1.

1 MARKOVLJEV MODULIRANI POISSONOV PROCES

Jednostavni Poissonovi modeli pokazuju premalo praskavosti za realan promet. Naročito u

području telekomunikacija, dolazak paketa dolazi rafalno (kada ljudi razgovaraju) i zastaje
između rafala (kada ljudi šute). 1986. glas i podaci počinju dijeliti telekomunikacijske veze, pa
su istraživanja prometnih modela počela razmatrati superpoziciju prometa iz više vrsta izvora.
Stvarni proces u osnovi glasovne mreže smatrao se previše složenim za učinkovito modeliranje.
Istraživači su tražili pojednostavljeni model koji je još uvijek pokazivao realne karakteristike.
Bio je potreban model prometa u kojem je stopa dolaska varirala. Međutim, u skladu s glasovnim
modelom, imalo je smisla mijenjati stopu dolaska na kvantizirani način. Očito rješenje bili su
Markovljevi modulirani Poissonovi procesi (MMPP) [1].
On-off model prometa ne opisuje predobro učinak multipleksiranja nekoliko izvora
podataka. Postoji samo jedna brzina kada je izvor aktivan, dok stvarni izvori pokazuju različite
brzine podataka kada su aktivni. Da bi se riješila ova situacija, MMPP-u se dodaje više stanja.
Slika XY prikazuje konfiguraciju s tri stanja koja se obično naziva MMPP s tri stanja. Za MMPP
s N stanja konstruiramo N × N matricu prijelaza stanja P čiji element p ij predstavlja vjerojatnost
prelaska iz stanja j u stanje i. Ovaj je izbor u skladu s našom definicijom prijelazne matrice
Markovljevog lanca. Kažemo da je ova matrica stohastička matrica. Kad je izvor u stanju i; 1 ≤ i
≤ N; paketi se proizvode brzinom λi. Kada je broj stanja N = 2, imamo promijenjeni Poissonov
proces (SPP) [21]. Kada je N = 2 i λ1 = 0, imamo prekinut Poissonov proces (IPP) koji je ujedno
i on-off model o kojem je gore bilo riječi. [3]

Slika XY MMPP model s tri stanja

 1.2 AUTOREGRESIVNI MODELI

Autoregresivni modeli proizvode promet s ovisnošću o kratkom dometu gdje funkcija

autokorelacije eksponencijalno pada. Autoregresivni model reda N, označen s AR (N), opisan je
relacijom:
N
x ( n )=∑ a i X ( n−k )+ ϵ (n)
k=1

gdje je X (n) slučajna varijabla koja pokazuje brzinu prometa u to vrijeme; ϵ (n) je
slučajna varijabla koja ima mali raspon kako bi se uklopilo u eksperimentalne podatke.
Navedena formula daje jednostavnu metodu za generiranje sljedećeg slučajnog broja s obzirom
na prethodni skup od N slučajnih brojeva koji je računski privlačan.

1.3 SAMOSLIČNI MODELI PROMETA

Razviti modele statistički je izazov, kako matematički, tako i računski. Matematički izazov
donosi trenutni uvid da mrežni promet ovisi o velikom dometu, tj. da se funkcije autokorelacije
takvog prometa vrlo sporo približavaju nuli u usporedbi s eksponencijalnim padom koji
karakterizira procese ovisne o kratkom dosegu (npr. ARMA tip) . Stoga smo suočeni s potrebom
za modelima prometa koji se uvelike razlikuju od poznatih Poissonovih I ARMA modela.
Računski izazov posljedica je ogromne veličine skupova podataka prikupljenih na mrežnom
prometu [2].