Диссертация (1154395), страница 35

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 35)

6.9 приведены графики зависимости вероятности V непрерывноговоспроизведения и среднего времени ожидания начала просмотра от- 202 -вероятности  подключения пользователей к сети для нескольких значенийвероятности  отключения пользователей от сети.LF |GrВероятность непрерывноговоспроизведенияV0 10 3910,80 10 3950400,6300,4200,200,001LF |Grβ = 0,10,010,1101Вероятность появления пользователя в сети, α00,0010,0110,1Вероятность появления пользователя, αРис. 6.9. Показатели эффективности для стратегии LF|Gr0 10 40Итак, для сети с N  1000 пользователей, M  40 позиций буфера, сучетом подключения и отключения пользователей искомая оптимальнаястратегия заполнения буфера найдена, и этой стратегией является LF|Gr , так0 10 40как она гарантирует высокую вероятность непрерывного воспроизведения принебольшом времени ожидания начала просмотра. Применение оптимальнойстратегии LF|Gr дает увеличение вероятности непрерывного воспроизведения0 10 40относительно стратегий LF иGrна 2.68 % и 9.78 % соответственно.Таким образом, построенная модель буферизации данных в потоковой сетив виде дискретной ц.м.

позволила на качественном уровне оценить поведениеосновных показателей качества сети и определить параметры, которыенеобходимо учитывать при построении общей модели [54]. Очевидно, чтоисследовать модель аналитически в общем виде нецелесообразно из-загромоздких обозначений при формализации модели и большой размерностипространства состояний, которая приводит к вычислительным сложностям.Поэтому далее в разделе 6.4 исследование общей модели потоковой сетипроведено с помощью имитационного моделирования. При этом качественныерезультаты, полученные при аналитическом моделировании, привели кэкономии усилий при разработке алгоритмов, снижению трудоемкостиразработки программного средства и далее в численном экспериментепозволили значительно сократить время его проведения.

Наконец, общаямодель учитывает такие особенности функционирования сети, как стратегияформирования списка соседей, стратегия выбора целевого пользователя из- 203 -списка соседей и стратегия выбора порции данных для загрузки от целевогопользователя. С точки зрения поведения пользователей общая модельучитывает геолокацию пользователей, а также активность пользователей втечении суток [176, 177].6.4.Модель стратегий обмена данными с учетом местоположенияи активности пользователейПомимо параметров функционирования сетиN N , M , α, β, lag, d, u,  ,заданных формулой (6.1), построенная далее общая модель учитываетместоположение и активность пользователей.

Определение географическогоместоположения пользователя (геолокация) и задание характеристик егоактивности в течение суток позволяют учитывать лаги при формированиисписка соседей, а также сформулировать задачу поиска другой стратегии,например, стратегии формировании списка соседей, с целью повышениявероятности V непрерывного воспроизведения.Примоделированииместоположенияиактивностипользователейиспользованы статистические данные, взятые из открытых источниковинтернет. Распределение пользователей по часовым поясам показано нарис. 6.10.- 204 -Рис.

6.10. Распределение пользователя по часовым поясам42Согласно рис. 6.10, большая часть пользователей расположена в -5, +1, и +8часовых поясах, которые охватывают США, Европу, Китай и Японию,являющиеся наиболее населенными и технологически развитыми регионами.При формировании группы соседей включение в нее пользователей из разныхчасовых поясов приводит к сглаживанию резкого падения качества потоковойпередачи, неизменно сопровождающего массовые подключения к сети иотключения от нее пользователей из одного региона.Нарис.

6.11подключенныхпредставленакфункционированиясети,отпотоковойзависимостьвременисетиколичествасуток.принималсяПривопользователей,моделированиивниманиеграфик,изображенный пунктирной линией, который отражает поведение пользователейсети телевещания P2P TV. Пик активности таких пользователей приходится наинтервал с 18:00 и 23:59, в то время как минимальное число присутствующих всети пользователей наблюдается в период с 2:00 ночи до 7:00 утра.Рис. 6.11. Распределение количества пользователей в сети4342How many internet users are there in your time zone [Электронный ресурс]. - Режим доступа:http://www.slideshare.net/pingdom/how-many-internet-users-are-there-in-your-time-zone (датаобращения: 03.12.2016).43Alan F.

Study shows that in-app advertising is more effective than television or internet ads[Электронный ресурс]. - Режим доступа: http://www.phonearena.com/news/Study-shows-that-in-- 205 -Характеристиками суточной активности пользователя являются частота егоподключения к сети и длительность нахождения в сети за одно подключение(длительность сессии). Частота подключения пользователя к сети моделируетсяс помощью с.в.  , имеющей равномерное распределение на отрезке 1, A , гдеA максимальное число подключений. При моделировании это число выбраноравным A  100 . Длительности пребывания пользователя в сети в течение сутокмоделируется в соответствии с распределением, изображенным на рис.

6.11. Вмодели сделано упрощающее предположение о том, что все сессии одногопользователя в течение суток имеют одинаковую длительность.Для оценки влияния геолокации и активности пользователей на вероятностьнепрерывного воспроизведения проведено имитационное моделирование набазе разработанных программных средств [29, 30]. Длительность такта выбранаравной 1 с, в этом случае длительность астрономических суток равна 86 400тактов. Моделирование проводилось в течение 106 тактов, что соответствует11,5 суткам.

Исследована сеть с N  300 пользователей, M  40 позиций вбуферах при стратегии выбора порции данных для загрузки LF|Gr , которая0 10 40даетнаибольшуювероятностьнепрерывного воспроизведения согласнорезультатам раздела 6.3. Модель учитывает задержки передачи данных отсервера (лаги).

Пользователи сети разбиты на три равные группы, пользователивнутри группы имеют одно и то же значение задержки передачи данных отсервера: lag  n   0,10, 20 , n  1,..., N .Влияние геолокации и активности пользователей на вероятность наличияпорции данных на позициях буфера показано на рис.

6.12.app-advertising-is-more-effective-than-television-or-internet-ads_id2255603.12.2016).(датаобращения:- 206 -Рис. 6.12. Вероятность наличия порции данных: влияние геолокации иактивности пользователейРезультаты модели потоковой сети с учетом геолокации и активностипользователей (пунктирная линия) качественно повторяют результаты такназываемой «базовой» модели, не учитывающей геолокацию и активность(сплошная линия), включая перегибы на графиках для позиций буфераm  10  11 и m  20  21 , которые соответствуют значениям лагов [177].Однако значение вероятности непрерывного воспроизведения (6.16) в позицииm  40 для общей модели с учетом геолокации и активности пользователейравно 0,68, что существенно ниже вероятности непрерывного воспроизведения0,94 для базовой модели, не учитывающей эти характеристики.

Этосвидетельствует о необходимости поиска других стратегий загрузки данных,позволяющих повысить значение вероятности непрерывного воспроизведения,являющейся основным показателем качества функционирования потоковойсети,посколькунизкоезначение0,68вероятностинепрерывноговоспроизведения не соответствует требованиям международных стандартов ккачеству предоставления услуги потокового видео.Сэтойцелью,т.е.дляпоискасубоптимальнойстратегии,вдиссертационной работе исследована модель сети с применением стратегииформирования списка соседей, согласно которой для каждого пользователяконечный список соседей размера B  N формируется из пользователей сразными значениями лагов.

При моделировании число соседей выбрано равнымB  60 , при этом, согласно стратегии выбора целевых пользователей из списка- 207 -соседей, целевой пользователь выбирается из списка равновероятно. Дляразработанной в этом разделе общей модели стратегия формирования списка соседей может быть записана в виде матрицы Β  bij , где bij – количествопользователей i -группы в списках соседей пользователей j -группы, 0  bij  B ,i, j  1, 2,3 . При этом 0  bij  B ,3bj 1ij B , i  1, 2,3 .Для модели без учета геолокации и активности стратегию формированиясписка соседей задается в виде матрицы B 3 B 3 B 3Β   B 3 B 3 B 3 . B 3 B 3 B 3(6.26)При поиске стратегии формирования списка соседей, позволяющейповыситьвероятностьнепрерывноговоспроизведения,фиксировалосьсоотношение между пользователями в списке соседей для двух групп, а длятретьей группы это соотношение менялось 0 до B c шагом 4. Это былопроделано последовательно для всех трех групп.

Таким образом, была полученасубоптимальная стратегия формирования списка соседей для общей модели,учитывающей геолокацию и активность, в виде матрицы списка соседей:00  BΒ  B 2 B 20 . B 3 0 2B 3 (6.27)Применение субоптимальной стратегии (6.27) дает увеличение вероятностинепрерывного воспроизведения в среднем на 3.98 % (с 0.94 до 0.98), при этомувеличение вероятности непрерывного воспроизведения составилодля пользователей первой группы 5.9 % (с 0,92 до 0.97);для пользователей второй группы 3.33 % (с 0.95 до 0.98);для пользователей третьей группы 2.79 % (с 0.96 до 0.98).На рис. 6.13 изображены тонкими линиями результаты базовой (1) и общей(2) моделей без учета субоптимального решения и оптимальной стратегиивыбора данных, которые соответствуют графикам рис.

6.12. Жирными линиямипоказаны результаты базовой (1`) и общей (2`) моделей с учетом найденныхоптимальных и субоптимальных решений.- 208 -Вероятность наличия порцииданных на позициях буфера, ( )10,9Базовая модель (без(1)(1')0,8(1) оптимизациистретегий)(2')0,7(2)Общая модель (без0,6(2) оптимизациистретегий)0,5Базовая модель0,4(1') (субоптимальные0,3стретегии)Общая модель0,2(2') (субоптимальныестретегии)0,100481216202428323640Позиции буфера пользователей,Рис. 6.13.

Вероятность непрерывного воспроизведения. СубоптимальныестратегииВ результате проведения численного эксперимента было установлено, чтосубоптимальная стратегия формирования списка соседей (6.27) в комбинации снайденной оптимальной стратегией загрузки порции данных LF|Gr позволяет0 10 40добиться следующих результатов:увеличить вероятности непрерывного воспроизведения всех пользователейв среднем на 6.77 % относительно стратегии LF и стратегии составлениясписка соседей (6.26);увеличить вероятности непрерывного воспроизведения всех пользователейв среднем на 14.15 % относительно стратегии Gr и стратегии составлениясписка соседей (6.26);увеличить вероятности непрерывного воспроизведения первой группыпользователей сети на 16.25 % относительно стратегии Gr и стратегиисоставления списка соседей (6.26).Подводя итоги исследованиям, проведенным в главах 5 и 6, отмечаем, чтодля достижения поставленной в диссертационной работе цели в этих главахрешена задача исследования и построения моделей и методов для оценкипоказателей качества восприятия услуг одноранговых сетей, представленныхпиринговыми сетями с потоковым трафиком и беспроводными сетямивзаимодействующих устройств.

Показано, что полученная на базе моделиэкспоненциальнойСеМО,построеннойвразделе 5.2,аппроксимациянормальным законом (теорема 5.1) дает метод расчета вероятности всеобщей- 209 -передачи в пиринговой сети вещательного телевидения с учетом популярностиканалов. Также показано, что модель буферизации данных в одноранговойпиринговой сети с потоковым трафиком, разработанная в виде ц.м.

Характеристики

Список файлов диссертации