Internet traffic modeling and network design

Presentation on theme: "Internet traffic modeling and network design"— Presentation transcript:

1 Internet traffic modeling and network design

2 Access network traffic modeling
Avg. and variance at peak time: Self-Similar or Poisson ? 1) Self-Similar [1998] American Mathematical Society Internet traffic (1995) : access router 2) Poisson [2000] Infocom paper

3 Self-Similar 근거 이론 시간 t 와 t+k 에서의 트래픽간 상관계수 [Self-Similar] :
(예) k=4, b=1/2 , 상관계수 :1/4 포아송 근거 이론 [Poisson] : (예) k=4, a=1/2, 상관계수: 1/16 상관계수(Self-Similar) > 상관계수(포아송) Self-Similar한 파형이 더욱 Bursty하다.

4 (1)포아송 모델과 (2)인터넷 트래픽 비교 측정간격: 0.1초

5 (1)포아송 모델과 (2)인터넷 트래픽 비교 측정간격: 1초

6 Poisson vs. measured 측정간격: 100초

7 measured vs. fractal 측정간격: 100초

8 Self-Similar claimed 2000년 8월 SIGCOMM
Propagation of LRD(Long Range Dependence) FTP from remote server

9 인터넷 경로상의 LRD가 TCP 연결의 트래픽 특성에 반영

10 TCP 트래픽과 배경 트래픽과의 관계 TCP(t) = C – B(t) C : 병목구간 용량 B(t) : 배경 트래픽 TCP는 배경 트래픽의 특성을 따름

11 TCP(t) = C – B(t)

12 배경 트래픽에 대한 저역 필터 구실을 하는 TCP 연결

13 TCP의 배경 트래픽 적응성

14 Self-Similar ? 웹이 본격적으로 사용되기 전(1998년 논문) 배경 트래픽이 Self-Similar하다면 이를 지나는 TCP 연결의 트래픽도 Self-Similar해짐(2000년 논문) 대다수 논문들이 Self-Similarity 주장 평균보다 매우 높은 억세스 용량이 필요함

15 Poisson? 2000년 Infocom 발표논문 하바드대와 루슨트 연구소에서의 최근 실측 트래픽(1998년) 웹 트래픽만 고려(약 50%의 점유율) 측정간격: 0.1초 (라우터 버퍼의 분산 흡수 능력을 고려)

16 Background N: 사용자수 Xi: 사용자 i의 트래픽(특정시간) X: 모든 사용자 트래픽의 합
Cov(Xi,Xj)  0 (사용자간의 상관관계가 낮을때)  C (사용자간의 상관관계가 높을때)

17 Correlation among hosts
상관관계가 높을때(Self-Similar) 전체의 분산  [사용자수] 개인의 분산 상관관계가 낮을때(Poisson) 전체의 분산  사용자수 개인의 분산

18 전체 분산 = 사용자수 x 개인의 분산

19 bandwidth vs. number of hosts

20 reasoning about poisson
OFF/ON 비율이 높을때 분산은 대역폭에 비례 대역폭은 사용자수에 비례 분산은 사용자수에 비례  포아송 모델

21 K ON과 N-K OFF (K << N)
C = ON Time시 대역폭 사용

22 OFF/ON 비율(80%가 10:1 이상)

23 Self-Similar or Poisson depending on applications?
OFF/ON 비율이 낮고 지속적인 전송 (FTP,VOD) [포아송] OFF/ON 비율이 높고 간헐적인 전송 (Web)

24 Access network design considerations
서비스 구성 비율 OFF/ON 비율 과금체계: 데이타량/ 접속시간 포아송과 Self-Similar의 영향을 모두 고려 무선 인터넷의 특성반영 (낮은 OFF/ON 비율, 작은 전송화일 크기)

25 Backbone traffic modeling

26 Backbone traffic modeling

27 Backbone traffic modeling
실측 traffic 데이터와 통계 자료를 이용하여 실제 상황과 근접한 가상 traffic을 계산하여 실제 네트워크 설계에 활용 인터넷 인구 인기 server의 위치 서비스별 1인당 평균 트래픽 발생율 거리 UP/DOWN 실측자료

28 Traffic modeling between site i and site j[Cahn]

29 Traffic synthesis between site i and j
Popi, Popj : 지역 i와 j의 인구 (인터넷 백서, 실측 데이터 등 이용) dist(i, j) : 지역 i와 j 간 거리 PopPower, DistPower : 서비스에 따라 다름 (각 서비스 별 계산 후 합산) α : Scaling factor Level (Li, Lj) : Up/Down link asymmetry (실측 데이터를 이용해서 각 서비스별로 계산 후 합산) rf : 0∼1을 갖는 random factor

30 입출력 트래픽 측정을 이용한 정규화

31 traffic considering population and domains

32 KORNET망

33 Network Simulation using OPNET

34 Simple Topology switch1 switch3 switch2

35 Traffic 설정 < subnet > 각 host에서 application별 traffic 발생
Http (??%), FTP (??%), Telnet (??%) < subnet >

36 Delay vs. Capacity Switch1 <-> Switch2 : 70kbps∼490kbps (sec)

37 Queue length vs. Capacity
(cell) (Ⅹ100kbps)

38 Example < subnet >

39 Peak time 1시간 동안의 host별 traffic량
Traffic modeling Peak time 1시간 동안의 host별 traffic량 Http : ??? Telnet : ??? FTP : ???

40 Application attributes
value Http Page rate (page/hour) ?? Page size (object/page) Average object size (bytes/object) Telnet Login rate (logins/hour) Command rate (command/hour) Terminal traffic (bytes) Host traffic (bytes/command) Login duration (minutes) FTP Command mix(get/total) File transfer rate Average file size (bytes)

41 Utilization & Queuing delay
< queuing delay (sec) > <■ : as is , ■ : average>

42 Http page response time(sec)
<■ : as is , ■ : average>