Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ 02/05/11 Ανάλυση – Προσομοίωση Ουρών Markov.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ 02/05/11 Ανάλυση – Προσομοίωση Ουρών Markov."— Μεταγράφημα παρουσίασης:

1 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ 02/05/11 Ανάλυση – Προσομοίωση Ουρών Markov

2 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Επανάληψη (1) Η ουρά Μ/Μ/1 (άπειρου μεγέθους) Σταθεροί μέσοι ρυθμοί αφίξεων (γεννήσεων) λ n = λ, Poisson Σταθεροί μέσοι ρυθμοί εξυπηρέτησης (θανάτων) μ n = μ Εκθετικοί χρόνοι εξυπηρέτησης s, E(s) = 1/μ Εργοδικές πιθανότητες καταστάσεων P n Μέσος όρος πληθυσμού - κατάστασης Ε(n)

3 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Επανάληψη (2) Συστήματα Μ/Μ/1 με ρυθμούς άφιξης και ρυθμούς εξυπηρέτησης εξαρτώμενους από τον αριθμό των πελατών στο σύστημα (από την κατάσταση του συστήματος) (State Dependent M/M/1 Queues) λ(n) μ(n) λ(0)λ(1)λ(n-1) μ(1) μ(2) λ(n) μ(n) μ(n+1) 0 12 n-1 n n+1

4 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Επανάληψη (3) Η ουρά Μ/Μ/1 P n = (1-ρ) ρ n, n = 0,1,2,…, ρ = λ/μ < 1 E(n) = ρ/(1-ρ) Νόμος του Little: E(T) = E(n)/γ = E(n)/λ E(T) = (1/μ) / (1-ρ)

5 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Παράδειγμα Ανάλυσης Ουρών Markov: M/M/1/K (ουρά με μέγιστη χωρητικότητα Κ, συμπεριλαμβανομένου του εξυπηρετουμένου) Πιθανότητα απώλειας, P{blocking} P bl = P Κ = P ο ρ Κ, P 0 = (1-ρ)/(1-ρ Κ+1 ) Ρυθμαπόδοση (Throughput) γ = λ (1- P Κ ) Μέση Καθυστέρηση Ε(Τ) = Ε(n)/γ

6 Παράδειγμα ανάλυσης ουράς Markov με m εξυπηρετητές M/M/m [Erlang –C] Infinite buffer Finite # of servers (m) Prob. All servers are busy ρ’ = λ/μ Erlangs, ρ = ρ’/m < 1

7 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Άλλα Παραδείγματα Ουρών Markov –Μ/Μ/Ν/Κ (Ν εξυπηρετητές, χωρητικότητα Κ, N ≤ K) P n = [λ/(nμ)] P n-1, n=1, 2, …, N-1 P n = [λ/(Nμ)] P n-1, n=N, N+1, …, K P 0 + P 1 +…+ P K-1 + P K = 1

8 ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ –M/M/m/m (m εξυπηρετητές, χωρητικότητα m) Erlang – B Μοντέλο τηλεφωνικού κέντρου με μέσο ρυθμό κλήσεων λ (Poisson), εκθετική διάρκεια τηλεφωνήματος, μέσος χρόνος 1/μ, m γραμμές και απώλειες χωρίς επανάκληση (redial) ρ = λ/μ (Erlangs) P bl = P m = (ρ m /m!) / (1 + ρ + ρ 2 /2+ ρ 3 /3! ρ m /m!)

9 Παράδειγμα : Πιθανότητες και εξισώσεις καταστάσεων ισορροπίας 10 τερματικά τροφοδοτούν κοινό στατιστικό πολυπλέκτη πακέτου (μεταγωγέα – switch ή δρομολογητή – router) που εξυπηρετεί δεδομένα σε πακέτα των 1000 bits κατά μέσο όρο. Η έξοδος του πολυπλέκτη είναι γραμμή των 10 Mbps (Megabits per sec). Τα τερματικά θεωρούνται ανεξάρτητα και ισότιμα. A) Προσεγγίστε τον πολυπλέκτη σαν ουρά Μ/Μ/1. Βρείτε το μέσο όρο ροής των δεδομένων ανά τερματικό ώστε η γραμμή να έχει χρησιμοποίηση 50%. Β) Αν ο πολυπλέκτης δεν δύναται να αποθηκεύει πάνω από 3 πακέτα (μαζί με το πακέτο υπό εξυπηρέτηση) και ο μέσος ρυθμός ροής πακέτων ανά τερματικό είναι 500 packets/sec, βρείτε τα χαρακτηριστικά της ουράς. Υποθέστε Poisson διαδικασία άφιξης πακέτων και εκθετικά κατανεμημένους χρόνους εξυπηρέτησης πακέτων.

10 Λύση – Τμήμα Α Χρησιμοποιείται μοντέλο Μ/Μ/1 Η ροή πακέτων ανά τερματικό είναι λ. Ζητούμενο: λ=? pak/sec, Ο ρυθμός εξυπηρέτησης είναι: μ=(10000 kbits/sec)/(1 kbits/pkt) = pkts/sec Η αθροιστική ροή πακέτων (από όλα τα τερματικά) στον πολυπλέκτη είναι: 10λ. Ο βαθμός χρησιμοποίησης είναι: u=(10λ)/μ=0.5  (10λ)/10000=0.5  λ=500 pkts/sec 10λ μ μ μ μ 0 12 n-1 n n+1

11 Λύση – Τμήμα Β 10λ μ μ μ Χρησιμοποιείται μοντέλο Μ/Μ/1/3 λ=500 pkts/sec, μ=10000 pkts/sec 10λP 0 =μP 1  P 1 =(10λ/μ)P 0  P 1 =0.5P0 10λP 1 =μP 2  P 2 =(10λ/μ)P 0 2  P 2 =0.25P0 10λP 2 =μP 3  P 3 =(10λ/μ)P 0 3  P 3 =0.125P0 P 0 +P 1 +P 2 +P 3 =1  P 0 =8/15, P 1 =4/15, P 2 =2/15, P 3 =1/15 Ρυθμαπόδοση: γ=10λ(1-P bl )=500*(14/15)=1400/3 pkts/sec (γ=μ(1-P 0 )) Μέσο μήκος ουράς: E(n)=0*(8/15)+1*(4/15)+2*(2/15)+3*(1/15)=11/15 pkts Πιθανότητα απωλειών: P bl =P 3 =1/15 Μέση Καθυστέρηση: E(τ)=E(n)/γ=(11/15)/(1400/3)=11/7000 sec

12

13 ΠΡΟΣΟΜΟΙΩΣΗ ΟΥΡΑΣ Μ/Μ/1 P n = lim (T n /T) = {[# αφίξεων στη n ]/ λ} / (# αφίξεων / λ} = {# αφίξεων στη n} / {# αφίξεων} Τ-> ∞ RANDOM : Ομοιόμορφος τυχαίος αριθμός (0,1) ARRIVALS : Αριθμός αφίξεων ARRIVAL[n] : Αριθμός αφίξεων στην n COUNT : Αριθμός μεταβάσεων STATE : Κατάσταση ουράς P[n] : Εργοδική πιθανότητα κατάστασης n COUNT = 0, STATE = 0, ARRIVALS = 0 ARRIVAL :ARRIVALS = ARRIVALS + 1 ARRIVAL[STATE] = ARRIVAL[STATE] + 1 COUNT = COUNT +1 STATE = STATE + 1 LOOP :IF STATE = 0 : GO TO ARRIVAL ELSE IF RANDOM < λ / (λ+μ) : GO TO ARRIVAL ELSE GO TO DEPARTURE DEPARTURE :COUNT = COUNT +1 ; STATE = STATE – 1 IF COUNT < MAXIMUM : GO TO LOOP ELSE P[STATE] = ARRIVAL[STATE] / ARRIVALS


Κατέβασμα ppt "ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ 02/05/11 Ανάλυση – Προσομοίωση Ουρών Markov."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google