信元丢失比

信元丢失比(CellLossRatio)是在ATM信元标题的一个域，其指出丢失信元的和成功传输的信元的比率。当连接建立时，CLR能够被设置成一个服务质量（QoS）参数。

信元丢失问题

CLR分析

基于ATM技术的宽带综合业务数字网可以承载各种各样的通信业务,信元丢失率分析是研究ATM网络中流量控制问题的基础和关键。在ATM网络设计中,须限制信元丢失率以满足各业务的服务质量要求:过高的信元丢失会降低话音和多媒体视频等在目的终端的重现效果。

丢失原因

ATM网络中信元丢失原因大致有:交换节点存储信元队列的缓存区不够,路由选择不当,传输过程中出现差错,拥塞控制不力等。

三种信元丢失类型即交换结构中的丢失、缓存区溢出造成的丢失及拥塞控制中信元的丢失

交换节点信元丢失和交换结构有关,以输出缓存Knockout交换结构为例。若每一输出缓存器状态用每一时隙内信元数表示,其状态转移过程可用Markov链描述,信元丢失率在给定的网络结构中随着流量Gik 增大而增大, 而且输出缓存区B的大小对信元丢失率影响很大。

ON-OFF模型

在该模型中,每一业务源或都处于active状态(产生数据),或处于idle状态(无数据产生),且2个状态交替出现形成周期特征。为了建立我们需要的多业务源,单队列系统模型,我们先建立单一业务源模型,然后建立多业务源,并在多业务源的基础上建立起需要的多业务源—单队列系统模型。

在多业务源组模型中,各业务源可能同时产生数据,即信元产生突发事件并发进行,也可能在相互独立的时间点上进行。因此我们将其分为悲观情况、乐观情况以及处于悲观和乐观之间的情况的三种状态。

悲观情况

悲观情况下,为避免信元丢失,网络设计时,队列容量X和输出链路容量C就须满足,既要保证每周期的激活状态时间ton内,系统能容纳所产生的所有信元,又要保证在一个周期(T)内输出链路能传递所有本周期产生的信元。

如《悲观情况下信元丢失率Pcellloss随业务源数N变化的关系图》所示可以看出业务源数N小于某一临界值时,理论丢包率为零,当超过这一临界值时信元丢失的稳态概率Pcellloss随业务源数N的增加而变大。

乐观情况

信源组的每一个信源的数据产生开始时间均匀地分布在每个信息周期[0,T]内。

假设业务源数目为N,且有相同的特性参数:t-on, t-off及R(每秒产生的信元数),输出链路容量为C(队列在非空闲时,每秒以C个信元的速率减少),队列容量为X。

在乐观情况下,根据ton的长度特征分为2种情况:①一个信源激活期的结束时刻正好有另一个源激活期的开始,即满足 ,即激活时间ton为(T/N)的整数倍,在这种情况下信源组的信元到达速率固定为mR,如图2所示

ton为T/N的整数倍;(当信元的激活时间t on不为(T/N)的整数倍时,即mT/N

CLR估计

信元丢失率的估计可以分为两个步骤: 首先考虑更新时刻点缓冲区队列情况, 由于更新过程的无关性, 其队列情况可以用嵌入式马尔柯夫链来表示, 求出更新点队长分布的极限概率;然后应用报酬更新定理得出缓冲区的信元丢失率。

1) 更新时刻点的队长分布极限概率

2) 信元丢失率

信元丢失率等于丢失信元数除以到达信元数 , 根据报酬更新定理 , 有

信元丢失率clp = 一个更新周期内的平均丢失信元数

一个更新周期内的平均到达信元数

目前的队列研究中使用的分析模型都是基于低阶统计特性的, 如研究最成熟应用最广泛的队列分析方法On-Off源叠加模型法, 包括MMPP和MMDP等。这类分析方法将输入通信量拟合成多个简单On-Off 源的叠加, 然后运用排队论估计缓冲区的信元丢失率, 最后的分析结果通常用马尔柯夫极限概率来表示。但是在一些应用场合(如VBR 视频源) , 已知的是输入通信量的带宽分布和自相关特性, 应用上述方法存在着模型拟合的困难, 例如在拟合带宽分布时, 需根据马尔柯夫链的极限分布逆推转移矩阵, 这往往是很困难的。于是产生了这样一个问题: 如何直接根据已知输入通信量的带宽分布和自相关特性来估计缓冲区的信元丢失率。

解决这个问题的关键是设计一个模型, 既要能提供对通信量低阶统计特性的直接拟合, 又要具有良好的理论可分析性。目前为止还没有研究报导同时满足上述两个条件的模型, 如其中拟合能力最强的TES 模型虽然满足第一个条件却无法进行理论分析。

全国各地天气预报查询

上海市

云南省

云南省

云南省

云南省