Teori Antrian Antrian-Antrian Lain

Hendrawan hend@telecom.ee.itb.ac.id

Outline
Antrian Markovian lain (M/M/) Sistem antrian state-dependent M/M/1 Antrian M/M/1/K Antrian M/M/ Antrian M/M/m Antrian M/M/m/m Multi-channel call concentration Antrian M/G/1 Priority Queuing

State-Dependent M/M/1 Queues

Antrian standar M/M/1 mengasumsikan arrival rate dan departure rate konstan
Dlm bbrp sistem, arrival rate dan/atau departure rate dp tergantung dari jumlah pelanggan dlm sistem Sistem spt ini adalah state-dependent

State-Dependent M/M/1 Queues

State-Dependent M/M/1 Queues

Analisa menggunalan local balance equations

State-Dependent M/M/1 Queues

Hasil

State-Dependent M/M/1 Queues

Ukuran Performansi

Sistem Antrian Markov Lain

Sejumlah sistem antrian lain serupa dg antrian M/M/1
Proses kedatangan Poisson Waktu pelayanan Eksponensial

Sistem-sistem serupa
M/M/1/N : buffer terbatas dg kapasitas sistem N M/M/m : m server M/M/ : server tak terhingga (tdk ada antrian) M/M/m/m : m server tanpa antrian

Antrian M/M/1/N
Fitur dari antrian M/M/1/N
Proses kedatangan Poisson Waktu pelayanan eksponensial Single server Kapasitas terbatas utk N pelanggan dlm sistem

Antrian M/M/1/N
Markov chain model
Terminasi dg N dlm sistem Local balance equations menghasilkan

Antrian M/M/1/N
Solusi steady-state

Antrian M/M/1/N
Probabilitas blocking adalah ukuran performansi yg penting utk sistem dg kapasitas terbatas
Probabilitas blocking adalah probabilitas bhw pelanggan yg datang akan mendpkan sistem penuh, yaitu ada N pelanggan dlm sistem
Probabilitas blocking : pN Rate pelanggan yg ditolak : . pN

In-Class Excersise
Misalkan message tiba sesuai dg proses Poisson dg rate satu message setiap 4 ms, dan waktu transmisi message terdistribusi eksponensial dg mean 3 ms. Sistem memp. buffer utk kapasitas 4 message termasuk satu yg sedang dilayani (a) Berapa probabilitas blocking? (b) Brp jumlah rata-rata message dlm sistem?

Antrian M/M/
Antrian M/M/ adalah kasus khusus dari antrian M/M/m dg jumlah server yg tak terbatas (m = )
Tiap pelanggan yg datang ditempatkan dlm service Tdk ada delay antrian, hanya waktu pelayanan

Antrian M/M/
Probabilitas ada n pelanggan dlm sistem pn:

Valid utk 0 / , krn ada jumlah server yg tak terhingga

Antrian M/M/
Jumlah pelanggan dlm sistem utk antrian M/M/ terdistribusi Poisson dg parameter /
Jumlah pelanggan dalam sistem N = / Teorema Little memberikan rata-rata delay per pelanggan T = N/ = 1/
Ini sesuai dg yg diharapkan krn ini adalah waktu pelayanan dan tdk ada antrian

Antrian M/M/m
Identik dg antrian M/M/1 kecuali ada m server (atau m kanal) Sembarang pelanggan (paket) yg datang diteruskan ke sembarang server yg tersedia; jika tdk ada yg tersedia, pelanggan memasuki antrian tunggal

Antrian M/M/m
Menggunakan hasil dari sistem state-dependent, M/M/1, dg

Antrian M/M/m
Probabilitas n pelanggan dlm sistem, utk = /(m) < 1

Probabilitas 0 pelanggan dlm sistem (idle)

Antrian M/M/m
Berapa probabilitas paket yg datang akan mendapatkan m kanal sibuk?
Ini adalah probabilitas paket akan mengantri

Antrian M/M/m
Ekspetasi jumlah pelanggan dalam antrian, tetapi bukan dalam service

Antrian M/M/m
Littles law memberikan rata-rata waktu dlm antrian

Rata-rata delay per-pelanggan (antrian dan service)

Antrian M/M/m
Jumlah rata-rata pelanggan dlm sistem (menggunakan Littles law)

M/M/m Statistical Multiplexing

Perhatikan dua pilihan utk statistical multiplexing
Menggunakan kanal tunggal (spt didiskusikan sebelumnya) Share m kanal (cat. sembarang paket dp menggunakan sembarang kanal, jadi tdk betul-betul TDM atau FDM)

Asumsi
Kedangan Poisson dg rate overall Waktu pelayanan terdistribusi eksponensial
Rate m utk kasus kanal tunggal Rate utk tiap m kanal terpisah

Kasus kanal tunggal adalah antrian M/M/1, kasus m-kanal adalah antrian M/M/m

M/M/m Statistical Multiplexing

Kasus 1: kanal tunggal dg service rate m

Cat. PQ adalah probabilitas paket yg datang menemukan single server sibuk shg PQ,1 = = /m

M/M/m Statistical Multiplexing

Kasus 2: m-kanal, masing-masing dg service rate

M/M/m Statistical Multiplexing

Perhatikan sistem dg beban rendah

M/M/m Statistical Multiplexing

Perhatikan sistem dg beban tinggi

M/M/m/m
Antrian M/M/m/m dikenal sbg sistem rugi (loss) m- server

Ada m server (spt pd M/M/m) Antrian tdk dibolehkan, shg pelanggan yg datang saat semua server sibuk akan loss m terakhir pada notasi M/M/m/m menunjukan kapasitas sistem dibatasi m pelanggan

M/M/m/m
Contoh : Saluran transmisi pada jar circuit switch yg terdiri dari m circuit
m circuit adalah m server utk koneksi Waktu pelayanan 1/, adalah waktu pendudukan koneksi (hold time) Permintaan panggilan diluar m akan di-blocked (lost) Blocking adalah ukuran performansi yg penting

M/M/m/m
Analisa menggunakan hasil state-dependent M/M/1

M/M/m/m
Probabiliti n dlm sistem

Probabiliti 0 dlm sistem

M/M/m/m
Probabilitas blocking adalah probabilitas bahwa paket yg datang akan menemui semua server (circuit) sibuk dan krnnya akan lost Probabiltas blocking adalah pm, probabilitas semua m server sibuk

Dikenal sbg Erlang B Formula atau Erlang Loss Formula

Konsentrasi Panggilan Multi-Kanal

Konsentrasi Panggilan Multi-Kanal

Aplikasi circuit switched Konsentrasi panggilan-panggilan ke kanal highspeed
Dlm contoh, aplikasi memerlukan 1 atau 2 kanal B ISDN (64 Kbps utk tiap kanal B) Aplikasi-aplikasi dikonsentrasikan ke 1 kanal H0 ISDN (384 Kbps atau 6 kanal)

Asumsi kedatangan panggilan adalah Poisson dan durasi panggilan terdistribusi eksponensial

Konsentrasi Panggilan: Notasi

K : jumlah tipe panggilan berbeda (perlu jumlah basis kanal berbeda)
- Dlm contoh ini, K = 2

vL : jumlah kanal diperlukan utk panggilan tipe-L mL : jumlah panggilan membangkitkan panggilan tipe-L
- Dlm contoh ini v1 = 1, v2 =2

S : total jumlah kanal link akses

- Dlm contoh ini S = 6

-Dlm contoh ini, m1 = 8, m2 =4

Konsentrasi Panggilan: Notasi

L : rate kedatangan panggilan tipe-L dari tiap terminal L : rate service panggilan tipe-L utk tiap terminal

Konsentrasi Panggilan: Markov Chain

Kita dp menggambarkan masalah ini menggunakan two-dimensional Markov chain
State (a,b) merepresentasikan a panggilan tipe-1 (telepon), b panggilan tipe-2 (fax) sedang berlangsung saat ini Analisa mengikuti K. Miyake

Konsentrasi Panggilan: Markov Chain

Konsentrasi Panggilan: Markov Chain

Konsentrasi Panggilan: Markov Chain

Konsentrasi Panggilan: Balance Equations

Mis. kj probabilitas steady-state dari state (k,j) Mis. 00 = C Pertama lakukan horizontal

Konsentrasi Panggilan: Balance Equations

Sekarang lakukan vertikal ...

Konsentrasi Panggilan: Blocking

Probabilitas blocking utk tipe panggilan-L adalah probabilitas ada dlm state terminal utk tipe panggilan tsb
State terminal utk panggilan tipe-L adalah satu dimana jumlah kanal lainnya lebih kecil drpd vL

Konsentrasi Panggilan: Blocking

P[blocking] utk panggilan tipe-1 (telepon)

P[blocking] utk panggilan tipe-2 (fax)

Antrian M/G/1: Motivasi

Sistem M/M/ sangat mudah ditangani krn sifat memoryless dari waktu antar kedatangan dan waktu pelayanan Namun, waktu pelayanan eksponensial, mungkin bukan merupakan asumsi yg baik, misalnya ...
Waktu pelayanan adalah deterministik dlm jaringan ATM Ada batasan dlm ukuran paket

Asumsi kedatangan Poisson lebih krn karena agregasi aliran kedatangan

Antrian M/G/1: Motivasi

Antrian M/G/1, seperti antrian M/M/1, mempunyai proses kedatangan Poisson, tetapi memungkinkan distribusi yg general utk waktu pelayanan Tetap diasumsikan bhw waktu pelayanan
Identically distributed Mutually independent Waktu antar kedatangan independen

Antrian M/G/1 sbg Markov Chain?

Kita akan perlu mencakup cukup banyak informasi state shg transisi state masa depan hanya tergantung pd state saat ini (informasi state) Jumlah dlm sistem, N(t) saja tidak mencukupi
Waktu pelayanan tdk memoryless, shg kita perlu tahu juga berapa lama pelanggan saat ini telah dilayani - sebut itu s0(t)
perlu menggunakan pasangan state {n(t), s0(t)}

Antrian M/G/1 sbg Markov Chain?

Masalah signifikan mempengaruhi penanganan
State dua-dimensi

s0(t) adalah kontinyu, yaitu state space tdk lagi diskrit

Formula Pollaczeck-Khinchin (formula P-K) memberikan hasil utk antrian M/G/1
Analisa didasarkan pd residual service time

Antrian M/G/1 : Residual Service Time

Mis. s1, s2, adalah deretan service time iid dlm sistem M/G/1
Jika pelanggan yg datang mendpkan server sibuk, residual service time adalah waktu sisa dr service time dari pelanggan yg sekarang dlm pelayanan

E[R] =

E[s2] 2E[s]

Bukti lihat textbook Probability & Random Processes

Analisa M/G/1
Mis E[Q] waktu utk menunggu service pd M/G/1 Jika service FIFO, dan R residual service time pelanggan yg ada dlm service (jika ada), maka: E[Q] = E[R] + E[Nq(t)].E[s] E[Q] = E[R] + . E[Q] .E[s] = E[R] + E[Q] (*)

E[R] = 0.P[N(t)=0] + E[R].(1 P[N(t) = 0])

=(E[s2]/2E[s]). .E[s] = .E[s2]/2 ... (**) Dari (*) dan (**) E[Q] =

.E[s2] 2.(1 - )

Formula P-K

In-Class Exercise
Berapakah mean residual service time dr sistem dg service time exponential dg mean m? E[s] = m E[s2] = 2m2 E[Rexp] = 2m2/2m = m
Berapakah mean residual service time dari sistem dg service time konstan m? E[s] = m E[s2] = m2 E[Rkonst] = m2/2m = m/2

Antrian M/G/1: Formula P-K

Mis. Xi adalah service time dari pelanggan ke-i, contohnya waktu transmisi dari paket ke-i
{X1, X2, } adalah iid random variables dan independen thd waktu kedatangan
Service time rata-rata

Moment ke-2 dari service time

Antrian M/G/1: Formula P-K

Formula P-K memberikan waktu tunggu dlm antrian M/G/1

dimana adalah utilisasi

Cat. Hanya momen ke-1 dan ke-2 dari distribusi service time harus diketahui!

Antrian M/G/1: Hasil

Ekspektasi waktu total dlm sistem, dlm antrian dan service adalah

Formula P-K dan Littles law memberikan jumlah pelanggan dlm antrian NQ

Antrian M/G/1: Hasil

Jumlah pelanggan dlm sistem N, dp juga diturunkan menggunakan Littles law

Antrian M/G/1: Kasus Khusus

Antrian M/M/1 mempunyai distribusi service time eksponensial

Antrian M/G/1: Kasus Khusus

Antrian M/D/1 mempunyai service time deterministik, yaitu X1, X2, Xi = 1/

In-Class Exercise
Perhatikan dua sistem mempunyai kedatangan Poisson dan service time iid. Kedua sistem mempunyai laju kedatangan dan rata-rata service time yg sama. Satu sistem mempunyai distribusi service time eksponensial. Sistem yg lain mempunyai service time yg konstan.
Antrian mana yg lebih panjang? Dg faktor berapa?

M/G/1 : Delay pd Go-Back N ARQ

Perhatikan skim Go-Back-N ARQ
Paket tiba di sumber sesuai dg proses Poisson dg laju Setiap frame memerlukan 1 unit waktu utk transmit, tetapi bbrp paket harus mengalami retransmisi shg service time efektif lebih besar dari 1 unit waktu Sumber harus menunggu paling lama n-1 frame (n-1 unit waktu) sebelum retransmisi paket (dan paket-paket berurutannya)

M/G/1 : Delay pd Go-Back N ARQ

Retransmisi paket terjadi disebabkan oleh salah satu dari dua alasan
Paket dari frame i di penerima di tolak krn error
Sumber pertama-tama akan mengirimkan paket-paket baru dlm frame i+1, i+2, i+n-1 (jika ada) Paket yg mengalami error akan diretransmisikan dlm frame i+n

Acknowledgemnet tdk diterima sumber pd saat selesai transmisi frame i+n-1

bisa disebabkan krn error, delay propagasi yg panjang, ...

M/G/1 : Delay pd Go-Back N ARQ

Utk menyederhanakan masalah
Hanya error pd arah maju (sumber ke tujuan) yg diperhitungkan (tdk realistik!) Frame mengalami error dg probabilitas p independen thd frame-frame lain

Service time utk paket

Dg probabilitas (1 - p), tdk ada error dan service time utk paket 1 unit waktu Dg probabilitas (1 - p)p, ada satu error diikuti retraansmisi yg sukses, shg service time adalah 1+n unit waktu Dg probabilitas (1 - p)pk, service adalah 1 + kn

M/G/1 : Delay pd Go-Back N ARQ

Contoh
Service time dari paket 1: X1 = 1 + n Service time dari paket 2: X2 = 1 Service time dari paket 3: X3 = 1 + kn

M/G/1 : Delay pd Go-Back N ARQ

Antrian pd sumber mempunyai kelakuan spt antrian M/G/1
Kedatangan Poisson dg rate Distribusi dari service time:

Service time adalah iid Service time dan interarrival time adalah independen

M/G/1 : Delay pd Go-Back N ARQ

M/G/1 : Delay pd Go-Back N ARQ

Service time, moment pertama

M/G/1 : Delay pd Go-Back N ARQ

Service time, moment kedua

M/G/1 : Delay pd Go-Back N ARQ

Hasil dg formula P-K

M/G/1 : Delay pd Go-Back N ARQ

Antrian M/G/1 dg Prioritas

Pertimbangkan pelanggan dg prioritas Non-preemptive: prioritas mempengaruhi pelanggan berikutnya yg akan dilayani, tetapi pelanggan yg sedang dilayani akan tetap dilayani dlm service sampai selesai

Antrian M/G/1 dg Prioritas: Model

K kelas prioritas pelanggan
Pelanggan tipe-k tiba sesuai dg proses Poisson dg laju k dan memp. service time dg pdf fs,k(x) dan mean E[sk] Antrian terpisah utk tiap prioritas, jika server menjadi tersedia, maka akan memilih dari antrian prioritas tertinggi yg tdk kosong Non-preemptive operation

Antrian M/G/1 dg Prioritas: Utilisasi

Utilisasi server utk pelanggan tipe-k

Utilisasi total

Antrian M/G/1 dg Prioritas: Utilisasi

Ekspektasi waktu dlm antrian utk pelanggan tipe-k

Ekspektasi waktu dlm sistem utk pelanggan tipe-k

In-Class Exercise
Suatu komputer menangani dua tipe job. Job tipe 1 memerlukan waktu layanan konstan 1 ms, dan job tipe 2 memerlukan waktu layanan yg terdistribusi secara eksponensial dg waktu rata-rata 10 ms. Cari rata-rata waktu tunggu jika sistem beroperasi sbb: a. Sistem M/G/1 biasa b. Sistem M/G/1 dg 2 prioritas dimana prioritas utama diberikan pd job tipe 1 (asumsi laju kedatangan kedua job Poisson dg laju sama).