Anda di halaman 1dari 123

Universidade Federal de Gois

Escola de Engenharia Eltrica, Mecnica e de Computao


Programa de Mestrado em Engenharia Eltrica e de Computao

Anlise de Desempenho de Sistemas de


Comunicao OFDM-TDMA Utilizando
Cadeias de Markov e Curva de Servio

Victor Hugo Teles Costa

rea de Concentrao: Engenharia de Computao


Orientador: Prof. Dr. Flvio Henrique Teles Vieira

Goinia GO
Novembro / 2013
Victor Hugo Teles Costa

Anlise de Desempenho de Sistemas de Comunicao


OFDM-TDMA Utilizando Cadeias de Markov e Curva de
Servio

Dissertao apresentada ao Programa de


Ps-Graduao Strictu Sensu da Escola de
Engenharia Eltrica, Mecnica e de Compu-
tao da Universidade Federal de Gois com
vistas obteno do ttulo de Mestre em En-
genharia Eltrica e de Computao.

Engenharia de Computao
Escola de Engenharia Eltrica, Mecnica e de Computao
Universidade Federal de Gois

Orientador: Prof. Dr. Flvio Henrique Teles Vieira

Goinia GO
Novembro / 2013
Dados Internacionais de Catalogao na Publicao (CIP)
GPT/BC/UFG

Costa, Victor Hugo Teles.


C837a Anlise de desempenho de sistemas de comunicao OFDM-
TDMA utilizando cadeias de Markov e curva de servio
[manuscrito] / Victor Hugo Teles Costa. 2013.
121 f. : il., figs., grafs., tabs.

Orientador: Prof. Dr. Flvio Henrique Teles Vieira.


Dissertao (Mestrado) Universidade Federal de Gois,
Escola de Engenharia Eltrica, Mecnica e de Computao, 2013.
Bibliografia.
Inclui lista de figuras, tabelas, abreviaturas e siglas.

1. Teoria de filas. 2. Sistemas de comunicao sem fio. 3.


Mtodo de Kernel. 4. Curva de servio. I. Ttulo.

CDU: 004.7:621.39
Este trabalho dedicado a meus avs, que, em sua simplicidade,
muito me ensinaram, e minha namorada, Debbie, que, independente das
circustncias, sempre esteve ao meu lado.
Agradecimentos

com grande satisfao que me encontro no final de mais uma etapa de minha
vida. Foram dois anos de muito esforo e, graas a Deus, muitos desafios foram vencidos.
Agradeo imensamente minha famlia pelo suporte que sempre me deu. Sou
eternamente grato aos meus pais, que lutaram pela minha educao e sade mesmo nos
momentos em que no dispnhamos de muitos recursos. As oportunidades que tive na
vida se devem ao suor deles. Agradeo minha me pela infinita pacincia e amor que
demonstrou ao longo de minha vida. Seu consolo e carinho muitas vezes me reergueram
para seguir meu caminho. Agradeo aos meus avs que, na sua simplicidade, me ensinaram
a humildade e o valor das pessoas. Sou grato por sempre me acolherem com muita alegria.
Tambm agradeo minha namorada e querida companheira, que h anos est ao
meu lado e, junto minha famlia, integra meu alicerce.
Muito obrigado ao meu orientador, Professor Dr. Flvio Vieira, por todo o apoio
e experincia compartilhada e tambm por ter me possibilitado novas oportunidades de
crescimento profissional desde que nos conhecemos.
Resumo
Este trabalho apresenta um modelo baseado em Cadeias de Markov e apri-
morado com o uso do mtodo de Kernel de estimao no-paramtrica e de MMFM
(Markov Modulated Fluid Model) com o objetivo de avaliar e descrever o desempenho
do enlace de transmisso em sistemas OFDM-TDMA. Para tal, modelos de trfego
baseados no Mtodo de Kernel e em MMFM com ajuste da funo de autocorrelao
so propostos. A partir do modelo implementado para o sistema OFDM-TDMA,
foram obtidas equaes para estimao de parmetros de QoS como retardo e tama-
nho mdio da fila no buffer. Os resultados obtidos confirmam que o modelo proposto
bastante eficiente ao descrever os indicadores de desempenho do sistema. O uso de
MMFM para modelar o processo de chegada de pacotes aprimora os estimadores de
parmetros de QoS tornando as estimativas bem prximas dos valores obtidos com
as simulaes. Tambm deduziu-se uma equao para a curva de servio de Sistemas
OFDM-TDMA. Em seguida, utilizando-se desta curva de servio e do conceito de
Processo Envelope foi proposta uma equao para estimao de probabilidade de
transbordo do buffer em sistemas OFDM-TDMA. Os resultados obtidos mostram
que as estimativas de probabilidade de transbordo baseadas na curva de servio do
sistema se aproximam bem dos resultados da simulao e a complexidade computa-
cional do clculo necessrio para obt-los significativamente reduzida em relao
ao modelo definido utilizando Cadeias de Markov.

Palavras-chaves: Teoria de Filas. Sistemas de Comunicao Sem Fio. OFDM-


TDMA. Mtodo de Kernel. MMFM. Processo Envelope. Curva de Servio. QoS.
Abstract
This paper presents a model based on Markov Chains and enhanced with
the use of Kernel Density Estimation and of MMFM (Markov Modulated Fluid
Model) in order to evaluate the performance of the transmission link in OFDM-
TDMA systems. For that purpose, traffic models based on the Kernel method and
the MMFM with adjusted autocorrelation function are proposed. From the model
implemented for the OFDM-TDMA system, it was derived equations for estima-
tion of QoS parameters such as delay and average queue size in the buffer. The
obtained results confirm that the proposed model is efficient in describing the link
performance indicators. The use of MMFM to model the arrival process improves
the QoS parameter estimates of the queueing model making their values very close
to those of the simulation results. It was also developed an equation to the OFDM-
TDMA systems service curve. Through this equation and the concept of Envelope
Process, it was proposed an equation to estimate the probability of buffer overflow
in OFDM-TDMA systems. The results show that the estimates of the overflow pro-
bability based on the systems service curve are very close to the ones obtained by
simulations and that the computational complexity to obtain them is significantly
reduced compared to the model based on Markov Chains due to the absence of
matrix computation.

Key-words: Queueing Analysis. Wireless Systems. OFDM-TDMA. Kernel Density


Estimation. MMFM. Envelope Process. Service Curve. QoS.
Lista de ilustraes

Figura 1 Ilustrao de uma subportadora nos domnios do tempo e da frequncia 24


Figura 2 Subportadoras ortogonais sobrepostas . . . . . . . . . . . . . . . . . . 25
Figura 3 Estrutura da Transmisso OFDM . . . . . . . . . . . . . . . . . . . . . 25
Figura 4 Cenrio da transmisso da informao 1101011000 utilizando modula-
o BPSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 5 Diagrama de Constelao da modulao QPSK . . . . . . . . . . . . . 28
Figura 6 Diagrama de Constelao da modulao 16-QAM . . . . . . . . . . . . 29
Figura 7 Diviso das Subportadoras em Subcanais na transmisso OFDMA . . . 30
Figura 8 Diviso do Acesso ao Canal OFDM pelo Tempo . . . . . . . . . . . . . 31

Figura 9 Componentes Gerais de um Sistema de Fila . . . . . . . . . . . . . . . 32

Figura 10 Densidade de probabilidade para diferentes valores de . . . . . . . . . 39


Figura 11 Polgono composto de cpias repetidas de um pentagrama (LAUWE-
RIER, 1991) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 12 Processo de construo da cascata binomial (VIEIRA; LING, 2008) . . 49
Figura 13 Nmero de pacotes que chegam em cada frame considerando a srie
voip-call-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 14 Nmero de pacotes que chegam em cada frame considerando a srie
dec-pkt-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 15 Nmero de pacotes que chegam em cada frame considerando a srie
new-zealand-isp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 16 Funo densidade de probabilidade que descreve a srie voip-call-1 . . 54
Figura 17 Funo de probabilidade acumulada que descreve a srie voip-call-1 . . 55
Figura 18 Funo densidade de probabilidade que descreve a srie dec-pkt-1 . . . 55
Figura 19 Funo de probabilidade acumulada que descreve a srie dec-pkt-1 . . . 56
Figura 20 Funo densidade de probabilidade que descreve a srie new-zealand-isp 56
Figura 21 Funo de probabilidade acumulada que descreve a srie new-zealand-isp 57
Figura 22 Taxa de fluxo de pacotes da srie voip-call-1 . . . . . . . . . . . . . . . 58
Figura 23 Taxa de fluxo de pacotes da srie dec-pkt-1 . . . . . . . . . . . . . . . . 59
Figura 24 Taxa de fluxo de pacotes da srie new-zealand-isp . . . . . . . . . . . . 60
Figura 25 Funo de autocorrelao da srie voip-call-1 . . . . . . . . . . . . . . 62
Figura 26 Funo de autocorrelao da srie dec-pkt-1 . . . . . . . . . . . . . . . 63
Figura 27 Funo de autocorrelao da srie new-zealand-isp . . . . . . . . . . . . 63
Figura 28 Cenrio do sistema considerado: uma Estao Base conectada a vrias
Estaes Assinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Figura 29 Modelo da Transmisso OFDM-TDMA . . . . . . . . . . . . . . . . . . 65
Figura 30 Funo massa de probabilidade da taxa de transmisso total para di-
ferentes valores de SNR no Cenrio 1 . . . . . . . . . . . . . . . . . . . 74
Figura 31 Funo massa de probabilidade da taxa de transmisso total para di-
ferentes valores de SNR no Cenrio 2 . . . . . . . . . . . . . . . . . . . 74
Figura 32 Funo massa de probabilidade da taxa de transmisso total para di-
ferentes valores de SNR no Cenrio 3 . . . . . . . . . . . . . . . . . . . 75
Figura 33 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Figura 34 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Figura 35 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Figura 36 Probabilidade da fila do usurio se encontrar em cada estado possvel
obtida a partir de simulao do Cenrio 1 . . . . . . . . . . . . . . . . 80
Figura 37 Probabilidade da fila do usurio se encontrar em cada estado possvel
obtida a partir de simulao do Cenrio 2 . . . . . . . . . . . . . . . . 80
Figura 38 Probabilidade da fila do usurio se encontrar em cada estado possvel
obtida a partir de simulao do Cenrio 3 . . . . . . . . . . . . . . . . 81
Figura 39 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 1 para SNR = 8 dB . . . . . . . . . . . . . . . . . . . . . . 82
Figura 40 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 1 para SNR = 12 dB . . . . . . . . . . . . . . . . . . . . . 83
Figura 41 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 1 para SNR = 16 dB . . . . . . . . . . . . . . . . . . . . . 84
Figura 42 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 2 para SNR = 8 dB . . . . . . . . . . . . . . . . . . . . . . 85
Figura 43 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 2 para SNR = 12 dB . . . . . . . . . . . . . . . . . . . . . 86
Figura 44 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 2 para SNR = 16 dB . . . . . . . . . . . . . . . . . . . . . 87
Figura 45 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 3 para SNR = 8 dB . . . . . . . . . . . . . . . . . . . . . . 88
Figura 46 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 3 para SNR = 12 dB . . . . . . . . . . . . . . . . . . . . . 89
Figura 47 Probabilidade da fila do usurio se encontrar em cada estado possvel
no Cenrio 3 para SNR = 16 dB . . . . . . . . . . . . . . . . . . . . . 90
Figura 48 Probabilidade do buffer se encontrar vazio no Cenrio 1 . . . . . . . . 91
Figura 49 Probabilidade do buffer se encontrar vazio no Cenrio 2 . . . . . . . . 91
Figura 50 Probabilidade do buffer se encontrar vazio no Cenrio 3 . . . . . . . . 92
Figura 51 Probabilidade do buffer se encontrar cheio no Cenrio 1 . . . . . . . . 92
Figura 52 Probabilidade do buffer se encontrar cheio no Cenrio 2 . . . . . . . . 93
Figura 53 Probabilidade do buffer se encontrar cheio no Cenrio 3 . . . . . . . . 93
Figura 54 Tamanho mdio da fila no Cenrio 1 . . . . . . . . . . . . . . . . . . . 94
Figura 55 Tamanho mdio da fila no Cenrio 2 . . . . . . . . . . . . . . . . . . . 94
Figura 56 Tamanho mdio da fila no Cenrio 3 . . . . . . . . . . . . . . . . . . . 95
Figura 57 Atraso mdio dos pacotes transmitidos no Cenrio 1 . . . . . . . . . . 95
Figura 58 Atraso mdio dos pacotes transmitidos no Cenrio 2 . . . . . . . . . . 96
Figura 59 Atraso mdio dos pacotes transmitidos no Cenrio 3 . . . . . . . . . . 96
Figura 60 Probabilidade de transbordo do buffer no Cenrio 1 . . . . . . . . . . . 97
Figura 61 Probabilidade de transbordo do buffer no Cenrio 2 . . . . . . . . . . . 97
Figura 62 Probabilidade de transbordo do buffer no Cenrio 3 . . . . . . . . . . . 98

Figura 63 A resposta ao impulso da concatenao de dois circuito linear (a)


a convoluo da resposta ao impulso individual, a curva de formao
da concatenao de dois reguladores (b) a convoluo das curvas
individuais modeladas (BOUDEC; THIRAN, 2001) . . . . . . . . . . . 100
Figura 64 Exemplos de funes de entradas e sadas (BOUDEC; THIRAN, 2001) 102
Figura 65 Exemplo de restrio por curva de chegada, demonstrando um efeito
cumulativo da funo R(t) limitado pela curva de chegada (t) . . . . 104
Figura 66 Curva de servio do usurio 1 . . . . . . . . . . . . . . . . . . . . . . . 108
Figura 67 Curva de servio do usurio 1 no cenrio considerado do sistema OFDM-
TDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Figura 68 Probabilidade de transbordo do buffer do usurio no cenrio conside-
rado do sistema OFDM-TDMA . . . . . . . . . . . . . . . . . . . . . . 111
Figura 69 Probabilidade de transbordo do buffer no Cenrio 1 . . . . . . . . . . . 112
Figura 70 Probabilidade de transbordo do buffer no Cenrio 2 . . . . . . . . . . . 113
Figura 71 Probabilidade de transbordo do buffer no Cenrio 3 . . . . . . . . . . . 113
Figura 72 Probabilidade de transbordo do buffer no Cenrio 4 . . . . . . . . . . . 114
Figura 73 Probabilidade de transbordo do buffer no Cenrio 5 . . . . . . . . . . . 114
Lista de tabelas

Tabela 1 Modulao BPSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27


Tabela 2 Modulao QPSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Tabela 3 Parmetros estatsticos - Srie voip-call-1 . . . . . . . . . . . . . . . . 61


Tabela 4 Parmetros estatsticos - Srie dec-pkt-1 . . . . . . . . . . . . . . . . . 61
Tabela 5 Parmetros estatsticos - Srie new-zealand-isp . . . . . . . . . . . . . . 62

Tabela 6 Cenrios do sistema OFDM-TDMA considerados . . . . . . . . . . . . 73

Tabela 7 Cenrios do sistema OFDM-TDMA considerados . . . . . . . . . . . . 112


Lista de abreviaturas e siglas

AWMM Adaptive Wavelet Based Multifractal Model

BER Probabilidade de Erro de Bit (Bit Error Rate)

BPSK Binary Phase Shift Keying

CDMA Code Division Multiple Access

CGMD Cascade with Generalized Multiplier Distributions

fBm fractional Brownian motion

FDD Frequency Division Duplex

FFT Fast Fourier Transform

ISP Internet Service Provider

LRD Long Range Dependency

LTE Long-Term Evolution

MAN Metropolitan Area Network

mBm multifractional Brownian motion

MIT Massachusetts Institute of Technology

MMFM Markov Modulated Fluid Model

MWM Multifractal Wavelet Model

OFDM Orthogonal Frequency Division Multiplexing

OFDMA Orthogonal Frequency Division Multiple Access

PSK Phase Shift Keying

QAM Quadrature Amplitude Modulation

QoS Quality of Service

QPSK Quadrature Phase Shift Keying


RF Radiofrequncia

SNR Relao Sinal-Rudo (Signal-to-Noise Ratio)

TDD Time Division Duplex

TDMA Time Division Multiple Access

WAN Wide Area Network

WiMAX Worldwide Interoperability for Microwave Access

WLAN Wireless Local Area Network

WMAN Wireless Metropolitan Area Network


Lista de smbolos

A(t) Quantidade acumulada de pacotes que chegam ao buffer no intervalo


[0, t)

b Nmero mdio de pacotes na fila do usurio (backlog)

B Largura de banda do canal de transmisso

C Nvel de modulao mximo

cm,n (t) Nvel de modulao de um smbolo OFDM transmitido em t por uma


subportadora m para o usurio n

d Atraso mdio de um pacote (delay)

f Largura de banda de cada subportadora

f (v) Funo densidade de probabilidade que descreve o processo de chegada


de pacotes do usurio

F (v) Funo distribuio de probabilidade acumulada que descreve o pro-


cesso de chegada de pacotes do usurio

fS Frequncia de amostragem

m,n (t) SNR instantnea num smbolo OFDM transmitido em t por uma sub-
portadora m para o usurio n

H Parmetro de Hurst

H(t) Expoente de Hlder

Kr Processo estocstico que define a srie de trfego agregada na escala de


tempo r

L Tamanho mdio dos pacotes

Nmero mdio de pacotes que chegam por frame por usurio

P Matriz de probabilidade de transio da Cadeia de Markov

Pber Probabilidade de erro de bit


P cm,n (c) Probabilidade de uma subportadora m utilizar um nvel de modulao
c na transmisso para o usurio n

pi,j Probabilidade de transio da Cadeia de Markov do estado i para o


estado j

i Probabilidade de o sistema se encontrar no estado i da Cadeia de Mar-


kov em regime permanente

Vetor das probabilidades de o sistema se encontrar em cada estado


possvel da Cadeia de Markov em regime permanente

i (n) Probabilidade de o sistema se encontrar no estado i da Cadeia de Mar-


kov no tempo n

(n) Vetor das probabilidades de o sistema se encontrar em cada estado


possvel da Cadeia de Markov no tempo n

(x) Probabilidade de o buffer do usurio conter x pacotes

P rm,n (rm ) Probabilidade de uma subportadora m transmitir com taxa rm para o


usurio n

Ptransb Probabilidade de transbordo do buffer de um usurio

Q(t) Quantidade total de trfego armazenado no buffer no intervalo [0, t)

M Nmero de subportadoras do canal OFDM

N Nmero de usurios

NF F T Nmero de subportadoras do canal OFDM

R Nmero mximo de pacotes transmitidos durante um frame

r(c) Nmero de pacotes transmitidos durante um frame por subportadora

rm Taxa de transmisso de pacotes numa subportadora m

rm,n Funo massa de probabilidade da taxa de transmisso de pacotes por


uma subportadora m para o usurio n

Rn Funo massa de probabilidade da taxa de transmisso total de pacotes


para o usurio n

S(t) Curva de servio do sistema de transmisso

Sn (t) Curva de servio do sistema de transmisso para o usurio n


T Durao de um frame OFDM

U Matriz de probabilidade de transio que representa o escalonamento


round-robin

V Nmero mximo de pacotes que podem entrar na fila de transmisso


durante um frame

X Tamanho do buffer do usurio


Artigos Publicados

1. Vieira, F. H. T.; Costa, V. H. T.; Gonalves, B. H. P. Neural Network Based Ap-


proaches for Network Traffic Prediction. In: Xin-She Yang. Artificial Intelligence,
Evolutionary Computing and Metaheuristics: In the Footsteps of Alan Turing. Hei-
delberg: Springer, 2013.

2. Vasques, T. L. V.; Vieira, F. H. T.; Gonalves, B. H. P.; Costa, V. H. T.; Arajo,


S. G. Modelo Baseado em Cadeias de Markov para Estimao de Vazo em Redes
PLC Homeplug. In: MOMAG 2012, Joo Pessoa, 2012.

3. Vieira, F. H. T.; Santos Jnior, J. A.; Costa, V. H. T. Aplicao de Clculo de Rede


para Estimao de Retardo e Tamanho Mdio da Fila em Sistemas OFDM-TDMA
com Policiamento de Trfego. In: MOMAG 2012, Joo Pessoa, 2012.

4. De Sousa, M. A.; Vieira, F. H. T.; Carlson, C. M. F.; Gonalves, B. H. P.; Costa, V.


H. T. Sistema de Apoio Deciso MILP-Fuzzy para o Planejamento de Redes de
Acesso em Telecomunicaes. In: Rodrigues, L. C. de A.; Steiner, M. T. A.; Lopes,
H. S. Metaheursticas em Pesquisa Operacional. Omnipax, 2012.

5. Costa, V. H. T.; Deus Jnior, G. A. Sistemas de Comunicaes Sem Fio: LTE. In:
III Seminrio de Pesquisa - IX Conpeex: Congresso de Pesquisa, Ensino e Extenso
- UFG, Goinia, 2012.

6. Costa, V. H. T.; Vieira, F. H. T.; Souza, G. B. de C. Performance Modeling and


Analysis of OFDM-TDMA-based Wireless Systems Based on Queueing Theory. In:
International Workshop on Telecommunications, Santa Rita do Sapuca, 2013.

7. Costa, V. H. T.; Fernandes, J.; Gonalves, B. H. P.; Vieira, F. H. T.; Alves, L.


Estimao do tempo mdio de resposta do servidor em plataformas de ensino a
distncia do tipo cliente-servidor utilizando modelo baseado em teoria de filas. In:
X Encontro Anual de Computao. 2013.

8. Gonalves, B. H. P.; Vieira, F. H. T.; Costa, V. H. T. Modelagem multifractal


betamwm adaptativa para trfego de redes de computadores. In: X Encontro Anual
de Computao. 2013.

9. Costa, V. H. T.; Vieira, F. H. T.; Gonalves, B. H. P. Modelagem e Anlise De


Desempenho De Sistemas De Comunicao OFDM-TDMA Baseadas Em Teoria De
Fila. In: XXXI Simpsio Brasileiro de Telecomunicaes, Fortaleza, 2013.
10. Sousa, M. A. de; Souza, F.; Vieira, F. H. T.; Costa, V. H. T.; Campos, E. Interco-
nexo De ERBs Em Um SMC - Um MILP Para Alocao e Dimensionamento De
Enlaces SDH. In: XXXI Simpsio Brasileiro de Telecomunicaes, Fortaleza, 2013.

11. Gonalves, B. H. P.; Vieira, F. H. T.; Costa, V. H. T. Alocao Dinmica De Slots


De Tempo Multiusurio Para Redes OFDM-TDMA Baseada Em Banda Efetiva. In:
XXXI Simpsio Brasileiro de Telecomunicaes, Fortaleza, 2013.

12. Costa, V. H. T.; Vieira, F. H. T. Anlise De Desempenho de Sistemas de Comunica-


o OFDM-TDMA Utilizando Teoria de Filas e Mtodo de Kernel. In: X Seminrio
de Ps-Graduao - X Conpeex: Congresso de Pesquisa, Ensino e Extenso - UFG,
Goinia, 2013.
Sumrio

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Anlise de Desempenho Baseada em Teoria de Filas . . . . . . . . . . . . . . . . 23

1 Sistemas OFDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1 Modulao Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.1.1 Modulao PSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.1.2 Modulao QAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.2 Tcnicas de Acesso Mltiplo . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.2.1 OFDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.2.2 OFDM-TDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2 Teoria de Filas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Processos Estocsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.1 Processo Estacionrio . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.2 Processo Markoviano . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.3 Processo de Quase Nascimento e Morte . . . . . . . . . . . . . . . . 33
2.2 Cadeia de Markov em Tempo Discreto . . . . . . . . . . . . . . . . . . . . 34
2.2.1 Comportamento do Sistema em Estado Transiente . . . . . . . . . . 35
2.2.2 Comportamento do Sistema em Estado Estacionrio . . . . . . . . . 35

3 Modelagem de Fluxos de Trfego de Redes de Computadores . . . . . . . . 37


3.1 Modelo de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Mtodo de Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Markov Modulated Fluid Model . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4 Modelo Movimento Browniano Fractal (fBm) . . . . . . . . . . . . . . . . . 43
3.4.1 Parmetro de Hurst . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Funo de Autocorrelao . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Processos Multifractais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 Modelo Movimento Browniano Multifractal (mBm) . . . . . . . . . . . . . 47
3.6.1 Expoente de Hlder e o Modelo mBm . . . . . . . . . . . . . . . . . 48
3.7 Modelo Cascatas Multiplicativas . . . . . . . . . . . . . . . . . . . . . . . . 49
3.8 Modelo MWM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.9 Modelo AWMM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.10 Modelo CGMD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.11 Simulaes e Resultados: Avaliao dos Modelos de Trfego . . . . . . . . . 52
4 Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de
Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1 Modelo do Sistema OFDM-TDMA . . . . . . . . . . . . . . . . . . . . . . 64
4.2 Transmisso OFDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3 Formulao do Modelo baseado em Cadeias de Markov para o Sistema de
Filas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4 Estimao de Parmetros de QoS . . . . . . . . . . . . . . . . . . . . . . . 71
4.5 Simulaes e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

5 Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-


TDMA Utilizando Curva de Servio Baseada em Clculo de Rede . . . . . 99
5.1 Clculo de Rede Determinstico . . . . . . . . . . . . . . . . . . . . . . . . 99
5.1.1 Funes Cumulativas a Tempo Discreto Versus Modelos de Tempo
Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.1.2 Processo Envelope . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.1.3 Curvas de Servio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 Probabilidade de Transbordo do Buffer Utilizando Processo Envelope . . . 106
5.3 Curva de Servio Aplicada ao Clculo da Probabilidade de Transbordo em
Sistemas OFDM-TDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.4 Simulaes e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
21

Introduo

Desde 1897, quando Guglielmo Marconi primeiramente demonstrou a utilidade do


rdio na comunicao com navios, os mtodos de comunicao sem fio vm se desenvol-
vendo acentuadamente, com destaque para as ltimas duas dcadas devido ao grande
desenvolvimento de sistemas de comunicaes mveis.
Particularmente, os sistemas de comunicaes mveis demoraram para se espalha-
rem entre a populao em geral, pois no havia tecnologia prpria para o uso intensivo por
vrios usurios simultaneamente e nem tecnologia acessvel que possibilitava a mobilidade
dos dispositivos envolvidos. Foi a criao do conceito de telefonia celular, envolvendo reuso
de frequncia e handoff, pelo Laboratrio Bell, nas dcadas de 60 e 70, em conjunto com o
desenvolvimento de hardware portvel de radiofrequncia (RF), que possibilitou o nasci-
mento da era da comunicao sem fio (RAPPAPORT, 2001), marcada pela disseminao
do uso desta tecnologia. Desde ento, os sistemas de comunicaes sem fio constituem
uma das reas mais ativas com relao evoluo tecnolgica.
Pode ser dito que, num primeiro momento, os usos dos sistemas de comunicaes
sem fio eram voltados principalmente para a transmisso de voz na telefonia. Porem,
com o desenvolvimento de novas tecnologias, como as redes sem fio de computadores
e a internet mvel, novos servios passam a ser suportados no mesmo meio, como a
transmisso de imagens, vdeo, e dados. Ao mesmo tempo, a demanda por esses servios
de grande utilidade cresce numa taxa muito elevada.
No entanto, diferentemente dos sistemas de comunicaes com fio, os recursos
que possibilitam os sistemas sem fio, largura de banda no espectro de radiofrequncias e
potncia do transmissor, so muito limitados e, por consequncia, a oferta dos servios no
cresce na mesma taxa da demanda, forando ainda mais o desenvolvimento das tecnologias
envolvidas.
Neste contexto de alto crescimento na demanda por acesso Internet sem fio
e servios multimdia interativos, onde deve haver suporte a taxas de transmisso de
dados elevadas, surgiu o OFDM (Orthogonal Frequency Division Multiplexing), tcnica de
multiplexao de sinais inovadora com elevada taxa de transmisso, eficincia espectral e
alto desempenho contra interferncias. Nas prximas sees o OFDM ser abordado mais
detalhadamente junto com as estratgias existentes para acesso por mltiplos usurios.
Atualmente, a modulao OFDM (Orthogonal Frequency Division Multiplexing
(PRASAD, 2004)) utilizado em uma gama de redes sem fio de alta velocidade, em redes
Introduo 22

locais sem fio (WLAN) como o Wi-Fi (padro IEEE 802.11 (IEEE, 2012)), em redes
metropolitanas sem fio (WMAN) como o WiMAX (padro IEEE 802.16 (IEEE, 2004)) e
no LTE (3GPP, 2013). Todas estas tecnologias so promissoras no mundo contemporneo
das telecomunicaes, tendo em vista a inovao trazida e os investimentos recentemente
realizados para implantao e desenvolvimento dessas tecnologias em inmeros pases.
Para medir a qualidade de servio (QoS) em nvel de transmisso de pacotes, o
comportamento da fila de pacotes deve ser analisado. Um modelo baseado em teoria de
filas pode ser utilizado com o objetivo de obter parmetros timos para que a configura-
o de um sistema atenda determinados requisitos de QoS. Por outro lado, esse modelo
tambm pode ser til para alocao adaptativa de recursos do sistema. Por exemplo, ao
utilizar este modelo, a taxa de transmisso para cada usurio do sistema em um dado
momento pode ser ajustada para que o nmero de pacotes bloqueados e o atraso se man-
tenham abaixo de um determinado nvel.
Este trabalho apresenta um modelo fundamentado em Teoria de Filas, Cadeias
de Markov, mtodo de Kernel e MMFM (Markov Modulated Fluid Model) para avaliar
o desempenho do enlace de transmisso em sistemas OFDM-TDMA. Enquanto a trans-
misso baseada em OFDM eleva a taxa de transmisso, o acesso por mltiplos usurios
garantido atravs de TDMA (Time Division Multiple Access) (TAROKH, 2009), a serem
apresentados nas prximas sees. Um modelo de filas para o mecanismo OFDM-TDMA
pode ser estabelecido (NIYATO; HOSSAIN, 2005). No entanto, para garantir maior fi-
delidade na representao, propomos neste trabalho a utilizao de um modelo baseado
em Teoria de Filas onde o processo de chegada de pacotes dos usurios seja modelado
utilizando-se tcnicas avanadas de modelagem de processos, especificamente o mtodo de
Kernel de estimao no-paramtrica (WEBB; COPSEY, 2011) e o MMFM com ajuste
da funo de autocorrelao de acordo com a dos fluxos de trfego considerados (ROCHA;
SANTOS; VIEIRA, 2011) (BOSMAN; MEI; NUNEZ-QUEIJA, 2012). Do modelo desen-
volvido so derivados vrios indicadores de QoS, como o nmero mdio de pacotes na fila
formada para transmisso, o atraso mdio na transmisso de um pacote e a probabilidade
de a fila de pacotes exceder o tamanho do buffer.
Alm de um mtodo baseado em Teoria de Filas para estimao da probabilidade
de transbordo do buffer, proposto nesse trabalho um mtodo alternativo baseado em
Curva de Servio para estimao de parmetros de QoS que apresenta menor complexidade
computacional. Em outras palavras, este trabalho apresenta uma equao relativamente
simples e bastante eficiente, baseada em Processo Envelope, para estimar a probabilidade
de transbordo do buffer do usurio em sistemas OFDM-TDMA.
Os modelos obtidos podem ser usados no apenas para o projeto de sistemas de
comunicao, mas tambm como base de um sistema de controle de admisso de usurios
no sentido de que uma nova chamada pode ser admitida somente se a qualidade de servio
Introduo 23

para as outras chamadas se mantiver em determinado nvel.

Anlise de Desempenho Baseada em Teoria de Filas


A Teoria de Filas importante na anlise de desempenho de sistemas de trans-
misso por capturar, em sua essncia, a dinmica do canal de comunicao.
Diferentes trabalhos voltados para a anlise de desempenho abordam os sistemas
de comunicao sem fio baseados em OFDM em variados aspectos utilizando Teoria de
Filas. Chen e Chen (2006) sugerem um modelo para avaliar o desempenho da alocao de
subportadoras e derivam expresses para calcular indicadores de probabilidade de bloqueio
de chamada e de utilizao de banda. Wunder e Zhou (2009) propem limitantes para o
tamanho da fila e para o atraso de pacotes no downlink de sistemas OFDM. O modelo
desenvolvido aplicado no dimensionamento de sistemas LTE. Bouchti, Kafhali e Haqiq
(2011) apresentam um modelo de anlise de desempenho de sistemas OFDMA aplicado
tecnologia WiMAX. No entanto, esses trabalhos modelam a chegada de trfego dos
usurios a partir do modelo de Poisson, devido simplicidade de anlise. Porm, um
fato que o trfego de rede real, em muitas vezes, no segue o comportamento descrito por
esse modelo, limitando a utilidade desses trabalhos em situaes do mundo real (PAXSON;
FLOYD, 1995) (VIEIRA; LEE, 2009).
Neste trabalho, as solues desenvolvidas levam em conta modelos mais sofistica-
dos para a descrio de processos de trfego real. A primeira abordagem de anlise de
desempenho desenvolvida aplica MMFM para determinao do processo de chegada de
pacotes, obtendo, assim, um modelo mais preciso e aplicvel a sistemas reais. A segunda
proposta para estimao de parmetros de QoS considera o modelo Fractional Brownian
Motion (MAYOR; SILVESTER, 1997), modelo que retrata bem a caracterstica de de-
pendncia de longa durao nos processos de trfego real, o que torna a soluo simples
e bastante robusta.
O trabalho est organizado da seguinte forma. O captulo 1 introduz a modulao
OFDM, detalhando as modulaes digitais e os mtodos de acesso mltiplo utilizados.
O captulo 2 introduz a Teoria de Filas e Cadeias de Markov, enquanto o captulo 3 faz
uma breve reviso nos mtodos existentes de modelagem de trfego de redes. O captulo 4
define a proposta inicial deste trabalho (um modelo de anlise de desempenho do sistema
OFDM-TDMA, baseado em Cadeias de Markov) e apresenta os resultados experimentais
ao final. O captulo 5 expe uma breve introduo ao Clculo de Rede Determinstico,
apresentando as definies de Processo Envelope e Curva de Servio e, por ltimo, de-
fine uma equao bastante eficiente e computacionalmente simples para estimao da
probabilidade de transbordo do buffer do usurio, apresentando, ao final, os resultados
experimentais e comprovando a eficincia do que proposto.
24

1 Sistemas OFDM

O OFDM (Orthogonal Frequency Division Multiplexing (PRASAD, 2004)) uma


tcnica muito poderosa de multiplexao, sendo adotado como o esquema de transmisso
no downlink do LTE (Long-Term Evolution) (3GPP, 2013) e tambm em outras tecno-
logias de comunicao sem fio como WiMAX (IEEE, 2004) e o Sistema Brasileiro de
Televiso Digital (CPQD, 2006).
A multiplexao OFDM baseada na transmisso paralela de dados em vrias
frequncias ortogonais de faixas estreitas sobrepostas no espectro que compe o canal de
comunicao, tambm chamadas de subportadoras. O espectro de uma subportadora bem
como a forma do pulso no domnio do tempo so ilustrados na Figura 1. A largura de
banda da subportadora dada pela frequncia de amostragem dividida pelo nmero de
subportadoras no canal ( f = fS /NF F T ), enquanto a durao do smbolo que ela carrega
dada pelo inverso desse resultado.

Figura 1: Ilustrao de uma subportadora nos domnios do tempo e da frequncia


2
sen ( f / f )
( f / f )

Forma do Pulso

Tu = 1/f -4 f -3 f -2 f - f 0 f 2f 3f 4f
Domnio do Tempo Domnio da frequncia

O conjunto de subportadoras que forma o canal OFDM ilustrado na Figura


2. Observa-se que NF F T (nmero de subportadoras do canal) smbolos so transmitidos
paralelamente. Nota-se tambm o espaamento de f entre cada subportadora, o que
garante a ortogonalidade. O fato de as subportadoras vizinhas serem ortogonais entre si
elimina, em teoria, a interferncia entre cada uma.
Sendo menor a largura de faixa de cada subportadora, h um maior perodo de
exposio de cada smbolo de dados e, portanto, h maior resistncia a interferncia de
multipercurso. Alm disso, com uma menor taxa de smbolos em cada subportadora,
utilizado um intervalo de guarda entre cada smbolo, eliminando a interferncia intersim-
Captulo 1. Sistemas OFDM 25

Figura 2: Subportadoras ortogonais sobrepostas

Fonte: http://www.blinqnetworks.com/blog/article/the_number_of_sub_
carriers_in_ofdm_impacts_nlos_backhaul_performance_more_t

blica e tornando possvel a utilizao de ecos e espalhamentos do smbolo no tempo como


ganho de diversidade. Esta caracterstica junto com a ortogonalidade e sobreposio das
subportadoras ocasiona uma grande eficincia espectral, fazendo com que o OFDM seja
a melhor tcnica de transmisso, em termos de desempenho, usada em redes sem fio na
atualidade. A estrutura do OFDM ilustrada na Figura 3.

Figura 3: Estrutura da Transmisso OFDM


Largura de Banda Disponvel

Subportadoras

Smbolos
OFDM

Intervalos
Frequncia
de Guarda

Tempo

Fonte: http://www.renesas.com/edge_ol/technology/03/index.jsp

A implementao do OFDM realizada atravs da aplicao do algoritmo FFT


(Fast Fourier Transform). O nmero de subportadoras de um canal OFDM dado, en-
Captulo 1. Sistemas OFDM 26

to, pelo nmero de smbolos amostrados pelo FFT. Dentre todas as subportadoras, h
subportadoras de guarda (que ficam nos extremos do canal), pilotos (utilizadas para sin-
cronizao e estimao de canal), de controle e de dados.
importante ressaltar que a transmisso efetuada atravs de frames, que so con-
sideradas as unidades de transmisso de dados e tem durao de vrios smbolos OFDM.
Um frame possui inmeras informaes alm dos dados, como o mapeamento das mo-
dulaes utilizadas e o mapeamento do downlink e do uplink (caso a comunicao seja
duplex).

1.1 Modulao Digital


Uma grande vantagem da multiplexao OFDM que os smbolos transmitidos em
cada subportadora podem ser modulados com um tipo diferente de modulao digital e,
alm disso, h modulao adaptativa de acordo com a qualidade do canal de comunicao
com o usurio. Alguns exemplos de modulao digital utilizados so o QPSK, o 16-QAM
e o 64-QAM, detalhados a seguir.

1.1.1 Modulao PSK


O PSK (Phase Shift Keying) uma forma de modulao em que a informao do
sinal digital embutida na fase da portadora. Neste esquema de modulao, cada smbolo
si possui uma fase correspondente. Quando h uma transio de um smbolo sj para um
smbolo sj+1 , a fase da onda portadora se altera para a fase correspondente ao smbolo
sj+1 . Formas particulares do PSK so a modulao BPSK (Binary Phase Shift Keying) e
a modulao QPSK (Quadrature Phase Shift Keying).
Na modulao BPSK, cada smbolo transmitido formado por um nico bit.
Quando o smbolo a ser transmitido for o bit 1, a fase da portadora ser igual a 0o
e, quando o smbolo for o bit 0, a fase da portadora ser igual a 180o . Entre as vantagens
do uso desta tcnica esto a fcil implementao e a robustez, porm, no h eficincia
espectral ao transmitir apenas um bit por smbolo.
A Figura 4 ilustra um cenrio de transmisso utilizando a modulao BPSK, nela
podemos observar a forma de onda resultante do chaveamento de fase.
A Tabela 1 relaciona as expresses da onda portadora do sinal e a ilustrao do
sinal modulado de acordo com o smbolo transmitido.

Observa-se que a amplitude da
onda dada em funo da energia do sinal (A = 2E T
s
).
Na modulao QPSK, cada smbolo transmitido formado por dois bits, ou seja,
h quatros fases distintas (espaadas de 90o ) correspondentes aos smbolos 00, 01, 10 e
Captulo 1. Sistemas OFDM 27

Figura 4: Cenrio da transmisso da informao 1101011000 utilizando modulao BPSK

Tabela 1: Modulao BPSK

Smbolo Bit Expresso Sinal Modulado



s1 0 2Es
T
cos (t + 0)


s2 1 2Es
T
cos (t + )

11. Esta tcnica de modulao, apesar de ser um pouco mais complexa para implementar,
tem maior eficincia espectral e mantm a robustez em suas aplicaes.
Os smbolos, na modulao QPSK, podem ser representados por sinais ortogonais,
que, por sua vez, podem ser representados no diagrama vetorial (tambm chamado de
Diagrama de Constelao) da Figura 5. Os vetores que terminam nos vrtices do quadrado
pontilhado denotam os smbolos que podem ser transmitidos com essa modulao. O sinal
modulado definido como uma combinao de duas ondas, uma onda I (In Phase) em
fase com a portadora (cos (t)) e outra onda Q (Quadrature) em quadratura (sin (t)), de
acordo com a Tabela 2. Essa combinao permite obter quatro fases distintas e, portanto,
representar quatro smbolos distintos.

1.1.2 Modulao QAM


O QAM (Quadrature Amplitude Modulation) uma tcnica de modulao na qual
os smbolos, assim como no QPSK, so representados por vetores definidos como uma
combinao de duas ondas, uma onda I (In Phase) em fase com a portadora (cos (t)) e
outra onda Q (Quadrature) em quadratura (sin (t)). No entanto, h uma alterao na
amplitude de cada uma dessas ondas dependendo do smbolo transmitido. Dessa forma,
o conjunto smbolos possveis de serem transmitidos pode ser maior.
Captulo 1. Sistemas OFDM 28

Figura 5: Diagrama de Constelao da modulao QPSK

Q sin ( t )

A 2
( 11 ) 2 ( 10 )

A 2
2
I
-A 2 cos ( t )
2

( 01 ) -A 2 ( 00 )
2

Tabela 2: Modulao QPSK

Smbolo Bits Expresso


A[cos(t + )]
= A[cos(t)

cos( 4 ) sin(t) sin( 4 )]
s1 00 4
A[cos(t + 4 )] = A 22 [cos(t) sin(t)]
A[cos(t + 3 )] = A[cos(t) cos( 3 ) sin(t) sin( 3 )]
s2 01 4
3

2
4 4
A[cos(t + 4 )] = A 2 [ cos(t) sin(t)]
A[cos(t + 5 )] = A[cos(t)cos( 5 ) sin(t) sin( 5 )]
s2 11 4
5 2
4 4
A[cos(t + 4 )] = A 2 [cos(t) sin(t)]
A[cos(t + 7 )] = A[cos(t) cos( 7 ) sin(t) sin( 7 )]
s2 10 4
7

2
4 4
A[cos(t + 4 )] = A 2 [ cos(t) sin(t)]

A quantidade de informao transmitida com QAM pode ser parametrizada. O M-



QAM pode transmitir M diferentes smbolos, ou L bits, onde (L = M ). Observa-se que
a modulao 4-QAM, onde 4 diferentes smbolos podem ser transmitidos num instante
(ou dois bits), equivalente modulao QPSK
Considerando que o k-simo smbolo representado pelo vetor (ai d2 , bj d2 ), sendo d

a menor distncia euclidiana entre os smbolos no Diagrama de Constelao e d2 = Es ,
o sinal correspondente dado por:


2Es
sk (t) = [ai cos (t) bj sin (t)] (1.1)
T
onde 0 t T , k = 1, 2, ..., M e para cada valor de k h uma combinao diferente dos
Captulo 1. Sistemas OFDM 29

valores de i e j.
Pode-se determinar os valores de ai e bj como na equao 1.2. Dessa forma, para
M = 16, os valores das amplitudes ai e bj seriam como na equao 1.3 e o Diagrama de
Constelao do 16-QAM poderia ser dado como ilustrado na Figura 6.

S T
(L + 1, L 1) (L + 3, L 1) (L 1, L 1)
W X
W
W (L + 1, L 3) (L + 3, L 3) (L 1, L 3) X
X
{ai , bj } = W
W .. .. ... .. X
X (1.2)
W
U . . . X
V
(L + 1, L + 1) (L + 3, L + 1) (L 1, L + 1)

S T
W
(3, 3) (1, 3) (1, 3) (3, 3) X
W X
W (3, 1) (1, 1) (1, 1) (3, 1) X
{ai , bj } = W
W
X
X (1.3)
W
U
(3, 1) (1, 1) (1, 1) (3, 1) X
V
(3, 3) (1, 3) (1, 3) (3, 3)

Figura 6: Diagrama de Constelao da modulao 16-QAM


Q
0000 0100 1100 1000

0001 0101 1101 1001

I
0011 0111 1111 1011

0010 0110 1110 1010

Como o QAM pode transmitir um nmero superior de smbolos, a quantidade de


informao transmitida num nico smbolo maior e, portanto, o QAM tem maior eficin-
cia espectral na transmisso. Em sistemas LTE e WiMAX, por exemplo, so utilizadas as
modulaes QPSK, 16-QAM e 64-QAM dependendo da qualidade do canal. O 64-QAM
a modulao de maior eficincia espectral, ou seja, alcana maior taxa de transmisso
na mesma largura de banda, e utilizado nas situaes em que a qualidade do canal
superior. J o QPSK a modulao de menor eficincia, porm, de maior robustez, sendo
Captulo 1. Sistemas OFDM 30

utilizado quando a qualidade do canal est muito baixa. A maior robustez das modulaes
QPSK e 16-QAM deve-se ao fato de haver uma maior distncia separando cada smbolo
no Diagrama de Constelao, facilitando a interpretao dos smbolos em face ao rudo
derivado do canal de comunicao.

1.2 Tcnicas de Acesso Mltiplo


Com base na tcnica de multiplexao OFDM, foram desenvolvidos alguns mto-
dos de acesso a um canal de comunicao sem fio por mltiplos usurios. Basicamente,
existem trs mtodos: OFDMA, OFDM-TDMA e OFDM-CDMA (TAROKH, 2009). O
primeiro e o segundo baseiam-se na diviso do canal entre os usurios no tempo e em
frequncia, respectivamente, enquanto o ltimo baseia-se na separao de usurios por
codificao. Este trabalho tem foco nos mtodos OFDMA e OFDM-TDMA.

1.2.1 OFDMA
O OFDMA (Orthogonal Frequency Division Multiple Access) promove o acesso
mltiplo atravs da atribuio de um conjunto de subcanais para cada conexo no sistema,
sendo cada subcanal formado por um subconjunto de subportadoras do canal OFDM,
como ilustrado na Figura 7. O OFDMA pode suportar diferentes requisitos de QoS por
usurio, atribuindo diferentes nmeros de subcanais para cada um.

Figura 7: Diviso das Subportadoras em Subcanais na transmisso OFDMA


Subcanal 1 Subcanal 2 Subcanal 3 Subcanal 4

Intervalo Canal Intervalo


de Guarda de Guarda
entre canais entre canais

Fonte: http://www.conniq.com/WiMAX/fdm-ofdm-ofdma-sofdma-03.htm

A comunicao em via dupla (duplex) pode ser realizada atravs de TDD (Time
Division Duplex), onde h alguns intervalos de tempo no canal que so dedicados ao down-
link e outros ao uplink, ou FDD (Frequency Division Duplex), onde, para cada usurio,
h subcanais dedicados ao downlink e subcanais dedicados ao uplink.
Captulo 1. Sistemas OFDM 31

1.2.2 OFDM-TDMA
O TDMA (Time Division Multiple Access) promove o acesso mltiplo atribuindo
o canal OFDM para cada usurio por um determinado perodo chamado time slot, que
pode conter um ou mais frames, como mostrado na Figura 8.

Figura 8: Diviso do Acesso ao Canal OFDM pelo Tempo


Usurio 1 Usurio 2 Usurio N
Subportadora

Tempo

Fonte: (NIYATO; HOSSAIN, 2005)

A alternncia entre usurios pode ocorrer de diferentes formas. Neste trabalho, a


alternncia foi baseada no esquema de escalonamento round-robin, que relativamente
eficiente considerando a implementao bastante simples. A comunicao em via dupla
pode ser realizada atravs de TDD.
32

2 Teoria de Filas

A Teoria de Filas uma ferramenta matemtica utilizada para analisar os processos


de chegada, armazenamento e atendimento de uma fila. Atravs da Teoria de Filas, vrios
indicadores de desempenho, como a probabilidade de uma fila estar no seu limite ou estar
vazia, o nmero mdio de itens na fila, tempo mdio de espera, taxa de vazo e de rejeio,
podem ser obtidos analiticamente.
Os componentes gerais de um sistema de fila so mostrados na Figura 9. Neste
modelo, os processos de chegada e atendimento podem ser aleatrios e descritos atravs de
distribuies de probabilidade. Dessa forma, o nmero de itens na fila tambm aleatrio,
uma vez que depende dos processos de chegada e atendimento. Portanto, um sistema de
fila pode ser estudado no contexto de processos estocsticos.

Figura 9: Componentes Gerais de um Sistema de Fila


Chegada de itens Buffer Servidor
a serem atendidos Sada de itens
Usurio

2.1 Processos Estocsticos


Um processo estocstico definido como um conjunto de variveis aleatrias X(t)
definidas num espao de probabilidade comum. Em geral, t considerado como tempo,
onde t T , e T um conjunto de pontos no tempo. Um processo estocstico pode
ser classificado de acordo com o conjunto T , que pode ser contnuo ou discreto. X(t)
e Xt denotam os valores de uma varivel aleatria com domnio contnuo e discreto,
respectivamente.
Em Teoria de Filas, o estado do sistema definido pelo nmero de itens na fila,
que uma varivel aleatria Xt . Considere o nmero de itens que chegaram numa fila no
perodo [0, t]. claro que, para ti > tj > 0, h uma relao entre Xti e Xtj . Em particular,
Xti igual a Xti somado ao nmero de itens que chegaram no intervalo [tj , ti ] subtrado
do nmero de itens que foram atendidos no mesmo intervalo.
Um processo estocstico pode ser classificado de acordo com a relao entre suas
variveis aleatrias como segue:
Captulo 2. Teoria de Filas 33

2.1.1 Processo Estacionrio


Um processo estocstico considerado estacionrio se o conjunto de todas as fun-
es de distribuio de probabilidade das variveis aleatrias for invariante no tempo.
Para um processo estacionrio de ordem n, a seguinte relao seria vlida:

P [X (t1 ) = x1 , ..., X (t1 ) = xn ] = P [X (t1 + ) = x1 , ..., X (tn + ) = xn ] (2.1)

onde corresponde a uma quantidade de deslocamento no tempo.

2.1.2 Processo Markoviano


Um processo markoviano um processo estocstico com um espao de estados
discreto. Ele tem a caracterstica de no possuir memria, ou seja, o estado futuro de-
pende apenas do estado atual do sistema. A transio do estado atual pra um prximo
determinada por uma probabilidade de transio, funo apenas do estado atual, como
mostrado abaixo. Matematicamente, um processo markoviano representado por (PA-
POULIS; PILLAI, 2002):

P [X (tn+1 ) = xn+1 |X (tn ) = xn , X (tn1 ) = xn1 , ..., X (t1 ) = x1 ]


= P [X (tn+1 ) = xn+1 |X (tn ) = xn ] (2.2)

Se o domnio do tempo do processo markoviano discreto, este processo tambm


chamado de Cadeia de Markov. O processo markoviano muito importante na anlise de
filas, uma vez que pode modelar o estado da fila.

2.1.3 Processo de Quase Nascimento e Morte


O processo de quase nascimento e morte uma generalizao do processo de nas-
cimento e morte, que um caso particular do processo markoviano no qual as transies
s ocorrem entre estados vizinhos. O processo de quase nascimento e morte pode ser
representado como:

Y
] p, i {m, m + 1, ..., 0, ..., m 1, m}
P [X (tn+1 ) = xn + i|X (tn ) = xn ] =
[ 0, caso contr
ario
(2.3)
onde p R+ e p 0, m Z+ e xn + i deve ser um estado contido no domnio de estados
do processo, ou seja, xn + i S.
Captulo 2. Teoria de Filas 34

A representao de um processo de nascimento e morte um caso particular desta,


com m = 1.
O processo de quase nascimento e morte tem um importante papel na anlise
de filas, uma vez que nos sistemas de filas as variaes no nmero de itens da fila so
limitadas, ou seja, h transies apenas para uma regio vizinha do estado atual.

2.2 Cadeia de Markov em Tempo Discreto


Seja P [Xn = j|Xn1 = i] a probabilidade de transio do estado i no tempo n 1
ao estado j no tempo n. Esta probabilidade de transio homognea no tempo se:

pi,j = P [Xn = j|Xn1 = i] = P [Xn+ = j|Xn+ 1 = i] (2.4)

onde, n = 1, 2, ..., 0 e i, j S.
Com base nesta probabilidade de transio, uma matriz de probabilidade de tran-
sio da Cadeia de Markov pode ser definida como:

S T
W p0,0 p0,1 p0,j X
W X
W
W p1,0 p1,1 p1,j X
X
W .. .. .. .. X
P= W
W . . . . X
X (2.5)
W X
W pi,0 pi,1 pi,j X
W X
U .. .. .. .. . . V
. . . . .

A soma total das probabilidades de transio de um estado i para outro qualquer


q
deve ser um, ou seja, jS pi,j = 1.
Uma das propriedades da Cadeia de Markov a irredutibilidade. Uma Cadeia de
Markov irredutvel se ela pode transitar de qualquer estado para todos os outros. Caso
contrrio, a Cadeia de Markov redutvel.
Ao estabelecer uma Cadeia de Markov e sua matriz de probabilidade de transio
possvel obter a probabilidade de o sistema se encontrar em determinado estado. A partir
disso, vrios indicadores de desempenho relacionados com o sistema de filas podem ser
levantados. H dois tipos de probabilidades de o sistema se encontrar em determinado
estado, a probabilidade quando o sistema se encontra num estado transiente e a proba-
bilidade quando o sistema se encontra num estado estacionrio. Os estados transiente e
estacionrio se referem ao estado do sistema e no a um estado especfico dentro do espao
de estados da Cadeia de Markov.
Captulo 2. Teoria de Filas 35

2.2.1 Comportamento do Sistema em Estado Transiente


Um sistema de filas passa para um estado transiente temporariamente quando h
uma alterao nos seus parmetros. No estado transiente, a sada do sistema varia com o
tempo. Porm, com o passar do tempo, caso o sistema seja estvel, o sistema culminar
no estado estacionrio, onde no h flutuaes na sada do sistema.
Um dos mtodos para se obter a probabilidade em estado estacionrio de o sistema
se encontrar em determinado estado utilizando a equao de Chapman-Kolmogorov. Seja

(n) = 0 (n) 1 (n) i (n) o vetor que contem a probabilidade do sistema
se encontrar em cada estado i dentre o espao de estados da Cadeia de Markov no tempo n.
Como o prximo estado do sistema depende apenas do estado presente, podemos escrever
cada uma dessas probabilidades como:


i (n) = j (n 1) pj,i (2.6)
jS

Portanto, o vetor (n) pode ser encontrado da seguinte forma:

(n) = (n 1) P = (0) Pn (2.7)

Conhecendo a probabilidade do sistema se encontrar em cada estado no tempo n,


o comportamento transiente do sistema pode ser estimado. Caso haja uma mudana nos
parmetros do sistema no tempo n, nos passos n + 1, n + 2, ... o sistema se encontrar em
estado transiente e os indicadores de desempenho do sistema podem ser obtidos a partir
das probabilidades encontradas. No entanto, no tempo n + , onde , o sistema,
caso seja estvel, alcanar o estado estacionrio novamente.

2.2.2 Comportamento do Sistema em Estado Estacionrio


Um estado i dito peridico se, partindo dele, o sistema retorna a este estado
em d passos, onde d chamado perodo do estado peridico i e deve ser maior que 1.
Um estado j dito recorrente se, partindo dele, o sistema retorna, eventualmente, a este
estado. Se o tempo esperado para este retorno infinito, o estado j chamado recorrente
positivo, mas se o tempo esperado for infinito, chamado de recorrente nulo (PAPOULIS;
PILLAI, 2002).
Se os estados da Cadeia de Markov so recorrentes e aperidicos, ento, a proba-
bilidade do sistema estar no estado j determinada por j .

lim j (n) = j
n
(2.8)
Captulo 2. Teoria de Filas 36

Esta a probabilidade de estado estacionrio do sistema se encontrar no estado


j. As probabilidades do sistema se encontrar em cada estado em estado estacionrio

so dadas pelo vetor = 0 1 i . Assim, para um sistema em estado
estacionrio, conhecendo a lei da probabilidade, estas probabilidades tm as seguintes
propriedades:

= P (2.9)


i = 1 (2.10)
iS

Dessa forma, conhecendo a matriz de transio P, possvel encontrar os valores


de , uma vez que as equaes fornecem N + 1 equaes lineares com N variveis, onde
N o nmero de estados contidos no espao de estados da Cadeia de Markov que modela
o sistema.
37

3 Modelagem de Fluxos de Trfego de Redes


de Computadores

A modelagem de trfego uma tcnica para caracterizar fluxos de trfegos de rede.


O modelo de trfego ideal deve apresentar caractersticas semelhantes s do trfego de rede
modelado. Estes modelos tm por objetivo facilitar o entendimento das caractersticas do
trfego modelado, parametrizao das variveis obtidas e possibilidade de simulaes do
comportamento do trfego.
O modelo obtido ajuda no desenvolvimento de equipamentos, servios e protocolos
de rede, alm de ter grande importncia nas anlises de desempenho e simulaes de redes.
Na dcada de 20 o modelo clssico de trfego de Poisson foi proposto para anlise
de sistemas de telefonia e posteriormente ajustado para a anlise de fila em redes de da-
dos (KLEINROCK, 1975). Este modelo tem como vantagem o fato de ser analiticamente
tratvel, permitindo que expresses matemticas sejam diretamente derivadas para carac-
terizao do desempenho de fila nos buffers. Mas com a chegada das redes com suporte a
vrios servios, a natureza do trfego mudou drasticamente, exibindo caractersticas bem
diferentes das sugeridas por este modelo, um exemplo disso, o comportamento fractal
(VIEIRA; LEE, 2006).
Leland et al. (1994) constataram experimentalmente, que o trfego coletado na
rede Ethernet do Bellcore Morristown Research and Engineering Center exibia caracte-
rsticas fractais tais como autossimilaridade. A dependncia de longa durao ou longa-
dependncia para uma srie de trfego uma caracterstica que implica em uma estrutura
de correlao que decai mais lentamente do que uma exponencial (LELAND et al., 1994).
Este decaimento da funo de autocorrelao, relacionado tambm autossimilaridade,
foi observado no trfego de redes de longa distncia (WAN - Wide Area Network), me-
tropolitanas (MAN - Metropolitan Area Network) (PAXSON; FLOYD, 1995) e no trfego
de Internet (CROVELLA; BESTAVROS, 1996), dentre outros. Foi constatado que es-
tas propriedades, principalmente a dependncia de longa durao, influenciam fortemente
no projeto de redes e seu desempenho (PARK; WILLINGER, 2000), por isso no so
coerentemente modeladas por processos poissonianos.
Muitos estudos revelam a alta taxa de variao do trfego de Internet, com rajadas
em uma gama de escalas de tempo em contraste da suposio de que rajadas de trfego
s existem em escalas curtas de tempo (PAXSON; FLOYD, 1995). Mostrou-se que es-
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 38

tas incidncias de rajadas multiescalas tm um impacto significativo no desempenho das


redes (ERRAMILLI; NARAYAN; WILLINGER, 1996). Os resultados apresentados por
Erramilli, Narayan e Willinger (1996) mostram que a aplicao do conhecimento das carac-
tersticas do trfego em mltiplas escalas consegue melhorar a eficincia dos mecanismos
de controle de trfego (VIEIRA; LEE, 2006).
Props-se em diversas literaturas, modelos de trfego com o objetivo de represen-
tar a caracterstica autossimilar encontradas no trfego de redes. Um modelo que pode
apresentar de maneira simples e que abrange matematicamente as caractersticas auto-
similares observadas no trfego o modelo de trfego Browniano fracionrio (fractional
Brownian traffic, fBt). Contudo, verificou-se que em escalas de tempo da ordem acima de
poucos segundos ou maiores, o comportamento do trfego seria melhor representado por
modelos autossimilares, mas em escalas de tempo menores, inferiores ordem de poucos
segundos, as caractersticas de tais modelos afastavam-se das apresentadas pelo trfego
real analisado (VIEIRA; LEE, 2006) (BIANCHI, 2005).
Outras propriedades mais complexas do trfego de redes que os modelos mono-
fractais foram descobertas, como as caractersticas multifractais. Os resultados indicam
que o desempenho das filas depende mais da taxa de variao do trfego em certas escalas
de tempo do que do valor do parmetro de Hurst H, que mede o grau de autossimilari-
dade de um processo (ERRAMILLI; NARAYAN; WILLINGER, 1996). A origem dessas
propriedades consideradas presentes em pequenas escalas de tempo atribuda ao dos
protocolos predominantes nas redes em questo, e dos mecanismos de controle de con-
gestionamento ponto a ponto existentes na Internet, que determinam o comportamento
do fluxo de informaes entre diferentes camadas na hierarquia de protocolos TCP/IP
(FELDMANN; GILBERT; WILLINGER, 1998).
Investigaes envolvendo trfego WAN TCP/IP constataram que essas diferentes
propriedades e comportamentos do trfego eram convenientemente descritos utilizando-
se a anlise multifractal (RIEDI; VHEL, 1997). Para muitos processos de trfego de
rede, seus grficos de energia em escala dos coeficientes wavelet ou os de varincia-tempo
normalmente no tm comportamento linear. Muitos destes processos apresentam uma
combinao de comportamentos fractais, com o parmetro de Hurst variando em pequenas
e diferentes escalas de tempo, ou seja, caractersticas multifractais. De fato, o desempenho
de fila depende intensamente das irregularidades do trfego em escalas de tempo pequenas
devido dinmica complexa das redes de dados. Pesquisadores discutem que esta com-
binao de comportamentos em escala melhor representada por processos multifractais
(FELDMANN; GILBERT; WILLINGER, 1998).
Conhecendo as caractersticas principais do trfego, pode-se selecionar o modelo
de rede que melhor representar a srie de trfego de rede, sendo possvel incorporar s
simulaes mtodos analticos e caractersticas semelhantes s reais.
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 39

3.1 Modelo de Poisson


O processo de Poisson empregado na modelagem de processos fsicos e desem-
penha um papel central na teoria de filas clssica. A razo para seu uso est no fato de
que o modelo de Poisson possui uma srie de propriedades que do origem a resultados de
estimativa de filas confiveis. Em segundo lugar, tambm considerado um bom modelo
para um processo que envolve a chegada de um grande nmero de usurios similares e
independentes (HOCK; HEE, 2008).
Mais precisamente, um processo de Poisson um processo de contagem do nmero
de eventos que ocorrem de forma aleatria dos pontos observados em um determinado
intervalo de tempo (0, t). Tambm se pode considerar como sendo um caso de limite de
colocao em pontos aleatrios k para o intervalo de tempo de (0, t). Se a varivel aleatria
X(t) contendo o nmero de eventos de ponto nesse intervalo de tempo distribudo de
acordo com a distribuio de Poisson, ento esse processo um processo de Poisson
(HOCK; HEE, 2008). A probabilidade de X(t) ser igual a k segundo o modelo de Poisson
dada por:

et (t)k
P {X(t) = k} = (3.1)
k!
onde k o nmero inteiro no negativo que representa o nmero de ocorrncias, a taxa
de ocorrncia destes eventos pontuais e t a mdia de uma varivel aleatria de Poisson,
que fisicamente representa o nmero mdio de ocorrncias do evento em um intervalo de
tempo t.

Figura 10: Densidade de probabilidade para diferentes valores de


0.4
=1
=3
0.35
=5
Funo Densidade de Probabilidade

=9
0.3

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15
k
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 40

A Figura 10 apresenta a Funo Densidade de Probabilidade (PDF - Probability


Density Funtion) de um grupo de amostras da distribuio de Poisson para diferentes
taxas de ocorrncia ().

3.2 Mtodo de Kernel


Os mtodos de estimao paramtricos, como o de Poisson, muitas vezes so fracos,
inadequados ou restritivos para modelar determinados processos. Por sua vez, os mtodos
no-paramtricos, como o mtodo de Kernel, estimam o comportamento da populao
diretamente atravs dos dados amostrais. Esta abordagem gera melhores estimaes para
lidar com um nmero maior de situaes.
O mtodo de estimao Kernel uma maneira no-paramtrica de estimar a funo
de densidade de probabilidade de uma varivel aleatria. Pode ser interpretado como uma
generalizao do histograma.
O histograma o mtodo no-paramtrico mais antigo de estimao de densidade.
um estimador no contnuo. Consiste em definir retngulos como intervalos de largura
h e contar o nmero de observaes em cada um (Aqui o retngulo o Kernel do es-

timador). Assim, a probabilidade de um evento X pertencer a um intervalo h2 , h2
aproximadamente:

A C CB I C CJ
h h 1 h h
P X , = # Xi , (3.2)
2 2 n 2 2

E uma estimativa para f seria:

I C CJ C C
1 h h h h
f (x) = # Xi , , x , (3.3)
nh 2 2 2 2

A idia do histograma serve como base para o estimador naive (SILVERMAN,


1986), descrito a seguir. Considerando uma varivel aleatria X, com densidade f , ento:

1
f (x) = lim P (x h < X < x + h) (3.4)
h 0 2h

Fixando h, estima-se P (x h < X < x + h) pela proporo de observaes da


amostra pertencentes ao intervalo (xh, x+h). Assim, escolhendo h pequeno o suficiente,
o seguinte estimador de f encontrado:

1
f (x) = # {Xi (x h, x + h)} (3.5)
2nh
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 41

O que pode ser escrito da seguinte forma:

3 4
1 n
1 x Xi
f (x) = w (3.6)
n i=1 h h
Y
] 1se |x| < 1
w (x) = [ 2 (3.7)
0 caso contrario

O estimador de densidades baseado numa funo Kernel obtido substituindo a


funo w por uma funo no negativa K, denominada Kernel, que satisfaz as seguintes
condies:

K (x) 0 (3.8)

+
K (x) dx = 1 (3.9)

Neste trabalho, assume-se K como a funo normal de densidade de probabilidade


com varincia = 1 e mdia = 0:

1 2
1 x2
2

K (x) = e (3.10)
2
Assim, o seguinte estimador Kernel, e, portanto, a equao da estimativa da PDF,
determinado:

3 4
1 n
x Xi 1 n
f (x; h) = K = Kh (x Xi ) (3.11)
nh i=1 h n i=1

3 4
1 t
Kh (x) = K (3.12)
h h
onde h denominado parmetro de suavizao e positivo.
O parmetro h foi calculado a partir do mtodo de seleo de parmetro de sua-
vizao proposto por Botev, Grotowski e Kroese (2010).

3.3 Markov Modulated Fluid Model


O MMFM (Markov Modulated Fluid Model) tipicamente utilizado para modela-
gem de trfego (BOSMAN; MEI; NUNEZ-QUEIJA, 2012). Nesse modelo, o estado cor-
rente de uma Cadeia de Markov de nascimento-e-morte determina a taxa de fluxo de
pacotes. No estado s, o trfego chega a uma taxa s . O espao de estados da Cadeia de
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 42

Markov corresponde a um conjunto de nveis quantizados de taxas de chegada de trfego.


A Cadeia de Markov apresenta S + 1 estados, de zero a S, e a transio entre eles ocorre
com taxas exponenciais de transio, que dependem do estado atual. O nmero de estados
e as taxas de transio so determinadas a partir da mdia, da varincia e da funo de
autocovarincia da srie de trfego (ROCHA; SANTOS; VIEIRA, 2011).
No MMFM, a taxa exponencial i,j de transio do estado i para o estado j
dado pela equao 3.13, onde representa a taxa de nascimento e a taxa de morte do
processo de nascimento-e-morte.

Y
_
_
_
]
(S i), i = j 1
i,j = i, i=j+1 (3.13)
_
_
_
[ 0, c.c.

A probabilidade em estado estacionrio de que cheguem s pacotes em determinado


intervalo de tempo, ento, determinada pelo MMFM na equao 3.14, onde U o passo
de quantizao dos nveis de taxa de fluxo de pacotes (ROCHA; SANTOS; VIEIRA,
2011).

A B
S s
P { = sU } = f (s ) = p (1 p)Ss , p= (3.14)
s +

Uma distribuio binomial com parmetros mdia E(), varincia Z(0)


e autoco-

varincia Z( ) descreve o estado estacionrio de . Esses parmetros so dados, respecti-
vamente, por:

= SU p
E() (3.15)


Z(0) = SU 2 p(1 p) (3.16)

) = Z(0)e
Z( ()
(3.17)

onde corresponde variao do tempo.


A partir das equaes 3.14 a 3.17, pode ser definido um algoritmo para ajuste dos
parmetros S, U , e de acordo com a srie de trfego considerada. Um algoritmo para
tal fim foi apresentado em (ROCHA; SANTOS; VIEIRA, 2011). Os parmetros obtidos
definem um modelo MMFM do perfil de trfego considerado e, a partir deste modelo,
possvel gerar novas amostras.
Algoritmo: Ajuste dos parmetros do modelo MMFM
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 43

1. Calcular a mdia e a varincia da srie temporal de trfego real.

2. Calcular a funo de autocovarincia do trfego utilizando a equao 3.18, onde (t)


o processo de trfego no tempo t e a mdia da srie do processo de trfego.

Z( ) = E[((t) )((t + ) )] (3.18)

3. Encontrar o parmetro a do modelo utilizando um procedimento de Ajuste de Curva.


A funo de autocovarincia do trfego, dada pela equao 3.18, aproximada pela
equao 3.17, onde a = + , o que resulta na equao 3.19. Ou seja, neste passo
calcula-se o parmetro de uma funo exponencial que mais se aproxime da funo
de autocovarincia da srie de trfego sob um intervalo de confiana de 95%.

Z( ) = Z(0)ea (3.19)

4. O valor encontrado para a utilizado para calcular os parmetros e , a partir


das equaes 3.20 e 3.21. Neste passo, escolhido um valor para S. Observa-se que
a Cadeia de Markov possui S + 1 estados possveis.

aSZ(0)
= (3.20)
SZ(0) + E 2 ()

=a (3.21)

5. Uma vez obtidos os parmetros e , as taxas exponenciais da equao 3.13 so


calculadas.

6. Calcular U a partir da seguinte equao:

Z(0) E()
U= + (3.22)
E() S
7. Os valores dos parmetros obtidos so utilizados para gerar amostras do modelo
MMFM atravs de uma Cadeia de Markov de nascimento-e-morte.

3.4 Modelo Movimento Browniano Fractal (fBm)


No vero de 1827, Robert Brown, botnico e mdico escocs, observou ao micros-
cpio minsculos gros de plen de plantas suspensas em um fluido e notou incrementos
altamente irregulares. Verificou-se que partculas mais finas moviam-se mais rapidamente,
e que o movimento era estimulado pelo calor e pela diminuio da viscosidade do lquido.
Suas investigaes foram publicadas em A Brief Account of Microscopical Observations
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 44

Made in the Months of June, July and August 1827 (Um breve relato de observaes
microscpicas feitas nos meses de junho, julho e agosto de 1827). Ainda naquele sculo,
foi postulado que o movimento irregular era causado por um grande nmero de colises
entre os gros de plen e as molculas do lquido (que so microscopicamente pequenos
em relao ao plen). Os impactos ocorrem com muita frequncia mesmo em pequenos in-
tervalos de tempo, independentemente umas das outras, e o efeito de um acerto particular
considerado pequeno se comparado ao efeito total (WIERSEMA, 2008).
Por volta de 1900, Louis Bachelier, um estudante de doutorado em matemtica
na Sorbonne (Universiade de Paris), foi estudar o comportamento dos preos das aes
na bolsa de Paris e observou incrementos altamente irregulares. Ele desenvolveu a pri-
meira especificao matemtica do incremento relatado por Brown que foi usado como
um modelo para o incremento dos preos das aes. Na dcada de 1920, Norbert Wiener,
um fsico matemtico do MIT (Massachusetts Institute of Technology), desenvolveu a es-
trutura matemtica totalmente probabilstica para este modelo. Este tipo de incremento
passou a ser chamado de movimento browniano ou processo de Wiener. A proposio
do processo comumente denotada por B ou movimento Browniano W (WIERSEMA,
2008).
O nome movimento Browniano fractal veio de Mandelbrot e Van Ness, eles o
definiram como uma integral estocstica relacionada ao movimento Browniano padro
(MANDELBROT; NESS, 1968) (SOTTINEN; VALKEILA, 2001):

t
Zt = k(t, s) dWs (3.23)

para um dado kernel determinstico k dependente de H (parmetro de Hurst), onde W


representa um processo de Wiener (movimento Browniano padro) definido em (, ),
e t e s so dois instantes de tempo (intervalos de tempo).
Alm da representao pela integral de Mandelbrot e Van Ness do movimento
Browniano fractal, utiliza-se tambm representao semelhante onde a integrao assume
um intervalo finito [0, t] (SOTTINEN; VALKEILA, 2001) (WIERSEMA, 2008):

t
Zt = z(t, s) dWs (3.24)
0

onde:

C3 4 1 3 4 D
t H 2 H 12 1 1 H t 1 H 3 12
z(t, s) = c1 (t s) H s2 u 2 (u s)H 2 du (3.25)
s 2 s

Um movimento Browniano fractal (fBm), um processo Gaussiano de tempo con-


tnuo BH (t) em [0, T ], que comea em zero, tem mdia zero em [0, T ], apresentando a
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 45

seguinte funo de covarincia (RAO, 2010):

1 1 2H 2
E [BH (t)BH (s)] = |t| + |s|2H |t s|2H (3.26)
2
onde H o parmetro de Hurst (um nmero real entre 0 e 1), e seu valor determina
algumas caractersticas importantes para o processo fBm.
Para H = 12 , os incrementos so independentes, para H > 12 os incrementos so
positivamente correlacionados (o processo dito como sendo autossimilar) e para H < 12 os
incrementos so negativamente correlacionados (no existe autocorrelao) (MISHURA,
2008) (CLEGG, 2005).
A integral estocstica para t 0 definida por Mandelbrot e Van Ness tambm
pode ser definida pela equao (PELTIER; VEHEL, 1995):

; 0 1 t1 <
1 1 1 2 1 2
BH (t) = 1
1
2 (t s)H 2 (s)H 2 dW (s) + (t s)H 2 dW (s)
H+ 2
0

(3.27)
onde W representa um processo de Wiener definido em (, ).
Os fractais so estruturas complexas caracterizadas por trs aspectos sempre pre-
sentes. O primeiro quanto classificao dos fractais, por meio do conceito de dimenso
fractal, que representa uma ruptura com a geometria e as topologias tradicionais, pois
permite que um objeto tenha como dimenso um valor no inteiro. A segunda caracte-
rstica dos fractais a autossimilaridade, onde um fractal invariante por mudana de
escalas, ou seja, se uma parte do fractal for ampliada, tem-se uma figura similar a figura
que se tinha antes, a Figura 11 mostra um exemplo de fractal. A terceira caracterstica
diz respeito maneira como os fractais so construdos, na construo de um fractal, um
determinado procedimento se repete infinitamente (WILLINGER et al., 1995).

3.4.1 Parmetro de Hurst


O parmetro de Hurst utilizado em vrias reas da matemtica aplicada, in-
cluindo os fractais e a teoria do caos (OLIVEIRA; MENDES, 2006). Utiliza-se para ca-
racterizar processos de memria longa e na anlise espectral. A estimativa do parmetro de
Hurst foi originalmente desenvolvida em hidrologia e tem sido aplicado em reas que vo
desde a biofsica at redes de computadores. Porm, as modernas tcnicas para estimao
do parmetro de Hurst vm da matemtica fractal (OLIVEIRA; MENDES, 2006).
Embora o parmetro de Hurst seja bem definido matematicamente, a sua esti-
mao problemtica. Todos os estimadores so vulnerveis s tendncias dos dados, a
periodicidade e outras fontes de erros. Muitos estimadores assumem formas especficas
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 46

Figura 11: Polgono composto de cpias repetidas de um pentagrama (LAUWERIER,


1991)

para cada aplicao. Neste trabalho utilizou-se o software SELFIS para estimao do pa-
rmetro de Hurst. O SELFIS (Self-similarity analysis, anlise de autossimilaridade) um
software baseado em Java para a estimao de autossimilaridade e anlise de trfego LRD
(Long Range Dependency, Longa dependncia). Este software distribudo gratuitamente
comunidade (disponvel em http://alumni.cs.ucr.edu/~tkarag) e atualmente, inte-
gra vrias metodologias de estimao de LRD (KARAGIANNIS, 2010).

3.4.2 Funo de Autocorrelao


A funo de autocorrelao representa o grau de correlao de uma varivel, em
um instante de tempo, com ela mesma e em um instante de tempo posterior. Esta funo
permite que se analise o grau de irregularidade de um sinal.
A funo de autocorrelao (k) para uma srie estacionria {Xt t N } dada
pela equao (CLEGG, 2005):

E [(Xt ) (Xt+k )]
(k) = (3.28)
2
onde E[Xt ], e 2 so respectivamente a esperana matemtica, a mdia e a varincia de
q
Xt . As sries de tempo Xt so ditas de longa dependncia se k= (k) divergir. Muitas
vezes, a forma da funo pode ser especificada por (CLEGG, 2005):

(k) C k (3.29)

onde C > 0 e (0, 1) e o smbolo significa assintoticamente igual, com f (x)


Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 47

(x)
g(x) fg(x) = 1 com x 0 (CLEGG, 2005). O parmetro relacionado ao parmetro
de Hurst e dado pela equao (BATISTA, 2006):

= 2 2H (3.30)

3.5 Processos Multifractais


A teoria multifractal foi apresentada por Mandelbrot no contexto de turbulncia
nos anos 70. A partir de ento a teoria multifractal passou a ser usada em vrios campos
como o processamento de imagem, geofsica, etc. Para o trfego de redes ser considerado
multifractal, preciso o mesmo possuir uma estrutura de forte dependncia inerente, com
incidncia de rajadas em vrias escalas (PARK; WILLINGER, 2000). Quando encontra-
das essas caractersticas, o desempenho da rede pior que o considerado por modelos
Gaussianos e de curta-dependncia. O conceito de multifractalidade se estende facilmente
aos processos estocsticos (VIEIRA; LING, 2008).
Para um processo estocstico X(t) ser multifractal necessrio que se satisfaa a
equao (VIEIRA; LING, 2007):

E [|X(t)|q ] = c(q)t (q)+1 (3.31)

onde t e q so intervalos da reta real, (q) e c(q) so funes no domnio Q. Alm disso,
supe-se que T e Q possuam comprimentos positivos, e que 0 T , [0, 1] Q.
A multifractalidade pode ser descrita em termos de momentos em que (q) a
funo de escala e c(q) o fator de momento de um processo multifractal. Se (q) linear
em q, o processo monofractal, seno multifractal. Para processos auto-similares com
parmetro de Hurst H, pode-se mostrar que (q) = qH 1 e c(q) = E [|X(1)|q ].

3.6 Modelo Movimento Browniano Multifractal (mBm)


O modelo mBm (movimento Browniano multifractal) introduzido em Peltier e
Vehel (1995) uma generalizao do modelo de movimento Browniano fractal (fBm). Esta
generalizao ocorre com a troca do parmetro de Hurst (H) por uma funo denominada
expoente de Hlder H(t), introduzindo uma dependncia entre a regularidade local e o
instante de tempo t. Ou seja, enquanto a regularidade local num processo fBm a mesma
(constante), em um processo mBm, ela varia ao longo do tempo, sendo tambm definida
pelo valor do expoente de Hlder H(t).
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 48

O modelo mBm, apesar de ser uma generalizao do processo fBm, possui algu-
mas propriedades diferentes das do fBm. Um exemplo disso a no estacionaridade dos
incrementos do processo mBm. As propriedades do processo mBm so:

Dada uma funo de Hlder H(t), o processo mBm W (t) com H(t) associada
contnuo;

O processo mBm W (t) com funo de Hlder H(t) associada apresenta autossimi-
laridade local (local assintotic self-similar) (MELO; FONSECA, 2004), ou seja:

I J
W (t + u) W (t)
lim+ = BH(t) (u) (3.32)
0 H(t) uR+
uR+

onde BH(t) (u) um processo fBm com parmetro de Hurst H = H(t), o valor da
funo H(t) no instante de tempo t.

3.6.1 Expoente de Hlder e o Modelo mBm


O expoente de Hlder capaz de descrever o grau de singularidade local de um
processo, o que interessante para a caracterizao das rajadas de dados em sries de
trfego de redes (GUVEL; VHEL, 2010).
Sejam (X, dX ) e (Y, dY ) espaos mtricos. Uma funo f : X Y dita uma
funo de Hlder com expoente > 0, se para cada x, y X com dX (x, y) < 1 tem-se:

dY (f (x), f (y)) cdX (x, y) (3.33)

para qualquer constante c > 0.


Seja H : (0, ) (0, 1) uma funo de Hlder com expoente > 0. O movimento
Browniano multifractal um processo Gaussiano definido em (0, ) e descrito por Peltier
e Vehel (1995):

WH (t) =
; 0 1 t1 <
1 H(t) 12 H(t) 12
2
H(t) 12
2
1
1
2 (t s) (s) dB(s) + (t s) dB(s)
H(t) + 2
0

(3.34)

onde B(s) representa o movimento Browniano.


Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 49

3.7 Modelo Cascatas Multiplicativas


Um dos modelos que possuem caractersticas capazes de modelar as propriedades
de um processo multifractal so as cascatas multiplicativas. A construo de uma cascata
multiplicativa baseada na criao iterativa do processo em escalas mais finas, a partir
de escalas mais amplas, de forma multiplicativa.
O modelo de cascatas multiplicativas originou-se do modelo conhecido como cas-
cata binomial. Este modelo (cascatas multiplicativas), um mtodo para se obter um
processo multifractal, que consiste de um procedimento iterativo no intervalo compacto
[0, 1] e para m0 e m1 (multiplicadores da cascata) dois nmeros positivos cuja soma
1. No estgio inicial k = 0 da cascata, se obtm a medida inicial 0 do processo com
distribuio de probabilidade uniforme em [0, 1]. No prximo estgio k = 1, a medida
1 distribui massa utilizando a distribuio uniforme, sendo m0 no subintervalo [0, 12 ] e
massa igual a m0 em [ 12 , 1]. Em k = 2, o intervalo [0, 12 ] subdividido em [0, 14 ] e [ 14 , 12 ] e
o mesmo acontece com intervalo [ 12 , 1] (VIEIRA; LING, 2008).
q
Considere o intervalo didico [t, t + 2k ] em que t = 0, 1 , 2 , , k = ki=1 i 2i
Sejam 0 e 1 as frequncias relativas de 0s e 1s no desenvolvimento da cascata. A
medida no intervalo didico dada por:


t, t + 2k = mk 0
0 m1
k1
(3.35)

Este processo preserva a massa dos intervalos didicos em cada estgio, por isso
chamado de cascata conservativa ou microcannica. Em cada estgio da cascata os
intervalos podem ser divididos em intervalos de b 2 com tamanho igual, este processo
definido como cascata multinomial. Se os multiplicadores usados tiverem valor fixo para
m0 e b = 2, ento a cascata multiplicativa binomial determinstica com funo com
escala: (q) = log2 (mq0 mq1 ) + 1 (VIEIRA; LING, 2008).

Figura 12: Processo de construo da cascata binomial (VIEIRA; LING, 2008)

Estgio 0
0 1

m0 m1 Estgio 1

0 1/2 1

m 02 m0 m m m
1 1 0 m 21 Estgio 2

0 1/4 1/2 3/4 1


Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 50

Ao se permitir que os multiplicadores da cascata r sejam variveis aleatrias inde-


pendentes em [0, 1], com densidade de probabilidade fR (x), obtm-se uma estrutura mais
geral que a determinstica, onde os multiplicadores so valores fixos (Figura 12). Desta
forma, o processo multifractal obtido {(t tk )}2k=1 ter no estgio k da cascata um inter-
N

q
valo didico de comprimento tk = 2k , que comea em t = 0, 1 , 2 , , k = ki=1 i 2i ,
a medida :

( tk ) = R(1 )R(1 , 2 ) R(1 , 2 , , k ) (3.36)

onde R(1 , 2 , , k ) o multiplicador no estgio k da cascata. Uma vez que os multi-


plicadores r so independentes e identicamente distribudos (i.i.d.), pode-se demonstrar
que a medida satisfaz a seguinte relao de escala:

log2 E[Rq ]
E [( tk )q ] = (E [R]q ) = (3.37)
k
tk

Esta relao define um processo multifractal com funo de escala (q) = log2 E[Rq ].

3.8 Modelo MWM


O modelo multifractal MWM (Multifractal Wavelet Model) proposto por Riedi et
al. (1999) baseado na wavelet (funo utilizada para decompor e descrever processos)
de Haar para caracterizao de trfego de redes cuja restrio de estrutura construda
por um modelo Wj,k .

Wj,k = Aj,k Uj,k (3.38)

onde Aj,k a varivel aleatria suportada no intervalo [1, 1], e Uj,k representa uma
aproximao de X(t) para resoluo de 2j .
O MWM uma cascata multiplicativa no domnio wavelet. A transformada wa-
velet discreta (DWT - Discrete Wavelet Transform) usada neste modelo devido a sua
capacidade de representao multi-escala de sinais. A anlise do MWM define uma base
ortogonal dada por (CHUI, 1995):

(s,l) (x) = 2 2 (2s x l) (3.39)


s

onde s e l so nmeros inteiros de tamanho e dilatao da funo para gerao de


wavelets.
Na obteno de um processo segundo o modelo MWM preciso aplicar a trans-
formada wavelet discreta ao trfego de rede, calcular os momentos de segunda ordem dos
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 51

coeficientes wavelet em cada escala, a mdia e a varincia dos coeficientes na escala de


maior resoluo e calcular pj , varivel usada para capturar o decaimento de energia dos
coeficientes wavelet em escala (RIBEIRO et al., 2000).
O MWM aproxima com eficincia as propriedades do fluxo de trfego original em
relao distribuio marginal (produz distribuio aproximadamente lognormal) e sua
estrutura de correlao; tendo grande destaque na modelagem de trfego (VIEIRA; LING,
2008) (RIEDI et al., 1999).

3.9 Modelo AWMM


O AWMM (Adaptive Wavelet Based Multifractal Model, Modelo Adaptativo Mul-
tifractal Baseado em Wavelet) proposto por Vieira e Lee (2009) um modelo desenvolvido
baseado em algumas propriedades da wavelet de Haar e em cascatas multiplicativas. Este
modelo multifractal, possui algumas vantagens sobre alguns modelos existentes em termos
de poucos parmetros de entrada e capacidade de atualizao online.
O AWMM consiste em estimar o coeficiente de segunda ordem do momento da
wavelet de Haar do produto par a par de amostras de uma cascata e amostras indepen-
dentes e identicamente distribudas (i.i.d.) de uma varivel aleatria positiva e em seguida,
obter os valores dos multiplicadores Aj,k a fim de capturar a relao de energia wavelet
2
E(Wj,k ) . Ou seja, este modelo capaz de capturar simultaneamente a funes (q) e c(q)
de processos multifractais e tambm o coeficiente de queda de energia wavelet (VIEIRA;
LEE, 2009).
Para comparar as caractersticas auto-similares e as caractersticas multifractais
estatstica do modelo AWMM para aquelas do trfego real, bem como s do modelo MWM,
alguns testes foram realizados com dados estatsticos, tais como funo de autocorrelao
e espectro multifractal, conforme pode ser observado em Vieira e Lee (2006).

3.10 Modelo CGMD


O modelo CGMD (Cascade with Generalized Multiplier Distributions, Cascata com
Multiplicador com Distribuio Generalizada) introduzido por Vieira e Lee (2006) apre-
senta multiplicadores determinados atravs de suas densidades de probabilidade estimadas
a partir dos fluxos reais de trfego de rede usando o mtodo de Kernel e o mtodo de
Aceitao/Rejeio para obteno de amostras segundo a PDF obtida.
A funo densidade de probabilidade estimada pode ser paramtrica ou no pa-
ramtrica, assumindo ou no que os dados so extrados de uma distribuio conhecida,
respectivamente. Vieira e Lee (2006) seguiram a abordagem no-paramtrica para estimar
os multiplicadores da cascata com base em dados observados.
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 52

O mtodo de sntese CGMD consiste em um processo de cascata multiplicativa


assumindo diferentes distribuies de multiplicadores em cada cascata. O procedimento
envolve o processo de valor agregado obtido na escala mais grosseira da cascata, a densi-
dade de probabilidade dos multiplicadores estimados pelo mtodo de Kernel e os multipli-
cadores obtidos em cada fase, pelo mtodo de Aceitao/Rejeio. Utiliza-se uma mistura
Gaussiana para modelar a densidade de probabilidade real dos multiplicadores.

3.11 Simulaes e Resultados: Avaliao dos Modelos de Trfego


Neste trabalho, o sistema OFDM-TDMA estudado no estado estacionrio. Logo,
assume-se que o processo de chegada de pacotes em regime permanente no sistema de filas
considerado seja um processo estocstico estacionrio de 1a ordem. Dessa forma, pode ser
estimada uma funo densidade de probabilidade de uma varivel aleatria que descreva
bem o comportamento do trfego de entrada do usurio. Portanto, so analisados trs
modelos de trfego que sero posteriormente integrados ao modelo do sistema OFDM-
TDMA: modelo de Poisson, mtodo de Kernel e MMFM.
O trfego real de redes IP apresenta elevada ocorrncia de rajadas em vrias escalas
e longa dependncia entre as amostras. O modelo de processo Poisson ineficiente ao
descrever tais caractersticas, como relatado por Paxson e Floyd (1995), o que torna a
proposta deste trabalho interessante para aplicaes reais.
Com o objetivo de avaliar o desempenho das tcnicas de modelagem de trfego
consideradas neste trabalho, foram consideradas trs sries de amostras reais de trfego
de redes IP: uma, que ser aqui referenciada como voip-call-1, colhida em laboratrio
a partir de chamadas VoIP, outra, aqui referenciada como dec-pkt-1, colhida a partir
de trfego TCP/IP da rede da Digital Equipment Corporation (WRL, 1995) e outra,
chamada de new-zealand-isp, composta por trfego TCP e UDP capturado de um ISP da
Nova Zelndia (WAND, 2010).
Cada amostra das sries registra a quantidade de bytes que formam o pacote
transmitido. Neste experimento, considerou-se que as amostras foram coletadas a cada
milissegundo. Os primeiros 1500 valores de cada uma das sries de trfego consideradas
so mostrados nas Figuras 13, 14 e 15.
Nas Figuras 16, 18 e 20 so exibidos o histograma e as estimativas da funo
densidade de probabilidade das sries de trfego consideradas obtidas com o modelo de
Poisson, com o mtodo de kernel e com MMFM. As respectivas funes de probabilidade
acumulada so mostradas nas Figuras 17, 19 e 21. O histograma considerado uma esti-
mativa simples da funo densidade de probabilidade real da srie, no entanto, por ser um
mtodo no-paramtrico, reproduz detalhes especficos e infere bem a o comportamento
da varivel aleatria em questo.
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 53

Figura 13: Nmero de pacotes que chegam em cada frame considerando a srie voip-call-1

160

140

120
Nmero de pacotes

100

80

60

40

20

0
0 500 1000 1500
Frame (x 20ms)

Figura 14: Nmero de pacotes que chegam em cada frame considerando a srie dec-pkt-1

85

80

75

70
Nmero de pacotes

65

60

55

50

45

40
0 500 1000 1500
Frame (x 100ms)
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 54

Figura 15: Nmero de pacotes que chegam em cada frame considerando a srie new-
zealand-isp

140

120

100
Nmero de pacotes

80

60

40

20

0
0 500 1000 1500
Frame (x 10ms)

Figura 16: Funo densidade de probabilidade que descreve a srie voip-call-1

0.045
MMFM
0.04 Mtodo de Kernel
Modelo de Poisson
0.035 Histograma

0.03
Probabilidade

0.025

0.02

0.015

0.01

0.005

0
0 50 100 150 200
Trfego de entrada do usurio (pacotes/ frame)

Observa-se que a estimativa obtida a partir da distribuio de Poisson no reproduz


detalhes especficos da varivel aleatria. Como mostrado na Figura 16, na escala de tempo
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 55

Figura 17: Funo de probabilidade acumulada que descreve a srie voip-call-1

1
MMFM
0.9 Mtodo de Kernel
Modelo de Poisson
0.8 Histograma

0.7
Probabilidade

0.6

0.5

0.4

0.3

0.2

0.1

0
0 50 100 150 200
Trfego de entrada do usurio (pacotes/ frame)

Figura 18: Funo densidade de probabilidade que descreve a srie dec-pkt-1

0.07
MMFM
Mtodo de Kernel
0.06 Modelo de Poisson
Histograma
0.05
Probabilidade

0.04

0.03

0.02

0.01

0
0 50 100 150 200
Trfego de entrada do usurio (pacotes/ frame)

analisada, o histograma mostra que a funo densidade de probabilidade real define duas
regies claramente distintas com maior incidncia de eventos. Esta caracterstica no
visualizada na curva obtida com o modelo poissoniano.
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 56

Figura 19: Funo de probabilidade acumulada que descreve a srie dec-pkt-1

1
MMFM
0.9 Mtodo de Kernel
Modelo de Poisson
0.8 Histograma

0.7
Probabilidade

0.6

0.5

0.4

0.3

0.2

0.1

0
0 50 100 150
Trfego de entrada do usurio (pacotes/ frame)

Figura 20: Funo densidade de probabilidade que descreve a srie new-zealand-isp


0.05
MMFM
0.045 Mtodo de Kernel
Modelo de Poisson
0.04 Histograma

0.035
Probabilidade

0.03

0.025

0.02

0.015

0.01

0.005

0
20 40 60 80 100 120 140 160 180 200
Trfego de entrada do usurio (pacotes/ frame)

De forma geral, como relatado por Paxson e Floyd (1995), sries de trfego real
no seguem o modelo de Poisson. Esta limitao torna o modelo pouco til em aplicaes
reais.
O mtodo de Kernel, sendo uma generalizao do histograma e aplicado direta-
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 57

Figura 21: Funo de probabilidade acumulada que descreve a srie new-zealand-isp


1

0.9

0.8

0.7
Probabilidade

0.6

0.5

0.4

0.3

0.2 MMFM
Mtodo de Kernel
0.1 Modelo de Poisson
Histograma
0
20 40 60 80 100 120 140 160 180 200
Trfego de entrada do usurio (pacotes/ frame)

mente sobre as amostras da srie, fornece uma estimativa mais prxima da funo den-
sidade de probabilidade real (WEBB; COPSEY, 2011). O mtodo de Kernel foi aplicado
s sries em questo utilizando 256 centrides. Nota-se que a curva obtida descreve a
densidade de probabilidade do processo de chegada de trfego com mais detalhes que o
modelo poissoniano, aproximando-se mais do comportamento descrito pelo histograma.
As Figuras 22, 23 e 24 mostram as amostras reais e as geradas com trs modelos
distintos: o MMFM, o mtodo de Kernel e o modelo de Poisson. As Tabelas 3, 4 e 5
apresentam uma comparao entre as principais estatsticas das sries temporais reais e
sintticas. Como pode ser observado, os parmetros estatsticos calculados para as sries
sintticas geradas com o MMFM e com o mtodo de Kernel se aproximam mais dos
parmetros calculados para as sries reais.
As Figuras 25, 26 e 27 mostram a funo de autocorrelao das sries reais e
sintticas. Observa-se que o MMFM apresenta uma funo de autocorrelao mais prxima
da obtida para o trfego real do que os outros modelos considerados. O MMFM, ao
tentar agregar ao modelo a relao de dependncia das transies entre os nveis de taxas,
consegue modelar significativamente a correlao temporal do processo de chegada de
trfego.
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 58

Figura 22: Taxa de fluxo de pacotes da srie voip-call-1

200
Trfego real

150

100

50

0
0 200 400 600 800 1000
Trfego sinttico MMFM

200

150

100

50

0
0 200 400 600 800 1000
Trfego sinttico Poisson Trfego sinttico Kernel

200

150

100

50

0
0 200 400 600 800 1000

200

150

100

50

0
0 200 400 600 800 1000
Amostra
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 59

Figura 23: Taxa de fluxo de pacotes da srie dec-pkt-1

100
Trfego real

80

60

40
0 200 400 600 800 1000
Trfego sinttico MMFM

100

80

60

40

20
0 200 400 600 800 1000
Trfego sinttico Poisson Trfego sinttico Kernel

100

50

0
0 200 400 600 800 1000

100

80

60

40
0 200 400 600 800 1000
Amostra
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 60

Figura 24: Taxa de fluxo de pacotes da srie new-zealand-isp

150
Trfego real

100

50

0
0 200 400 600 800 1000
Trfego sinttico MMFM

150

100

50

0
0 200 400 600 800 1000
Trfego sinttico Poisson Trfego sinttico Kernel

150

100

50

0
0 200 400 600 800 1000

150

100

50

0
0 200 400 600 800 1000
Amostra
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 61

Tabela 3: Parmetros estatsticos - Srie voip-call-1

Trfego sint. Trfego sint. Trfego sint.


Estatstica Trfego real
MMFM Kernel Poisson
Varincia 313,5448 332,6565 549,7678 97,4583
Mdia
97,6224 96,3088 99,2430 97,6776
(pacotes/f)
Desvio padro 17,7072 18,2389 23.4471 9,8721
Mximo
160 172 160 144
(pacotes/f)
Mnimo
3 0 3 57
(pacotes/f)
Mximo /
1,6390 1,7859 1,6122 1,4742
Mdia
Coeficiente
- 0,1262 0.0003 -0,0063
de correlao
Autossimilaridade
0.8069 0.7962 0.5143 0.4929
(Parmetro de Hurst)

Tabela 4: Parmetros estatsticos - Srie dec-pkt-1

Trfego sint. Trfego sint. Trfego sint.


Estatstica Trfego real
MMFM Kernel Poisson
Varincia 70,0245 74,4357 185,0711 64,3747
Mdia
64,0353 63,6115 60,5110 64,0253
(pacotes/f)
Desvio padro 8,3681 8,6276 13,6041 8,0234
Mximo
90 96 90 104
(pacotes/f)
Mnimo
5 0 5 32
(pacotes/f)
Mximo /
1,4055 1,5092 1,4873 1,6244
Mdia
Coeficiente
- 0,2823 0,0810 -0,0001
de correlao
Autossimilaridade
0.8449 0.8069 0.5008 0.4958
(Parmetro de Hurst)
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 62

Tabela 5: Parmetros estatsticos - Srie new-zealand-isp

Trfego sint. Trfego sint. Trfego sint.


Estatstica Trfego real
MMFM Kernel Poisson
Varincia 429,0579 456,2583 642,8697 650,0362
Mdia
66,0052 63,2548 70,8892 70,6485
(pacotes/f)
Desvio padro 20,7137 21,3602 25,3549 25,4958
Mximo
162 162 161 162
(pacotes/f)
Mnimo
5 0 5 5
(pacotes/f)
Mximo /
2,4544 2,5611 2,2712 2,2930
Mdia
Coeficiente
- 0,2352 0,0059 0,0050
de correlao
Autossimilaridade
0.9443 0.7134 0.5049 0.4825
(Parmetro de Hurst)

Figura 25: Funo de autocorrelao da srie voip-call-1

Trfego real
1.2
MMFM
Mtodo de Kernel
1 Modelo de Poisson
Funo de autocorrelao

0.8

0.6

0.4

0.2

0 50 100 150 200 250 300


Diferena no tempo
Captulo 3. Modelagem de Fluxos de Trfego de Redes de Computadores 63

Figura 26: Funo de autocorrelao da srie dec-pkt-1

1.2
Trfego real
MMFM
1 Mtodo de Kernel
Modelo de Poisson
Funo de autocorrelao

0.8

0.6

0.4

0.2

0 50 100 150 200 250


Diferena no tempo

Figura 27: Funo de autocorrelao da srie new-zealand-isp

700
Trfego real
MMFM
600 Mtodo de Kernel
Modelo de Poisson
Funo de autocorrelao

500

400

300

200

100

0
0 20 40 60 80 100
Diferena no tempo
64

4 Anlise de Desempenho de Sistemas


OFDM-TDMA Utilizando Cadeias de Mar-
kov

Neste captulo, prope-se um modelo baseado em Cadeias de Markov para anlise


de desempenhos de sistemas de comunicao OFDM-TDMA. Primeiramente, o cenrio
especfico estabelecido. Em seguida, modela-se, a transmisso no canal OFDM consi-
derando modulao e codificao adaptativa num canal com desvanecimento rpido de
Rayleigh. Ento, a partir da funo massa de probabilidade obtida para a taxa de trans-
misso total no canal e da funo massa de probabilidade obtida para a taxa de chegada
de pacotes, um modelo do comportamento da fila do usurio no sistema OFDM-TDMA
desenvolvido. Deste so derivados alguns indicadores de desempenho do sistema.

4.1 Modelo do Sistema OFDM-TDMA


O sistema considerado envolve uma estao base conectada a vrias estaes assi-
nantes (Figura 28). O cenrio envolve a transmisso downlink em um canal baseado na
tecnologia OFDM-TDMA para promover acesso a mltiplas estaes assinantes. A imple-
mentao do mltiplo acesso por diviso de tempo feita com escalonamento round-robin
e todos os usurios so atendidos com perodos de igual durao, assim como feito em
(NIYATO; HOSSAIN, 2005). H N usurios compartilhando um canal com M subpor-
tadoras. Cada usurio possui um prprio buffer localizado na estao base com tamanho
estabelecido onde o trfego de entrada armazenado. O modelo deste sistema ilustrado
na Figura 29.
Num ciclo de transmisso, o canal alocado para cada usurio durante uma janela
de tempo para envio de um frame, totalizando, assim, N frames transmitidos ao final do
ciclo. A durao de um intervalo de tempo dedicado a um usurio de T segundos. Como
ilustrado na Figura 8, o nmero de pacotes transmitidos num frame pode ser diferente
dependendo do nvel de modulao utilizado em cada subportadora. Pequenos intervalos
de tempo so inseridos entre as transmisses de cada usurio com o intuito de evitar
interferncia.
O sistema representado considera apenas a transmisso no downlink, porem, o
mtodo TDMA pode suportar comunicao duplex com diviso no tempo (TDMA/TDD)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 65

Figura 28: Cenrio do sistema considerado: uma Estao Base conectada a vrias Estaes
Assinantes

Estao Base

Figura 29: Modelo da Transmisso OFDM-TDMA


Buffer
Entrada 1
C1
Sistema de Transmisso
Buffer Sada do
Entrada 2 OFDM/TDMA
C2 Sistema
Round Canal
Robin

Buffer
Entrada n
Cn

dedicando alguns intervalos de tempo do canal para transmisso no uplink.

4.2 Transmisso OFDM


Considera-se, neste trabalho, que o transmissor possui informaes a respeito da
qualidade do canal (como a relao sinal-rudo, ou signal-to-noise ratio, SNR) no ato
da transmisso de um frame, o que possibilita a utilizao de modulao e codificao
adaptativas. Estas informaes podem ser obtidas atravs do sinal piloto (COLERI et al.,
2002).
Mediante o uso de modulao e codificao adaptativas, o nmero mximo de bits
de informao por smbolo amostrado (Hz) que uma subportadora m pode transmitir
para um usurio n durante um smbolo OFDM no tempo t pode ser escrito em funo
da SNR e da probabilidade de erro de bit (Bit Error Rate, BER). Apesar de haver vrias
aproximaes desta funo, todas elas so limitadas superiormente pela seguinte expresso
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 66

do nvel de modulao (QIU; CHAWLA, 1999):

E A BF
1, 5
cm,n (t) = log2 1+ m,n (t) (4.1)
ln (5Pber )

onde m,n (t) a SNR instantnea num smbolo OFDM transmitido durante t para uma
subportadora m e usurio n, e Pber a probabilidade de erro de bit.
Seja C o nvel de modulao mximo possvel. Os nveis de SNR podem ser divi-
didos em C + 1 intervalos consecutivos e disjuntos com limites definidos como c , onde
c = 0, 1, ..., C. Cada regio definida equivale a um nvel de modulao. Dessa forma,
quanto maior a leitura da SNR, maior ser o nvel de modulao utilizado. Os limites
desses intervalos no dependem dos usurios ou das subportadoras pelas quais ocorrer
a transmisso, mas apenas do nvel de modulao. Ento, a partir da equao 4.1, estes
limites podem ser obtidos como:

(2c 1) ln (5Pber )
= (4.2)
1, 5
c

O maior nvel de modulao utilizado desde que a probabilidade de erro de bit se


mantenha abaixo do limiar estabelecido. Dessa forma, o nvel de modulao c utilizado
quando c m,n c+1 . Quando o nvel de modulao zero (c = 0), nenhum pacote
transmitido.
considerado que a potncia de transmisso fixa e que o canal sofre desvaneci-
mento rpido tipo Rayleigh. A mdia invariante no tempo da SNR para a subportadora
m e usurio n chamada m,n . A SNR recebida, m,n , , ento, uma varivel aleatria
com a seguinte densidade de probabilidade:

A B
1 2 1
p m,n = exp m,n (4.3)
m,n m,n

Assim, a probabilidade de um nvel de modulao c ser escolhido para uma sub-


portadora m e usurio n dada como:

A B A B
c+1 1 2
P cm,n (c) = p m,n d m,n = exp exp (4.4)
c c+1
c m,n m,n

Em cada frame transmitido com durao T , o nmero de pacotes r que podem ser
transmitidos definido em funo do nvel de modulao:

E F
T c f
r (c) = (4.5)
L
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 67

onde f = M B
, B a largura de banda do canal de transmisso, M o nmero de
subportadoras que compem o canal OFDM e L o tamanho do pacote transmitido em
bits.
Para um usurio n, a probabilidade de se utilizar uma determinada taxa de trans-
misso de pacotes rm numa subportadora m pode ser calculada da seguinte forma:


P rm,n (rm ) = P cm,n (c) (4.6)
rm =r(c)

onde c = 0, 1, 2, ..., C, rm = 0, 1, 2, ..., R e R = T C f
L
.
Para o usurio n, a funo massa de probabilidade da taxa de transmisso de
pacotes durante um frame numa subportadora m obtida como na equao 4.7:


rm,n = P rm,n (0) P rm,n (1) P rm,n (2) P rm,n (R) (4.7)

Ento, a funo massa de probabilidade da taxa de transmisso total (Rn ), envol-


vendo todas as M subportadoras do canal dedicado ao usurio n, dada pela convoluo
das funes massa de probabilidade das taxas de transmisso de cada subportadora.

Rn = r1,n r2,n ... rM,n (4.8)

4.3 Formulao do Modelo baseado em Cadeias de Markov para o


Sistema de Filas
Foi desenvolvido um modelo analtico baseado em Cadeias de Markov de Tempo
Discreto para analisar o desempenho do sistema de fila de um usurio especfico que se
encontra em estado estacionrio. Dessa forma, dadas as funes massa de probabilidade
da taxa de transmisso total e do trfego de chegada (que, neste caso, estimada a partir
do mtodo de Kernel ou do MMFM), o modelo proposto pode ser aplicado a qualquer
uma das filas.
Na definio do modelo, assumido que os estados da fila so observados ao final de
cada janela de tempo onde ocorre a transmisso do frame. Os intervalos de tempo inseridos
entre as transmisses de cada frame so desconsiderados para simplificar o modelo, uma
vez que so muito inferiores ao tempo dedicado transmisso do frame. No entanto,
esse intervalo pode ser inserido no modelo ao dedicar uma janela de tempo com taxa de
transmisso nula, onde no h atendimento a nenhum usurio, que equivalha ao intervalo.
Neste trabalho, o sistema OFDM-TDMA estudado no estado estacionrio. Por-
tanto, assume-se que o processo de chegada de pacotes em regime permanente no sistema
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 68

de filas considerado seja um processo estocstico estacionrio de 1a ordem. Dessa forma,


pode ser estimada uma funo de densidade de probabilidade de uma varivel aleatria
que descreva bem o comportamento do trfego de entrada do usurio.
O trfego de entrada de cada usurio modelado a partir de sries de amostras
reais de trfego de redes IP. A srie deve possuir os valores agregados a cada T segundos,
a durao da transmisso de um frame. A partir disso, o mtodo de Kernel ou o MMFM
aplicado e, ento, obtida uma funo de densidade de probabilidade f (v) que descreve
o processo de chegada de pacotes para cada usurio em estado estacionrio. A funo de
distribuio acumulada, por sua vez, denominada F (v).
Considera-se, ainda, um nmero V correspondente ao mximo de pacotes que pode
entrar na fila de transmisso durante um frame. A probabilidade de chegar V pacotes
definida como f (V ) = 1 F (V 1).
O comportamento da fila de pacotes de um usurio pode ser modelado como um
processo de quase nascimento e morte (LEEUWAARDEN; SQUILLANTE; WINANDS,
2009) e, dado o domnio discreto do tempo, uma matriz de probabilidade de transio
da Cadeia de Markov, P (de elementos px,x ), pode ser definida. Esta matriz dada pela
equao 4.9, onde R a maior taxa de transmisso total e V o nmero mximo de pacotes
que pode entrar na fila de transmisso durante um frame.
A matriz P quadrada e suas linhas representam o nmero de pacotes (x) na fila,
enquanto os valores px,x representam a probabilidade de transio da fila do estado x
para x , ou seja, de x pacotes no presente para x pacotes no incio da transmisso do
prximo frame.
Uma vez definida a matriz de transio P, pode-se estimar as probabilidades do
sistema se encontrar em cada estado em regime permanente e, a partir disso, determinar
vrios parmetros de qualidade de servio.
p0,0 p0,1 p0,V 0 0
S T

.. .. .. ..
p1,0 p1,1 p1,2 p1,1+V 0 . . . . 0
W X

.. .. .. .. .. .. .. .. .. .. ..
W X

. . . . . . . . . . .
W X
W X
W X

... ...
pR,0 pR,R1 pR,R pR,R+1 pR,R+V 0 0
W X
W X

W X
W X

...
0 pR+1,1 pR+1,R1 pR+1,R+1 pR+1,R+2 pR+1,R+1+V 0 0
W X


P= (4.9)
W X

.. .. .. .. .. .. .. .. .. ..
W X

. 0 . . . . . . . . .
W X
W X
W X

.. .. ..
.
W X

. 0 px,xR px,x px,x+1 px,x+V 0 .


W X


W X

.. .. .. .. .. .. .. .. .. .. ..
W X

. . . . . . . . . . .
W X
W X
W X

.. ... ... ... ...


. 0
W X

pX1,XR pX1,X1
W X

W X

0 0
W X

pX,XR pX,X1 pX,X


W pX1,X X

U V
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov
69
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 70

No sistema OFDM-TDMA, o conjunto de estados que a fila de um determinado


usurio pode assumir num frame i definido como:

= {(Xi , Ni ) , 0 Xi X, 1 Ni N } (4.10)

onde Xi o nmero de pacotes encontrados na fila, X o tamanho do buffer, Ni corres-


ponde ao usurio sendo servido durante o frame e N se refere ao nmero de usurios no
sistema.
Uma vez que os usurios so servidos sequencialmente e de maneira circular, a
seguinte matriz de transio pode representar o escalonamento round-robin admitido:

S T
0 1 0 0
W X
W
W 0 0 1 0 X
X
W X
W .. . . . . . . .. X
U= W . . . . . X (4.11)
W X
W X
W
U 0 0 0 1 X
V
1 0 0 0

A matriz U tem dimenses N N e cada linha representa o usurio que est


sendo servido no momento. Sendo assim, a linha n representa que o usurio n est sendo
atendido pelo sistema no frame atual.
O nmero de pacotes que entram na fila de transmisso durante um frame
limitado por V , enquanto o nmero de pacotes que so transmitidos num frame limitado
por R. Dessa forma, surgem as relaes 4.12 e 4.13:

A = min(X x, V ) (4.12)

D = min(x, R) (4.13)

A probabilidade de transio da fila de um usurio do estado x para x depende de


qual usurio est sendo atendido e, a partir do modelo obtido para processo de entrada
de pacotes do usurio e da funo massa de probabilidade da taxa de transmisso total,
determinada pela matriz diagonal Vx,x , de dimenses N N dada por (NIYATO;
HOSSAIN, 2005).

Y q
] f (v)[Rn ]r+1 , i = n
[Vx,x ]i,i = vr=x x
(4.14)
[ f (x x) , i = n, x x

onde x D x x + A, r = 0, 1, ..., R e v = 0, 1, ..., V . Rn o vetor que contm a


funo massa de probabilidade da taxa de transmisso total para o usurio n (equao
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 71

4.8) cuja fila est sendo analisada. [Vx,x ]i,i indica o elemento na linha i e coluna i da
matriz diagonal Vx,x .
Os valores px,x , que formam a matriz de transio do sistema, so calculados
segundo a equao 4.15. Observa-se que cada px,x uma matriz de dimenses N N .

px,x = UVx,x (4.15)

Calculando-se todos os valores px,x , para 0 x X e x D x x + A,


obtm-se a matriz de transio completa do sistema.

4.4 Estimao de Parmetros de QoS


Os parmetros de QoS so calculados a partir das probabilidades em estado es-
tacionrio do sistema se encontrar em cada estado possvel. Essas probabilidades, dadas
pelo vetor , podem ser calculadas a partir da matriz de transio P atravs da soluo
de um sistema linear, como mostrado anteriormente.
Como, para cada um dos X estados da fila, o modelo considera os N diferentes
estados para o escalonamento round-robin, a probabilidade em estado estacionrio da fila
do usurio considerado conter x pacotes (onde 0 x X) pode ser calculada como:

(x+1)N

(x) = []i (4.16)
i=(xN )+1

A partir destes valores, pode-se obter o nmero mdio de pacotes na fila (backlog):

X

b= x (x) (4.17)
x=0

O atraso mdio de um pacote (delay), definido como o tempo mdio (em frames)
que um pacote espera na fila desde sua chegada at sua transmisso, dado pela lei de
Little:

b
d= (4.18)

onde o nmero mdio de pacotes que chegam por frame, obtido a partir da mdia
da srie de trfego considerada depois de agregada em intervalos de tempo equivalentes
durao do frame.
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 72

A partir da lei da probabilidade total, a probabilidade da fila se encontrar no


estado X dada pela soma das probabilidades do buffer conter X pacotes dado que
houve transbordo no buffer e do buffer conter X pacotes dado que no houve transbordo.

1 2 1 2
(X) = P (X|T ) P (T ) + P X|T P T (4.19)

Uma vez que a fila de pacotes no buffer do usurio passa para o estado X toda
vez que ocorre transbordo, P (X|T ) = 1. Portanto:

1 2 1 2
(X) = P (T ) + P X|T P T (4.20)

Constata-se que, quando a mdia do fluxo de entrada da fila inferior mdia


do fluxo de atendimento, a probabilidade do buffer conter X pacotes quando no h
transbordo decresce com o aumento do buffer, pois a fila tende a ocupar um menor espao
dentro do buffer com o sistema em estado estacionrio. Neste caso, a probabilidade de
que haja transbordo, e, por consequncia, a fila tenha X pacotes, bastante superior
probabilidade da fila conter X pacotes quando no h transbordo, ou seja, P (T )
P (X|T)P (T). Portanto, podemos aproximar a probabilidade de transbordo do buffer da
seguinte forma:

Ptransb (X) (4.21)

Basicamente, todos os passos envolvidos neste mtodo para a obteno de estima-


tivas dos parmetros de QoS podem ser resumidos no seguinte algoritmo:
Algoritmo Proposto: Estimao de Parmetros de QoS

1. Determinar a funo massa de probabilidade da taxa de transmisso total do usurio


n (Rn equao 4.8);

2. Utilizando o mtodo de Kernel (equao 3.11) ou MMFM (equao 3.14), determinar


a funo densidade de probabilidade do processo de chegada de trfego em estado
estacionrio do usurio n (fn (v));

3. Encontrar, a partir de Rn e fn (v), a matriz de probabilidade de transio de estados


da fila do usurio no sistema OFDM-TDMA (P);

4. Calcular as probabilidades, em regime permanente, da fila do usurio se encontrar


em cada estado possvel ( equaes 2.9 e 2.10);

5. Calcular as estimativas dos parmetros de QoS (equaes 4.17, 4.18 e 4.21).


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 73

4.5 Simulaes e Resultados


Nos experimentos realizados, foi analisado o desempenho da fila de um usurio
no sistema OFDM-TDMA com 5 conexes ativas. O trfego dos usurios foi modelado a
partir das trs sries antes consideradas neste artigo, voip-call-1, dec-pkt-1 e new-zealand-
isp.
Conforme a Tabela 6, trs cenrios distintos so considerados para a validao do
modelo. Em cada cenrio, uma das trs sries utilizada para definir o perfil de trfego
do usurio, como discriminado na tabela.

Tabela 6: Cenrios do sistema OFDM-TDMA considerados

Cenrio 1 2 3
Srie voip-call-1 dec-pkt-1 new-zealand-isp
N 5 5 5
M 512 512 512
B (MHz) 20,0 13,5 100
f (Hz) 39062,5 26367,19 195312,5
P 106 106 106
C (bits/sm) 6 5 6
T (ms) 20 100 10
L (bytes) 59 329 239

Os cenrios foram analisados com o objetivo de se estudar o desempenho do canal


atravs da variao da mdia da relao sinal-rudo (SNR). Trs modelos foram constru-
dos, cada um baseado num modelo de trfego distinto. Compara-se o desempenho dos
modelos aqui propostos, baseados no mtodo de Kernel e no MMFM, com o desempenho
do modelo baseado em Poisson j apresentado por Niyato e Hossain (2005).
A partir do modelo considerado para o canal OFDM com base no desvanecimento
rpido de Rayleigh (assumindo-se os parmetros definidos na Tabela 6), foram obtidas
as funes massa de probabilidade da taxa de transmisso total do canal (equao 4.8)
mostradas nas Figura 30, 31 e 32 para um intervalo de valores de SNR. Como esperado,
o aumento da relao sinal-rudo ocasiona uma melhoria na qualidade do canal, dado que
a taxa mdia de transmisso incrementada.
Uma vez determinadas as funes que descrevem a chegada de trfego e a trans-
misso no canal OFDM para o usurio, o modelo implementado baseado em Cadeias de
Markov para anlise da fila no sistema OFDM-TDMA foi aplicado. Assumindo que o
tamanho do buffer do usurio seja de 400 pacotes e que haja um limite de 200 pacotes
para o trfego que chega em um frame (X = 400 e V = 200), foram encontradas as
probabilidades em estado estacionrio da fila do usurio conter cada nmero possvel de
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 74

Figura 30: Funo massa de probabilidade da taxa de transmisso total para diferentes
valores de SNR no Cenrio 1

0.025

0.02
Probabilidade

0.015

0.01
16
0.005 14
12
0 10
100 200 300 400 8
500 600 700 800 SNR (dB)

Nmero de pacotes transmitidos por frame

Figura 31: Funo massa de probabilidade da taxa de transmisso total para diferentes
valores de SNR no Cenrio 2

0.035

0.03

0.025
Probabilidade

0.02

0.015

0.01 16
14
0.005
12
0 10
100 200 300 8
400 500 600 SNR (dB)

Nmero de pacotes transmitidos por frame

pacotes, mostradas nas Figuras 33, 34 e 35.


Observa-se que, com o aumento da qualidade do canal, a probabilidade da fila ser
menor eleva-se, uma vez que o transmissor passa a utilizar maiores nveis de modulao
e, consequentemente, h aumento da taxa mdia de transmisso no canal.
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 75

Figura 32: Funo massa de probabilidade da taxa de transmisso total para diferentes
valores de SNR no Cenrio 3

0.035

0.03

0.025
Probabilidade

0.02

0.015

0.01 16
14
0.005
12
0 10
100 200 300 8
400 500 600 SNR (dB)

Nmero de pacotes transmitidos por frame

Com a finalidade de validar os resultados numricos obtidos com o modelo ana-


ltico, foi desenvolvido um simulador do sistema OFDM-TDMA considerado utilizando
o programa Matlab. As probabilidades, obtidas com a simulao, da fila do usurio se
encontrar em cada tamanho possvel podem ser visualizadas nas Figuras 36, 37 e 38.
Os resultados obtidos deixam clara a preciso do modelo em representar o com-
portamento da fila num sistema OFDM-TDMA real. O modelo implementado, devido
estimao no-paramtrica do trfego de entrada, capaz de retratar irregularidades que
um modelo baseado em estimao paramtrica, como o poissoniano, no pode.
Observa-se que, devido ao escalonamento cclico de conexes, a fila de pacotes
do usurio tende a aumentar nas iteraes em que o usurio no atendido, formando
diferentes regies de maior probabilidade.
Com o intuito de se comparar mais facilmente os resultados obtidos, foram expos-
tas, nas Figuras 39, 40 e 41 as probabilidades da fila do usurio se encontrar em cada
estado possvel no Cenrio 1 para SNR={8; 12; 16} dB, nas Figuras 42, 43 e 44 as pro-
babilidades da fila do usurio se encontrar em cada estado possvel no Cenrio 2 para
SNR = {8; 12; 16} dB e nas Figuras 45, 46 e 47 as probabilidades da fila do usurio se
encontrar em cada estado possvel no Cenrio 3 para SNR = {8; 12; 16} dB.
Os grficos das Figuras 33, 34, 35, 36, 37 e 38 no incluem as probabilidades
(0) e (X), as probabilidades do buffer se encontrar vazio e cheio, respectivamente. Na
regio definida de variao da SNR, os valores de (0) e (X) so bastante superiores aos
valores de (x) para 0 < x < X, o que dificultaria a visualizao dos grficos caso esses
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 76

valores fossem includos. O valor elevado da probabilidade do buffer se encontrar vazio


se deve existncia de capacidade ociosa. Toda vez que a taxa de transmisso no frame
superior ao nmero de pacotes na fila somado com o nmero de pacotes chegando, o
buffer fica vazio. J o valor elevado da probabilidade do buffer se encontrar cheio devido
ocorrncia de transbordo de pacotes. Sempre que ocorre transbordo, o buffer permanece
cheio ao final da transmisso do frame.
As Figuras 48, 49 e 50 mostram a probabilidade, para vrios valores de SNR, do
buffer se encontrar vazio para os Cenrios 1, 2 e 3, respectivamente. Pode ser visto que a
probabilidade da fila estar vazia aumenta com a melhoria da qualidade do canal, enquanto
a probabilidade do buffer estar completo de pacotes decresce. Por outro lado, as Figuras
51, 52 e 53 mostram a probabilidade, para vrios valores de SNR, do buffer se encontrar
cheio para os Cenrios 1, 2 e 3, respectivamente.
A partir da equao 4.17 foi obtido o nmero mdio de pacotes no buffer, como
mostrado nas Figuras 54, 55 e 56.
O atraso mdio, calculado utilizando a equao 4.18, pode ser visualizado em
funo da SNR nas Figuras 57, 58 e 59 e a probabilidade de transbordo do buffer do
usurio em funo da SNR mostrada nas Figuras 60, 61 e 62.
Nota-se que, medida que se aumenta a SNR, h uma diminuio no tamanho
mdio de fila, no atraso mdio da transmisso e na probabilidade de transbordo do buffer
do usurio. Este efeito era de se esperar, pois, com a melhoria das condies do canal, o
sistema OFDM-TDMA, ao aplicar modulao adaptativa, prov maiores taxas de trans-
misso.
Os resultados obtidos, analisados juntamente com os resultados das simulaes re-
alizadas, confirmam que o modelo eficiente ao descrever os indicadores de desempenho
considerados. A aplicao do MMFM e do mtodo de Kernel na modelagem do processo
de chegada de pacotes, quando comparado ao modelo de Poisson, aprimora as estima-
tivas dos parmetros de QoS, tornando seus valores mais prximos aos resultados das
simulaes. Dessa forma, pode ser dito que os modelos desenvolvidos representam bem o
comportamento da fila de um usurio no sistema OFDM-TDMA.
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 77

Figura 33: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 1

3
x 10

4
Probabilidade

2 16

1 14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(a) Modelo baseado no MMFM

3
x 10

6
Probabilidade

4
16
2
14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(b) Modelo baseado no mtodo de Kernel

3
x 10

6
Probabilidade

4
16
2
14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(c) Modelo baseado em Poisson


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 78

Figura 34: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 2

0.01

0.008
Probabilidade

0.006

0.004 16

0.002 14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(a) Modelo baseado no MMFM

0.015
Probabilidade

0.01

0.005 16

14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(b) Modelo baseado no mtodo de Kernel

0.01

0.008
Probabilidade

0.006

0.004 16

0.002 14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(c) Modelo baseado em Poisson


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 79

Figura 35: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 3

3
x 10

3
Probabilidade

2
16
1
14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(a) Modelo baseado no MMFM

3
x 10

3
Probabilidade

2
16
1
14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(b) Modelo baseado no mtodo de Kernel

0.01

0.008
Probabilidade

0.006

0.004 16

0.002 14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

(c) Modelo baseado em Poisson


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 80

Figura 36: Probabilidade da fila do usurio se encontrar em cada estado possvel obtida
a partir de simulao do Cenrio 1

3
x 10

3
Probabilidade

2
16
1
14

0 12
50 100 10
150 200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)

Figura 37: Probabilidade da fila do usurio se encontrar em cada estado possvel obtida
a partir de simulao do Cenrio 2

0.01

0.008
Probabilidade

0.006

0.004 16

0.002 14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 81

Figura 38: Probabilidade da fila do usurio se encontrar em cada estado possvel obtida
a partir de simulao do Cenrio 3

3
x 10

3
Probabilidade

2
16
1
14

0 12
50 100 150 10
200 250 300 350 8 SNR (dB)

Tamanho mdio da fila (pacotes)


Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 82

Figura 39: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 1 para SNR = 8 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
5
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
4

3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 83

Figura 40: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 1 para SNR = 12 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
4
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 84

Figura 41: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 1 para SNR = 16 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
8
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
4

3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 85

Figura 42: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 2 para SNR = 8 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
6
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
6
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 86

Figura 43: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 2 para SNR = 12 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
8
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
8

6
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 87

Figura 44: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 2 para SNR = 16 dB
Modelo proposto MMFM

0.01

0.008

0.006

0.004

0.002

0
0 50 100 150 200 250 300 350 400
Modelo proposto Kernel

0.015

0.01

0.005

0
0 50 100 150 200 250 300 350 400

0.01
Modelo de Poisson

0.008

0.006

0.004

0.002

0
0 50 100 150 200 250 300 350 400

0.01

0.008
Simulao

0.006

0.004

0.002

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 88

Figura 45: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 3 para SNR = 8 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
6
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
4

3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 89

Figura 46: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 3 para SNR = 12 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

3
x 10
4
Modelo de Poisson

0
0 50 100 150 200 250 300 350 400

3
x 10
3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 90

Figura 47: Probabilidade da fila do usurio se encontrar em cada estado possvel no


Cenrio 3 para SNR = 16 dB
3
x 10
Modelo proposto MMFM

0
0 50 100 150 200 250 300 350 400

3
x 10
Modelo proposto Kernel

0
0 50 100 150 200 250 300 350 400

0.01
Modelo de Poisson

0.008

0.006

0.004

0.002

0
0 50 100 150 200 250 300 350 400

3
x 10
4

3
Simulao

0
0 50 100 150 200 250 300 350 400
Tamanho da fila (pacotes)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 91

Figura 48: Probabilidade do buffer se encontrar vazio no Cenrio 1


0.2
Modelo proposto MMFM
0.18 Modelo proposto Kernel
Modelo de Poisson
Probabilidade do buffer estar vazio

0.16 Simulao

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 49: Probabilidade do buffer se encontrar vazio no Cenrio 2


0.2
Modelo proposto MMFM
0.18 Modelo proposto Kernel
Modelo de Poisson
Probabilidade do buffer estar vazio

0.16 Simulao

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 92

Figura 50: Probabilidade do buffer se encontrar vazio no Cenrio 3


0.2
Modelo proposto MMFM
0.18 Modelo proposto Kernel
Modelo de Poisson
Probabilidade do buffer estar vazio

0.16 Simulao

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 51: Probabilidade do buffer se encontrar cheio no Cenrio 1


0.7
Modelo proposto MMFM
Modelo proposto Kernel
0.6 Modelo de Poisson
Probabilidade do buffer estar cheio

Simulao

0.5

0.4

0.3

0.2

0.1

0
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 93

Figura 52: Probabilidade do buffer se encontrar cheio no Cenrio 2


0.45
Modelo proposto MMFM
0.4 Modelo proposto Kernel
Modelo de Poisson
Probabilidade do buffer estar cheio

Simulao
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 53: Probabilidade do buffer se encontrar cheio no Cenrio 3


0.6
Modelo proposto MMFM
Modelo proposto Kernel
0.5 Modelo de Poisson
Probabilidade do buffer estar cheio

Simulao

0.4

0.3

0.2

0.1

0.1
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 94

Figura 54: Tamanho mdio da fila no Cenrio 1


380
Modelo proposto MMFM
360 Modelo proposto Kernel
Modelo de Poisson
340 Simulao
Tamanho mdio da fila (pacotes)

320

300

280

260

240

220

200

180
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 55: Tamanho mdio da fila no Cenrio 2


350
Modelo proposto MMFM
Modelo proposto Kernel
Modelo de Poisson
300 Simulao
Tamanho mdio da fila (pacotes)

250

200

150

100
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 95

Figura 56: Tamanho mdio da fila no Cenrio 3


400
Modelo proposto MMFM
Modelo proposto Kernel
Modelo de Poisson
350
Simulao
Tamanho mdio da fila (pacotes)

300

250

200

150

100
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 57: Atraso mdio dos pacotes transmitidos no Cenrio 1


14
Modelo proposto MMFM
Modelo proposto Kernel
Modelo de Poisson
12
Simulao
Atraso mdio ( frames)

10

2
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 96

Figura 58: Atraso mdio dos pacotes transmitidos no Cenrio 2


12
Modelo proposto MMFM
11 Modelo proposto Kernel
Modelo de Poisson
10 Simulao

9
Atraso mdio ( frames)

2
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 59: Atraso mdio dos pacotes transmitidos no Cenrio 3


14
Modelo proposto MMFM
Modelo proposto Kernel
Modelo de Poisson
12
Simulao
Atraso mdio ( frames)

10

2
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 97

Figura 60: Probabilidade de transbordo do buffer no Cenrio 1


0.7
Modelo proposto MMFM
Modelo proposto Kernel
0.6 Modelo de Poisson
Probabilidade de transbordo do buffer

Simulao

0.5

0.4

0.3

0.2

0.1

0
8 9 10 11 12 13 14 15 16
SNR (dB)

Figura 61: Probabilidade de transbordo do buffer no Cenrio 2


0.45
Modelo proposto MMFM
0.4 Modelo proposto Kernel
Modelo de Poisson
Probabilidade de transbordo do buffer

Simulao
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
8 9 10 11 12 13 14 15 16
SNR (dB)
Captulo 4. Anlise de Desempenho de Sistemas OFDM-TDMA Utilizando Cadeias de Markov 98

Figura 62: Probabilidade de transbordo do buffer no Cenrio 3


0.6
Modelo proposto MMFM
Modelo proposto Kernel
0.5 Modelo de Poisson
Probabilidade de transbordo do buffer

Simulao

0.4

0.3

0.2

0.1

0.1
8 9 10 11 12 13 14 15 16
SNR (dB)
99

5 Estimao de Probabilidade de Transbordo


do Buffer em Sistemas OFDM-TDMA Uti-
lizando Curva de Servio Baseada em Cl-
culo de Rede

Neste captulo, introduz-se, inicialmente, a teoria de Clculo de Rede Determins-


tico. Em seguida so definidos alguns conceitos fundamentais como funes cumulativas,
processo envelope e curva de servio, posteriormente utilizados na formulao de uma
eficiente equao para estimao da probabilidade de transbordo do buffer de um usurio
do sistema OFDM-TDMA. Ao final do captulo, o modelo obtido aplicado em diferentes
cenrios do sistema considerado e os resultados obtidos so contrapostos aos resultados
de simulaes.

5.1 Clculo de Rede Determinstico


O Clculo de Rede Determinstico, muito desenvolvido na ltima dcada, pode ser
utilizado para estimar recursos a fim de prover qualidade de servio (QoS) em redes e
tem fornecido ferramentas poderosas para estimao do backlog e do retardo em uma rede
com garantias de servio para fluxos de trfego individuais. Trabalhos pioneiros nesta rea
foram desenvolvidos por Cruz (1991a) e Cruz (1991b). Usando o conceito de envelopes
de chegada e curvas de servio (CRUZ, 1995), vrios trabalhos tm demonstrado que os
limitantes de backlog e de retardo podem ser concisamente expressos pela lgebra Min-Plus
(AGRAWAL et al., 1999) (BOUDEC, 1998).
O Clculo de Rede tambm pode ser visto como a teoria de sistemas que se aplica
s redes de computadores, mas a principal diferena que aqui se considera outra lgebra,
onde as operaes so alteradas da seguinte forma: adio torna-se o clculo do mnimo,
e a multiplicao torna-se adio.
Uma caracterstica atrativa do Clculo de Rede que limitantes dos indicadores
de desempenho de uma rede completa podem ser facilmente obtidos por meio de mani-
pulaes dos limitantes de cada n.
Um regulador um dispositivo que obriga um fluxo de entrada x(t) a ter uma sada
y(t) que se conforma a um determinado conjunto de taxas de acordo com um envelope
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 100

de trfego A (a curva de formao), custa de, possivelmente, atrasar bits no buffer. A


entrada e sada de fluxos acumulados so definidas, por Boudec (1998), como o nmero de
bits visto no fluxo de dados no intervalo de tempo [0, t]. Essas funes so no-decrescentes
com o tempo t. O parmetro t pode ser contnuo ou discreto.
Seja a convoluo Min-Plus entre A e x dada por:

y(t) = (A x)(t) = inf {A(t s) + x(s)} (5.1)


s[0,t]

A convoluo na teoria de sistemas tradicionais tanto comutativa quanto asso-


ciativa, e essa propriedade permite estender facilmente a anlise de pequenos a grandes
circuitos. Por exemplo, a resposta ao impulso do circuito da Figura 63a a convoluo
da resposta ao impulso de cada uma das clulas elementares:

t
h(t) = (h1 h2 )(t) = h1 (t s)h2 (s) ds (5.2)
0

Figura 63: A resposta ao impulso da concatenao de dois circuito linear (a) a convo-
luo da resposta ao impulso individual, a curva de formao da concatenao de dois
reguladores (b) a convoluo das curvas individuais modeladas (BOUDEC; THIRAN,
2001)

+ +

- -

(a)

(b)

A mesma propriedade utilizada para o regulador. A sada do segundo regulador


na Figura 63b na verdade igual a y(t) = (A x)(t), onde:

y(t) = (A1 A2 )(t) = inf {A1 (t s) + A2 (s)} (5.3)


s[0,t]
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 101

5.1.1 Funes Cumulativas a Tempo Discreto Versus Modelos de Tempo


Contnuo
conveniente descrever o fluxo de dados por meio da funo acumulada R(t),
definida como o nmero de bits do fluxo no intervalo de tempo [0, t]. Por conveno,
toma-se R(0) = 0, salvo indicao em contrrio (BOUDEC; THIRAN, 2001).
Em sistemas reais, h sempre uma granularidade mnima (bit, palavra, clula ou
pacote). Se R(t) uma funo contnua, afirma-se que se tem um modelo fluido (fluid
model) para o trfego modelado. Caso contrrio, pode-se convencionar que a funo
contnua direita ou esquerda (BOUDEC; THIRAN, 2001). Para um sistema em anlise,
recebe-se dados de entrada, descrito por sua funo cumulativa R(t), e fornece-se os dados
aps um perodo varivel. Tem-se R (t) a funo de sada, ou seja, a funo cumulativa
na sada do sistema analisado.
O sistema pode ser, por exemplo, um nico buffer servindo a uma taxa constante,
um n de comunicao complexo, ou mesmo uma rede completa. A Figura 64 mostra
a entrada e sada de funes para uma fila de servidor nico, em que cada pacote tem
exatamente 3 unidades de tempo para serem servidos. Como a sada da funo de R1
(modelo fluido) o pressuposto de que um pacote pode ser servido assim como um bit
chegou primeiro (suposio de corte), e que a sada de pacotes podem ser observada bit
a bit, a uma taxa constante.
Na Figura 64a, R1 e R1 mostram uma funo contnua no tempo contnuo (modelo
fluido), assumindo que os pacotes chegam bit a bit, com a durao de uma unidade
de tempo por chegada de pacotes. Para a Figura 64b, R2 e R2 mostram uma funo
no tempo contnuo com descontinuidades em tempos de chegada de pacotes (tempos
{1; 4; 8; 8, 6; 14}), supem-se que as chegadas de pacotes so observadas apenas quando o
pacote for recebido plenamente; os pontos na Figura 64b representam o valor (em bits) do
ponto de descontinuidade. Por conveno, assume-se que a funo contnua esquerda ou
da direita. A Figura 64c mostra R3 e R3 que representam um modelo em tempo discreto,
o sistema observado apenas nos tempos {0, 1, 2, , 14}.
Conveno: Um fluxo descrito por uma funo R(t) crescente com tempo cont-
nuo, salvo indicao em contrrio, considera-se os seguintes tipos de modelos:

1. Tempo discreto: t N = 0, 1, 2, 3, ;

2. Modelo fluido: t R+ = [0, +) e R uma funo contnua;

3. Modelo de tempo contnuo geral: t R+ e R uma funo da esquerda ou da direita


contnua.
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 102

Figura 64: Exemplos de funes de entradas e sadas (BOUDEC; THIRAN, 2001)


2
x10
5 bits

4 R1
d(t)
3 x(t)

2 R *1
1
0
1 3 5 7 9 11 13
tempo
(a)

2
x10
5 bits
R2
4
3
2
R 2*
1
0
1 3 5 7 9 11 13
tempo
(b)

2
x10
5 bits

4 R3
3
2
1 R 3*
0
1 3 5 7 9 11 13
tempo
(c)

s
Se for assumido que R(t) tenha uma derivada dR
dt
= r(t) tal que R(t) = 0t r(s) ds
(portanto, um modelo fluido), ento r chamado de funo de taxa. Porm, verifica-se
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 103

que muito mais simples considerar as funes acumuladas como R, em vez de funes
de taxa. Ao contrrio do que a lgebra convencional, com lgebra Min-Plus, no precisa
de funes derivadas para ter as propriedades desejadas.
sempre possvel mapear uma funo R(t) para um modelo de tempo discreto
S(n), n N escolhendo um intervalo de tempo e por amostragem:

S(n) = R(n ) (5.4)

Em geral, isso resulta em uma perda de informao. Para o mapeamento reverso,


utiliza-se a seguinte conveno. Um modelo de tempo contnuo pode ser derivado de S(n):

3 4
t
R (t) = S

(5.5)

A funo R resultante sempre contnua esquerda e o mapeamento com = 1,


S = R3 e R = R2 apresentado na Figura 64.
Com o mapeamento da equao 5.4, qualquer resultado de um modelo de tempo
contnuo tambm se aplica a tempo discreto. Salvo disposio em contrrio, todos os
resultados aplicar-se-o tanto para tempo contnuo quanto discreto. Modelos de tempo
discretos so geralmente utilizados no contexto de modelos de pacotes fixos, em contraste,
modelos de pacotes de tamanho varivel so normalmente feitos com um modelo de tempo
contnuo (no necessariamente fluido). Note que a modelagem de pacotes de tamanho
varivel requer alguns mecanismos especficos (BOUDEC; THIRAN, 2001).

5.1.2 Processo Envelope


Para oferecer garantias de QoS aos fluxos de dados necessrio suporte apropriado
na rede (BOUDEC; THIRAN, 2001). Alm disso, outro mecanismo possvel de ser aplicado
limitar o trfego enviado pelas fontes. Com as redes de servios integrados (IntServ),
isto feito usando o conceito de Processo Envelope (MAO; PANWAR, 2006), ou Curva
de Chegada, a seguir definido.
Dado uma funo definida para t 0, diz-se que um fluxo R limitado por
se todo t s (BOUDEC; THIRAN, 2001):

R(t) R(s) (t s) (5.6)

Pode se dizer que R tem como uma curva de chegada, ou ainda que R -suave.
Note que a condio mxima de sobreposio do conjunto de intervalos ilustrada na
Figura 65.
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 104

Figura 65: Exemplo de restrio por curva de chegada, demonstrando um efeito cumulativo
da funo R(t) limitado pela curva de chegada (t)

bits

t-s (t)
bits

R (t) tempo
s tempo t

tempo

Fonte: Junior e Vieira (2011)

No contexto de redes de pacotes de tamanho fixo, tambm se utiliza as curvas de


chegada kvT, onde vT, a funo degrau definida por t > 0 para vT, (t) = vT,0 (t + ) e 0
caso contrrio. Nota-se que o vT, (t) = vT,0 (t + ), portanto vT, resulta de vT,0 por uma
mudana de tempo para a esquerda.
Os parmetros T (o intervalo) e (a tolerncia) so expressos em unidades de
tempo. A fim de compreender o uso de vT, , considera-se um fluxo contendo pacotes de
tamanho fixo, igual a k unidades de dados. Supondo-se que os pacotes so espaados em
pelo menos T unidades de tempo, tem-se o fluxo com curva de chegada kvT,0 .
Supondo-se agora que o fluxo multiplexado com alguns outros, uma maneira
de pensar neste cenrio assumir que os pacotes so colocados em uma fila, junto com
outros fluxos. Este tipicamente o que ocorre em uma estao de trabalho e no sistema
operacional. A fila impe um retardo varivel e supe-se que pode ser limitado (o retardo)
por um valor igual a unidades de tempo. Sendo R(t) a funo de entrada para o fluxo
no multiplexador e R (t) a funo de sada, se R (s) R(s ) vlida, tem-se:

R (t) R (s) R(t) R(s ) kvT,0 (t s + ) = kvT, (t s) (5.7)

Assim R tem kvT, como uma curva de chegada para um fluxo peridico, com
perodo T e pacotes de tamanho k constante que apresentem um retardo varivel ,
com kvT, como curva de chegada. O parmetro frequentemente chamado de clula
pontual de variao de retardo, pois corresponde a um desvio do fluxo peridico que pode
ser observado em um ponto (BOUDEC; THIRAN, 2001).
Processos envelopes tambm so definidos na literatura atravs de modelos fractais,
como o fBm (fractional Brownian motion) e o mBm (multifractional Brownian motion).
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 105

Um processo envelope A(t) baseado no modelo de trfego de pacotes fBm descreve


com preciso fluxos de trfego atravs da mdia (), desvio padro () e parmetro de
Hurst (H) (TAKADA; ANZALONI, 2006):

A(t) = t + ktH (5.8)

onde k uma constante relacionada probabilidade de violao do processo envelope (),



calculada por k = 2 ln .
Por outro lado, um processo envelope A(t) baseado no modelo de trfego de pacotes
mBm descreve fluxos de trfego atravs da mdia (), desvio padro () e expoente de
Hlder (H) (TAKADA; ANZALONI, 2006):

t
A(t) = t + k H(x)xH(x)1 dx (5.9)
0

5.1.3 Curvas de Servio


So consideradas as chegadas de trfego em um nico n de uma rede. As chegadas
de um fluxo no intervalo de tempo [0, t) so dadas em termos da funo A(t). As sadas
de um fluxo a partir do n, no intervalo de tempo [0, t), so denotadas por D(t) com
D(t) A(t).
Seja a convoluo denotada por e a deconvoluo por (BOUDEC; THIRAN,
2001).
Uma curva mnima de servio para um fluxo uma funo S que especifica um
limite inferior para o servio prestado ao fluxo de tal forma que, para todo t 0,

D(t) A S(t) (5.10)

Uma curva de servio mxima para um fluxo uma funo S que especifica um
limite superior sobre o servio prestado a um fluxo tal que, para todo t 0,


D(t) A S(t) (5.11)

A curva de servio mnima desempenha um importante papel no Clculo de Rede,


uma vez que ela prov garantias de servio. Portanto, assim como ocorre na literatura
relacionada, muitas vezes a curva mnima de servio denominada apenas como curva
de servio. Se nenhuma curva mxima de servio fornecida explicitamente, pode-se usar
= Ct, onde C a capacidade do enlace para aproximar a curva de servio real da
S(t)
rede (BURCHARD; LIEBEHERR; PATEK, 2001).
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 106

5.2 Probabilidade de Transbordo do Buffer Utilizando Processo


Envelope
Nesta seo, obtida uma equao para estimao da probabilidade de transbordo
do buffer de um usurio com base no processo envelope do trfego e na curva de servio
do sistema. A equao obtida pode ser utilizada para diferentes sistemas de transmisso,
uma vez determinada a curva de servio do sistema correspondente. Na seo seguinte,
mostra-se a aplicao desta equao ao sistema OFDM-TDMA.
Proposio 1: Seja E[Kr ] a mdia do trfego real de entrada agregado numa escala de
tempo r, X o tamanho do buffer do usurio e S(t) a sua curva de servio, a probabilidade
de transbordo do buffer do usurio em questo dada por:

E[Kr ]
Ptransb = min
r X + S(r)

Proposio 2: Assumindo que o processo envelope do trfego acumulado descrito pelo


processo envelope do modelo fBm (fractional Brownian motion) e considerando que e
sejam a mdia e o desvio padro do trfego de entrada do usurio, respectivamente, a
probabilidade de transbordo do buffer dada por:

r + krH
Ptransb = min
r X + S(r)

Prova:
Considere um sistema de fila nica com um servidor com taxa de atendimento s(t)
e um buffer de comprimento X. A quantidade de trfego que pode ser transmitida em
um intervalo de tempo [0, t), tambm chamada de curva de servio, , ento, determinada
por:

t1

S(t) = s( ) (5.12)
=0

Seja A(t) a quantidade total de trabalho (pacotes) acumulado que chega ao buffer
no intervalo [0, t), a fila de pacotes formada, ou a quantidade total de trfego armazenado
no buffer no intervalo [0, t), ser dada por:

Q(t) = A(t) S(t) (5.13)

Agora seja W uma varivel aleatria no negativa e w um possvel valor de W . A


Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 107

inequao de Markov estabelece que (PAPOULIS; PILLAI, 2002):

E[W ]
P {W w} (5.14)
w
Sendo Kr o processo estocstico que define a srie de trfego agregada na escala
de tempo r, pode-se escrever:

E[Kr ]
P {Kr X + S(r)} (5.15)
X + S(r)

Observe que o processo Kr define a funo A(r).


A partir de simulaes, constatou-se que, geralmente, P {Kr X +S(r)} prximo
E[Kr ] E[Kr ]
de X+S(r)
na escala r que gera o menor valor de X+S(r) . Portanto, pode-se escrever:

E[Kr ]
P {Kr S(r) X} min (5.16)
r X + S(r)

Dessa forma, a probabilidade de transbordo pode ser escrita como:

E[Kr ]
Ptransb = P {Q > X} = min (5.17)
r X + S(r)

A esperana matemtica do trfego agregado (E[Kr ]) pode ser obtida por meio
de um processo envelope. Um processo envelope nada mais que um limitante superior
para o processo real de trfego de pacotes acumulado e, portanto, seria uma estimativa
de A(t).
Partindo do modelo fBm (fractional Brownian motion), uma aproximao para
o processo envelope de fluxos de trfego real pode ser obtida pela seguinte equao
(MAYOR; SILVESTER, 1997) (JUNIOR; VIEIRA, 2011):

= t + ktH
A(t) (5.18)

onde e so a mdia e o desvio padro do trfego de entrada, respectivamente; k uma


constante relacionada probabilidade de violao do processo envelope (), calculada por

k = 2 ln , e H o parmetro de Hurst, que mede a autossimilaridade do processo de
trfego de entrada.
e a probabilidade de transbordo pode ser encontrada
Dessa forma, E[Kr ] A(r),
por:

r + krH
Ptransb = min (5.19)
r X + S(r)
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 108

5.3 Curva de Servio Aplicada ao Clculo da Probabilidade de


Transbordo em Sistemas OFDM-TDMA
Deseja-se adequar a equao 5.19 para determinar a probabilidade de transbordo
do buffer de um usurio no mesmo sistema OFDM-TDMA definido na seo 4.1. Para
isso, necessrio determinar a curva de servio do usurio nesse sistema.
Proposio 3: A curva de servio de um usurio de um sistema OFDM-TDMA com esca-
lonamento round-robin onde cada usurio servido pelo mesmo intervalo de tempo T
dada por:

I J
max [t P N T (n 1) T ; 0]
Sn (t) = cT P + cT min ;1
T

Prova:
Assumindo que o sistema OFDM-TDMA descrito possua 4 usurios, a curva de
servio do usurio 1 (o primeiro a ser atendido, em t = 0) pode ser visualizada na Figura
66.

Figura 66: Curva de servio do usurio 1


S (t) (bytes)
1

T T T T

0 NT 2NT t (segundos)

A ilustrao mostra dois ciclos do escalonamento round-robin. Pode-se observar


claramente que, nos primeiros T segundos de cada ciclo, o usurio 1 atendido, enquanto,
nos 3T segundos restantes, ele aguarda.
Assume-se que o coeficiente angular da reta que vai de t = 0 at t = T seja dado
por c, a mdia da taxa de atendimento no servidor do sistema OFDM-TDMA.

R

c= r [Rn ]r+1 (5.20)
r=0
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 109

Dessa forma, a curva de servio do usurio 1 pode ser calculada como a soma do
trfego transmitido nos ciclos completos e do trfego j transmitido no ciclo atual.

S1 (t) = S1C (t) + S1A (t) (5.21)

O nmero de ciclos completos dado por P = NtT . Assim, o trfego transmitido


nos ciclos j completados calculado por:

S1C (t) = cT P (5.22)

O trfego transmitido no ciclo atual, por sua vez, calculado por:

3 4
t P NT
S1A (t) = cT min ;1 (5.23)
T
Logo, a curva de servio do usurio 1 dada por:

3 4
t P NT
S1 (t) = cT P + cT min ;1 (5.24)
T
O que pode ser generalizado para qualquer usurio como:

I J
max [t P N T (n 1) T ; 0]
Sn (t) = cT P + cT min ;1 (5.25)
T

Portanto, a probabilidade de transbordo do buffer de um usurio n no sistema


OFDM-TDMA pode ser aproximada pelas equaes 5.26 e 5.27, com base no processo
envelope real e no processo envelope do modelo fBm, respectivamente.

E[Kr ]
Ptransbn = min (5.26)
r X + Sn (r)

r + krH
Ptransbn = min (5.27)
r X + Sn (r)

5.4 Simulaes e Resultados


Considerou-se o Cenrio 1 descrito na seo 3.11 para o sistema OFDM-TDMA
(M = 512, N = 5, B = 20, 0 MHz, Pber = 106 , C = 6, T = 20 ms e L = 59 bytes), sendo
que um usurio servido por apenas um frame por ciclo do escalonamento round-robin e
fixando a SNR em 14 dB. A Figura 67 compara as curvas de servio obtidas atravs da
equao 5.25 e atravs de simulao.
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 110

Figura 67: Curva de servio do usurio 1 no cenrio considerado do sistema OFDM-TDMA

4000
Curva de servio simulada
Curva de servio estimada
3500

3000
Pacotes Transmitidos

2500

2000

1500

1000

500

0
0 5 10 15 20 25 30 35
Tempo (x 20ms)

Com base nas equaes 5.26 e 5.27, a Figura 68 apresenta a relao da probabili-
dade de transbordo do buffer do usurio com o aumento do tamanho deste, considerando
as mesmas circunstncias assumidas na seo 4.5, onde o trfego dos usurios modelado
a partir de chamadas VoIP. A Figura 68 ainda mostra estimativas de probabilidade de
transbordo obtidas com a equao 4.21 e com o mtodo MSQ (MultiScale Queueing). O
MSQ, bastante difundido em outros trabalhos, parte da anlise multiescala do trfego
de entrada e considera que este seja descrito pelo modelo MWM (Multifractal Wavelet
Model) (RIBEIRO et al., 2000).
Observa-se que a estimativa obtida com a equao 4.21 se aproxima bastante da
simulao, porm o custo computacional para encontr-la significativamente elevado.
Por outro lado os resultados das equaes 5.26 e 5.27 se aproximam consideravelmente
da probabilidade de transbordo real mantendo uma relativa simplicidade na obteno das
estimativas e possibilitando sua utilizao para mensurao em tempo real.
Conforme a Tabela 7 e as Figuras 69 a 73, diferentes cenrios so considerados
para validar a eficincia das equaes 5.26 e 5.27. Em cada cenrio o perfil de trfego do
usurio definido a partir de uma srie distinta, como discriminado na tabela. As sries
levadas em conta foram criadas a partir da coleta de amostras reais de trfego de redes
TCP/IP (WRL, 1995).
Os experimentos realizados para cada cenrio demonstram coerncia nos resulta-
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 111

Figura 68: Probabilidade de transbordo do buffer do usurio no cenrio considerado do


sistema OFDM-TDMA

0.7
Eq. 5.26
Eq. 5.27
0.6 Eq. 4.21
MSQ
Probabilidade de Transbordo

Simulao
0.5

0.4

0.3

0.2

0.1

0
500 1000 1500 2000 2500 3000 3500 4000 4500
Tamanho do Buffer (bytes)

dos obtidos para a probabilidade de transbordo do buffer. As estimativas calculadas se


apresentaram muito prximas dos valores reais. Os resultados, portanto, validam a efi-
cincia das equaes 5.26 e 5.27 tornando-as opes facilmente aplicveis e rpidas para
medir a qualidade de servio no sistema OFDM-TDMA.
A equao 5.26 faz uso do processo envelope real, obtido a partir da srie do trfego
considerado, e, por isso, se aproxima mais da probabilidade de transbordo real. No entanto,
a estimativa do processo envelope real em inmeras escalas, como exigido pela equao,
pode afetar no tempo demandado para clculo da probabilidade de transbordo. Ao se
considerar o modelo fBm, a equao 5.27 utiliza uma estimativa relevante do processo
envelope e simplifica o clculo significativamente mantendo resultados satisfatrios.
As estimativas obtidas com a equao 4.21 se mostraram ligeiramente mais pr-
ximas dos valores reais. Mas, apesar de o modelo baseado em Cadeias de Markov possi-
bilitar a estimao de alguns parmetros de QoS alm da probabilidade de transbordo,
sua aplicao limitada devido complexidade computacional envolvida. A probabili-
dade de transbordo uma medida que expressa bem a qualidade de servio, o que torna
as equaes 5.26 e, principalmente, 5.27 muito teis em aplicaes que exigem rpido
processamento.
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 112

Tabela 7: Cenrios do sistema OFDM-TDMA considerados

Cenrio 1 2 3 4 5
Figura 69 70 71 72 73
Srie dec-pkt-1 new-zealand-isp lbl-pkt-4 lbl-pkt-5 lbl-pkt-5
T (ms) 512 10 100 100 512
N 5 5 5 5 5
M 512 512 256 256 256
B (MHz) 8 100 2,5 1,7 1,6
P 106 106 106 106 106
C (bits/sm) 5 6 5 5 5

Figura 69: Probabilidade de transbordo do buffer no Cenrio 1

0.2
Eq. 5.26
0.18 Eq. 5.27
Eq. 4.21
0.16 MSQ
Probabilidade de Transbordo

Simulao
0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0.5 1 1.5 2 2.5 3
Tamanho do Buffer (bytes) 7
x 10
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 113

Figura 70: Probabilidade de transbordo do buffer no Cenrio 2

0.25
Eq. 5.26
Eq. 5.27
Eq. 4.21
0.2 MSQ
Probabilidade de Transbordo

Simulao

0.15

0.1

0.05

0
1 2 3 4 5 6
Tamanho do Buffer (bytes) 7
x 10

Figura 71: Probabilidade de transbordo do buffer no Cenrio 3

0.35
Eq. 5.26
Eq. 5.27
0.3 Eq. 4.21
MSQ
Probabilidade de Transbordo

Simulao
0.25

0.2

0.15

0.1

0.05

0
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Tamanho do Buffer (bytes) 6
x 10
Captulo 5. Estimao de Probabilidade de Transbordo do Buffer em Sistemas OFDM-TDMA
Utilizando Curva de Servio Baseada em Clculo de Rede 114

Figura 72: Probabilidade de transbordo do buffer no Cenrio 4

0.35
Eq. 5.26
Eq. 5.27
0.3 Eq. 4.21
MSQ
Probabilidade de Transbordo

Simulao
0.25

0.2

0.15

0.1

0.05

0
2 4 6 8 10 12
Tamanho do Buffer (bytes) 5
x 10

Figura 73: Probabilidade de transbordo do buffer no Cenrio 5

0.4
Eq. 5.26
Eq. 5.27
0.35
Eq. 4.21
MSQ
Probabilidade de Transbordo

0.3 Simulao

0.25

0.2

0.15

0.1

0.05

0
1 2 3 4 5 6
Tamanho do Buffer (bytes) 6
x 10
115

Concluses

A modulao OFDM uma tcnica de multiplexao amplamente difundida nos


sistemas de comunicaes sem fio atuais. caracterizada por sua alta resistncia contra
interferncias intersimblicas e de multipercurso, alm da elevada eficincia espectral.
Este trabalho estuda o sistema de transmisso OFDM-TDMA e prope um modelo
baseado em Teoria de Filas para descrever o comportamento da fila do usurio. Para
isto, foram estabelecidos modelos para a taxa de transmisso do sistema e a taxa de
chegada de pacotes do usurio. O primeiro foi implementado levando em conta um canal
com desvanecimento Rayleigh e considera o uso de Modulao e Codificao Adaptativa,
assumindo que a informao de qualidade do canal (SNR) est disponvel ao transmitir
cada frame. O segundo modelo foi definido a partir da aplicao de tcnicas de estimao
do comportamento de processos de chegada de pacotes em regime permanente, como o
mtodo de Kernel e o MMFM.
Os trabalhos que estudam o comportamento da fila do usurio em sistemas OFDM
desenvolvidos at ento modelam a chegada de trfego do usurio como um processo
poissoniano. No entanto, o trfego real muitas vezes no segue o comportamento definido
pelo modelo de Poisson. O presente trabalho emprega o mtodo de Kernel e o MMFM na
modelagem do processo de chegada de trfego, o que resulta em modelos mais aproximados
dos sistemas reais.
Por meio do uso de Cadeias de Markov, foi possvel descrever o comportamento da
fila do usurio em estado estacionrio, conhecendo a probabilidade da fila se encontrar em
cada estado possvel. A partir dessas probabilidades, foram definidos alguns indicadores
teis na anlise do desempenho dos sistemas em questo: o nmero mdio de pacotes na
fila formada para transmisso, o atraso mdio no envio de um pacote e a probabilidade
de que haja transbordo no buffer do usurio.
Os indicadores obtidos foram testados por meio de simulaes do sistema OFDM-
TDMA. Os resultados so relatados na seo 4.5 deste trabalho. Verificou-se que o modelo
aprimorado com o uso do mtodo de Kernel e do MMFM. As estimativas obtidas para os
parmetros de QoS foram bastante prximas dos resultados das simulaes, confirmando
a eficincia do algoritmo proposto.
Apesar do modelo ser preciso em descrever o comportamento do sistema, o esforo
computacional exigido no clculo das estimativas pode ser alto. A construo da matriz de
transio da Cadeia de Markov e sua posterior soluo no estado estacionrio demandam
Concluses 116

muitos recursos computacionais, dada a complexidade do clculo matricial envolvido. Essa


demanda impossibilita, nas circunstncias atuais, a adaptao do modelo em tempo real
tornando-o rgido perante a natureza no-estacionria do processo de chegada de trfego.
Uma forma de contornar esse problema seria determinar, de antemo, modelos para um
conjunto de perfis de trfego e, utilizando alguma tcnica adaptativa para reconhecimento
de padres, encontrar o modelo mais apropriado para o perfil de trfego corrente.
Uma outra abordagem para anlise de desempenho do mesmo sistema foi desen-
volvida. Esta consiste na estimao da probabilidade de transbordo do buffer do usurio
do sistema OFDM-TDMA atravs de uma equao que leva em considerao o processo
envelope fractal do trfego de entrada e sobre a curva de servio do sistema. Dessa ma-
neira, foi possvel embutir ao modelo formas precisas de descrever o processo de trfego
do usurio e o canal de transmisso do sistema.
Como foi visto na seo 5.4, a equao obtida prov resultados bastante satis-
fatrios. As estimativas de probabilidade de transbordo encontradas, comparadas com
resultados de outros modelos, se aproximaram consideravelmente das probabilidades de
transbordo obtidas com simulaes, o que corrobora para a eficincia da equao apresen-
tada. Observa-se que o modelo baseado em Cadeias de Markov fornece resultados mais
prximos dos reais, proporcionando uma anlise de desempenho do sistema bastante efi-
caz, porm, a custo muito elevado. A equao 5.27, no entanto, fornece resultados com
prejuzo pequeno de preciso mas a muito baixo custo computacional, possibilitando at
seu uso para anlise de desempenho do sistema em tempo real.
Possveis trabalhos futuros envolvem a evoluo do modelo aqui desenvolvido bus-
cando agregar mais detalhes dos sistemas reais, como prioridade de usurios e controle
de admisso, alm da adaptao do modelo para padres especficos, como o LTE e o
WiMAX, tornando-o especfico e, portanto, mais apropriado para anlise desses sistemas.
117

Referncias

3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA) and Evolved Universal
Terrestrial Radio Access Network (E-UTRAN); Overall description. Valbonne, FR, 2013.
22, 24

AGRAWAL, R. et al. Performance bounds for flow control protocols. IEEE/ACM


Transactions on Networking, 1999. v. 7, n. 3, p. 310323, jun 1999. 99

BATISTA, C. A. Mtodos emergentes de fscia-estatstica aplicados a sries temporais.


Universidade Federal Rural de Pernambuco, 2006. feb 2006. 47

BIANCHI, G. R. Um modelo multifractal aplicado predio de trfego de redes-proposta


e avaliao. Campinas, SP, BR: [s.n.], 2005. 38

BOSMAN, J. W.; MEI, R. D. V. der; NUNEZ-QUEIJA, R. A fluid model analysis


of streaming media in the presence of time-varying bandwidth. In: 24th International
Teletraffic Congress. [S.l.: s.n.], 2012. p. 18. 22, 41

BOTEV, Z. I.; GROTOWSKI, J. F.; KROESE, D. P. Kernel density estimation via


diffusion. Annals of Statistics, 2010. Institutue of Mathematical Statistics, v. 38, n. 5, p.
29162957, 2010. 41

BOUCHTI, A. E.; KAFHALI, S. E.; HAQIQ, A. Queueing performance analysis of


cac scheme in ofdma based wimax system. In: Next Generation Networks and Services
(NGNS), 2011 3rd International Conference on. [S.l.: s.n.], 2011. p. 6267. 23

BOUDEC, J. Y. L. Application of network calculus to guaranteed service networks.


IEEE/ACM Transactions on Information Theory, 1998. v. 44, n. 3, p. 10871097, may
1998. 99, 100

BOUDEC, J. Y. L.; THIRAN, P. Network calculus: A theory of deterministic queuing


systems for the internet. In: Lecture Notes in Computer Science. [S.l.]: Springer Verlag,
2001. 10, 100, 101, 102, 103, 104, 105

BURCHARD, A.; LIEBEHERR, J.; PATEK, S. A Calculus for End-to-end Statistical


Service Guarantees. [S.l.], 2001. 105

CHEN, J.-C.; CHEN, W.-S. E. Call blocking probability and bandwidth utilization
of ofdm subcarrier allocation in next-generation wireless networks. Communications
Letters, IEEE, 2006. v. 10, n. 2, p. 8284, feb. 2006. 23

CHUI, C. K. An introduction to wavelets. IEEE Computational Sciences and


Engineering, 1995. v. 2, n. 2, p. 5061, 1995. 50

CLEGG, R. G. A practial guide to measuring the hurst parameter. In: 21st UK


Performance Engineering Workshop. [S.l.: s.n.], 2005. 45, 46, 47
Referncias 118

COLERI, S. et al. Channel estimation techniques based on pilot arrangement in ofdm


systems. Broadcasting, IEEE Transactions on, 2002. v. 48, n. 3, p. 223 229, sep 2002.
65

COSTA, V. H. T. et al. Estimao do tempo mdio de resposta do servidor em


plataformas de ensino a distncia do tipo cliente-servidor utilizando modelo baseado em
teoria de filas. In: X Encontro Anual de Computao. [S.l.: s.n.], 2013.

COSTA, V. H. T.; JNIOR, G. A. de D. Sistemas de comunicaes sem fio: Lte. In:


III Seminrio de Pesquisa IX Conpeex: Congresso de Pesquisa, Ensino e Extenso
UFG. [S.l.: s.n.], 2012.

COSTA, V. H. T.; VIEIRA, F. H. T.; SOUZA, G. B. de C. Performance modeling and


analysis of ofdm/tdma-based wireless systems based on queueing theory. In: International
Workshop on Telecommunications. [S.l.: s.n.], 2013.

CPQD. Sistema brasileiro de televiso digital terrestre arquitetura de referncia. 2006.


feb 2006. 24

CROVELLA, M. E.; BESTAVROS, A. Self-similarity in world wide web traffic - evidence


and possible causes. In: ACM Sigmetrics. [S.l.: s.n.], 1996. p. 160169. 37

CRUZ, R. L. A calculus for network delay, part i: Network elements in isolation. IEEE
Transaction of Information Theory, 1991. v. 37, n. 1, p. 114121, jan 1991. 99

CRUZ, R. L. A calculus for network delay, part ii: Network analysis. IEEE Transaction
of Information Theory, 1991. v. 37, n. 1, p. 132141, jan 1991. 99

CRUZ, R. L. Quality of service guarantees in virtual circuit switched networks. IEEE


Journal on Selected Areas in Communications, 1995. v. 13, n. 6, p. 10481056, aug 1995.
99

ERRAMILLI, A.; NARAYAN, O.; WILLINGER, W. Experimental queueing analysis


with long-range dependent traffic). IEEE Transactions Networking, 1996. v. 4, n. 2, p.
209222, 1996. 38

FELDMANN, A.; GILBERT, A.; WILLINGER, W. Data networks as cascades:


Explaining the multifractal nature of internet wan traffic. In: ACM Sigcomm. [S.l.: s.n.],
1998. p. 4255. 38

GONALVES, B. H. P.; VIEIRA, F. H. T.; COSTA, V. H. T. Modelagem multifractal


betamwm adaptativa para trfego de redes de computadores. In: X Encontro Anual de
Computao. [S.l.: s.n.], 2013.

GUVEL, R. L.; VHEL, J. L. Incremental moments and Hlder exponents of


multifractional multistable processes. 2010. Disponvel em: <http://alumni.cs.ucr.edu-
/tkarag/Selfis/Selfis.html>. 48

HOCK, N. C.; HEE, S. B. Queueing Modelling Fundamentals: With Applications in


Communication Networks. 2nd. ed. [S.l.: s.n.], 2008. 39

IEEE. IEEE Standard for Local and Metropolitan Area Networks Part 16: Air Interface
for Fixed Broadband Wireless Access Systems. New York, NY, USA, 2004. 22, 24
Referncias 119

IEEE. Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY)
Specifications. New York, NY, 2012. 22

JUNIOR, J. A. dos S.; VIEIRA, F. H. T. Algoritmo de Policiamento de Trfego


para Redes OFDM-TDMA WiMAX Baseado em Modelagem Multifractal e Clculo de
Rede. Dissertao (Mestrado) Escola de Engenharia Eltrica e de Computao
Universidade Federal de Gois, Goinia, GO, BR, 2011. 104, 107

KARAGIANNIS, T. The Selfis Tool (Verso 0.1b). Copyright c University Of California,


Riverside. 2010. Disponvel em: <http://alumni.cs.ucr.edu/tkarag/Selfis/Selfis.html>.
46

KLEINROCK, L. Queueing systems: Theory. New York, NY, USA: John Wiley, 1975. 37

LAUWERIER, H. Fractals: Endlessly Repeated Geometric Figures. Princeton, NJ:


Princeton University Press, 1991. 8, 46

LEEUWAARDEN, J.; SQUILLANTE, M.; WINANDS, E. Quasi-birth-and-death


processes, lattice path counting, and hypergeometric functions. Journal of Applied
Probability, 2009. v. 46, n. 2, p. 507520, jun 2009. 68

LELAND, W. E. et al. On the self similar nature of ethernet traffic (extended version).
IEEE/ACM Transactions on Networking, 1994. v. 2, n. 1, p. 115, feb 1994. 37

MANDELBROT, B. B.; NESS, J. W. V. Fractional brownian motions, fractional noises


and applications. SIAM Review, 1968. v. 10, n. 4, p. 422437, oct 1968. 44

MAO, S.; PANWAR, S. S. A survey of envelope process an their applications in quality


of service provisioning. IEEE Communications, 2006. v. 8, n. 3, p. 220, 2006. 103

MAYOR, G.; SILVESTER, J. Time scale analysis of an atm queueing system with
long-range dependent traffic. In: Sixteenth Annual Joint Conference of the IEEE
Computer and Communications Societies. [S.l.: s.n.], 1997. p. 2052012. 23, 107

MELO, C. A. V.; FONSECA, N. L. S. An envelope process for multifractal traffic


modeling. In: IEEE ICC. [S.l.: s.n.], 2004. 48

MISHURA, Y. Stochastic calculus for fractional brownian motion and related processes.
In: Lecture Notes in Mathematics. [S.l.]: Springer, 2008. v. 1929, p. 398. 45

NIYATO, D.; HOSSAIN, E. Queueing analysis of ofdm/tdma systems. In: Global


Telecommunications Conference, 2005. GLOBECOM 05. IEEE. [S.l.: s.n.], 2005. v. 6,
p. 5 pp. 37123716. 22, 31, 64, 70, 73

OLIVEIRA, L. C. B.; MENDES, E. A. Estudo da teoria do caos e dos fractais, e dos


sistemas complexos e suas possveis aplicaes em Matemtica. So Paulo, SP, BR:
Exacta, 2006. 99-101 p. 45

PAPOULIS, A.; PILLAI, S. Probability, random variables, and stochastic processes.


[S.l.]: McGraw-Hill, 2002. (McGraw-Hill electrical and electronic engineering series). 33,
35, 107

PARK, K.; WILLINGER, W. Self-similar Network Traffic and Performance Evaluation.


New York, NY, USA: John Wiley and Sons, 2000. 37, 47
Referncias 120

PAXSON, V.; FLOYD, S. Wide area traffic: the failure of poisson modeling. Networking,
IEEE/ACM Transactions on, 1995. v. 3, n. 3, p. 226244, jun 1995. 23, 37, 52, 56

PELTIER, R. F.; VEHEL, J. L. Multifractional Brownian motion: definition and


preliminary results. [S.l.], 1995. 45, 47, 48

PRASAD, R. Ofdm for Wireless Communications Systems. [S.l.]: Artech House, 2004.
(Artech House universal personal communications series). 21, 24

QIU, X.; CHAWLA, K. On the performance of adaptive modulation in cellular systems.


Communications, IEEE Transactions on, 1999. v. 47, n. 6, p. 884 895, jun 1999. 66

RAO, B. L. S. P. Statistical Inference for Fractional Diffusion Processes. India: John


Wiley and Sons, 2010. (Wiley series in probability and statistics). 45

RAPPAPORT, T. Wireless Communications: Principles and Practice. 2nd. ed. Upper


Saddle River, NJ, USA: Prentice Hall PTR, 2001. 21

RIBEIRO, V. J. et al. Multiscale queueing analysis of long-range dependent traffic. In:


IEEE INFOCOM. Tel Aviv, Israel: [s.n.], 2000. p. 10261035. 51, 110

RIEDI, R. H. et al. Multifractal wavelet model with application to network traffic. IEEE
Transactions on Information Theory, 1999. v. 45, n. 3, apr 1999. 50, 51

RIEDI, R. H.; VHEL, J. L. Tcp traffic is multifractal: A numerical study. In: INRIA
Research Report. [S.l.: s.n.], 1997. 38

ROCHA, F. G. C.; SANTOS, C. B.; VIEIRA, F. H. T. Traffic modeling in plc networks


using a markov fluid model with autocorrelation function fitting. TEMA Trends in
Applied and Computational Mathematics, 2011. v. 12, n. 3, p. 233243, 2011. 22, 42

SILVERMAN, B. Density Estimation for Statistics and Data Analysis. [S.l.]: Chapman
and Hall, 1986. (Monographs on Statistics and Applied Probability). 40

SOTTINEN, T.; VALKEILA, E. Fractional brownian motion as a model in finance.


University of Helsinki, Department of Mathematics, 2001. p. 16, 2001. 44

SOUSA, M. A. de et al. Sistema de apoio deciso milp-fuzzy para o planejamento de


redes de acesso em telecomunicaes. In: Metaheursticas em Pesquisa Operacional. [S.l.]:
Omnipax, 2012.

TAKADA, H. H.; ANZALONI, A. A multifractal traffic policing mechanism. IEEE


Communications Letters, 2006. v. 10, n. 2, p. 120122, fev 2006. 105

TAROKH, V. New Directions in Wireless Communications Research. [S.l.]: Springer,


2009. 22, 30

VASQUES, T. L. V. et al. Modelo baseado em cadeias de markov para estimao de


vazo em redes plc homeplug. In: MOMAG 2012. [S.l.: s.n.], 2012.

VIEIRA, F. H. T.; COSTA, V. H. T.; GONALVES, B. H. P. Neural network based


approaches for network traffic prediction. In: Artificial Intelligence, Evolutionary
Computing and Metaheuristics. [S.l.]: Springer Berlin Heidelberg, 2013, (Studies in
Computational Intelligence, v. 427). p. 657684.
Referncias 121

VIEIRA, F. H. T.; JNIOR, J. A. S.; COSTA, V. H. T. Aplicao de clculo de


rede para estimao de retardo e tamanho mdio da fila em sistemas ofdm/tdma com
policiamento de trfego. In: MOMAG 2012. [S.l.: s.n.], 2012.

VIEIRA, F. H. T.; LEE, L. L. Multifractal traffic modeling using a multiplicative


cascade with generalized multiplier distributions. In: IEEE International Conference on
Communications. [S.l.: s.n.], 2006. p. 509514. 37, 38, 51

VIEIRA, F. H. T.; LEE, L. L. Adaptive wavelet-based multifractal model applied to the


effective bandwidth estimation of network traffic flows. IET Communications, 2009. v. 3,
p. 906919, 2009. 23, 51

VIEIRA, F. H. T.; LING, L. L. Limitantes de desempenho de fila para trfego


multifractal de redes. Infocomp, 2007. v. 6, n. 4, p. 100109, 2007. 47

VIEIRA, F. H. T.; LING, L. L. Modelagem de trfego de redes utilizando cascata


multifractal generalizada. Revista de Informtica Terica e Aplicada, 2008. v. 15, n. 2, p.
87104, 2008. 8, 47, 49, 51

WAND. WITS: Waikato Internet Traffic Storage ISPDSL-II. WAND Network Research
Group. 2010. Disponvel em: <http://wand.net.nz/wits/ispdsl/2/>. 52

WEBB, A. R.; COPSEY, K. D. Density estimation nonparametric. In: .


Statistical Pattern Recognition. 3rd. ed. [S.l.]: John Wiley & Sons, Ltd, 2011. p. 150220.
ISBN 9781119952954. 22, 57

WIERSEMA, U. F. Brownian Motion Calculus. New York, NY, USA: John Wiley and
Sons, 2008. 44

WILLINGER, W. et al. Self-similarity in high-speed packet traffic: Analysis of modeling


of ethernet traffic measurements. Statistical Science, 1995. n. 1, p. 7186, dec 1995. 45

WRL. The Internet Traffic Archive: Hour-long Traces of Wide-Area Traffic from
Digital Equipment Corporation, by Western Research Lab. 1995. Disponvel em:
<http://ita.ee.lbl.gov/html/traces.html>. 52, 110

WUNDER, G.; ZHOU, C. Queueing analysis for the ofdma downlink: Throughput
regions, delay and exponential backlog bounds. Wireless Communications, IEEE
Transactions on, 2009. v. 8, n. 2, p. 871881, feb. 2009. 23