сапрыкин А.В. Методика анализа вероятностно-временных характеристик узлов мультисервисной сети при обработке фрактального трафика // Радиотехника. - 2018. - №4.

104 Сапрыкин А.В. Анализ времени ожидания заявки в очереди для системы массового обслуживания общего вида / И.В. Карташевский, А.В. Сапрыкин // T-Comm. - 2018. - №2. - С.4-10.

105 Букашкин С.А., Карташевский В.Г., Буранова М.А., Фомин В.В., Сапрыкин А.В., Беляев С.О. Методы анализа качества обслуживания сетевого трафика при использовании протокола управления: Раздел монографии // Специальная радиосвязь. Развитие и модернизация оборудования и объектов. Монография / Под ред. А.Л. Бузова, С.А. Букашкина. - М.: Радиотехника, 2017. - 448 с.

106 Bukashkin S.A., Buranova M.A , Saprykin A.V. An analysis of multimedia traffic in the MPLS network in simulator ns2 // Problems of Infocommunications Science and Technology (PIC S&T), 2016. Third International Scientific-Practical Conference. - P.185-188.

107 Букашкин С.А., Самойлов М.С., Сапрыкин А.В. Методы анализа трафика инфокоммуникационных мультисервисных сетей связи // XXIII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ: Материалы конференции. - Самара, 2016. - С. 173.

108 Буранова М.А., Сапрыкин А.В. Исследование статистических свойств мультимедийного трафика при обработке в сети MPLS // Проблемы техники и технологий телекоммуникаций: Материалы XIV Международной научной конференции. - Самара, 2016. - С.139-140.

109 Буранова М.А., Сапрыкин А.В. Анализ показателей качества обслуживания мультимедийного трафика в сети MPLS // Проблемы передачи информации в инфокоммуникационных системах: Материалы VII Всероссийской научно-практической конференции. Волгоград, 2016. - С. 21-24.

110 Буранова М.А., Сапрыкин А.В. Анализ статистической структуры мультимедийного трафика в условиях передачи по сетям специального назначения // Радиоэлектронные устройства и системы для инфокоммуникационных технологий: Материалы 71-й Международной конференции. - М.: РНТОРЭС, 2016. -Т.2. - C. 383-386.

111 Букашкин С.А., Сапрыкин А.В. Оценка корреляционных свойств трафика ССН // XXIV Российская научно-техническая конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ. Материалы конференции - Самара, 2017. - С. 197.

112 Букашкин С.А., Буранова М.А., Сапрыкин А.В. Анализ вероятностно-временных характеристик узла мультисервисной сети специального назначения // 19-я международная конференция «Цифровая обработка сигналов и ее применение». - М., 2017. - С.218-221.

113 Букашкин С.А., Карташевский В.Г., Сапрыкин А.В. Анализ функционирования сетевого узла при неточном знании параметров трафика // 19-я международная конференция "Цифровая обработка сигналов и ее применение". - М., 2017. - С.230-234.

114 Беляев С.О., Сапрыкин А.В. Анализ и управление сетевым трафиком в мультисервисной сети // Международная научно-техническая конференция «Радиотехника, электроника и связь». - Омск, 2017. - С.284-289.

115 Сапрыкин А.В. Разработка методики и алгоритмов анализа временных характеристик узлов мультисервисной сети при обработке фрактального трафика // XXV Российская научно-техническая конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ. Материалы конференции - Самара, 2018.