Chapire 3 Modèles de rafic e Conrôle d admission 83 1. Besoins des applicaions Taille de paque Source coninue Taille de paque Source coninue par inermience (ex. la voix) Silence Silence Taille de paque Source coninue avec compression de données Taille de paque Source aléaoire 84 1
1. Besoins des applicaions 14000 Source coninue 12000 10000 8000 6000 4000 2000 0 0 52 280 105 560 158 840 211 20 264 400 316 680 369 960 422 240 475 520 528 800 580 080 633 360 686 640 739 920 792 200 844 480 897 760 950 040 Disribuon de la longueur de rame du film Jurassic park I codé en MPEG-4 85 1. Besoins des applicaions Quelques exemples de conraines de débi e délai (à prendre avec précauion car ces chiffres changen sans cesse) 86 2
1. Besoins des applicaions Type Service Débi délai Gigue Taux de pere Voix 4-25 kbi/s <150 ms <1 ms <3% FER Conversaionnel Vidéophone 32-384 kbi/s <150 ms <1% FER / Temps réel Jeux <1 kbi/s <250 ms <3% FER Messagerie vocale 4-13 kbi/s <1 sec <1 ms <3% FER Ineracive Web browsing 4 sec/page e-commerce 4 sec <0% FER Sreaming audio 32-384 kbi/s <10 sec <1 ms <1% FER Sreaming Vidéo 32-384 kbi/s <10 sec <1% FER FER : Frame Error Rae Quelques exemples de conraines de débi e délai (à prendre avec précauion car ces chiffres changen sans cesse) 87 1. Besoins des applicaions Trafic cumulé Pere Enveloppe de rafic Approximaion de débi 88 3
1. Besoins des applicaions Agrégaion de flux Besoins Plusieurs flux à ransporer avec un même niveau de QoS Muliplexage Difficulés Choix des flux à agréger Précision du rafic agrégé vs complexié de l agrégaion Modèles de dégradaion de QoS pour les flux individuels 89 2. Modèles de rafic Propriéés des modèles de rafic Simplicié d expression Facilié d uilisaion Facilié de vérificaion e de es Surcoû d implanaion faible Pere de précision Surdimensionnemen 90 4
2. Modèles de rafic Caracérisaion de rafic Trafic périodique : aisé Trafic apériodique Disribuion des insans d arrivée selon quelle loi (poisson, )? Taille maximale des avalanches? Durée minimale d avalanche? Disribuion de la aille des avalanches? Disribuion des peres de messages? Corrélaion enre les paques pq (pour auoriser les peres)? Souven difficile à modéliser : choix de paramères pour "convenance mahémaique" Rese beaucoup à faire pour modéliser le rafic aléaoire/sporadique 91 2. Modèles de rafic Modèles de rafics fréquemmen uilisés (1/2) Modèle périodique Période, Longueur maxi de paque Modèle-1 avec rafale (Ferrari) Lpmax : longueur maxi ide paque Xmin (inervalle de emps min enre deux messages successifs) Xave (inervalle de emps moyen enre deux messages successifs) I (inervalle de emps sur lequel Xave es calculé). Modèle-2 avec rafale (Cruz) Débi moyen ρ e aille de rafale σ : Nombre oal de paques générés n excède jamais σ + ρt dans ou inervalle T. Modèle-3 avec rafale (Seau percé) Débi moyen d écoulemen du seau (ρ) e la aille maximale du seau (σ). Evier le débordemen du seau. Modèle-4 avec rafale (Seau à jeon) Débi moyen de généraion de jeon (ρ) e nombre maximal de jeons en aene (σ). La source ne peu ransmere que si elle a des jeons. 92 5
Modèle de rafic de l IETF (RFC 2215) Spécificaion à l aide d un TSpec : Taille σ e débi ρ de seau percé Débi maximum p Taille maximum de paque M 2. Modèles de rafic Modèles de rafics fréquemmen uilisés (2/2) Borne sup, A(T), de rafic par inervalle de emps T : A(T) min(m + pt, σ + ρt) Aures modèles : probabilise, sochasique, Coû e performance du CA dépenden des caracérisiques de rafic 93 Objecif Es-ce que le nouveau flux peu affecer la QoS des flux déjà accepés? Es-ce que le nœud peu offrir la QoS requise par le nouveau flux? Es-ce que le nouveau flux a le droi d uiliser les ressources du nœud? Es-ce que ous les nœuds à raverser accepen le nouveau flux? Informaions uilisées Caracérisiques du nouveau rafic e de la QoS demandée Ea e hisorique du réseau D Daes de fin des rafics déjà accepés Perurbaions évenuelles de la QoS des rafics déjà accepés Poliique d uilisaion des ressources Le CA peu se faire sur la base de connexion ou de SLA 94 6
Propriéés (à prendre en compe duran la concepion d un CA) Décisions incrémenales (ne pas oujours considérer ous les flux) Exaciude (compliquée à cause des phénomènes aléaoires) Complexié Problème de la diversié des modèles de flux Uilisaion en ligne sans surcoû imporan Flexibilié Problème de la diversié des modèles de flux Passage à l échelle 95 Exemples de Conrôle d admission déerminise CA pour WFQ r + = r r new n i 1 i Débi du nouveau flux Débi Max du lien Somme des débis des flux déjà accepés m i 1 D new DL CA pour DEDD = i Délai exigé par le nouveau flux Somme de délais Dus à ous les flux 96 7
Conrôle d admission saisique (1/5) Pourquoi on en a besoin? La plupar des flux son pluô à caracère aléaoire Evier le surdimensionnemen en rejean des flux qui pourraien êre accepés si on fai un peu plus aenion à l allocaion des ressources Risques d uilisaion de CA saisique Appariion de siuaions de congesion Dégradaion de la QoS Conséquence : CA saisique non adapé aux applicaions criiques Difficulés d uilisaion : maîrise des probabiliés/saisiques 97 Conrôle d admission saisique (2/5) Types de CA saisique CA basés sur les débis moyen e maximal CA basés sur la bande passane effecive cumulée CA basés sur l ingénierie de la courbe de pere CA basés sur la variance maximale CA basés sur la héorie des larges déviaions Aures ypes 98 8
Conrôle d admission saisique (3/5) Exemple 1 : CA saisique basé sur les débis moyen e maximum (1/2) Pour la garanie du aux de pere Noaions C : capacié du lien considéré Max j : débi max du flux j Avr j : débi moyen du flux j Hypohèses Toue source j es de ype on-off (soi elle éme à son débi max soi elle es silencieuse) Tous les paques on la même aille (1 unié) Pas de buffer au niveau du lien pour socker les paques en aene de ransmission Max j off on off on off on off on off 99 Conrôle d admission saisique (4/5) Exemple 1 : CA saisique basé sur les débis moyen e maximum (2/2) Pour la garanie du aux de pere Principe La source j éan on/off, la densié de probabilié de son rafic es f j (x): Avg Max j j f ( x) = j 1 ( Avg Max ) j j si si x = Max j x = 0 Si on considère N flux indépendans qui paragen le même lien, alors la densié de probabilié du flux agrégé, q(x), es la convoluion de f 1,, f N : q(x) = (f 1 * f 2 * * f N )(x) La probabilié bilié de pere de paques Pl pour N flux es : + ( x C) q( x) ( N ) TraficExcedenaire x Pl = = Ch arg edetrafic Avg i= 1,..., N Tes de CA : si Pl (N+1) Taux de pere requis, alors acceper le N+1 ème flux, sinon le refuser. i 100 9
Conrôle d admission saisique (5/5) Exemple 2 : CA saisique basé sur la bande passane effecive cumulée Pour la garanie de la bande passane Noaions C : capacié du lien B : aille de queue du roueur A j [0, [ : quanié de bis ransmis par la source j dans l inervalle [0, [ Pl : aux de pere d une queue de aille maximale B E j (Pl) : bande passane effecive du flux j (il y a différenes manières de la définir) N : nombre de flux muliplexés Tes du CA N =1 E ( Pl) j j < C Exemple de définiion de E j (Pl) si Pl peu êre définie par une loi exponenielle : Pl = e- δb δ 1 E j ( Pl) = Ave j + lim var( Aj[0, [) 2B 101 Conrôle d admission basé sur les mesures Si les caracérisiques de flux son peu variables Uilisaion de la demande maximale e moyenne pour acceper le flux Décision i e réservaion définiivesii Si les caracérisiques de flux son peu ou pas connues (imprécision de rafic) Uiliser une esimaion iniiale du rafic e réserver les ressources Effecuer des mesures sur le rafic e ajuser les réservaions en re-esiman le rafic Acceper un plus grand nombre de flux Coû des mesures e efficacié réelle des ajusemens Problèmes Que fau-il mesurer? Quand? Où? Commen définir progressivemen des modèles de rafic? Commen évaluer l appor par rappor au CA sans mesure? 102 10
Noaions Exemple de conrôle d admission basé sur les mesures (1/4) Chaque source es modélisée par un seau à jeons (ρ, δ). Ainsi, le oal du rafic généré par la source, pendan U uniés de emps, ne peu excéder ρu + δ e la source ne peu ransmere que si elle a des jeons. C : capacié du lien v : raio d uilisaion du lien fixé à l avance (v 1). Ainsi, la bande passane maximale uilisée es vc. Dˆ : pire cas du délai de ransfer esimé Rˆ : esimaion (en bis) du flux agrégé sur le lien N : nombre de flux déjà accepés 103 Tes de CA Exemple de conrôle d admission basé sur les mesures (2/4) Condiion sur le délai Soien (ρ N+1, δ N+1 ) les paramères du seau à jeons du nouveau flux N+1 e Dmax N+1, le délai de ransfer maxi exigé par ce flux. Le pire emps d aene pour un paque du flux N+1 es obenu en supposan que ous les flux ransmeen simulanémen un paque de aille maxi égale à leur δ i : N = i 1δi D = μ Le pire emps de ransfer esimé, Dˆ, es uilisé à la place de D (D es plus pessimise que ) Dˆ Le es de CA obenu es : ˆ δ N + 1 D max N + 1 > D + μ Condiion sur la bande passane : νc > rˆ + ρn +1 104 11
Exemple de conrôle d admission basé sur les mesures (3/4) Processus de mesure Le délai de ransfer e débi du flux agrégé son mesurés périodiquemen e son adopés comme valeurs pour les paramères Dˆ e rˆ Pour simplifier, on considère que ous les paques on la même aille e que leur emps de ransmission es égal à 1. Bloc de mesure Bloc de mesure S u T= ns Momen de mise à jour des valeurs des paramères 105 Exemple de conrôle d admission basé sur les mesures (4/4) Processus de mesure Un échanillon de mesure du délai es obenu pour chaque ransmission de paque. Chaque échanillon de mesure du débi du flux agrégé es obenu sur une période S. Chaque bloc de mesure dure T uniés de emps (T= ns). A la fin de chaque bloc de mesure, l échanillon don la valeur es la plus élevée es adopé pour esimer Dˆ e rˆ. Les paramères Dˆ e rˆ son mis à jour immédiaemen (i.e. avan la fin du bloc) : δ * Si un nouveau flux k es accepé, la mise à jour se fai ainsi : D ˆ = D ˆ + k e rˆ = rˆ + ρk * Quand une mesure dans le bloc acuel es plus élevée que celle déjà esimée alors, les paramères son mis à jour immédiaemen. μ 106 12
4. Conclusion Problèmes ouvers Sur les modèles Modèles saisiques efficaces Combinaison de modèles pour l agrégaion g de flux Compromis : Complexié/Précision/Surdimensionnemen Sur les CA CAefficaces uilisables en ligne Caracérisaion approximaive des flux e complexié du CA Compromis enre complexié e performance CA adapé aux réseaux sans fil Conrôle d admission en cas de AS inerconnecés (iner-domaines) Chaque sysème auonome (AS) peu avoir son CA Commen avoir une décision de CA de bou en bou opimale? Commen uiliser le CA basé sur les mesures avec des CA locaux héérogènes? 107 13