Charla Geometria

Geometrı́a estocástica aplicada a
telecomunicaciones
Andrés Ferragut
aferragu@fing.edu.uy
Facultad de Ingenierı́a
6 de marzo de 2007
Geometrı́a estocástica aplicada a telecomunicaciones
Contenido
Contenido
1 Motivación
2 Repaso
3 Proceso de Poisson
4 Conceptos de Geometrı́a Estocástica
5 Aplicaciones
Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Motivación
Contenido
1 Motivación
2 Repaso
5 Aplicaciones

Motivación
¿Qué debe capturar un modelo de red?
En un modelo de redes, debemos tener en cuenta dos

caracterı́sticas:
Propiedades temporales: La dinámica de evolución de tráfico
en diferentes escalas.
Propiedades geométricas: La distribución espacial y el
movimiento de los componentes (terminales, receptores,
antenas, servidores).

Motivación
Ejemplo de comportamiento temporal
1
Figura: Llamdas en un switch durante una mañana de lunes.
1
Fuente: ITU Teletraffic Handbook
Motivación
Ejemplo de comportamiento temporal
Figura: Variación de la demanda a lo largo del dı́a. Promedios cada 15

min.

Motivación
Ejemplos de propiedades geométricas
Ubicación de antenas en una red celular. Optimización de

costo/cobertura.
Movilidad de los clientes en la red. Optimización de
cobertura/handovers.
Ubicación de estaciones en una red ad-hoc (e.g.: proyecto One
Laptop per Child). Probabilidad de conexión.
Ubicación de servidores para distribución de contenidos.
Optimización de costo/restricciones.
Ubicación de DSLAMs para proveer ADSL. Restricciones de
distancia.

Motivación
¿Qué proporciona la Geometrı́a Estocástica?
Permite analizar un sistema en base a medias de demanda,

densidad de usuarios, etc.
La performance de un protocolo o regla debe ser adaptable a:
Diferentes distribuciones de usuarios, no conocidas a priori.
Comportamientos diversos de los usuarios.
Un conjunto grande de posibles topologı́as.
Provee reglas generales de dimensionamiento y performance.
Por ejemplo, para presupuestar, diseñar.
Para una distribución dada, puede optimizarse caso a caso.

Motivación
¿Qué no proporciona la Geometrı́a Estocástica?
Algunos ejemplos...
No proporciona la distribución óptima de los concentradores
de una red cableada.
No proporciona el costo exacto de despliegue de una red.
No proporciona la región de cobertura exacta de una red
celular.
No proporciona la performance de una realización de red
ad-hoc.

Motivación
Ejemplo de aplicación: red de acceso
Diseño de una red de acceso (e.g. ADSL)

Queremos dar acceso DSL vı́a par de cobre a una región.
Tenemos abonados distribuidos en la región.
Debemos ubicar concentradores que conecten a los abonados.
Suponemos λa abonados por unidad de área.
Restricciones:
Cantidad de abonados por concentrador.
Distancia a los abonados (mayor distancia, menor calidad).
Problema: Determinar la cantidad de concentradores por
unidad de área λc .
...algunas respuestas al final de la presentación.

Motivación

Ubicación de los usuarios: proceso puntual en el plano.
Abonados
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1

Motivación

Ubicación de los concentradores:
Concentradores
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1

Motivación

Regiones asignadas a cada concentrador (celdas de Voronoı̈).
Regiones asignadas a cada concentrador
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Motivación

Realización de la conexión.
Cableado
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1

Repaso
Contenido
1 Motivación
2 Repaso
5 Aplicaciones

Repaso
Conceptos básicos
Espacio de Probabilidad
(Ω, A, P) espacio de de probabilidad con:
Ω espacio muestral (resultados).
A σ−álgebra de sucesos.
P medida de probabilidad.
Variable aleatoria
X : Ω → R es una v.a. si podemos calcular P (X ∈ (a, b)) para
cualquier intervalo (a, b).

Repaso
Conceptos básicos
Función de distribución
FX (t) = P (X 6 t) con t ∈ R.
Variable discreta: pX (k) = P (X = k).
Variable continua: fX (t) = P (X ∈ (t, t + dt)) /dt.
Esperanza
R R
E (X ) = Ω X dP = R x dFX (x).
P
Variable discreta: k kpX (k).
R
Variable continua: R tfX (t) dt.

Repaso
Conceptos básicos
Variable aleatoria Poisson

X es una v.a. Poisson de parámetro λ (P(λ)) si:
λk
P (X = k) = e −λ k = 0, 1, 2, . . .
k!
Modela no. de “accidentes” por unidad de tiempo.
Variable aleatoria exponencial

X es una v.a. exponencial de parámetro µ (exp(µ)) si:
fX (t) = µe −µt t>0
Modela el “tiempo hasta el próximo accidente”.

Proceso de Poisson
Contenido
1 Motivación
2 Repaso
5 Aplicaciones

Proceso de Poisson
Proceso de Poisson en el tiempo (R+ )
Proceso estocástico que modela arribos en el tiempo.

Un P.E. es una familia de variables aleatorias X (t) con ı́ndice
t ∈ R+ . Puede pensarse como función aleatoria.
Construcción:
Sea {τn : n ∈ N} una familia de v.a. independientes con
distribución exp(λ).
Tomemos T1 = τ1 , T2 = τ1 + τ2 , . . ..
Tn representa entonces el tiempo del n−ésimo evento.
λ es la frecuencia de eventos.
El Proceso de Poisson es N(t) = sup{n : Tn 6 t}
N(t) cuenta la cantidad (aleatoria) de eventos en (0, t].

Proceso de Poisson
Eventos
1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60
t
N(t)
50
40
30
20
10
0
0 10 20 30 40 50 60
t
Figura: Una realización de un proceso de Poisson, λ = 1.

Proceso de Poisson
Consecuencias de la construcción:
N(0, t) es una v.a. Poisson de parámetro λt.
En general, N(A) ∼ P(λℓ(A)) con N(A) el no. de eventos en
un conjunto A y ℓ(A) su longitud.
Si A ∩ B = ∅, N(A) y N(B) son v.a. independientes.
Este proceso modela eventos que se producen “por puro azar” en la

recta con una intensidad media de λ eventos por unidad de tiempo.

Proceso de Poisson
Procesos puntuales
Queremos modelar ahora “eventos” que ocurren en un espacio

genérico E .
Por ejemplo, puntos al azar en el plano: E = R2 .
Observemos que N(A) es una medida de conteo en R+ .
N(∅) = 0.

Proceso de Poisson
Procesos puntuales

genérico E .
N(∅) = 0.
S P
N( n An ) = n N(An ) si {An } disjuntos.

Proceso de Poisson
Procesos puntuales

genérico E .
N(∅) = 0.
S P
N(A) ∈ {0, 1, . . .}.

Proceso de Poisson
Procesos puntuales

genérico E .
N(∅) = 0.
S P
N(A) ∈ {0, 1, . . .}.
N(A) < ∞ si A acotado.

Proceso de Poisson
Procesos puntuales
Sea entonces E un espacio métrico.

Sea M la familia de medidas de conteo en E .
Proceso Puntual
Un proc. puntual Φ es una “variable aleatoria” de un espacio de
probabilidad (Ω, A, P) a valores en M
Equivale a “elegir una al azar” con cierta distribución.
Φ(A), el no. de puntos que caen en A ⊂ E es entonces una
variable aleatoria en N.

Proceso de Poisson
Procesos puntuales
Sea entonces E un espacio métrico.

Sea M la familia de medidas de conteo en E .
Proceso Puntual
Un proc. puntual Φ es una “variable aleatoria” de un espacio de
probabilidad (Ω, A, P) a valores en M
Equivale a “elegir una al azar” con cierta distribución.
Φ(A), el no. de puntos que caen en A ⊂ E es entonces una
variable aleatoria en N.
P equivalente: familia aleatoria de puntos Xn ⊂ E y

Formulación
Φ(A) = n δXn (A) con δx la medida de Dirac.

Proceso de Poisson
Procesos puntuales: un caso, el P. Poisson
Proceso de Poisson General

Un PPG es un proc. puntual (medida aleatoria) Φ en E tal que se
cumplen:
Si {A1 , . . . , An } disjuntos entonces Φ(Ak ) son v.a.
independientes.
Φ(A) tiene distribución Poisson de parámetro λ(A).
Observación: La media de Φ(A) puede depender de A.

Si E = Rn y λ(A) = λℓ(A) decimos que el proceso es
estacionario y λ su intensidad.
El proceso N antes construido es un PPG estacionario con
E = R+ .

Proceso de Poisson
Proceso de Poisson en R2
Abonados
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Figura: Los abonados del ejemplo inicial son una realización de un PPG
con λ = 1000.
Proceso de Poisson
Propiedades del PPG
Es el único proceso que modela eventos puramente aleatorios.

En el PPG estacionario, dado que hay n puntos en una región,
se distribuyen de manera uniforme e independiente.

Proceso de Poisson
Propiedades del PPG

La superposición de PPG independientes es un proceso de
Poisson.
P
λsup = n λn .

Proceso de Poisson
Propiedades del PPG

Poisson.
P
λsup = n λn .
El refinado (borrado aleatorio de puntos) de un PPG es
Poisson (de menor intensidad).
Si borramos puntos con prob. 0 < p < 1, λref = pλ.

Proceso de Poisson
Propiedades del PPG

Poisson.
P
λsup = n λn .
El refinado (borrado aleatorio de puntos) de un PPG es
Poisson (de menor intensidad).
Si borramos puntos con prob. 0 < p < 1, λref = pλ.
La superposición de muchos procesos de baja intensidad se
aproxima a un proceso de Poisson.
Esto explica por qué aparece frecuentemente en el modelado.

Conceptos de Geometrı́a Estocástica
Contenido
1 Motivación
2 Repaso
5 Aplicaciones

Conceptos que trabajaremos
Conceptos generales de procesos puntuales:

Medida de Palm: ¿Cómo se ve un proceso desde cada uno de
sus puntos?
Fórmula de Campbell: ¿Cómo calculo un costo medio asociado
a los puntos?
Teorema de Slyvniak: ¿Cómo lo hago para el PPG?
Objetos asociados al PPG:
Teselación de Voronoı̈
Triangulación de Delaunay.
Modelo Booleano.

Medida de Palm: idea intuitiva
No necesariamente un proceso de “eventos” ve un sistema en

su estado “habitual”.
Ejemplo: Sistema de cola/servidor:
Suponemos 1 arribo cada 5 minutos (determinı́stico).
Cada tarea dura 4 minutos (determinı́stico).
Sea Q(t) el largo de cola.

Medida de Palm: idea intuitiva
No necesariamente un proceso de “eventos” ve un sistema en

su estado “habitual”.
Ejemplo: Sistema de cola/servidor:
Suponemos 1 arribo cada 5 minutos (determinı́stico).
Cada tarea dura 4 minutos (determinı́stico).
Sea Q(t) el largo de cola.
Entonces:
P (Q(t) = 0) = 0,2, corresponde a mirar el sistema en un
instante cualquiera.
P0 (Q(0) = 0) = 1, corresponde a mirar el sistema sincronizado
con los arribos.
Los clientes encuentran al sistema siempre vacı́o. El proceso Q
(que es función de los arribos) no se ve igual si nos
sincronizamos con los eventos.

Medida de Palm: idea intuitiva.
Sea Φ un proceso puntual en el plano de intensidad λ.

Definimos D = ||X ∗ ||, con X ∗ el punto más cercano al origen
(exceptuando el origen).
Con esta definición podemos calcular:
E(D), la distancia del origen al punto más cercano del proceso.
E0 (D), la misma distancia, dado que hay un punto en el origen.
Las esperanzas E se interpretan como “medias del sistema”.
Las esperanzas E0 se interpretan como lo que ocurre en un
punto “tı́pico”.
E0 (D) es la distancia tı́pica al vecino más cercano.

Fórmula de Campbell
Sea Φ un proc. puntual en Rn de intensidad λ.

Supongamos que asociamos un costo a cada punto f (x, Φx ).
Es función de la ubicación x.
Y del proceso “centrado” en x.
Fórmula de Campbell
 
X Z
E f (xn , Nxn ) = λ E0 [f (x, Φ)] dx
xn ∈Φ Rn
Nos da una relación entre el costo medio y cómo se ve desde

cada punto.

Teorema de Slyvniak
Nos dice cuál es la medida de Palm en el caso del PPG.

Teorema de Slyvniak
Si N es un proceso de poisson de intensidad λ bajo la probabilidad
P entonces, bajo la probabilidad de Palm su distribución será la de
N + δ0 .
Es decir, dado que hay un punto en el origen, el resto de los

puntos se comporta igual.
Coincide con la idea de aleatoriedad pura.
Combinado con la fórmula de Campbell permite realizar
cálculos sobre el Poisson.

Teorema de Slyvniak: aplicación
Sea N un PP de intensidad λ en Rn .
Entonces, la distribución de D, la distancia al punto más
cercano se distribuye igual que la distancia al origen.
En particular P (D > r ) = P (N(B(0, r )) = 0) = e −λvd (r ) , con
vd (r ) = ℓ(B(0, r )).
2
Por ejemplo, si n = 2, P (D > r ) = e −λπr .

Conceptos que trabajaremos
Conceptos generales de procesos puntuales:

Medida de Palm: ¿Cómo se ve un proceso desde cada uno de
sus puntos?
Fórmula de Campbell: ¿Cómo calculo un costo medio asociado
a los puntos?
Teorema de Slyvniak: ¿Cómo lo hago para el PPG?
Objetos asociados al PPG:
Triangulación de Delaunay.
Modelo Booleano.

Sea N un P. Poisson en el plano de intensidad λ.

A cada punto, le asociamos la celda de puntos más cercanos.
Cx (N) = {y ∈ R2 : ||y − x|| 6 ||y − z||, z ∈ Φ, z 6= x}
Esto produce una partición del plano denominada teselación

de Voronoı̈.

Regiones asignadas a cada concentrador
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura: Las regiones de cada concentrador nos dan un ejemplo.

Algunos resultados
Usando el Teorema de Slyvniak y la fórmula de Campbell podemos

calcular algunas cantidades medias:
Área media de celda tı́pica: E0 (ℓ(C0 (Φ))) = 1/λ.
Área de la celda en el origen: E(ℓ(C0 (Φ))) ≈ 1,280/λ.
Intensidad de vértices: 2λ.
Intensidad de lados: 3λ.
No. medio de lados de celda tı́pica: 6
√
Perı́metro de celda tı́pica: 4/ λ.

Modelo Booleano
Sea N un P. Poisson en el plano de intensidad λ.

A cada punto, le asociamos un disco B(0, R) de radio
aleatorio e independiente en cada punto.
S
Tomamos Ξ = Xn ∈N B(Xn , Rn ).
Esto produce una región del plano denominado Modelo
Booleano.

Figura: Ejemplo de Modelo Booleano.

Algunos resultados
Este modelo sirve para redes inalámbricas. Ξ es la región de

cobertura.
Interesa estudiar por ejemplo la probabilidad de cobertura.
Usando el Teorema de Slyvniak y la fórmula de Campbell se
tiene que:
P (0 ∈ Ξ) = 1 − exp(−λE0 (ℓ(B(0, R)))
Se puede calcular la probabilidad de que dos puntos estén

cubiertos al mismo tiempo, una región, etc.

Aplicaciones
Contenido
1 Motivación
2 Repaso
5 Aplicaciones

Aplicaciones
Volviendo al ejemplo inicial...
Diseño de una red de acceso (e.g. ADSL)

Queremos dar acceso DSL vı́a par de cobre a una región.
Tenemos abonados distribuidos en la región.
Debemos ubicar concentradores que conecten a los abonados.
Suponemos λa abonados por unidad de área.
Restricciones:
Cantidad de abonados por concentrador.
Distancia a los abonados (mayor distancia, menor calidad).
Problema: Determinar la cantidad de concentradores por
unidad de área λc .
...algunas respuestas al final de la presentación.

Aplicaciones
Volviendo al ejemplo inicial...
Supongamos λa = 1000 abonados por km2 . Usando las

herramientas de Geometrı́a estocástica podemos calcular:
lambdaa
N̄ = no. medio de abonados por concentrador = λc
D̄ = distancia media al concetrador más cercano = √1 .

2 λc
Si imponemos un media máxima de 50 abonados por concentrador
y 100m de distancia media las restricciones quedan:
D̄ = √1 > 0,1 ⇒ λc > 25.
2 λc
λa
N̄ = λc 6 50 ⇒ λc > 20.
Por lo que necesitamos λc > 25.

Aplicaciones
Otros ejemplos
Service Overlay Networks

Problema: distribución de contenidos.
Restricciones de proximidad a los usuarios para QoS.
Debo establecer conectividad entre los PoP.
Wireless Networks
Problema: cobertura.
¿Probabilidad de cobertura?
¿Conectividad?

Aplicaciones
Conclusiones
Desarrollamos una herramienta que permite analizar un

sistema en base a medias de demanda, densidad de usuarios,
etc.
Podemos analizar el comportamiento de los modelos frente a:
Diferentes distribuciones de usuarios, no conocidas a priori.
Comportamientos diversos de los usuarios.
Un conjunto grande de posibles topologı́as.
Estudiamos el proceso de Poisson general y algunos procesos
derivados (Voronoı̈, Booleano).
Introdujimos la Probabilidad de Palm y la fórmula de
Campbell.

Aplicaciones
Muchas Gracias por su atención
Contacto: aferragu@fing.edu.uy
Más información en la página del proyecto TREC del Prof.
Baccelli.
http://www.di.ens.fr/ trec/sg/bibliography.html.

Charla Geometria

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Charla Geometria

Transféré par

Droits d'auteur :

Formats disponibles

Geometrı́a estocástica aplicada a

4 Conceptos de Geometrı́a Estocástica

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

4 Conceptos de Geometrı́a Estocástica

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

¿Qué debe capturar un modelo de red?

En un modelo de redes, debemos tener en cuenta dos

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de comportamiento temporal

Ejemplo de comportamiento temporal

Figura: Variación de la demanda a lo largo del dı́a. Promedios cada 15

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplos de propiedades geométricas

Ubicación de antenas en una red celular. Optimización de

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

¿Qué proporciona la Geometrı́a Estocástica?

Permite analizar un sistema en base a medias de demanda,

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

¿Qué no proporciona la Geometrı́a Estocástica?

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de aplicación: red de acceso

Diseño de una red de acceso (e.g. ADSL)

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de aplicación: red de acceso

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de aplicación: red de acceso

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de aplicación: red de acceso

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Ejemplo de aplicación: red de acceso

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

4 Conceptos de Geometrı́a Estocástica

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Variable aleatoria Poisson

Variable aleatoria exponencial

fX (t) = µe −µt t>0

Modela el “tiempo hasta el próximo accidente”.

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

4 Conceptos de Geometrı́a Estocástica

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Proceso de Poisson en el tiempo (R+ )

Proceso estocástico que modela arribos en el tiempo.

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Proceso de Poisson en el tiempo (R+ )

Figura: Una realización de un proceso de Poisson, λ = 1.

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Proceso de Poisson en el tiempo (R+ )

Este proceso modela eventos que se producen “por puro azar” en la

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Queremos modelar ahora “eventos” que ocurren en un espacio

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Queremos modelar ahora “eventos” que ocurren en un espacio

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Queremos modelar ahora “eventos” que ocurren en un espacio

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Queremos modelar ahora “eventos” que ocurren en un espacio

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Sea entonces E un espacio métrico.

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones

Sea entonces E un espacio métrico.

P equivalente: familia aleatoria de puntos Xn ⊂ E y

Andrés Ferragut Geometrı́a estocástica aplicada a telecomunicaciones