7.

Loss systems

lect07.ppt S-38.145 – Introduction to Teletraffic Theory – Spring 2005 1

7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

2
7. Loss systems

Simple teletraffic model

• Khách hàng t i v i t c đ λ (customers per time unit)

– 1/λ = th i gian gi a các l n t i trung bình
• Các khách đư c ph c v b i n servers song song
• Khi b n, m t server ph c v v i t c đ µ (customers per time unit)
– 1/µ = th i gian ph c v m t khách hàng trung bình
• Có n + m v trí c a khách hàng trong h th ng
– có ít nh t n v trí ph c v và nhi u nh t m v trí đ i
• Gi thi t r ng các khách hàng b ch n (t i khi h th ng đ y) b m t mát

µ1
λ µ
n+m µ
µ
n 3
7. Loss systems

Infinite system

• Có s servers b ng vô cùng (n = ∞), không có v trí đ i (m = 0)

– Không có khách hàng v m t hay th m chí ph i đ i trư c khi đư c ph c v
• Đôi khi,
– mô hình gi thi t có th s d ng đ thu đư c k t qu g n đúng cho m t h
th ng th c (v i dung lư ng h th ng h u h n)
• Luôn luôn,
– mô hình này cho gi i h n v ph m ch t c a m t h th ng th c (v i dung
lư ng h th ng h u h n)
– thư ng d phân tích hơn mô hình dung lư ng h u h n tương ng

µ
1
λ µ
•
•
• ∞ 4
7. Loss systems

Pure loss system

• Có s server h u h n (n < ∞), n v trí ph c v , không có v trí đ i (m = 0)

– N u h th ng đ y (v i t t c n servers b chi m) khi m t khách hàng t i, s
không đư c ph c v mà b m t
– M t s khách hàng có th b m t
• Trên quan đi m c a khách hàng, c n bi t
– Xác su t h th ng đ y khi khách hàng t i?

µ
1
λ µ
µ
µ
n 5
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

6
7. Loss systems

Poisson model (M/M/∞)

• Đ nh nghĩa: Poisson model là mô hình lưu lư ng đơn gi n sau

đây:
– Có s khách hàng đ c l p b ng vô h n (k = ∞)
– Th i gian gi a các l n t i là IID và phân b hàm mũ v i k v ng 1/λ
• vì v y, khách hàng t i tuân theo quá trình Poisson v i cư ng đ λ
– Có s servers b ng vô h n (n = ∞)
– Th i gian ph c v là IID và phân b hàm mũ v i k v ng 1/µ
– Không có các v tr đ i (m = 0)
• Poisson model:
– S d ng Kendall’s notation, đây là m t hàng đ i M/M/∞
– Do dung lư ng h th ng vô h n, nên h th ng không m t mát
• Ký hi u:
– a = λ/µ = traffic intensity
7
7. Loss systems

State transition diagram

• Ký hi u X(t) là s khách hàng trong h th ng t i th i di m t

– Gi thi t r ng X(t) = i t i th i đi m t, và
Xét trong m t kho ng th i gian ng n (t, +h]:
• v i xác su t λh + o(h),
có m t khách hàng m i t i (chuy n tr ng thái i → i+1)
• N u i > 0, thì, v i xác su t iµh + o(h),
có m t khách hàng r i h th ng (chuy n tr ng thái i → i−1)
• Quá trình X(t) rõ ràng là m t quá trình Markov v i sơ đ chuy n tr ng thái
λ λ λ
0 1 2
µ 2µ 3µ

• Quá trình X(t) là m t quá trình birth-death t i gi n

v i không gian tr ng thái vô h n S = {0,1,2,...}
8
7. Loss systems

Phân b cân b ng (1)

• Local balance equations (LBE):

π i λ = π i +1 (i + 1) µ (LBE)
⇒ π i +1 = (i +λ1) µ π i = i +a1π i
a i
⇒ π i = π 0 , i = 0,1,2, K
i!
• Normalizing condition (N):
∞ ∞ i
∑ π i = π 0 ∑ ai! = 1 (N)
i =0 i =0
−1
∞
 a  i
⇒ π 0 =  ∑ i!  = e a −1
( )
= e−a
 i =0  9
7. Loss systems

Phân b cân b ng (2)

• Vì v y, phân b cân b ng là m t phân b Poisson:

X ∼ Poisson(a)
a i −a
P{ X = i} = π i = i! e , i = 0,1,2,K
2
E[ X ] = a, D [ X ] = a
• Chú ý: Tính ch t không ph thu c vào phân b c a th i gian ph c v
– K t qu không ph thu c vào phân b th i gian ph c v , t c là: đúng cho
phân b th i gian ph c v b t k v i k v ng 1/µ
– Vì v y, thay cho mô hình M/M/∞,
chúng ta cũng có th xét mô hình t ng quát hơn là M/G/∞

10
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

11
7. Loss systems

ng d ng mô hình hóa lưu lư ng l p lu ng c a d li u streaming

• Mô hình Poisson có th áp d ng cho mô hình hóa lưu lư ng l p lu ng

c a d li u streaming
– customer = UDP flow with constant bit rate (CBR)
– λ = flow arrival rate (flows per time unit)
– h =1/µ = average flow duration (time units)
– a =λ/µ = traffic intensity
– r = bit rate of a flow (data units per time unit)
– N = nr of active flows obeying Poisson(a) distribution
• Khi t c đ truy n t ng c ng Nr vư t quá dung lư ng tuy n C =nr,
s có hi n tư ng các bit b m t mát
– T l m t mát ploss là t s gi a lưu lư ng m t mát và lưu lư ng offered:

E[( Nr −C ) + ] E[( N − n) + ] 1 ∞ i −a
a
ploss = E[ Nr ]
= E[ N ] = a ∑ (i − n) i! e
i = n +1 12
 7. Loss systems

Multiplexing gain

• Xác đ nh cư ng đ lưu lư ng a sao cho loss ratio ploss < 1%

• Multiplexing gain đư c mô t b i cư ng đ lưu lư ng trên m t đơn
v dung lư ng a/n, như m t hàm c a dung lư ng n

0.8

0.6
normalized traffic
a/n 0.4

0.2

20 40 60 80 100

capacity n
13
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

14
7. Loss systems

Erlang model (M/M/n/n)

• Đ nh nghĩa: Mô hình Erlang là mô hình lưu lư ng đơn gi n sau:

– có s khách hàng đ c l p b ng vô cùng (k = ∞)
– Th i gian gi a các l n t i là IID và phân b theo hàm mũ v i k v ng 1/λ
• vì v y, các khách hàng t i theo quá trình Poisson v i cư ng đ λ
– S server h u h n (n < ∞)
– Th i gian ph c v là IID và phân b hàm mũ v i k v ng 1/µ
– Không có các v trí đ i (m = 0)
• Erlang model:
– Using Kendall’s notation, this is an M/M/n/n queue
– H th ng m t mát thu n túy, và vì v y, đây là mô hình m t mát
• Notation:
– a = λ/µ = traffic intensity

15
7. Loss systems

State transition diagram

• Ký hi u X(t) là s khách hàng trong h th ng t i th i đi m t

– Gi thi t r ng X(t) = i t i th i đi m t, và
Xét trong kho ng th i gian ng n (t, t+h]:
• v i xác su t λh + o(h),
có m t khách hành m i t i (chuy n tr ng thái i → i+1)
• v i xác su t iµh + o(h),
có m t khách hàng r i h th ng (chuy n tr ng thái i → i−1)
• Quá trình X(t) rõ ràng là m t Markov process v i sơ đ chuy n tr ng thái
λ λ λ λ
0 1 n−1 n
µ 2µ (n−1)µ nµ

• Quá trình X(t) là m t quá trình birth-death t i gi n

v i m t không gian tr ng thái h u h n S = {0,1,2,…,n}
16
7. Loss systems

Equilibrium distribution (1)

• Local balance equations (LBE):

π i λ = π i +1 (i + 1) µ (LBE)
⇒ π i +1 = (i +λ1) µ π i = i +a1π i
a i
⇒ π i = π 0 , i = 0,1,K , n
i!
• Normalizing condition (N):
n n i
a
∑ π i = π 0 ∑ i! = 1 (N)
i =0 i =0
n −1
 a  i
⇒ π 0 =  ∑ 
i!
 i =0  17
7. Loss systems

Equilibrium distribution (2)

• Vì v y, phân b cân b ng là m t phân b truncated Poisson:

ai
P{ X = i} = π i = i! , i = 0,1,K , n
n
aj
∑ j!
j =0

• Chú ý: Tính ch t không ph thu c vào phân b c a th i gian ph c v

– K t qu không ph thu c vào phân b th i gian ph c v , t c là: đúng cho
phân b th i gian ph c v b t k v i k v ng1/µ
– Vì v y, thay cho mô hình M/M/n/n,
chúng ta cũng có th xét mô hình t ng quát hơn là M/G/n/n

18
7. Loss systems

Time blocking

• Time blocking Bt = xác su t t t c n servers b chi m t i m t th i

gian b t k = t l th i gian t t c n servers b chi m
• V i m t quá trình Markov d ng, th i gian ngh n m ch này b ng
xác su t πn c a phân b cân b ng π. Vì v y,

an
Bt := P{ X = n} = π n = n!
n
aj
∑ j!
j =0

19
7. Loss systems

Call blocking

• Call blocking Bc = xác su t m t khách hàng t i g p t/h t t c

n servers b chi m = t l các khách hàng t i b m t mát
• Tuy nhiên, do các quá trình t i Poisson và tính ch t PASTA, xác
su t m t khách hàng t i th y t t c n servers b chi m b ng xác su t
t t c n servers b chi m t i m t th i đi m b t b ,
• Nói cách khác, call blocking Bc b ng time blocking Bt:

an
Bc = Bt = n!
n
aj
∑ j!
j =0

• Đây chính là công th c ngh n m ch c a Erlang

20
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

21
7. Loss systems

ng d ng mô hình hóa lưu lư ng tho i trong m ng trung k

• Erlang model có th ng d ng đ mô hình hóa lưu lư ng tho i

trong m ng trung k có s ngư i dùng ti m năng c a m t tuy n l n
– customer = call
– λ = call arrival rate (calls per time unit)
– h =1/µ = average call holding time (time units)
– a =λ/µ = traffic intensity
– n = link capacity (channels)
• M t cu c g i b m t mát n u t t c n kênh b chi m khi cu c g i t i
– call blocking Bc cho bi t xác su t c a s ki n đó
n
a
Bc = n!
n aj
∑ j =0 j!
22
 7. Loss systems

Multiplexing gain

• Chúng ta xác đ nh cư ng đ lưu lư ng a sao cho call blocking Bc < 1%

• Multiplexing gain đư c mô t b i cư ng đ lưu lư ng trên m t đơn
v dung lư ng a/n, như m t hàm c a dung lư ng n

0.8

0.6
normalized traffic
a/n 0.4

0.2

20 40 60 80 100

capacity n
23
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

24
7. Loss systems

Binomial model (M/M/k/k/k)

• Đ nh nghĩa: Binomial model là mô hình lưu lư ng đơn gi n sau đây:

– S khách hàng đ c l p h u h n (k < ∞)
• Các khách hàng ki u on-off (thay đ i gi a tr ng thái r i và ho t đ ng)
– Các th i gian r i là IID và phân b hàm mũ v i k v ng 1/ν
– Có s servers b ng s khách hàng (n = k)
– Các th i gian ph c v là IID và phân b hàm mũ v i k v ng1/µ
– Không có v trí đ i (m = 0)
• Binomial model:
– S d ng Kendall’s notation, đây là m t hàng đ i M/M/k/k/k
– M c dù h th ng có dung lư ng h u h n, rõ ràng đây là m t h th ng không m t
mát
• Khách hàng ki u on-off type:
service
1
idleness
0
25
7. Loss systems

On-off type customer (1)

• Ký hi u Xj(t) là tr ng thái c a khách hàng j ( j = 1,2,…,k ) t i th i đi m t

– Tr ng thái 0 = idle, tr ng thái 1 = active = đang ph c v
– Xét trong kho ng th i gian ng n (t, t+h]:
• N u Xj(t) = 0, thì, v i xác su t νh + o(h),
khách hàng tr thành active (chuy n tr ng thái 0 → 1)
• N u Xj(t) = 1, thì, v i xác su t µh + o(h),
khách hàng tr thành tr ng thái r i (chuy n tr ng thái 1 → 0)
• Quá trình Xj(t) rõ ràng là m t Markov process v i sơ đ chuy n tr ng thái
ν
0 1
µ

• Quá trình Xj(t) là m t birth-death t i gi n v i m t không gian

tr ng thái h u h n S = {0,1}
26
7. Loss systems

On-off type customer (2)

• Local balance equations (LBE):

π 0( j )ν = π 1( j ) µ ⇒ π 1( j ) = νµ π 0( j )
• Normalizing condition (N):
µ
π 0( j ) + π 1( j ) = π 0( j ) (1 + νµ ) = 1 ⇒ π 0( j ) = ν + µ , π 1( j ) = ν ν+ µ
• Vì v y, phân b cân b ng c a m t khách hàng đơn là phân b
Bernoulli v i xác su t thành công ν/(ν+µ)
– offered traffic is ν/(ν+µ)
• T đây, chúng ta có th suy ra phân b c a tr ng thái c a c h th ng
(t c là: s khách hàng đang ho t đ ng [active]) là phân b nh th c
Bin(k, ν/(ν+µ))

27
7. Loss systems

State transition diagram

• Ký hi u X(t) là s khách hàng đang ho t đ ng

– Gi thi t r ng X(t) = i t i th i đi m t, và
xét m t kho ng th i gian ng n (t, t+h]:
• N u i < k, thì v i xác su t (k−i)νh + o(h),
m t khách hàng r i tr thành ho t đ ng (chuy n tr ng thái i → i+1)
• N u i > 0, thì, v i xác su t iµh + o(h),
m t khách hàng ho t đ ng tr thành r i (chuy n tr ng thái i → i−1)
• Quá trình X(t) rõ ràng là m t Markov process v i sơ đ chuy n tr ng thái
kν (k−1)ν 2ν ν
0 1 k−1 k
µ 2µ (k−1)µ kµ

• Quá trình X(t) là m t quá trình birth-death t i gi n v i không gian tr ng thái

h u h n S = {0,1,…,k}
28
7. Loss systems

Equilibrium distribution (1)

• Local balance equations (LBE):

π i (k − i )ν = π i +1 (i + 1) µ (LBE)
( k −i )ν
⇒ π i +1 = (i +1) µ π i

⇒ π i = i!( kk−! i )! (νµ )i π 0 = (ik )(νµ )i π 0 , i = 0,1,K , k

• Normalizing condition (N):
k k
∑ π i = π 0 ∑ (ik )(νµ )i = 1 (N)
i =0 i =0
k −1
  µ k
⇒ π 0 =  ∑ (i )( )  = (1 + ν ) − k = (
k ν i
)
µ µ ν + µ 29
 i =0 
7. Loss systems

Equilibrium distribution (2)

• Vì v y, phân b cân b ng là phân b nh th c (binomial distribution):

X ∼ Bin(k , ν ν+ µ )
µ
P{ X = i} = π i = (ik )(ν ν+ µ )i (ν + µ ) k −i , i = 0,1, K , k
2 µ kνµ
E[ X ] = kν , D [X ] = k ⋅ ν ⋅ =
ν +µ ν +µ ν +µ (ν + µ ) 2
• Chú ý: tính ch t không ph thu c vào th i gian ph c v và phân b th i
gian r i
– K t qu là không ph thu c vào phân b th i gian ph c v và th i gian r i,
t c là: mô hình đúng cho phân b th i gian ph c v b t k v i k v ng 1/µ và
phân b th i gian r i b t k v i k v ng 1/ν
– Vì v y, thay cho M/M/k/k/k model,
chúng tá có th xét mô hình t ng quát hơn G/G/k/k/k 30
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

31
7. Loss systems

Engset model (M/M/n/n/k)

• Đ nh nghĩa: Engset model là mô hình lưu lư ng (đơn gi n) sau

đây:
– Có s khác hàng đ c l p h u h n (k < ∞)
• on-off type customers (thay đ i gi a r i và ho t đ ng)
– Th i gian r i là IID và phân b hàm mũ v i k v ng 1/ν
– Có ít servers hơn customers (n < k)
Note: N u h th ng
– Thòi gian ph c v IID và phân b mũ v i k v ng 1/µ
đ y khi m t k/h r i
– Không có các v trí đ i (m = 0) mu n tr thành ho t
• Engset model: đ ng, có m t chu k
m i đư c kh i t o.
– S d ng Kendall’s notation, đây là hàng đ i M/M/n/n/k
– Đây là m t h th ng m t mát thu n túy và, vì v y, là m t m t
• On-off type customer:
service blocking!
1
idleness idle idle
0
32
7. Loss systems

State transition diagram

• Ký hi u X(t) là s khách hàng ho t đ ng

– Gi thi t X(t) = i t i th i đi m t, và
xét t i kho ng th i gian ng n (t, t+h]:
• if i < n, thì, v i xác su t (k−i)νh + o(h),
m t khách hàng r i tr thành h at đ ng (chuy n tr ng thái i → i+1)
• if i > 0, thì, v i xác su t iµh + o(h),
m t khách hàng ho t đ ng tr thành r i (chuy n tr ng thái i → i−1)
• Quá trình X(t) rõ ràng là m t Markov process v i sơ đ chuy n tr ng thái
kν (k−1)ν (k−n+2) ν (k−n+1)ν
0 1 n−1 n
µ 2µ (n−1)µ nµ

• Quá trình X(t) là m t birth-death t i gi n v i không gian tr ng

thái h u h n S = {0,1,…,n}
33
7. Loss systems

Equilibrium distribution (1)

• Local balance equations (LBE):

π i (k − i )ν = π i +1 (i + 1) µ (LBE)
( k −i )ν
⇒ π i +1 = (i +1) µ π i

⇒ π i = i!( kk−! i )! (νµ )i π 0 = (ik )(νµ )i π 0 , i = 0,1, K, n

• Normalizing condition (N):
n n
∑ π i = π 0 ∑ (ik )(νµ )i = 1 (N)
i =0 i =0
n −1
 k ν i 
⇒ π 0 =  ∑ (i )( ) 
µ
 i =0  34
 7. Loss systems

Equilibrium distribution (2)

• Vì v y, phân b cân b ng là m t phân b truncated binomial:

µ
(ik )(νµ )i (ik )(ν ν+ µ )i (ν + µ ) k −i
P{ X = i} = π i = n = n , i = 0,K, n
k ν j k ν ) j ( µ )k − j
∑ j µ
( )( ) ∑ j ν +µ ν +µ
( )(
j =0 j =0

• Offered traffic is kν/(ν+µ)

• Chú ý: Tính ch t không ph thu c vào phân b c a th i gian ph c v và
th i gian r i
– K t qu là không ph thu c vào c hai phân b c a th i gian ph c v và th i
gian r i, t c là: đúng cho phân b th i gian ph c v b t k v i k v ng 1/µ và
phân b th i gian r i b t k v i k v ng 1/ν
– Vì v y, thay cho mô hình M/M/n/n/k model, 35
chúng ta có th xét mô hình t ng quát hơn G/G/n/n/k
7. Loss systems

Time blocking

• Time blocking Bt = xác su t t t c n servers b chi m t i m t th i

đi m b t k = t l th i gian t t c n servers b chi m
• V i m t Markov process d ng, xác su t này b ng xác su t πn c a
phân b cân b ng π. Vì v y,

( kn )(ν ) n
µ
Bt := P{ X = n} = π n = n
∑ ( kj )(νµ ) j
j =0

36
7. Loss systems

Call blocking (1)

• Call blocking Bc = xác su t m t khách hàng t i g p t t c n servers b

chi m = t s các khách hàng t i b m t mát
– Tuy nhiên, trong Engset model, quá trình t i không tuân theo quá trình
Poisson. Vì v y, chúng ta không th s d ng tính ch t PASTA.
– Th c t , phân b c a tr ng thái c a m t khách hàng t i g p ph i, khác v i phân b
cân b ng. Vì v y, call blocking Bc không b ng time blocking Bt trong Engset model.

37
7. Loss systems

Call blocking (2)

• Đ t πi* là xác su t có i khách hàng đang ho t đ ng khi m t khách

hàng r i tr thành ho t đ ng (đư c g i là m t “arrival”)
• xét trong kho ng th i gian dài (0,T):
– Trong kho ng th i gian này, th i gian trung bình b vào tr ng thái i là πiT
– Trong kho ng th i gian này, s khách hàng "t i" trung bình (t t c đ u
th y h th ng tr ng thái i) là (k−i)ν⋅πiT
– Trong toàn b kho ng th i gian này, s khách hàng "t i" trung bình là
Σj (k−j)ν⋅πjT
• Vì v y,

(k − i )ν ⋅ π iT (k − i ) ⋅ π i
πi* = n = n , i = 0,1,K, n
∑ (k − j )ν ⋅ π jT ∑ (k − j ) ⋅ π j
j =0 j =0
38
7. Loss systems

Call blocking (3)

• Có th ch ra r ng

( ki−1 )(νµ )i
πi* = n , i = 0,1, K, n
k −1 ν j
∑ j )( )
(
µ
j =0

• N u chúng ta vi t rõ s ph thu c c a các xác su t này vào t ng s

khách hàng, chúng ta có k t qu sau:

π i * (k ) = π i (k − 1), i = 0,1, K, n
• Nói cách khác, m t khách hàng “t i” th y h th ng tr ng thái có m t
khách hàng ít hơn phân b cân b ng
39
7. Loss systems

Call blocking (4)

• B ng cách ch n i = n, chúng ta có đư c công th c sau cho xác su t call

blocking:

Bc (k ) = π n * (k ) = π n (k − 1) = Bt ( k − 1)
• Vì v y, v i Engset model, call blocking trong m t h th ng v i k
khách hàng b ng time blocking trong m t h th ng v i k−1 khách hàng:

( k n−1 )(νµ ) n
Bc (k ) = Bt (k − 1) = n
∑ ( k −j 1)(νµ ) j
j =0

• Đây là công th c Engset’s blocking

40
7. Loss systems

Contents

• Nh c l i: mô hình lưu lư ng đơn gi n

• Poisson model (∞ customers, ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng m c lu ng c a d li u dòng
• Erlang model (∞ customers, n < ∞ servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng trung k
• Binomial model (k < ∞ customers, n = k servers)
• Engset model (k < ∞ customers, n < k servers)
• ng d ng trong mô hình hóa lưu lư ng đi n tho i trong m ng truy nh p

41
 7. Loss systems

ng d ng trong mô hình hóa lưu lư ng tho i trong m ng truy nh p

• Engset model có th áp d ng đ mô hình hóa lưu lư ng tho i trong m ng

truy nh p trong đó s ngư i s d ng ti m năng c a m t tuy n là v a ph i
– customer = call
– ν = t c đ t i c a cu g i t i theo ngư i dùng r i (calls per time unit)
– 1/µ = th i gian gi cu c g i trung bình (time units)
– k = s ngư i dùng ti m năng
– n = dung lư ng tuy n (channels)
• M t cu c g i b m t mát n u t t c n kênh b chi m khi cu c g i t i
– call blocking Bc cho xác su t c a s ki n đó

( k n−1 )(νµ ) n
Bc = n
∑ ( k −j 1 )(νµ ) j
j =0 42
 7. Loss systems

Multiplexing gain

• Chúng ta gi thi t r ng m t tuy n truy nh p đư c t i b i k = 100

ngư i dùng ti m năng
• Chúng ta xác đ nh cư ng đ lưu lư ng kν/(ν+µ) sao cho call blocking
Bc < 1%
• Multiplexing gain
1 is described by the traffic intensity per capacity unit,
kν/(n(ν+µ)) , as a function of capacity n
0.8

0.6
normalized traffic
kν/(n(ν+µ)) 0.4

0.2

20 40 60 80 100
43
capacity n
7. Loss systems

THE END

44