9-网络仿真NS2.pptVIP

3-* 离散事件仿真 仿真程序维护和更新未来事件的列表：event list 仿真器结构： 初始化事件列表 从事件列表中取出下一个事件 (离当前事件最近) time = event time 处理事件 (改变状态值，增加或者 删除事件列表中的未来事件 更新统计值 结束? n 需要: 良好定义事件集合 对于每个事件：仿真系统的行为，更新事件列表 y 3-* 仿真：例子 处理有双处理系统的客户到达(间隔时间平均为：1/ l)请求(平均的执行时间为1/m) 到达客户加入到最短CPU等待队列中 m1 m2 系统状态：每个队列的长度 系统事件： 任务加入 服务时间结束 定义收集的性能测量值 l 3-* 仿真：例子 m1 m2 l 仿真器在到达事件时的动作： 如果一个队列空： {将任务置成服务状态(挑一个空队列),决定这个任务的服务时间(服从服务时间分布的随机值)在时间队列中加入未来的任务完成事件，将队列长度置为1} 如果两个队列都满了：{增加丢弃分组的个数，忽略这个分组的到达} 其他：{看应该将这个任务放入哪个队列 (最短的，with ties broken randomly), 增加队列中排队的分组个数} 创建下一个到达事件 (产生间隔时间)，将事件放入事件列表中 按照事件到达时间排序 3-* 仿真：例子 m1 m2 l 仿真器在任务完成离开事件时的动作： 移除事件，更新仿真时间，更新性能统计值 在相应的队列中减少等待任务的个数 如果(队列中任务个数 0) 使下一个任务进入到服务状态-调度生成一个完成任务的事件(产生该任务的服务时间，服从规定的分布) 3-* 仿真：例子 m1 m2 l 仿真器初始化 事件列表： 状态变量： Code walkthrough 3-* 收集性能统计值 队列i的平均延迟: 记录Dij ：队列i中的客户j的延迟， Ni代表经过队列i的客户总数 队列i的平均长度: total simulated time 队列i的吞吐, gi = Little’s Law 利特尔定理 在一个稳定的系统中，平均的客户数（访问该系统的客户） 等于客户到达该系统的平均速率乘以客户在该系统中花费的平均时间 3-* 分析输出结果 每次我们运行仿真, (采用不同的随机数值流),我们都会得到不同的输出结果! 仿真时使用的随机数字的分布 (用同一组统计值产生： 任务到达间隔，服务时间) random number sequence 1 simulation output results 1 input output random number sequence 2 simulation output results 2 input output random number sequence M simulation output results M input output … … … … … … 3-* 分析输出结果 W2,n: 离开队列2的第n个客户的延迟 m1 m2 l 3-* 分析输出结果 每次运行，客户延迟都会变化 而且每次运行和下一次运行都不一样 需要得到延迟的统计特征 第n个客户的延迟期望 当n趋近于无穷时，延迟表现 平均n个客户的延迟 m1 m2 l 3-* 过渡行为 依赖于初始条件的仿真输出被叫做“暂时特征”(i.e., 当初始条件变化时，输出值也会变化 仿真的早期部分 仿真的后阶段部分较少依赖于初始条件 暂时特征的例子? m1 m2 l 3-* 初始条件的效果 第20个客户的延迟柱状图, 假设队列初始为空 (1000次运行) 第20个客户的延迟柱状图, 假设队列初始不为空 (1000次运行) 3-* 稳定状态行为 如果仿真运行足够长时间，输出结果可能会收敛到一个稳定状态值 丢弃在暂态阶段收集的统计值, e.g., 忽略第2个队列的一开始 n0 个测量值 avg delay of packets [n, n+10] 如何找到合适的n0： 1）将n0个数据忽略掉，将各个不同的随机数值流的输入得到的统计值差不多 2）而且当n增加时，仍然保持一致 avg of 5 simulations 3-* 置信区间 运行仿真：获得我们感兴趣性能值的估计值V1 重复仿真M次（每次使用新的随机数值集合），获得V2，...Vm -所有的值都不一样 哪一个V1, … VM是“对”的呢？ 凭直觉，M采样的平均值可能会好些，比任何一个M采样值 有关V，我们的置信度？ 3-* 置信区间 在有限次采样情况下，无法获得完美的真正均值m的估计值 寻找上下界限（一个范围）：找到c1和c2，使得: Probability(c1 m c2) = 1 – a [c1,c2]: 置信区间confidence interv