Анализ поведения трафика при переходе с одного уровня иерархии сети на другой

DOI:

В настоящее время существует множество организаций и компаний, имеющих собственные компьютерные сети, построенные в соответствии с иерархической моделью сети. С помощью иерархической модели можно более рационально распределить имеющиеся ресурсы и создать сеть, имеющую более устойчивую структуру и более высокую степень защиты данных, поэтому такая модель наиболее предпочтительна при проектировании компьютерных сетей.

Описание структуры сети в данной модели сводится к трем уровням иерархии. Этими тремя уровнями являются уровень доступа, уровень агрегации (или другими словами, уровень распределения) и уровень ядра, что показано на рисунке 1 [1; 3].

Среди преимуществ, достижение которых становится возможно при использовании иерархии в процессе разработки сетей, можно выделить, например, масштабируемость, управляемость, производительность и др. Помимо этого, при правильном использовании иерархии можно впоследствии определять и предвидеть, на каких конкретно уровнях следует выпонять определенные функции, то есть иерархия позволяет сделать сеть более предсказуемой [2]. Однако при использовании иерархической модели сетевой трафик «вынужден» переходить с одного уровня иерархии на другой, что может сказываться на работе сети, поэтому существует необходимость исследования поведения трафика сети при этом переходе.

Рис. 1. Структура иерархической модели сети

В течение продолжительного времени считалось, что Пуассоновский процесс максимально точно описывает и соответствует характеру сетевого трафика. Однако за последние годы были проведены многочисленные исследования и измерения параметров и характеристик сетевого потока. Результаты этих исследований выявили, что в условиях Пуассоновского процесса моделирование потока пакетов в сетях различного масштаба является не всегда возможным. Таким образом, был сделан вывод, что так называемый самоподобный процесс более точно отражает поведение сетевого трафика, по сравнению с пуассоновскими процессами. В связи с этим разработка инструментальных средств для понимания самоподобия трафика сети и синтеза искусственного сетевого трафика, стала важной задачей.

В связи с этим исследование поведения трафика при переходе от одного уровня иерархии сети к другому следует проводить при условии, что исследуемый трафик является самоподобным.

Таким образом, необходимость исследования поведения трафика при его переходе от одного уровня иерархии сети к другому сводится к необходимости исследования степени самоподобия трафика при данном переходе.

Самоподобные процессы обладают двумя основными параметрами, или характеристиками – глобальной (параметр, или коэффициент Хёрста Н ) и локальной (фрактальная размерность d ). Их взаимосвязь можно видеть на рисунке 2 [4; 5].

Глобальная характеристика используется в качестве удобной единицы измерения степени самоподобия того или иного фрактального процесса и отражается параметром H – коэффициентом Хёрста.

Параметр Хёрста является важнейшим параметром трафика, определяющим степень его самоподобия, так как представляет собой меру устойчивости статистического явления. То есть, суть этого параметра заключается в определении меры длительности долгосрочной зависимости случайного процесса. Таким образом, параметр Хёрста можно считать ключевой мерой самоподобия.

Если процесс обладает длительной памятью или, другими словами, его поведение является персистентным (поддерживающимся), то в таком случае можно сделать вывод, что значение коэффициента Хёрста находится в интервале (0,5; 1]. Это означает, что вероятность одинаковых отклонений на ( i +1) и i шагах, велика настолько, насколько параметр H близок к единице.

Однако в случае если велика вероятность, что отклонение на ( i +1) будет иметь противоположное направление по сравнению с i шагом, можно говорить о том, что случайный процесс антиперсистентен , а значит коэффициент Хёрста принадлежит интервалу [0;0,5). При этом чем ближе параметр H к нулю, тем выше эта вероятность. В таком процессе низкие значения могут следовать за высокими и наоборот.

Помимо этого, бывают процессы, в которых невозможно определить зависимость между отклонениями на ( i +1) и i шагах, и по

своей сути отклонение на ( i +1) шаге является случайным. В таком случае можно говорить о точном значении параметра H = 0,5. Другими словами, данная картина соответствует пуассоновскому процессу [4].

Для проведения исследования была разработана с помощью симулятора NS-3 имитационная модель компьютерной сети с иерархической топологией, схема которой представлена на рисунке 3. В результате моделирования сети был получен файл трассировки, который затем был обработан с целью получения выборок данных, исследованных впоследствии.

Также на языке программирования Visual C# было разработано оконное приложение, с помощью которого на основе файлов, полученных в результате обработки файла трассировки, была исследована степень самоподобия трафика. Исследуемые файлы представляли собой данные о трафике, поступающем на коммутатор третьего уровня на уровне распределения и на узлы сети, расположенные на уровне доступа. При этом были смоделированы различные ситуации, например, когда на уровне распределения объединялся самоподобный и не самоподобный трафики.

После проведения ряда экспериментов были получены следующие результаты.

При переходе с уровня распределения на уровень доступа степень самоподобия трафика уменьшалась. Так, значение параметра Хёрста на уровне распределения в среднем равно 0,87, а на уровне доступа – 0,84 и 0,83.

При переходе с уровня доступа на уровень распределения при условии объединения на уровне распределения только самоподобных трафиков степень самоподобия результирующего трафика увеличивается. Так, значение параметра Хёрста на уровне доступа в среднем равно 0,84 и 0,83, а на уровне распределения – 0,87.

При переходе с уровня доступа на уровень распределения при условии объединения на уровне распределения самоподобного и не самоподобного трафиков степень самоподобия результирующего трафика уменьшается для самоподобных трафиков и увеличивается для не самоподобных. Так, значение параметра Херста на уровне доступа в среднем равно 0,84 для самоподобного трафика и 0,35 для не самоподобного трафика, а на уровне распределения – 0,63.

Таким образом, благодаря проведенному исследованию можно сделать вывод, что изменение степени самоподобия при переходе трафика от одного уровня иерархии к другому зависит от такого условия как направление движения трафика, а также от изначальной степени самоподобия трафика.