lasttransformationen in rechnernetzen und ihre invertierung12+10_1300... ·...
TRANSCRIPT
Lasttransformationen in Rechnernetzen und ihre Invertierung
Lasttransformationen in Rechnernetzen und ihre
Invertierung
Stephan Heckmuller
10. Dezember 2008
Lasttransformationen in Rechnernetzen und ihre Invertierung
1 Einleitung
2 Lasttransformation
3 Transformationen auf BMAPsToken-Bucket-ModellierungWerkzeugunterstutzungFallstudie
4 Inverse LasttransformationLangeneigenschaftenZeitliche Eigenschaften
5 Fazit und Ausblick
Lasttransformationen in Rechnernetzen und ihre Invertierung
1. Einleitung
Einleitung
Diensterbringung in Rechnernetzen erfolgt i.a. in mehrerenEinzelschritten
Beeinflussung der Lasteigenschaften durch Einzelschritte
Explizite Berucksichtigung bei Leistungsbewertung undLastgenerierung wunschenswert
Modellierung der Einzelschritte als Lasttransformationen von derPrimar- zur Sekundarlast
Lasttransformationen in Rechnernetzen und ihre Invertierung
2. Lasttransformation
Lasttransformation
Definition
Lasttransformation wird definiert als Transformation einerAuftragssequenz (Primarlast), die uber die Schnittstelle IF1 an einBediensystem S ubergeben wird. Die transformierte Sequenz(Sekundarlast) wird uber die Schnittstelle IF2 ausgegeben.
Modellierung von Verarbeitungsprozessen in Rechnernetzen alsTransformationen
Simulation vs. analytische Methoden
Beispiele:
FragmentierungUberlastvermeidungAuftragsverlusteVerzogerungen
Lasttransformationen in Rechnernetzen und ihre Invertierung
2. Lasttransformation
Ankunftsstrom Abgangsstrom
Fragmentierungs-Modul Reassemblierungs-Modul
Headergenerierungs-Modul Headerentfernungs-Modul
Schicht Si
Schicht Si−1
IF1
IF2
IF3 IF4
IF5
IF6
Drahtloses Netz Rechnernetz
IF4
Beispielhafte Darstellung einer Datenubertragung als Sequenz vonTransformationen
Lasttransformationen in Rechnernetzen und ihre Invertierung
2. Lasttransformation
Lasttransformation
Transformationen konnen zeitliches Verhalten und/oderAuftragsattribute betreffen
Transformationen fur stochastisch unabhangig verteiltePaketlangen F (X )
Transformationen konkreter Auftragssequenzen (ti , ri )bezuglich zeitlichem Verhalten
Allgemeingultigstes untersuchtes Modell: Transformationenvon Batch Markovian Arrival Processes
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
Batch Markovian Arrival Process
Modellierung von analytischen Transformationen mit Hilfe derKlasse der Batch Markovian Arrival Processes (BMAP)
Tr : BMAPp → BMAPs
Endliche Anzahl von Zustanden
Wahrscheinlichkeit pi (k, j) einer Transition von Zustand i inZustand j bei gleichzeitiger Ankunft von k Auftragen
Beschrieben durch Sequenz von Matrizen (Dk)ij
Modellierung beliebiger diskreter Paketlangenverteilungen
Berucksichtigung des zeitlichen Verhaltens
Warteschlangentheoretische Methoden vorhanden
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
Batch Markovian Arrival Process
Viele andere Prozesse sind Subklassen von Batch MarkovianArrival Processes
Poisson-ProzesseMarkov-Modulierte Poisson-ProzesseModelle mit phasentyp-verteilter Zwischenankunftszeit
In der Literatur existieren Modelle z.B. furVideokommunikation oder IP-Verkehr
Transformationsmodelle fur folgende Vorgange liegen vor:
FragmentierungHeadergenerierungPaketverlusteToken-/Leaky-BucketWarteschlangen
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.1 Token-Bucket-Modellierung
Token-Bucket-Modul
Einsatz in Rechnernetzen zur Verkehrsregulierung bzw.-formungToken treffen mit einer festgelegten Rate ein und konnen biszu einem Maximalwert akkumuliert werdenPro vorhandenem Token kann ein Auftrag bedient werdenVerzogerung bzw. Verlust bei nichvorhandenem Token
Primarlast
Ankommenende Token
...
..
.
Sekundarlast
Verlorene Pakete
Angehaufte Token
Wartende Pakete
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.1 Token-Bucket-Modellierung
Transformations-Modell
Charakterisierung des Systemverhaltens bei gegebener Anzahlvorhandener Auftrage bzw. Token
Kombination der markovschen Ankunftsprozesse fur Auftrageund Token mittels Kronecker-Operationen
L = DP0 ⊕ DT
0 (1)
L = I (mt) ⊗ DP0 (2)
T = DT1 ⊗ I (ma) (3)
A = I (mt) ⊗ DP1 (4)
Kombination der resultierenden Blockmatrizen ergibt Modellfur Systemverhalten
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.1 Token-Bucket-Modellierung
Transformations-Modell
System verhalt sich wie eine “doppelseitige” Warteschlange
Bei vorhandenen Token fuhrt die Ankunft eines Auftrags zueinem Abgang.Bei wartenden Auftragen fuhrt die Ankunft eines Tokens zueinem Abgang.
Algorithmus zur Reduktion des Zustandsraums vorgeschlagen
Aggregation von Zustanden mit identischen Raten zubenachbarten Zustanden
Verringerte Korrelation
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.2 Werkzeugunterstutzung
Werkzeugunterstutzung
Werkzeug zur systematischen Durchfuhrung vonLasttransformationen auf BMAPs realisiert
Unterstutzung von sequentiellen Transformationen undLastaggregation
Zusatzlich Visualisierung und Analyse der transformiertenProzesse moglich
Intuitive Benutzbarkeit durch Drag&Drop-Mechanismus
Erweiterbarkeit durch Plugin-Schnittstelle
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.2 Werkzeugunterstutzung
Erweiterbarkeit
Erweiterbarkeit durch Plugin-Mechanismus
Keine Modifikation des Hauptprogramms erforderlich
Realisierung durch dynamische geladene Bibliotheken
Plugins implementieren Schnittstelle fur Transformation und(optional) fur graphische Ausgabe
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.2 Werkzeugunterstutzung
Nebenlaufige Ausfuhrung
Parallele Architektur
Datenfluss-Konzept nutzt inharente Parallelitat
Modifikation der Eingabevariablen lost Berechnung aus
IC
IC
IC
OC
OC
OC
Param.
Param.
Param.Modul 1
Modul 2
Modul 3
Inharente Parallelitat (insbesondere wegen Aggregation)genutzt ohne Synchronisationsmechanismen
Haufig genutztes Konzept in graphischenProgrammiersprachen
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.2 Werkzeugunterstutzung
Hierarchische Modellierung
Hierarchische Modellierung reduziert Modellkomplexitat
Wiederverwendbare Transformationsequenzen
Spezifikation der Sequenzen durch gespeicherte Projekte
Multi-Plugin-Modul wendet gespeicherte Sequenzen aufEingabe an
Beliebige Anzahl von Hierarchie-Stufen moglich
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.3 Fallstudie
Betrachtetes Szenario
HOST 1
MPEG
Quelle
Fragment.
Headergen.
Hintergrund-
Verkehr/Last
MU
X Token Bucket
SL
DiffServ-
basiertesRechnernetz
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.3 Fallstudie
Betrachtetes Szenario
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.3 Fallstudie
Token-Bucket-Modul (verkehrsformend)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1e-06 1e-05 1e-04 0.001 0.01 0.1 1 10 100
t[s]
Cum
ula
tive
Pro
b.
Sim. TransformedAnalyt. Transformed
Unpoliced
(a) Zwischenankunftszeit(Rt = R; nt = 3)
100000
1e+06
1e+07
0 10 20 30 40 50 60 70 80 90 100
kR
(k)
Sim. TransformedAnalyt. Transformed
Unpoliced
(b) Mittlere Rate (Rt = R; nt = 3)
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.3 Fallstudie
Token-Bucket-Modul (verkehrsformend)
na=1Rate Rt |Bucket Size 1 3 5
1.0 100.7% 101.3% 101.6%1.2 100% 101.4% 102.2%1.6 98.7% 101.3% 101.1%
na = 3Rate|Bucket Size 1 3 5
1.0 101.3% 102% 101.8%1.2 101.4% 102.5% 102.1%1.6 101.5% 101.5% 101.7%
Tabelle: Verhaltnis der induzierten Bytes simulativ/analytisch
Lasttransformationen in Rechnernetzen und ihre Invertierung
3. Transformationen auf BMAPs
3.3 Fallstudie
Token-Bucket-Modul (Verlustsystem)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1e-06 1e-05 1e-04 0.001 0.01 0.1 1 10 100
t[s]
Kum
ula
tive
Wsk
.
Sim. transformiertAnalyt. transformiert
Unpoliced
(c) Zwischenankunftszeit(Rt = 1.6R; nt = 3)
100000
1e+06
1e+07
0 10 20 30 40 50 60 70 80 90 100
kR
(k)
Sim. transformiertAnalyt. transformiert
Untransformiert
(d) Mittlere Rate (Rt = 1.6R; nt = 3)
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
Inverse Lasttransformation
Last oftmals nur nach erfolgter Transformation beobachtbar
Ruckschluss auf (Primar-)Lasteigenschaften durch Invertierung
Lastcharakterisierung an nicht beobachtbaren Schnittstellen
Zeitliche Aspekte, Langen aber auch andere Attribute vonInteresse
Potentielle Anwendungsmoglichkeiten:
LeistungsbewertungAnwendungsklassifikationAngriffserkennung
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
Ankunftsstrom Abgangsstrom
Fragmentierungs-Modul Reassemblierungs-Modul
Headergenerierungs-Modul Headerentfernungs-Modul
Schicht Si
Schicht Si−1
IF1
IF2
IF3 IF4
IF5
IF6Tr−1
Tr−1
Rechnernetz/Kommunikationsnetz
EndsystemES1
ES2
Grundsatzliche Fragestellung: Welche Eigenschaften konnen inwelchem Maß rekonstruiert werden?
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.1 Langeneigenschaften
Rekonstruktion von Langeneigenschaften
Erste Resultate bezuglich der Invertierung vonFragmentierungs-/Segmentierungsvorgangen
Zerlegung von langeren Dateneinheiten inFragmente/Segmente
Auftreten von Fragmenten nicht-maximaler Lange kann imFalle von IP-Fragmentierung als Indikator fur Paketendeaufgefasst werden.
Im Falle von TCP kann Segment nicht-maximaler Lange alsIndikator fur leeren Puffer aufgefasst werden.
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.1 Langeneigenschaften
Rekonstruktion von Langeneigenschaften
Erste Experimente mit http-Stromen zeigen guteRekonstruierbarkeit der Paketlangen (induziert durch einzelneObjekte) vor der Segmentierung
0 1 2 3 4 5
x 104
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8
x 104
0
0.2
0.4
0.6
0.8
1
Push-Flag-Krit.Push-Flag-Krit.LangenkriteriumLangenkriteriumtatsachl. Primarlasttatsachl. Primarlast
PaketlangePaketlange
Wahrs
chei
nlich
kei
t
Wahrs
chei
nlich
kei
t
b) www.debian.orga) de.wikipedia.org
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.1 Langeneigenschaften
Rekonstruktion von Langeneigenschaften
Summe der Abstande von Fragmenten nicht-maximaler Langeim Strom betrachtet
Schranke fur die Momente der Langen vorFragmentierung/Segmentierung ableitbar
102
103
104
102
104
106
108
1010
102
103
104
102
104
106
108
1010
1012
jj
m2
m2
Untere Schr. Untere Schr.m2(j) m2(j)Obere Schr. Obere Schr.
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.1 Langeneigenschaften
Rekonstruktion von Langeneigenschaften
Fragmente/Segmente nicht-maximaler Lange oftmals nahezugleichverteilt
Insbesondere bei hinreichend großen Paketlangen undentsprechender Streuung
In diesen Fallen keine Rekonstruierbarkeit von hoherenMomenten durch Summation der Paketlangen
0 2000 4000 6000 8000 100000
0.5
1
1.5
2
2.5
3x 10
6
0 500 1000 15000
0.2
0.4
0.6
0.8
1
j Fragmentlange
Wahrs
chei
nlich
keit
m2
Normalvert.Normalvert.Neg. ExponentiellNeg. ExponentiellParetovert.Paretovert.
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.2 Zeitliche Eigenschaften
Rekonstruktion von zeitlichen Eigenschaften
Rekonstruktion von Ankunftsprozessen in diskretenGI/D/1-Warteschlangen
Intervall-basiertes Modell mit konstanter BedienrateAnkunftsstrom
Abgangsstrom
T1 T2
A = 2 A = 9 A = 3 A = 1 A = 6 A = 4
D = 2 D = 5 D = 5 D = 3 D = 5 D = 5
Rekonstruktion fur festgelegte Verteilungtypen und beliebigeVerteilungen
Autokorrelation des Ankunftsprozesses fuhrt zu Abweichungen
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.2 Zeitliche Eigenschaften
Rekonstruktion von zeitlichen Eigenschaften
Viele Verteilungstypen sind durch n ≤ 2 Parameter eindeutigbestimmt
Erwartungswert unter Stabilitatsannahme beobachtbar
Nutzung von bedingter WahrscheinlichkeitP(ZB
i = 0|ZBi−1 = 0) wegen leerer Warteschlange
Fur unabhangige verteilte Anzahl der Ankunfte giltP(A < B) = P(ZB
i = 0|ZBi−1 = 0)
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.2 Zeitliche Eigenschaften
Beispiel: Normalverteilte Ankunftsprozesse
Zusammenhang zwischen Standardabweichung undPA(A < B)
Anzahl relevanter Ereignisse genau N0 − R0 (N0: AnzahlIntervalle ohne Maximalauslastung, R0: AnzahlIntervallsequenzen ohne Maximalauslastung )
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.2 Zeitliche Eigenschaften
Beliebig verteilte Ankunftsprozesse
I. a. konnen mehrere Ankunftssequenzen identischeAbgangssequenzen hervorrufen
PD(Dt = [k]B ,Dt−1 = B , ...,Dt−⌊A⌋ = B |Dt−⌈A⌉ < B), A =k
B
Daher mussen Erneuerungzeitpunkte – mit leererWarteschlange – genutzt werden
PA(A = k) = PD(Dt = k|Dt−1 < B), k < B
Hierrauf aufbauend rekursive Berechnung derAnkunftswahrscheinlichkeiten moglich
PA(A = k) =PD(Dt=[k]B ,Dt−1=B,...,Dt−⌊A⌋=B|Dt−⌈A⌉<B) − B(k)
PA(A=0)⌊A⌋
Lasttransformationen in Rechnernetzen und ihre Invertierung
4. Inverse Lasttransformation
4.2 Zeitliche Eigenschaften
Beliebig verteilte Ankunftsprozesse
Invertierung fur Mischung aus Binomial- undGleichverteilungen dargestellt
Ungenauigkeiten steigen mit wachsendem k
Wachsende Zahl an potentiellen Ankunftssequenzen machtgroßere Anzahl an Beobachtungen notwendig
0 50 100 1500
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0 0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 50 100 150−0.08
−0.06
−0.04
−0.02
0
0.02
0.04
0.06
0.08
k
P(A
=k)
k
P(A
≤k)
k
e(A
=k)
PP
B = 81
Lasttransformationen in Rechnernetzen und ihre Invertierung
5. Fazit und Ausblick
Fazit und Ausblick
Lastcharakteristiken werden durch Vorgange in Rechnernetzenstark beeinflusst
Modellierung dieser Einflussfaktoren durchLasttransformationen auf BMAPs
Erhohung der Genauigkeit von Leistungsbewertung undLastgenerierung
Entwickeltes Werkzeug erlaubt die systematischeDurchfuhrung solcher Transformationen
Neben der eigentlichen Transformation ist auch derenInvertierung von Interesse
Lasttransformationen in Rechnernetzen und ihre Invertierung
5. Fazit und Ausblick
Fazit und Ausblick
Validierung der entwickelten Transformationen mit Messdatengeplant
Modellierbarkeit weiterer Transformationsvorgange zu prufen
Weitergehende Betrachtungen zu Anwendungsmoglichkeitenund Durchfuhrbarkeit von inversen Transformationen vonnoten