METHOD OF CALCULATING THE CORRELATION COEFFICIENT OF FRACTAL TRAFFIC
DOI:
https://doi.org/10.26906/SUNZ.2021.2.148Keywords:
multiservice network, Brownian motion, traffic, correlation coefficientAbstract
The properties of network traffic of multiservice networks, which are observed in practice today, are quite dif-ficult to interpret using the methods of statistical analysis, characteristic of the established modes of operation of network applications. Typically, backbone traffic focused on the simultaneous maintenance of information flows is often fractal in nature. This makes it impossible to obtain traffic characteristics by conventional approaches. In particular, problems arise in determining the statistical characteristics of the second order. The article proposes an approach to the calculation of the correlation coefficient of fractal traffic, which is based on the analysis of fractal properties of network processes. The model of generalized Brownian motion is used for calculation. This uses the operation of fractional integration of Brownian motion with the kernel, which has the form of a power function with a fractional exponent, and the resulting expression shows the dependence of the power tail of the distribution on the Hearst parameter. The proposed method allows to perform an analytical assessment of the correlation coefficient, as well as to determine the degree of fractal properties of this random process.Downloads
References
Sobieraj M., Stasiak M., Weissenberg J. Analytical model of the single threshold mechanism with hysteresis for multi-service networks. IEICE Transactions on Communications. 2012. Vol. E95.B, No. 1. Р. 120–132.
Kuchuk G., Kovalenko A., Komari I.E., Svyrydov A., Kharchenko V. Improving Big Data Centers Energy Efficiency: Traffic Based Model and Method / Kharchenko V., Kondratenko Y., Kacprzyk J. (eds) Green IT Engineering: Social, Business and Industrial Applications. Studies in Systems, Decision and Control. V ol 171. Cham: Springer, 2019. DOI: https://doi.org/10.1007/978-3-030-00253-4_8
Кучук Н. Г. Метод зменшення часу доступу до слабкоструктурованих даних / Н. Г. Кучук, В. Ю. Мерлак, В. В. Скородєлов // Сучасні інформаційні системи = Advanced Information Systems. – 2020. – Т. 4, No 1. – С. 97-102. doi: https://doi.org/10.20998/2522-9052.2020.1.14
Kuchuk N., Mozhaiev O., Mozhaiev M., Kuchuk H. Method for calculating of R-learning traffic peakedness. 2017 4th International Scientific-Practical Conference Problems of Infocommunications Science and Technology, PIC S and T 2017 – Proceedings. 2017. P. 359-362. DOI: https://doi.org/10.1109/INFOCOMMST.2017.8246416
Коваленко А. А., Кучук Г. А. Методи синтезу інформаційної та технічної структур системи управління об’єктом критичного застосування. Сучасні інформаційні системи. 2018. Т. 2, No 1. С. 22–27. DOI: https://doi.org/10.20998/2522-9052.2018.1.04
Свиридов А. C., Коваленко А. А., Кучук Г. А. Метод перерозподілу пропускної здатності критичної ділянки мережі на основі удосконалення ON/OFF-моделі трафіку. Сучасні інформаційні системи. 2018. Т. 2, No 2. С. 139–144. DOI: https://doi.org/10.20998/2522-9052.2018.2.24
Donets V., Kuchuk N., Shmatkov S. Development of software of e-learning information system synthesis modeling process. Сучасні інформаційні системи. 2018. Т. 2, No 2. С. 117–121. DOI: https://doi.org/10.20998/2522-9052.2018.2.20.
Зиков І. С., Кучук Н. Г., Шматков С. І. Синтез архітектури комп'ютерної системи управління транзакціями e-learning. Сучасні інформаційні системи. 2018. Т. 2, No 3. С. 60–66. DOI: https://doi.org/10.20998/2522-9052.2018.3.10.
Кучук Н.Г., Гавриленко С.Ю., Лукова-Чуйко Н.В., Собчук В.В. Перерозподіл інформаційних потоків у гіперконвенгертній системі / С.Ю. Гавриленко. Сучасні інформаційні системи. 2019. Т. 3, No 2. С. 116-121. DOI: https://doi.org/10.20998/2522-9052.2019.2.20.
