Académique Documents
Professionnel Documents
Culture Documents
TRÁFICO AUTOSEMEJANTE*
Juan Andrés Pérez Mejía**
Jorge Mauricio Romero Parra***
Resumen
Durante décadas, la ingeniería de redes ha basado el análisis de tráfico en un mismo concepto. Pero,
en los últimos años se han venido desarrollando teorías que rompen con estos enunciados y nos dan
un nuevo enfoque para dicho análisis.
La mayoría del tráfico existente en las redes actuales se comporta de forma diferente a lo que se
pensaba, es de tipo autosimilar o fractal; por lo tanto, se han empezado ha desarrollar nuevos métodos
para llevar a cabo su estudio y modelamiento. Esta autosemejanza implica un análisis estadístico o
probabilístico de los sucesos recurriendo a diferentes herramientas; en este caso, los modelos no
correlacionados, sin memoria, de dependencia a corto plazo, de dependencia a largo plazo, Wavelet
Multifractales, entre otros.
En este caso se muestra, de forma general, cómo se puede lograr el análisis del tráfico por medio de
tales modelos, con el fin de generar inquietudes en el lector.
* El presente artículo fue presentado en la Universidad de Los Andes en el Día de las Comunicaciones, obteniendo el segundo lugar en el
concurso de Posters de dicho evento. Sus autores son estudiantes de octavo y décimo semestre, respectivamente, de la Facultad de Ingeniería
de Telecomunicaciones de la Universidad Santo Tomás y miembros del Grupo de Investigación INVTEL de dicha Facultad.
** 1991779@correo.usta.edu.co
*** 2012379@correo.usta.edu.co
120 Universidad Santo Tomás
Palabras clave
Fractales, modelos de Tráfico, autosemejanza, dependencia a corto plazo, dependencia a largo plazo.
Abstract
During decades, traffic analysis has been based in a same notion. However, in the last years, new
theories which break with those statements and gave us a new approach for this analysis are getting
expounded.
Most of the traffic that now days exists in modern networks has a different performance than expected,
now days traffic has a self-similar or Fractal behavior, thus, new methods to study and modeling traffic are
getting expounded. Statistics and probability analysis of those events, helped by some tools, such as
not correlate, no memory, SRD, LRD and Wavelet Models is needed due to this self-similarity.
This paper shows how traffic analysis can be done through these models in order to generate concerns
in the reader.
Index terms
Fractals, traffic modeling, self-similarity, long range dependence, short range dependence.
Introducción
Cualquiera que sea el escenario definitivo con- de colas. A la vista de este hecho, han ido apare-
creto sobre el que se asiente este universo do- ciendo nuevos modelos de tráfico de entrada
minado por la integración y la exigencia de cali- que exhiben estructuras de correlación más o
dad, el hecho indiscutible es que existe la nece- menos complejas, aplicados a casos en que el
sidad de definir diversos controles y mecanis- modelo del sistema de comunicaciones en es-
mos de gestión de tráfico que garanticen, de tudio permite mantener la tratabilidad analítica.
manera individualizada, la calidad exigida por En cualquier caso, estos modelos (fundamental-
cada servicio. Actualmente muchos de estos mente markovianos) desprecian la correlación a
controles se encuentran en estado embrionario partir de determinada separación en el tiempo,
o, cuando menos, por optimizar de una manera aunque ésta puede ser aumentada a costa de com-
eficiente. plicar el modelo con parámetros adicionales.
Por su parte, la correcta definición de estos con- Sin embargo, un trabajo presentado por Leland,
troles, así como el dimensionamiento de com- Willinger, Taqqu y Wilson en ACM SIGCOMM 93
ponentes de la transmisión (buffers, enlaces
), mostraba, tras la observación de exhaustivas me-
exige un amplio conocimiento de los flujos de diciones realizadas sobre una red Ethernet en
tráfico que van a ser transmitidos. Este conoci- Bellcore (NJ, USA), que el tráfico (número de tra-
miento implica caracterizar, modelar e incluso mas en la red por unidad de tiempo) era de natu-
predecir con precisión el comportamiento de raleza fractal, autosimilar o autosemejante
dichos flujos. Por todas estas razones, el mode- (self-similar), que implica la existencia de una acu-
lado de tráfico telemático se encuentra en el sada correlación a largo plazo (Long-Range
núcleo de la problemática actual de las redes Dependence LRD).
integradas.
Posteriormente, el mismo carácter fractal ha sido
observado en redes WAN, en los datos de SS7, en
Modelamiento del tráfico
el tráfico debido a la World Wide Web (WWW), o
Se entiende por modelado de tráfico una abs- incluso en el tráfico de video de tasa variable
tracción matemática más o menos compleja que (Variable Bit Rate VBR). Todos estos hallazgos
trata de imitar alguna o varias características es- han contribuido enormemente a un replantea-
tadísticas de un tipo de tráfico real o de un flujo miento muy significativo de la modelación
concreto en particular. Dado que los modelos estocástica del tráfico de entrada y del análisis
poissonianos tradicionalmente usados con el trá- de prestaciones, ya que muchos estudios han
fico telefónico se han demostrado insuficientes puesto de relieve el enorme impacto que la de-
para caracterizar las nuevas fuentes de tráfico, pendencia temporal a largo plazo puede llegar
buena parte del esfuerzo investigador en estos a tener sobre las prestaciones de las redes de
últimos años se ha centrado en el modelado de comunicaciones, frente a otros modelos que se
muestras obtenidas en redes reales (Casilari et al.). han venido usando hasta hace poco y que, o
bien no presentan correlación temporal alguna
Desde el trabajo de Kleinrock a mediados de los por simplicidad analítica, o exhiben una estruc-
60, se encuentra la existencia de dependencia tura de correlación más complicada analíticamen-
temporal que ha sido objeto de estudio por par- te (como los modelos markovianos o autorre-
te de numerosos autores, destacando el descu- gresivos habitualmente utilizados), pero que po-
brimiento del enorme impacto que puede lle- dríamos denominar a corto plazo (Short-Range
gar a tener sobre las prestaciones de un sistema Dependence-SRD) (López, José).
122 Universidad Santo Tomás
En este sentido, al investigador le caben dos op- Otro aspecto clave a la hora de definir un mode-
ciones: muestrear el tráfico en una red a la que lo es decidir la escala de tiempos a la que el
tenga acceso y autorización para espiar (esto modelo debe representar convenientemente la
habitualmente sólo es posible para una red de realidad. A menudo resulta completamente in-
área local LAN) o recurrir a las múltiples bases útil y costoso tratar de modelar las fluctuaciones
de datos con muestras de tráfico que ofrece que se producen a todas las escalas en cierto
Internet. Los ejemplos de este último tipo son tráfico. La aplicación final del modelo establece
numerosos, tanto para tráfico Ethernet, tráfico en una escala de interés sobre la que debe centrar-
redes de área metropolitana, tráfico TCP/IP co- se el esfuerzo modelador y que determina los
rrespondiente a servicios HTTP (Web) o tráfico factores claves a imitar y los que pueden ser
de video VBR correspondiente a estándares MPEG obviados. Así, si el problema reside, por ejem-
y M-JPEG. plo, en dimensionar una red WAN para períodos
de meses o años, el modelo debe ser capaz de
La principal ventaja de trabajar con bases de da- predecir la evolución del mercado. Si, por el con-
tos conocidas es la posibilidad de tener un mar- trario, el dimensionado ha de hacerse a más corto
co común de experimentación en el que se pue- plazo, tratando de analizar la hora cargada al cabo
den cotejar los modelos obtenidos con los co- de un día, el elemento central es el usuario,
rrespondientes a otras propuestas. Por su parte, mientras que para controles destinados a gestio-
el muestreo puede ser directo, analizando el trá- nar la calidad de la aplicación, ésta se puede
fico que directamente fluye por el enlace, o in- convertir en el factor clave. Así mismo, si el con-
directo, estudiando de una manera off-line, so- trol a diseñar trabaja a escalas de tiempo puede
bre un servidor, el volumen de información (fi- resultar fundamental modelar con cuidado los
cheros en servidores FTP, tamaño de correos elec- efectos que imponen los niveles inferiores de la
trónicos, páginas Web, películas MPEG,
) a la torre de protocolos.
que los clientes tendrán acceso. En el primer
caso (medida directa), la muestra se ve fuerte- El objetivo básico de un modelo de tráfico es ser
mente determinada por la torre de protocolos capaz de imitar el comportamiento del tráfico
de la red concreta que se muestrea. En el se- real. Sin embargo, esta cualidad (la correspon-
gundo caso, el muestreo se produce a nivel de dencia con la realidad) no es el único concepto
aplicación, por lo que el modelo resultante sería que debe considerarse a la hora de elegir una
independiente de los niveles inferiores. estrategia de modelado. Así, resultan de espe-
cial interés otros aspectos como:
868$5,2
1,9(/(6'((1/$&(5('
75$163257(
(92/8&,Ð1'(/
0(5&$'2</$
1,9(/)Ì6,&2 1,9(/'($3/,&$&,Ð1 7(&12/2*Ì$
(VFDODGHWLHPSR
La tratabilidad analítica del modelo; esto es, ñal X[n] es un indicador del grado de dependen-
la capacidad intrínseca del modelo de arrojar cia lineal que existe entre una muestra X[i+k] y
resultados analíticos, sin necesidad de simu- la k-ésima muestra anterior:
lación.
5[ N = ( [ ; [L + N ]− µ [ ; [L ]− µ [ ]
La facilidad de implementación, ya sea vía σ [
software para proceder a simulaciones o vía
hardware con el objetivo de disponer de un Donde E[] es el operador esperanza matemáti-
generador de tráfico sintético en tiempo real. ca, mientras que σX2 y µx indican, respectivamen-
Esta característica exige simplicidad no sólo te, la varianza y la media de la señal X[n], la cual,
a la propia estructura del modelo, sino tam- en el caso de modelado de tráfico, lleva apareja-
bién a la algoritmia y los costes computa- do la evolución en el tiempo de una variable
cionales que exige su implementación. física (por ejemplo: número de usuarios conec-
tados, duración de una llamada, número de bits
La parsimonia del modelo. Con este con- transmitidos durante cierto intervalo, tiempo
cepto, que recurre al significado original de entre paquetes, tamaño del paquete...).
la palabra parsimonia, se describe la capaci-
dad del modelo para ser descrito mediante De acuerdo con la forma en que el modelo im-
un conjunto reducido de parámetros. De pone a esta función, se puede distinguir entre:
igual importancia, resulta la posible signifi-
cación física de los parámetros. Se debe ser Modelos no correlacionados
consciente de que al usuario final hay que o ruidos blancos
ofrecerle una representación de la realidad
comprensible, flexible, pero con una variabili- Se trata de señales en donde no existe relación
dad acotada y controlable mediante unos de ningún tipo entre las muestras de la secuen-
parámetros que posean una conexión eviden- cia (RX(k)=0 para todo k≠0), de tal modo que
te con la realidad (por ejemplo: velocidad máxi- cada muestra es generada a partir de la misma
ma, velocidad de pico, tamaño de ráfaga
). función de distribución estadística, pero con to-
tal independencia de las anteriores. Estos mode-
Capacidad de modelar otros tipos de tráfico, los estadísticamente independientes se han pro-
en especial tráfico agregado. En numerosas bado válidos para modelar ciertos aspectos de la
ocasiones se puede exigir de un modelo, generación del tráfico, entre los que podemos
en especial de los generalistas, la maniobra- mencionar el tiempo entre llamadas, la duración
bilidad suficiente para que, mediante cier- de la llamada o el tamaño de los ficheros trans-
tos cambios de sus parámetros, sea capaz mitidos. Dentro de este grupo, habría que in-
de imitar otros tipos de tráficos o incluso el cluir a modelos clásicos muy extendidos en todos
propio tráfico agregado que resulta de los ámbitos, como el de Poisson (en donde el tiem-
multiplexar sobre un canal varias fuentes po entre eventos se distribuye exponencialmente),
individuales. o los ruidos normales o gaussianos (Casilari et al.).
que el tiempo que toca esperar hasta ver la próxi- tráfico, ya que la llegada de paquetes se encuentra
ma llegada es independiente del instante en que fuertemente correlacionada. Las primeras solu-
se empiece a observar, esto se conoce como la ciones de este tipo pasaron por sencillas cade-
«falta de memoria» de la distribución exponencial. nas markovianas de pocos estados. En un proce-
so markoviano, la correlación viene dada por el
Esta propiedad también aparece en modelos de hecho de que el estado actual del sistema de-
tiempo discreto en los que, en cada ranura de pende exclusivamente del estado anterior. En
tiempo, la llegada de un paquete se da con pro- este grupo de procesos markovianos habría que
babilidad p, independientemente de otras ranu- incluir un modelo tan extendido como los pro-
ras. El número de llegadas en intervalos de n ra- cesos On-Off, aproximación simple y razonable
nuras es una variable binomial (n, p), mientras de las fuentes de datos y voz. Una fuente On-
que el número de ranuras N que toca esperar Off consta de dos estados. Durante el estado
hasta ver la llegada del próximo paquete es una On se emite tráfico a tasa constante mientras
variable geométrica que también carece de me- que durante el estado Off (período de silencio
moria (Alzate, Marco y Peña, Néstor). en el caso de la voz) la fuente permanece ocio-
sa. Los tiempos de permanencia en cada estado
Modelos de renovación en principio son exponenciales, aunque otras
distribuciones son posibles (procesos semimar-
Los procesos de renovación son una extensión kovianos).
de los modelos de tráfico sin memoria, en los
que los intervalos de tiempo entre llegadas de Otros modelos muy conocidos los constituyen
paquetes son independientes e idénticamente los procesos modulados por Markov, en especial
distribuidos, aunque no necesariamente el MMPP (Markov Modulated Poisson Process)
exponenciales o geométricos. de dos estados. De acuerdo con este modelo,
apropiado para modelar el agregado de fuentes
El tiempo que falta esperar hasta ver la llegada On-Off, la generación de tráfico evoluciona en-
del próximo paquete depende de hace cuánto tre dos estados con generación poissoniana, pero
tiempo llegó el último paquete. Aunque esta de tasa media distinta. Por el contrario, la nece-
memoria incrementa la complejidad analítica de sidad de definir una matriz con las probabilida-
los procesos generales de renovación con respec- des de conmutación entre estados hace que el
to a los procesos sin memoria, sigue siendo nula número de parámetros crezca geométricamente
la correlación entre los tiempos entre llegadas con el número de estados considerado. En ese
de paquetes consecutivos, lo cual hace que es- caso, y a costa de perder la mencionada
tos modelos sigan siendo analíticamente trata- tratabilidad, se puede recurrir a los filtros ARMA
bles para estudiar el desempeño de los elemen- (Auto Regresive Moving Average), en los que el
tos de la red (Alzate, Marco y Peña, Néstor). valor de la muestra actual X[n] se obtiene a par-
tir de Na valores anteriores de X[n] y Nb valores
Modelos de dependencia de un ruido blanco aleatorio w[n] denominado
a corto plazo proceso de innovación, del modo
Donde Na y Nb se corresponden con los órdenes autocorrelación para valores altos del retraso k.
de la parte AR y MA, respectivamente, y los co- Efectivamente, estos procesos se diseñan para
eficientes ai y bi son diseñados para imitar los ajustar las dependencias a corto plazo o SRD
primeros coeficientes de autocorrelación (Casilari (Short Range Dependence) y presentan indefec-
et al.). tiblemente una caída exponencial de la función
de autocorrelación (Casilari, A. et al.):
Los filtros ARMA (Procesos Autorregresivos de
Medias Móviles) son la unión del Proceso AR
5 ; N α H[S − N FXDQGR N → ∞
(Autorregresivo), el cual es un filtro todo polos y
cuya ecuación en diferencias que relaciona la
entrada y la salida es:
Modelos de dependencias
1D a largo plazo
[ Q + ∑ D L ⋅ [ Q − L = Z Q
L = Las LRD, que se reflejan estadísticamente en co-
eficientes de autocorrelación con un decaimien-
Proceso de MA (Medias Móviles), el cual es un to lento o hiperbólico, se asocian a la existencia
filtro todo ceros y cuya ecuación en diferencias
de una variabilidad del tráfico en una amplia gama
para la relación entrada-salida es: de escalas temporales que los modelos tradicio-
nalmente empleados no son capaces de recoger
1E
y que pueden tener consecuencias graves para
[ Q ¦
L
EL Z Q L
muchos esquemas de control, donde se supone
una escala "natural" y acotada, en donde se ma-
Los procesos ARMA son entonces un filtro lineal nifiesta el carácter rafagueante del tráfico.
que tiene polos y ceros finitos en el plano Z
Por su parte, esta variabilidad de la señal se liga
(Proakis, Jhon G. y Manolakis, D.).
a cierto grado de autosemejanza o fractalidad
Otro modelo autorregresivo es el modelo TES que ha permitido aplicar en este campo las con-
(Transform Expand Sample). Este modelo, además clusiones y la analítica desarrollada por
de invertir la función de distribución acumulativa Mandelbrot y otros autores que han estudiado
de los tiempos entre llegadas, consiste en gene- procesos fractales en otras ramas de la ciencia.
rar probabilidades de éstas mediante números Las LRD han venido a revolucionar, al menos par-
pseudoaleatorios correlacionados, opera con arit- cialmente, el ámbito del modelado de tráfico
mética módulo 1 y no es lineal. Por lo tanto, con telemático, ya que también se han detectado
este modelo se pueden ajustar la autocorrelación en otros tipos de tráfico: servicios Web, tráfico
de muestras reales de tráfico y la distribución IP, tráfico de video, tráfico de enlaces metropoli-
marginal de los tiempos entre llegadas (Alzate, tanos y de red de área extensa. El argumento
Marco y Peña, Néstor). habitualmente esgrimido para explicar las LRD
en series temporales es la existencia de una es-
En cualquier caso, los procesos markovianos y tructura multinivel de generación. Así, para justi-
los filtros ARMA, así como alguna otra solución ficar la LRD del tráfico Web se apela a la
más compleja que se podría englobar en este interacción del comportamiento del usuario (pre-
grupo, como los procesos TES, tienen en común ferencias por ciertos ficheros, tiempo de análisis
su incapacidad para aproximar la función de de páginas Web,...) con las políticas de caché de
126 Universidad Santo Tomás
9DU > [ DW @
9DU > [ W @ = varianza
D + H−[ W+
I %+ [ W =
+
π W
5 [ DW DV
5 [ W V = autocorrelación
D +
Hallazgos - Revista de Investigaciones 129
9DU> % + W − % + V @ = (> % + W − % + V @ = W−V
( > % K W − % + V @ = ( > % + W + % + V − % + W % + V @
( > % + W % + V @ =
(( % + W
>
@ +
( > % + V @ − ( > % + W − % + V
@ )
( > % + W % + V @ = (9DU > % + W @ + 9DU > % + V @ − 9DU > % + W − % + V @ )
( > % + W % + V @ =
+
W (+ V + − W − V
+
)
Nuevamente, con H=0.5 se reduce la autocorrelación a la de un proceso de movimiento browniano.
Para ver que el proceso FMB es autosimilar, se debe satisfacer las tres condiciones anteriores. Conside-
rando el proceso BH(at)=X(at)H, es fácil ver que E[BH(at)]=aH E[BH(at)]=0, lo que satisface la primera
condición [Stallings, W., 1998].
5 % + DW DV =
(
DW + + DV + − DW − DV
+
)
5 % + DW DV =
D + +
(
W + V + − W − V
+
)
5 % + DW DV = D + 5 % + W V
Considerando la correlación entre los incrementos desde -t hasta 0 y los incrementos desde 0 hasta t:
( [(% + − % + − W )(% + W − % + )] = ( [− % + − W % + W ]
130 Universidad Santo Tomás
( [(% + − % + − W )(% + W − % + )] = −
(W
−
+
+ W
+
− − W−W
+
)
( [(% + % + − W )(% + W − % + )] =
+ +
− W
− W
Para H=0.5, la correlación de los incrementos pasados y futuros desaparece, como se requiere para un
movimiento browniano que tiene incrementos independientes. Pero, para H>0.5, se tiene una carac-
terística apreciable de persistencia (Stallings, W., 1998).
Para una serie de tiempo estacionaria x, se considera el "proceso agregado" con nivel de agregación
m, X(m) obtenido del proceso original X mediante la siguiente suma normalizada:
NP
; N
P
=
P L
∑[
= NP − P −
L
Una forma de ver el proceso de agregación es como una técnica para compresión de la escala de
tiempo. Esto es, se hace una partición de X(t) en bloques no sobrelapados de tamaño m y se promedian
los valores de cada bloque. Se puede considerar X(t), ser la más alta manifestación o la mayor resolu-
ción posible para estas series de tiempo. Por ejemplo, el proceso X(3) es el proceso reducido en
magnificación por un factor de 3. Si las estadísticas del proceso (media, varianza, correlación, etc.) se
preservan con la compresión, entonces estamos tratando con un proceso autosimilar.
Para un proceso ergódico, el tiempo promedio puede ser igual al promedio total, y la varianza del
tiempo promedio puede ir a cero relativamente rápido a medida que m se vuelve más grande. Esto no
pasa para un proceso autosimilar; la varianza también va a cero, pero lo hace mucho más lentamente
que un proceso ergódico estacionario.
Un proceso X se dice que es exactamente autosimilar con parámetro ß (0<ß<1), si para todo m =1,2,...
se tiene:
9DU [
9DU [ P
varianza
PE
5[ P N 5[ N autocorrelación
El parámetro ß está relacionado con el parámetro de Hurst, definido como H=1-(ß/2). Para un proceso
estacionario ergódico, ß=1 y la varianza del tiempo promedio decaen a cero en una rata de 1/m. Para
un proceso autosimilar, la varianza del tiempo promedio decae más suavemente.
Hallazgos - Revista de Investigaciones 131
9DU [
9DU [ P =
varianza
Pβ
5 [ P N → 5[ N P→∞ autocorrelación
Con estas definiciones de autosemejanza, la autocorrelación del proceso agregado tiene la misma
forma que el proceso original. Esto sugiere que el grado de variabilidad o de ráfaga puede ser el
mismo a diferentes escalas.
Una interesante característica de la definición anterior es que la autocorrelación del proceso agregado
autosimilar no va a cero cuando m-> ∞ . Esto en contraste con los procesos estocásticos típicamente
usados para el modelo de paquetes de datos, que tiene la siguiente relación:
5 P τ →
P→∞
Una autocorrelación de la función R(τ), que es igual a cero, es consistente con el ruido blanco. En la
figura anterior se puede ver que a medida que el nivel de agregación incrementa (incrementa m) no
se tiene una estructura similar. Otra interesante característica es que la varianza x (m) decrece más
suavemente que 1/m cuando m-> ∞ ; esto es, que decrece proporcionalmente a 1/mß (Stallings, W.,
1998).
Una de las propiedades más significativas de los procesos autosimilares es referida a la dependencia
de rango largo. Esta propiedad es definida en términos de la conducta de la autocovarianza C( τ)
cuando τ incrementa.
Para muchos procesos, la autocovarianza decae rápidamente con τ. Por ejemplo, para un proceso de
Poisson con incremento L y media λ, la autocovarianza para valores de τ >L es:
& τ = 5 τ − λ = λ − λ =
N
& N aD N → ∞ < D <
Los tipos de modelos de tráfico típicamente utilizados en la literatura emplean sólo modelos de
dependencia de corto rango, usando la ecuación:
∞
∑ [
N=
N
=
− [
[ <
En contraste, un proceso de dependencia de rango largo tiene una autocovarianza que decae
hiperbólicamente:
−β
& N a N N → ∞ < β <
Donde β es el mismo parámetro definido anteriormente y que está relacionado con el parámetro de
Hurst (Stallings, W., 1998).
La dependencia de rango largo refleja la persistencia del fenómeno en procesos autosimilares (Stallings,
W., 1998). Hay diferencia conceptual entre autosimilitud y dependencia de rango largo. Hay procesos
autosimilares que no poseen dependencia de rango largo y viceversa. Sin embargo, bajo la restricción
0.5<H<1, existe una doble implicación entre autosimilitud y dependencia de rango largo; por eso,
muchas veces se usan como conceptos idénticos (Alzate, M., Marco Aurelio).
Densidad espectral
6 ω a γ
ω → <γ <
ω
Donde γ =1-β=2H-1. Esta divergencia de la densidad espectral de potencia cerca al origen indica una
importante contribución de los componentes de baja frecuencia.
∞ ∞
6 ω = ∑ 5 N H −
N = −∞
M Nω
6 = ∑ 5 N
N = −∞
En contraste, los procesos de dependencia de rango corto son caracterizados por una densidad espec-
tral finita cuando ω->0. Esto ocurre cuando γ = 0 ó, H=0.5 (Stallings, W., 1998).
Hallazgos - Revista de Investigaciones 133
Las distribuciones de cola pesada pueden ser usadas para caracterizar densidades de probabilidad que
describen el proceso de tráfico como paquetes a intervalos de tiempo y longitud de ráfagas.
− ) [ = 3U> ; > [@ a [ → ∞ <α
[α
En general, una variable aleatoria con distribución de cola pesada exhibe una alta varianza o incluso
infinita varianza.
La distribución de cola pesada más simple es la distribución de Pareto con parámetros k y a (k,a>0),
con una densidad y una función de distribución:
I [ = ) [ = [ ≤ N
α + α
α N N
I [ = ) [ = − [ > N α >
N [ [
α
(> [ @ = N α >
α −
El parámetro k especifica el mínimo valor que la ceso autorregresivo integrado de promedio mó-
variable aleatoria puede tener. El parámetro α viles (FARIMA).
determina la media y la varianza de la variable
aleatoria: si α ≤ , entonces la distribución tiene En particular, si d se encuentra en el intervalo
abierto (0,1/2), los procesos FARIMA poseen pro-
varianza infinita; y si α ≤ , tiene media y varianza
piedades LRD. Además de eso, poseen simultá-
infinitas.
neamente propiedades SRD debido a que se
La distribución de Pareto ha sido observada en pueden descomponer en un proceso ARMA y
una amplia variedad de fenómenos de las cien- otro FARIMA . El correspondiente proceso
cias sociales, físicas y de comunicaciones acumulativo es autosemejante con H=d+0.5
(Stallings, W., 1998). (Alzate, M. y Peña, N.).
Si la salida de un filtro ARMA se integra multi- El análisis Wavelet es un método eficaz para el
plicando su transformada Z con un integrador estudio de procesos autosemejantes, esto se
(1-z-1)d, donde d ∈ (-0.5, 0.5), se obtiene un pro- debe a que está orientado al estudio multirreso-
134 Universidad Santo Tomás
lución de señales, como la lectura de encefalo- Se pretende con este trabajo generar interés
gramas, con lo cual se puede analizar el com- en este tema, que es un área de estudio nue-
portamiento de la señal a diferentes escalas de va y que los ingenieros que se desempeñan
tiempo simultáneamente. en el área de las comunicaciones no pueden
dejar pasar.
Por medio de la transformada Wavelet se puede
transformar un proceso autosimilar con una es- Referencias
tructura de correlación compleja en una secuen-
cia de procesos gaussianos, independientes en- ALZATE, Marco y PEÑA, Néstor. Modelos de tráfi-
tre sí y no autocorrelacionados. co en análisis y control de redes de comunica-
ciones. Universidad Distrital-Universidad de Los
La ventaja que presenta la Transformada Wavelet Andes.
es que es posible hacer que la varianza de los
coeficientes Wavelet en cada escala conserven ALZATE MONROY, Marco Aurelio. «Introduccion
la información del grado de autosemejanza del al tráfico autosimilar redes de comunicaciones».
proceso, analizado todo esto por medio del pro- En: Revista Ingeniería. Universidad Distrital Fran-
cesamiento digital de señales multitasa. cisco José de Caldas, v.6, n.2, 2001.
Gracias a los procesos Wavelet, específicamente ARACIL, J. "Características del tráfico en la Internet
el Modelo Wavelet Multifractal (MWM), es posi- e implicaciones para el análisis y dimen-
ble hacer una sinterización de los procesos sionamiento de redes de ordenadores". En:
multifractales en el dominio de la escala (Alzate, Novática, n. 124, Noviembre/diciembre, 1996, pp.
M. y Peña, N.). 18-26.