improving resource utilization by over-admission 以超額允入法提升資源使用率

1

Improving Resource Utilization by Over-admission

以超額允入法提升資源使用率

政治大學資訊科學所

指導教授：連耀南學生：黃國展

2

Outline

• Introduction• Related Work• Analysis Model• Solution of Analysis Model• Verification and Performance Evaluation• Conclusion

3

Outline

• Introduction• Related Work• Analysis Model• Solution of Analysis Model • Verification and Performance Evaluation• Conclusion

4

All-IP Network

• All-IP Network (AIPN)– AIPN 是單一的 IP 網路，提供封包、迴路交換網路的服

務• 優點

– 開放的服務平台– 減少建制成本與營運管理成本

• 缺點– 受限於原有封包交換網路的特性，不容易保證服務品質

5

簡化的 AIPN 實際環境

6

AIPN 需要提供 QoS 保證• AIPN 是以封包交換網路承載各類服務

– 不易提供端對端服務品質保證（ End-to-End QoS Guarantee ）

• AIPN 內各獨立運作的核心網路可能使用不同的管理架構以提供 QoS 保證– 不易管理端對端服務品質

7

提供 QoS 保證的管理架構• 提供單一核心網路的 QoS 管理架構

– 有名的 QoS 管理架構有 IntServ （保留資源）與 DiffServ （不保留資源，分類訊務）

• 提供多核心網路的 QoS 管理架構– 有名的 QoS 管理架構有 BBQ （ Budget-base

d QoS ）與 TEQUILA （ The Traffic Engineering for Quality of Service in the Internet at Large Scale ）及 AQUILA （ Adaptive Resource Control for QoS Using an IP based Layered Architecture ）

8

提供單一核心網路內的 QoS 管理架構

• IntServ (Integrated Service)– 藉由控制線路分享（ Controlled Link-Sharing ）與明確

訊號控制（ Explicit Signaling ）整合即時保證（ Guaranteed ）與事先保證（ Predictive ）的即時服務 .

– 允入控制機制可以監督與控管資源以控制即時服務所需的端對端封包延遲。

• DiffServ (Differentiated Service)– 訊務分類來控制與指定各類別訊務的優先權，以達成

各類服務品質保證。

9

提供多核心網路的 QoS 管理架構• AIPN 可能有好幾個核心網路，服務會經過好幾個不同 operator 的核心網

路• TEQUILA （ The Traffic Engineering for Quality of Service in the Interne

t at Large Scale ）– IST (Information Society Technologies ) 專案與歐洲的電信業者所共同贊助的

一個計畫– 定義網路服務與提出 Traffic Engineering 的工具– 量化的服務品質

• AQUILA （ Adaptive Resource Control for QoS Using an IP based Layered Architecture ）– IST (Information Society Technologies ) 專案，與 TEQUILA 一樣是另一個歐

洲專案– 為了達成動態提供 QoS 保證作準備

• BBQ 管理架構 [Lien 2005] （ Budget-based QoS ）– 根據各網路元件的能力事先規劃 QoS 責任– 各個網路元件負責保證達到所指定的 QoS 責任– 以達成端對端服務品質保證

10

端對端承載服務品質

11

核心網路管理架構與資源分配• BB (Bandwidth Broker) 負責管理核心網路

內部所有鏈結的頻寬• ACA (Admission Controller Agent) 負責允

入訊務與管理資源分配

12

BBQ 的前端允入控制機制

13

資源保留機制的缺點• 訊務可能因失約或未依約充分運用所保留之資

源而導致資源閒置• 訊務因失約運用保留之資源而導致資源閒置，

例如 ACA 預測資源需求量誤差。• 訊務因未依約充分運用保留之資源而導致資源

閒置，例如語音訊務（ Voice Traffic ）– 雙方正在交談中，同時間只有一個人會講話– 沒有連續講話– 保留的資源會閒置，資源未完全充分利用

14

解決資源閒置之方法• 解決預測誤差而失約的問題

– 中央保留資源法（ Central Pool ）– 資源重新分配法（ Resource Reallocation ）– 超額分配法（ Overbooking ）

• 解決訊務未依約充分使用資源的問題– 超額允入法（ Over-Admission ）

15

研究目的• 本研究的目的在研究超額允入法• 超額允入法可能允入過多訊務，這時系統

效能會下降• 本研究的重點在計算最佳的超額允入量，

以提升整體資源使用的效能

16

研究方法• 目前假設只有語音訊務

– 預測語音訊務將會是 AIPN 最重要的應用之一– 各類訊務組合的困難

• 假設語音訊務的模型是 exponential on/off traffic• 建立分析模型• 求得最高淨收益時的允入量• 使用模擬的方式以驗證模型

17

Outline


18

文獻集• 文獻一： Dong Lin, “Constant-Time Dynamic ATM Bandwidth Sche

duling for Guaranteed and Best Effort Services with Overbooking,“ In Proceedings of INFOCOM‘97, 1997.

• 文獻二： C. M. D. Pazos and M. Gerla, “ Improving Internet Traffic Transport over ABR Backbones Through Bandwidth Overbooking,” In Proceedings of Globecom‘98, 1998.

• 文獻三： Yao-Nan Lien and Yi-Min Chen, “Forecasting Error Tolerable Resource Allocation for All-IP Networks,‘’ in the 3rd International Conference on Information Technology: Research and Education, 2005.

• 文獻四： Coskun Cetinkaya, Vikram Kanodia, and Edward W. Knightly, "Scalable Services via Egress Admission Control," IEEE Transactions on Multimedia, vol. 3, no. 1, March 2001.

19

文獻內容• Dong Lin, 1997.

– ABR （ Available Bit Rate ）訊務在 Up-streaming scheduler已經給定資源，因為資源會閒置，所以 Scheduler 會進行重新分配資源以超額分配資源，作者以 rate-based round robin scheduling algorithm 以超額分配資源。

• C. M. D. Pazos and M. Gerla, 1998.– 當 aggregate ABR 訊務與 VBR （ Variable Bit Rate ）背景訊務類型，因為 r

ound trip time太長與難以使用 ABR追蹤資源使用率，這時可以超額分配資源，作者以 rate-based flow control 來超額分配資源。

• Yao-Nan Lien and Yi-Min Chen, 2005.– BB 在 BBQ 管理架構中的核心網路， BB 事先規劃與預測 ingress router 的資

源需求量，預測資源需求量可能有誤差，在 BB 可以超額分配資源，作者以最佳化機率模型求出超額分配程度。

• Coskun Cetinkaya, Vikram Kanodia and Edward W. Knightly, 2001.– 在分散式的允入控制中資源可彼此分享、借用與 stealing 。 Stealing resource後若允入控制傾向於 greedy ，訊務可能會有服務品質低落的 risk ，這時需要有一個方法去預防這種情況發生。文獻中根據 guaranteed rate 提出一個 upper bound 。

20

文獻討論• 超額分配與允入可以用在保留資源為基礎的系統，提高

資源使用率• 超額分配與允入的差別

– 超額允入適用在於資源配置中的允入階段– 超額分配適用在於資源配置中的規劃階段

• 超額允入適用在於允入即時性訊務

21

Outline


22

研究的系統環境與假設條件• 以 BBQ 作為研究環境

– 研究的訊務是語音訊務– BB 提供 C 單位資源給 ACA– ACA 允入 Z 個語音訊務

• 每單位時間使用資源之收益為 C1• 允入過多訊務時，每單位時間之溢用資源之損失為 C2

– 訊務的 active 與 inactive time 各是 T 、 T’ (random variables)

• 假設其機率分配是指數分佈而其平均值為、

'1/ 1/

23

Objective and Model

• Objective– 在任何時間點上，給予 ACA做允入時的策略依據。– 找出最佳允入量 Z ，使淨收益最高。

• 分析模型

Max NET_PROFIT （ Z ） = PROFIT （ Z ） – PENALTY （ Z ）s.t.

Z＞ C其中 NET_PROFIT （ Z ）是淨收益 PROFIT （ Z ）是收益 PENALTY （ Z ）是損失

24

Outline


25

Profit

• 收益由允入量 Z 與每單位時間使用資源之收益 C1 所構成

PROFIT(Z) = C1*Z

26

Penalty

溢流的部分

• 假設允入過多訊務時，每單位時間之溢用資源之損失與溢流呈線性關係，在△ t 時溢流數目越高損失越高。

△t

Capacity (2)

允入量 (3)

△t △t △t

27

Penalty (1)

• 損失由允入量（ Z ）、溢流機率 ( P( Z , y ) ) 與每單位時間之溢用資源之損失 ( C2 ) 所構成

1

( ) 2* ( )* ( , )Z

y C

PENALTY Z C y C P Z y

Z 允入量y Active 訊務量

C2 每單位時間資源之過多允入訊務之損失

28

• 語音訊務– 訊務的狀態有 active 與 inactive 。

• 假設訊務 active 與 inactive 機率在各時間點都一樣。

• 假設所進入的訊務會一直在網路中，所以溢流機率與 holding time無關

由語音訊務的特徵求溢流機率

T ： Active Time ， mean=1/ 。T’ ： Inactive Time ， mean=1/ 。

'

TT’

時間

29

• 以訊務的狀態轉換機率找出訊務會 active 的機率。

訊務的狀態轉換機率

t ：已 active 或 inactive 的時間長度△t ：瞬間時間

△t

D

t

△t

A

t

△t

C

t

t

△t

BA: active -> activeP( T > t + △t | T > t )=

( )( ) ( )1 ( )

( ) ( )

t tt

t

p T t t T t p T t t ee t o t

p T t p T t e

B: inactive -> inactiveP( T ‘> t + △t | T’ > t )=

'( )'

'

( ' ' ) ( ' )1 ' ( )

( ' ) ( ' )

t tt

t

p T t t T t p T t t ee t o t

p T t p T t e

C: active -> inactiveP(t + △t≧T | T > t )=

( )( ) ( ) (1 ) (1 )

( ) ( )

1 ( )

t t t

t

t

p t t T t p t t T t e e

p T t p T t e

e t o t

'( ) ''

'

( ' ) ( ' )

( ' ) ( ' )

(1 ) (1 )1 ' ( )

t t tt

t

p t t T t p t t T t

p T t p T t

e ee t o t

e

D: inactive -> activeP(t + △t≧T’ | T’ > t )=

30

訊務 Active 機率• 將△ t趨近 0 可以知道 t 時瞬間的變化。

• Active 與 inactive發生機率和為 1 ，以此算出任一時間點訊務 active 的機率 (p) 。

0 0

( ) ( ) ( )lim lim{ ( ) ' ( ) [ ( ) ( )]}active active

active inactive inactive activet t

P t t P t o tP t P t P t P t

t t

( )( ) ' ( )active

active inactive

dP tP t P t

dt

0 0

( ) ( ) ( )lim lim{ ' ( ) ( ) [ ( ) ( )]}inactive inactive

inactive active inactive activet t

P t t P t o tP t P t P t P t

t t

( )( ) ' ( )inactive

active inactive

dP tP t P t

dt

'

1

(1 / )p

0 'active inactiveP P

0 ' inactive activeP P

31

Overflow Probability

• P(Z,y): Z 個訊務中有 y 個訊務會

active 並且 y 的數目介於 C 與 Z 之間的

機率。

32

One Unit Resource and Two Flows Admitted 的情況

溢流機率： p 2(1-p ) 0

溢流數目： 1

Flow A

Flow B

發生溢流溢流數目是 1

33

Two Units Resource and Three Flows Admitted的情況

溢流機率： p 3(1-p ) 0

溢流數目： 1

Flow A

Flow B

Flow C 發生溢流

溢流數目是 1

34

Two Units Resource and Four Flows Admitted 的情況

4

溢流機率： C p 3(1-p ) 1 ，溢流數目： 3-2=1

3

4

溢流機率： C p 4(1-p ) 0 ，溢流數目： 4-2=2

4

Flow A

Flow B

Flow C

Flow D



35

One Unit Resource and Four Flows Admitted 的情況

4

溢流機率： C p 2(1-p ) 2 ，溢流數目： 2-1=1

2

4

溢流機率： C p 3(1-p ) 1 ，溢流數目： 3-1=2

3

4

溢流機率： C p 4(1-p ) 0 ，溢流數目： 4-1=3 4

Flow A

Flow B

Flow C

Flow D

發生溢流溢流數目

是 3


是 2


是 1

36

允入訊務會溢流的機率

Z

溢流機率： C pC+1(1-p ) Z-C-1 溢流數目： C+1-C C+1

………..

Z

溢流機率： C py(1-p ) Z-y 溢流數目： y-C y

………..

Z

溢流機率： C pZ(1-p ) Z-Z 溢流數目： Z-C Z

C ： Capacity

y ： active 訊務量

Z ：允入量

37

溢流機率

'

1( , ) ( ) (1 ) , , 0

(1 / )Z y Z yyP Z y p p p p

Z 允入量y Active 訊務量p 訊務 active 的機率

38

Summary

• 分析模型

Z

Z y Z-yy '

y=C+1

1NET_PROFIT(Z)=C1*Z - C2* (y-C)* (p) (1-p) ,p= , 0

(1+λ/λ )p

Z 允入量y Active 訊務量p 訊務 active 的機率C1 每單位時間資源之收益C2 每單位時間資源之過多允入訊務之損失

39

Outline


40

Verification and Performance Evaluation

• 驗證模型的準確度– 目的：

• 使用模擬的方法以驗證模型的準確度。– 指標：

• 淨收益增量與允入量、超額允入比例 ((Z-C)/C) 、封包遺失比率 (packet drop/total packet) 與損失

• 超額允入法的效能評估– 目的：

• 使用模擬的方法觀察超額允入法的好處。– 評估指標：

• 淨收益增量比率與允入量、超額允入比例 ((Z-C)/C) 、封包遺失比率 (packet drop/total packet) 與損失

• 超額允入法的 robustness– 目的：

• 探討 ACA無法精確掌握資源量時， ACA 使用超額允入法後，系統效能所受到的影響。

41

收益與損失的定義• 假設所有語音訊務都有相同的 pps (packets per sec

ond) 與封包大小。• 數學模型

• 收益： C1*總通話時間 *pps = C1* 允入量 * 平均通話時間 *pps• 損失： C2* 封包遺失數目 = C2*溢流的訊務量 * 平均通話時間 *p

ps

• 模擬系統• 收益： C1*總通話時間 *pps = C1* 允入量 *(per call)通話時間

*pps• 損失： C2* 封包遺失數目

42

實驗的拓撲

Sources Destinations

Capacity: C

Admitted amount :Z

43

實驗變因與參數參數 (Paramete

rs)範圍 (Range)

Active ratio 0.1~0.9

Mean holding time

2mins, 5mins

Capacity 10~30

C1:C2 1:2,1:3,1:4

實驗目的變因

模型驗證 a. Active ratio

b. Mean holding time

c. Capacity

d. C1:C2效能評估

44

參數變化對模型準確度之影響對淨收益誤差之影響

• Mean Holding Time 對溢流機率之影響• Active Ratio 對淨收益誤差之影響• Capacity 對淨收益誤差之影響• C1:C2比例對淨收益誤差之影響

45

Mean Holding Time 對溢流機率之影響

• 允入量是 50 之前， ACA 會有準確度很高的溢流機率。• 允入量超過 50 之後，誤差雖然大但因預測的溢流機率偏高將使 ACA 不容易允入過多

的訊務，不至於造成負面的影響。

C = 30, Active Ratio = 0.5

0

0.1

0.2

0.3

0.4

0.5

30 40 50 60

Admitted Amount (HT is Mean Holding Time)

Ove

rflo

w P

roba

bili

ty

HT=2 mins, bysimulation

HT=5 mins, bySimulation

By Calculation

46

Active Ratio 對淨收益誤差之影響

Active Ratio 0.2 0.3 0.4 0.5 0.6 0.7 0.8

平均誤差 0.09% 1% 2% 5% 5% 6% 8%

最小誤差 0% 0.000015% 0.0003% 0.005% 0.0009% 0.6% 1%

最大誤差 0.5% 4% 6% 8% 13% 12% 12%

最佳允入量誤差 3% 3% 2% 2% 2% 1% 1%

最佳淨收益誤差 6% 5% 5% 4% 2% 1% 0%

• ACA 在可以收到淨收益之時， Active Ratio 高與低時 ACA 使用模型會有低淨收益誤差• 在 Active Ratio變化的情況下 ACA 使用模型的準確度高

C1:C2=1:3, HT=2mins C=30

-8

-6

-4

-2

0

2

4

6

8

30 40 50 60 70 80 90 100 110 120 130 140

Admitted Amount

Incr

ease

d N

et P

rofi

t x (

10^5

) Active Ratio=0.2, by calculation

Active Ratio=0.2, by simulation

Active Ratio=0.3, by calculation










47

Capacity 對淨收益誤差之影響

Capacity 20 25 30

平均誤差 3% 4% 5%

最小誤差 0.05% 0.01% 0.005%

最大誤差 6% 8% 8%

最佳允入量誤差 6% 5% 2%

最佳淨收益誤差 2% 3% 4%

• 在 ACA仍可收到淨收益之時， ACA 可以在低 Capacity 時有較低的誤差。• 在 Capacity 高時在最佳點之前會有較低淨收益誤差• 在 Capacity變化的情況下 ACA 使用模型的準確度高

C1:C2=1:3, Active Ratio=0.5, HT=2mins

-1.5

-1

-0.5

0

0.5

1

1.5

20 35 60 80 100

120

140

Admitted Amount

Incr

ease

d N

et P

rofi

t x (

10^5

)

C=20, by calculation

C=20, by simulation


C=25, by simulation


C=30, by simulation

48

Capacity 對最佳允入量上的淨收益誤差之影響 (1)

• 在最佳允入點的淨收益，當變化 capacity數值時，淨收益誤差的變化幅度比較小

Mean Holding Time

Capacity 2mins 5mins

20 2% 2%

25 3% 3%

30 4% 3%

Active Ratio 0.5, C1:C2=1:3, in optima

0.5

1

1.5

2

2.5

3

20 21 22 23 24 25 26 27 28 29 30

Capacity

Incr

ease

d N

et P

rofi

t x (

10^5

)

HT=2 mins, by simulation

HT=2 mins, by calculation

HT=5 mins, by simulation

HT=5 mins, by calculation

49

C1:C2比例變化對淨收益誤差之影響

C1:C2 1:2 1:3 1:4

平均誤差 4% 5% 6%

最小誤差 0.003% 0.005% 0.007%

最大誤差 2% 4% 7%

最佳允入量誤差 1% 2% 3%

最佳淨收益誤差 3% 4% 5%

• 淨收益為正值之前，隨者 C2增加，最佳點之前誤差均很小

Active Ratio=0.5, HT=2mins, C=30

-4

-3

-2

-1

0

1

2

30 40 50 60 70 80 90 100 110 120 130 140

Admitted Amount

Incr

ease

d N

et P

rofi

t x

(10^

5)

C1:C2 = 1:2, by calculation

C1:C2 = 1:2, by simulation





50

參數變化對模型準確度之影響對最佳超額允入比例誤差之影響

• Active Ratio 對最佳超額允入比例誤差之影響• Capacity 對最佳超額允入比例誤差之影響• C1:C2比例對最佳超額允入比例誤差之影響

51

Active Ratio變化對最佳超額允入比例誤差之影響

• 當 Active Ratio較低時，誤差較大• 其原因是本模型的誤差是來自於溢流的機率，因為在簡化模型時的假設條件導致溢流機率的估

計有誤差，大量允入訊務會增加模型的誤差

C1:C2=1:3

02468

101214

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Active Ratio

Opt

imal

Incr

ease

d A

dmis

sion

Rat

io

C=25, HT=2mins, bycalculation

C=25, HT=2mins, bysimulation






C=30, HT=5mins, bysimulationActive Ratio

Mean Holding Time 0.1 0.5 0.9

2 mins 4% 3% 0%

5 mins 3% 2% 0%

52

Capacity變化對最佳超額允入比例誤差之影響

• Active Ratio變化對最佳超額允入比例的敏感度會比較高，而在 Capacity變化時，誤差的變化會很平穩

Capacity

Mean Holding Time 20 25 30

2 mins 6% 5% 6%

5 mins 5% 4% 4%

C1:C2=1:3

0.5

1

1.5

2

2.5

20 21 22 23 24 25 26 27 28 29 30

Capacity

Opt

imal

Incr

ease

d A

dmis

sion

Rat

ioHT=2mins, active ratio=0.3,by calculation

HT=2mins, active ratio=0.3,by simulation

HT=2mins, active ratio=0.5,by calculation






53

C1:C2比例變化對最佳超額允入比例誤差之影響

• 最佳超額允入比例對 Active Ratio變化有比較高的敏感性，隨者 C2增加，誤差會微幅增加，各情況的準確度高。

C1:C2

Mean holding time 1:2 1:3 1:4

2 mins 4% 6% 7%

5 mins 3% 4% 5%

C=30

0

2

4

6

8

10

12

1:2 1:3 1:4

C1:C2

Opt

imal

Incr

ease

d A

dmis

sion

Rat

ioHT=2mins, active ratio=0.1,by calculationHT=2mins, active ratio=0.1,by simulationHT=2mins, active ratio=0.3,by calculationHT=2mins, active ratio=0.3,by simulationHT=2mins, active ratio=0.5,by calculationHT=2mins, active ratio=0.5,by simulationHT=5mins, active ratio=0.1,by calculationHT=5mins, active ratio=0.1,by simulationHT=5mins, active ratio=0.3,by calculationHT=5mins, active ratio=0.3,by simulationHT=5mins, active ratio=0.5,by calculationHT=5mins, active ratio=0.5,by simulation

54

模型驗證的結論• 由實驗顯示分析模型在大部分情況下準確度很高。• 實驗顯示出最佳允入比例誤差最高是 7%• 實驗顯示出最佳淨收益誤差最高是 7%• 既使在準確度低的情況下， ACA 可以使用最佳允入

量之前的量值提高準確度與淨收益

55

參數變化對淨收益之影響• Active Ratio變化對淨收益之影響• Capacity變化對淨收益之影響• C1:C2比例變化對淨收益之影響

56

Active Ratio變化對淨收益之影響

( 在最佳點 )

C1:C2=1:3

01234567

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Active Ratio

Incr

ease

d N

et P

rofi

t Rat

io

HT=2mins, C=25

HT=2mins, C=30

HT=5mins, C=25

HT=5mins, C=30

　Mean Holding Time

Capacity Active Ratio=0.4

Active Ratio=0.6

Active Ratio=0.8

2mins 25 114% 44% 24%

2mins 30 118% 72% 10%

5mins 25 117% 39% 1%

5mins 30 119% 48% 3%

• Active Ratio越低越能提升淨收益，當提升淨收益時，封包遺失的情況並不嚴重。 Active Ratio越高仍可提升淨收益，封包遺失的情況也不嚴重。淨收益提升的範圍從 1倍到 5.8倍。在各種情況下仍可以有效的提升淨收益。

C1:C2=1:3

00.0010.0020.003

0.0040.0050.0060.007

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Active Ratio

Pack

et Lo

ss R

ate

HT=2mins, C=25

HT=2mins, C=30

HT=5mins, C=25

HT=5mins, C=30

57

Capacity 變化對淨收益之影響 ( 在最佳點 )

　

Mean Holding Time

C1:C2

Capacity=20

Active Ratio=25

Active Ratio=30

2mins 1:3 69% 70% 77%

2mins 1:4 59% 67% 70%

5mins 1:3 78% 83% 84%

5mins 1:4 72% 73% 77%

Active Ratio =0.5

00.0005

0.0010.0015

0.0020.0025

0.0030.0035

20 21 22 23 24 25 26 27 28 29 30

C

Pac

ket L

oss

Rat

e

HT=2mins, C1:C2=1:3

HT=2mins, C1:C2=1:4

HT=5mins, C1:C2=1:3

HT=5mins, C1:C2=1:4

• Capacity變化會影響到淨收益提升的速度， ACA仍然會有效的提升淨收益，而封包遺失有時會微幅增加，顯示當 Capacity變大時有時超額允入量會變高，這時會增加溢流發生的機率。在各種情況下仍可以有效的提升淨收益

Active Ratio =0.5

0.01

0.011

0.012

0.013

0.014

0.015

0.016

20 21 22 23 24 25 26 27 28 29 30

Capacity

Pack

et L

oss

Rat

e

HT=2mins, C1:C2=1:3

HT=2mins, C1:C2=1:4

HT=5mins, C1:C2=1:3

HT=5mins, C1:C2=1:4

58

C1:C2比例變化對淨收益之影響 ( 在最佳點 )

Active Ratio = 0.5

00.10.20.30.40.50.60.70.80.9

1:2 1:3 1:4

C1:C2

Incr

ease

d N

et P

rofi

t R

atio

HT=2mins, C=25

HT=2mins, C=30

HT=5mins, C=25

HT=5mins, C=30C1:C2 提升百分比

1:2 77%

1:3 75%

1:4 71%

• 隨者 C2變大時，淨收益增量比率的會微幅減少，封包遺失的情形並不劇烈， ACA仍然會有效的提升淨收益。

Active Ratio = 0.5

00.00050.001

0.00150.002

0.00250.003

0.0035

1:1 1:2 1:3

C1:C2

Pack

et L

oss

Rat

e

HT=2 mins, C=25

HT=2 mins, C=30

HT=5 mins, C=25

HT=5 mins, C=30

59

參數變化對淨收益之影響的結論• 實驗顯示超額允入可以有效的提升淨收益• 在 Capacity大與 Active Ratio小時可以提升較佳的淨收

益• 由實驗顯示淨收益最高可以提升高達 5.8倍• ACA 使用超額允入法， ACA 能增加淨收益在 1 到 5.8倍

60

• 探討 ACA無法精確掌握資源量時， ACA 使用超額允入法後，系統效能所受到的影響。

• Assumed Capacity ：假定的資源量。• Allocated Capacity ： ACA 實際配置的資源量。

資源無法精確掌握時的實驗目的與實驗拓撲

Sources Destinations

Assumed Ca

pacity ： C Admitted amount :Z

Allocated Capacity ：C-1, C-2, C-3…

61

Assumed Capacity = 30 , C1:C2= 1:3, Active Ratio=0.5

-3.5

-2.5

-1.5

-0.5

0.5

1.5

10 13 16 19 22 25 28

Allocated Capacity

Incr

ease

d N

et P

rofi

t Rat

io

HT= 2mins

HT= 5mins

Assumed Capacity = 20 , C1:C2= 1:3, Active Ratio=0.5

-5

-4

-3

-2

-1

0

1

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Allocated Capacity

Incr

ease

d Ne

t Pro

fit R

atio

HT= 2mins

HT= 5mins

資源無法精確掌握時對系統效能之影響

• 當Assumed Capacity 是 20 時， Allocated Capacity 最多可以不足 7 單位，本法仍可增加淨收益。• 當Assumed Capacity 是 30 時， Allocated Capacity 最多可以不足 11 單位，本法仍可增加淨收

益。

62

資源無法精確掌握時對系統效能之影響的結論

• 實驗顯示， Allocated 與 Assumed Capacity 差距在一定範圍之內， ACA仍可使用超額允入法以增加系統效能。

63

實驗結論• 1. 模型驗證

– 當大部分情況下， ACA 使用模型的準確度高– 既使在準確度低的情況下， ACA 可以使用最佳允入量之前的量值提高準確度與淨收益

• 2. 超額允入法的效能評估– ACA 可以使用超額允入法以提升淨收益。

• 當 Capacity大與 Active Ratio小時， ACA 最高可以提升 5.8倍的淨收益• ACA 可以提高淨收益在 1 到 5.8倍左右

• 3. 資源無法精確掌握時的效能評估– 當 Allocated 與 Assumed Capacity 的差距在一定的資源單位範圍之內， ACA仍可使用超額允入法增加淨收益。

64

Outline

• Introduction

• Related Work

• Analysis Model

• Solution of Analysis Model

• Verification and Performance Evaluation

• Conclusion

65

Conclusion

• 在 AIPN 中因為使用者未依約充分使用保留之資源導致資源使用率低落

• 本研究使用超額允入法在資源保留為基礎的系統中以提高淨收益

• 實驗顯示， ACA 使用本模型會得到準確度高的淨收益， ACA也可以有效提升資源使用的效能，並且容忍一定資源單位的誤差。

• ACA 可以在資源保留為基礎的系統之中使用超額允入法以提高整體資源使用的效能。

66

• Thanks

• Q&A

67

超額分配（ Overbooking ）• 用於保留資源為基礎的架構中，以解決低資源使

用率– 事前規劃與預測資源需求量– 預測資源需求量 (θ) 可能有誤差– 在規劃階段有資源 (π’- π) 可以使用– 超額分配資源 (π’)

θπ π’

improving resource utilization by over-admission 以超額允入法提升資源使用率

Documents