Você está na página 1de 13

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

1143

A New Network Traffic Modeling Based in Conservative Multiplicative Cascade with Weights Newton Binomial

J. W. G. Stênico and L. L. Lee

Abstract— In order to robustly characterize today’s network traffic, a new multifractal theory based multiplicative cascade traffic model is proposed. The proposed multiplicative cascade traffic model is conservative in measure with its multiplier weights determined by Binomial Newton expansions. We also derive some major statistical characteristics of this new cascade process enabling generation of synthetic traffic used for traffic model validation and simulation purposes. Experimental investigation results have shown that the proposed model is promising in robust and accurate traffic characterization and modeling for both real wired and wireless traffic outperforming three well-known multifractal models in the literature.

Multiplicative Cascade, Multifractal Processes,

Network Traffic.

Keywords—

I.

INTRODUÇÃO

M OTIVADO pelo grande volume do tráfego das redes de dados em diferentes aplicações e com a perspectiva de

um contínuo desenvolvimento, devido à introdução de novas tecnologias e o aumento significativo de usuários, torna-se necessário o uso de um modelo de tráfego robusto e eficiente, que seja apropriado para descrever as propriedades mais importantes dos fluxos das redes. Isso faz com que tenhamos uma melhor compreensão do tráfego, permitindo-nos examinar os efeitos dos parâmetros do modelo em termos de desempenho de redes. Vários modelos matemáticos foram propostos para caracterizar o tradicional tráfego TCP/IP. No entanto, quando se analisa o tráfego no ponto de vista da teoria dos fractais, [1] mostram-se como um dos pioneiros, eles contataram experimentalmente nos tráfegos analisados a existência de autossimilaridade e dependência de longa duração. Em seguida estudos em tráfego WAN TCP/IP [2], constataram que as diferentes propriedades do tráfego observadas em pequenas escalas de tempo eram convenientemente descritas utilizando- se a análise multifractal. A análise multifractal está fundamentada na descrição de comportamentos singulares locais e altamente irregular de alguma medida ou de alguma função, [3]. Ela foi introduzida pela primeira vez, através da utilização de cascatas multiplicativas, no contexto de turbulências por [4] como um

referencial fenomenológico destinado a acomodar as

J. W. G. Stênico, Universidade Estadual de Campinas (Unicamp),

Campinas, SP, Brasil, jeferson@decom.fee.unicamp.br

L. L. Lee, Universidade Estadual de Campinas (Unicamp), Campinas, SP,

Brasil, lee@decom.fee.unicamp.br

intermitentes e grandes flutuações observadas nos fluxos de fluído turbulentos. O conceito se baseia na redistribuição da energia de escalas maiores em escalas menores [5], através de um mecanismo de divisão envolvendo fatores multiplicativos aleatórios, conhecidos como geradores de cascatas. Nos últimos anos, principalmente devido a estrutura de escalas das cascatas, tem encontrado aplicações em diversas áreas que necessitam modelar fenômenos não-lineares e que apresentam estruturas multiplicativas, tais como modelagem de tráfego [6], fenômenos geofísicos [7], evolução do DNA [8], a volatilidade das taxas de câmbio do mercado financeiro [9], distribuição mineral [10] modelagem de texturas [11] entre outros.

De uma perspectiva da modelagem dos sinais de tráfegos

redes, os especiais recursos multifractais estão associados na sua estreita ligação dos processos multiplicativos com a construção de uma cascata multiplicativa conservativa [12]. Isso fica mais aparente quando se estuda os sinais de tráfego das redes na camada TCP, ou seja, ao analisar os padrões de chegadas dos pacotes dentro de uma conexão TCP individual ou de um fluxo porta a porta. Baseado nessa ideia de cascatas multiplicativas existe na literatura três modelos multifractais de tráfego bastante conhecidos e utilizados. O modelo MWM – (Multifractal Wavelet Model), modelo proposto por [13] é um caso especial de cascata multiplicativa, pois é capaz de modelar sinais positivos estacionários e com dependência de longa duração. Os níveis de detalhes em todas as escalas são garantidos pelos seus processos em cascata, assegurando a eficiência ao se tratar do comportamento do tráfego para as mais altas frequências. Esse modelo utiliza de

wavelets para produzir características escalares na sua geração, modelando um processo altamente correlacionado no tempo como um processo descorrelacionado no domínio das wavelets.

O modelo VVGM – (Variable Variance Gaussian

Multiplier), proposto por [14], está baseado em cascata multiplicativa binomial e leva em consideração a natureza da variação das distribuições dos multiplicadores que são usados para gerar a cascata multiplicativa como sendo gaussiana. O modelo VSCM – (Variable Scale parameter Cauchy Multiplier), proposto por [15], este modelo é similar ao modelo VVGM, porém considera-se que a distribuição de Cauchy é mais apropriada para descrever as distribuições dos multiplicadores da cascata multiplicativa. Com isso, podemos afirmar que os modelos VVGM e VSCM são mais simples que o modelo MWM, já que o MWM não é uma cascata binomial

1144

pura e necessita da incorporação de wavelets em cada fase. No entanto, ambos são capazes de modelar as propriedades dos sinais de tráfego de forma adequada. Dessa forma, com a finalidade de se obter um modelo multifractal de tráfego eficiente e robusto, neste trabalho, é proposto uma nova forma de construção de cascata multiplicativa conservativa, fundamentada na expressão do binômio de Newton. A fim de alcançar uma modelagem estocástica precisa dos sinais de tráfego, a proposta de construção das cascatas multiplicativas preserva a natureza aleatória de sua estrutura assim como a conservação da massa em todos os estágios [12]. Consequentemente é proposto um novo modelo multifractal para a modelagem de tráfego de rede com base no modelo de cascata multiplicativa proposta. O principal objetivo dessa nova abordagem é ter a capacidade de capturas as principais propriedades advindas da

definição de processos multifractais, ou seja, a função escala e

o fator de momento que são estimados a partir de uma série de

tráfego real. Neste trabalho, será descrito a construção da cascata multiplicativa aleatória, introduzida por Benoît B. Mandelbrot [16] na modelagem de turbulência, além de outras duas importantes classes, incluindo a cascata determinística [17] e a cascata conservativa [12]. Será também ilustrado como pode-se observar o processo inverso de uma cascata em relação a séries

de tráfegos reais, analisando algumas propriedades importantes, tais como, as distribuições dos multiplicadores, a função autocorrelação, e a aleatoriedades dos geradores das cascatas. Em seguida será exposto o novo modelo multifractal de tráfego baseado na nova cascata multiplicativa proposta, expondo os processos de obtenção de todos os parâmetros do modelo além de elucidar o funcionamento do processo de sintetização de tráfego através de uma série de real. Será descritos de modo resumido os modelos multifractais MWM [13], VVGM [14] e VSCM [15], que serão usados com

a finalidade de comparação na validação do modelo proposto.

Para isso, vários experimentos foram realizados utilizando-se de duas séries de tráfegos diferentes, uma proveniente de uma rede cabeada e outra advinda de uma rede sem fio, mostrando assim a eficácia do modelo.

II. CASCATA MULTIPLICATIVA

Segundo [18] uma cascata multiplicativa é definida da seguinte forma:

Definição 1: Uma cascata multiplicativa é um processo iterativo que fragmenta um determinado conjunto em partes menores de acordo com alguma regra geométrica, e ao mesmo tempo, distribui a massa total do conjunto dado de acordo com outra regra. Se as regras de redistribuição da massa preservar a massa total do conjunto inicial em cada etapa da construção, chama-se está cascata de conservativa. Fundamentado na Definição 1, nesta seção serão apresentadas as principais formas de construção de cascatas multiplicativas, enunciando de forma simples como é o processo de construção da Cascata Multiplicativa Aleatória, Cascata Multiplicativa Determinística e a Cascata Multiplicativa Semi-Aleatória ou Conservativa. Além disso,

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

será exposto uma nova proposta de construção de cascata multiplicativa conservativa, cujo processo de divisão está baseado na expressão do Binômio de Newton. Finaliza-se essa seção, mostrando como observar-se as propriedades de uma cascata conservativa para séries de tráfegos reais utilizando o princípio inverso de cascatas.

A. Cascata Aleatória

Para a construção da cascata aleatória, inicialmente toma-se uma massa inicial , distribuída uniformemente sobre o intervalo unitário = [0,1]. Divide-se o intervalo unitário em uma coleção de , , ,… , … subintervalos. Cada subintervalo do -ézimo estágio é dividido em subintervalos para formar o estágio ( + 1). Denotam-se os intervalos gerados por este processo de construção, por -ádicos de tamanho e é definido como:

(1)

para = 0,1, … , − 1 e = 1,2, ….

massa (0), … , ( − 1) para os

subintervalos do primeiro estágio, onde G é uma variável aleatória não negativa com média 1/ e as variáveis aleatórias G(0),…, ( −1) são independentes e apresentam a mesma distribuição de , gerador da cascata aleatória. Repetindo este procedimento, gera-se um conjunto de variáveis aleatórias

( ),…, ( ,… ) indexados pela coleção de intervalos, os quais são independentes e identicamente distribuídos (i.i.d.) com o gerador de . Isso pode ser observado na Fig. 1, onde é construída uma cascata aleatória, considerando =1 e =

2.

( ,… ), gerado por

essa construção da cascata aleatória no estágio é dado por:

( ,… ) = ( ) ( , ) … ( ,… ) (2)

Nota-se que a cascata aleatória preserva apenas a massa na média, isto é, para ≥1,tem-se [ ( )] = .

( , ,… )=

j b

j b + b

, ∑

Atribui-se

A medida do intervalo − á

b + b , ∑ Atribui-se A medida do intervalo − á Figura 1. Construção da

Figura 1. Construção da Cascata Aleatória.

B. Cascata Determinística

A fim de ilustrar a construção de uma cascata determinista,

é adotado = 2, para efeito de simplificar a notação e para clarear as descrições desse importante exemplo de cascata.

WILIAN DE GODOY STENICO AND LUAN LING : A NEW NETWORK TRAFFIC MODELING BASED

A cascata determinística é um caso especial de cascata

aleatória na medida em que é atribuído um múltiplo fixo para

a massa inicial a cada subintervalo. Escolhe-se um p ∈ (0,1/2] fixo no primeiro estágio da construção, designa-se massa para o intervalo da esquerda (0) e massa (1 − ) para o intervalo da direita (1). Se esse procedimento é repetido, a massa do intervalo diádico ( ,… ) no − é estágio é um produto de fatores de ´ e (1 − )’ , ou seja:

(3)

onde ∈ {0,1}, = , =1− e é o número de zeros no ( ,… ) e = é o número de uns. Esse processo preserva a massa original em todos os estágios e sua medida limite (a medida binomial para o exemplo) em = [0,1] é singular e multifractal se ≠ 1/2 . Para maiores detalhes ver [17].

( ,… ) =

= (1 − )

C. Cascata Semi-Aleatória ou Conservativa

Novamente por conveniência, restringe-se a discussão para

o caso =2. Enquanto a cascata aleatória pode ser apropriada

para modelos físicos de turbulência, elas não são apropriadas no contexto de redes, nem mesmo a cascata determinística. Em resumo, o contexto de redes exige um compromisso entre

a alta flexibilidade da cascata aleatória e a rigidez da cascata

determinística. É necessária a propriedade de preservação de massa como na cascata determinística e ao mesmo tempo a aleatoriedade inerente por conta dos aspectos extremamente heterogêneos das redes de dados modernas. Para acomodar esses dois objetivos de preservação de massa e aleatoriedade, define-se uma cascada denominada semi-aleatória ou conservativa, ou seja, uma regra que atribui

massa para o intervalo (0) e massa (1 − ) para o intervalo (1). O gerador é uma variável aleatória com media ½ assumindo valores em (0,1) e é simétrica entorno de sua média. Para iterar esse procedimento, considera-se uma sequência de variáveis aleatória ( ,… ), ≥1 com uma estrutura dependente dada por:

( ,… , 1) = 1 − ( ,… , 0) (4) onde as variáveis aleatórias ( ,… , 0) e ( ,… , 1) são identicamente distribuídas (lembrar que o gerador H é simétrico em relação a sua média). Esse processo constrói uma cascata conservativa e uma coleção de medidas . Para todo ≥1 a medida do intervalo diádico ( ,… ) é dado por:

( ,… ) = ( ) ( , ) … ( ,… ) (5)

E devido à estrutura multiplicativa, ( ,… ) tem

distribuição aproximadamente lognormal [12]. É claro que, para todo ≥1 tem-se ( ) = . A principal diferença entre

a cascata aleatória e a cascata conservativa é a dependência da forma em que a massa é distribuída a partir do intervalo origem para os subintervalos da esquerda e os da direita em cada estágio do processo de construção da cascata binomial. Há, obviamente, muitas generalizações desse procedimento básico de construção de cascata conservativa. Em cada passo no processo de construção pode-se, por exemplo, dividir o intervalo inicial em subintervalos não apenas de dois em

dois. Além disso, pode-se mudar o gerador em cada etapa da construção e impor uma estrutura de dependência mais geral sobre as medidas dos subintervalos. Pensando nisso, será proposto uma forma bem simples de se construir uma cascata conservativa, de maneira que os processos de divisões dos subintervalos estão baseados na expressão do binômio de Newton e com isso, é fornecido um suporte para propor o novo modelo de tráfego multifractal.

D. Cascata Conservativa Proposta

O processo de construção da cascata ocorre da seguinte forma: Inicialmente considera-se para denotar o intervalo unitário [0,1]. Seja uma variável aleatória real com distribuição uniforme no intervalo [0,1]. No − é estágio o intervalo é dividido em subintervalo, cada um assegurando uma medida proporcional a uma quantidade numérica, determinada pela seguinte expressão do Binômio de Newton:

(6)

Em outras palavras, no estágio , aplica-se o fator de

ponderação a seguir para o primeiro subintervalo:

(7)

Enquanto que para os demais subintervalos os fatores de ponderação são os seguintes:

(8)

onde são a representação binária do número decimal . Denotados por R, os multiplicadores da cascata restritos em [0,1] e com densidade de probabilidade ( ), de forma que

,

[ ] = 1/ . Com isso, para = 0. = ∑

seja R( ) = , representando o novo multiplicador aleatório incorporado para o subintervalo [t, t+∆t ] no − é estágio da cascata. Desse modo, a medida do intervalo [t, t+∆t ] pode ser expressa como:

μ(∆t ) = μ[t, t + ∆t ] = R( )R( ) … R( ) (9)

Para uma melhor ilustração da nova regra de construção da cascata conservativa, será adotado = 2, gerando assim uma cascata binomial.

( ) (1 − )

=

( ) +(1 − )

= ( ) (1 ) | ,…,

E. Construção de uma Cascata Binomial

Inicialmente tem-se um intervalo unitário I. Seja ∈ [0,1] uma variável aleatória com distribuição uniforme. A medida atribuída ao primeiro intervalo [0,1/2] no estágio N=1 é:

W = μ [0, 12] = (x ) + (1 − x ) (10)

Enquanto que a medida para o segundo intervalo é dada da seguinte expressão:

(11)

= μ [1⁄2,1]

W

= 1 2 (x )(1 − x )

Para N=2, o segundo estágio da iteração da cascata, tem- se as seguintes regras. A medida atribuída ao primeiro intervalo é igual a:

μ [0,1⁄4] = μ [0, 12]W = μ [0, 12] (x ) + (1 − x ) (12)

As medidas para o segundo, terceiro e quarto intervalo são respectivamente:

1145

1146

μ [1⁄4

μ [0,

μ [1⁄2

,1⁄2] = μ [0,

1⁄2]W =

12] 2 (x ) (1 − x )

1

(13)

,34] = μ [1⁄2,1]W =

μ [1⁄2,1] 2 (x ) (1 −

2

x )

(14)

μ [3⁄4,1] = μ [1⁄2,1]W =

(15)

Esse processo iterativo é repetido e o torna interessante o suficiente, pois a medida total em cada estágio é preservada na média. Considerando o k − ézimo estágio da cascata, a medida da massa de cada subintervalo do k − ézimo é derivada dos pesos das medidas das massas dos subintervalos do estágio anterior (k − 1). De forma que a medida do primeiro intervalo I é igual a:

μ [1⁄2,1] 2 (x ) (1 − x )

3

μ 0, 2 = μ 0, 2 W

=

μ 0, 2 (x ) + (1−x ) Para os outros intervalos do k − ézimo estágio, tem-se:

(16)

μ[I ] = μ[I ]W

(17)

onde são a representação binária do número decimal . Pode-se notar que as variáveis aleatórias x x , x , …, são independente e identicamente distribuídas (i.i.d.) distribuídas

uniformemente em [0,1]. Como forma de ilustrar na Fig. 2, mostra os estágios 0-3 e 9-10 da construção de uma cascata conservativa utilizando a metodologia proposta. A Fig. 2 nos dá a ideia de como se pode aproximar uma cascata conservativa com a forma de operação dos mecanismos de uma rede em pequenas escalas de tempo, como por exemplo, para um tráfego TCP ao longo da duração de uma conexão real.

μ[I ] 2

i

(x ) (1 − x ) | ,,

=

Estágio0 5 4 3 2 1 0 Taxa de Tráfego
Estágio0
5
4
3
2
1
0
Taxa de Tráfego

Tempo

Estágio1 5 4 3 2 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Estágio1
5
4
3
2
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
Taxa de Tráfego
Estágio2 5 4 3 2 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Estágio2
5
4
3
2
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
Taxa de Tráfego
Estágio 9 30 25 20 15 10 5 0 0.1 0.2 0.3 0.4 0.5 0.6
Estágio 9
30
25
20
15
10
5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
Taxa de Tráfego
Estágio3 5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 0.1 0.2 0.3
Estágio3
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
Estágio 10
45
40
35
30
25
20
15
10
5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
Taxa de Tráfego
Taxa de Tráfego

Figura 2. Estágio 0-3 e 9-10 da Cascata Conservativa Segundo o Método Proposto.

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

F. Cascata Multiplicativa Inversa

O principal objetivo da construção da cascata inversa é

verificar se os tráfegos de redes satisfazem ou não a regra conservativa na redistribuição de massa de um intervalo de inicial para os subintervalos e se assim for, inferir as

propriedades estatísticas pertinentes do gerador da cascata conservativa. O primeiro passo a ser realizado está na obtenção da variável da Equação (6) para uma série de tráfego real. Para

isso foi utilizado o seguinte método:

Estimação das Variáveis

Seja os dados de tráfego no estágio obtido através do processo de construção de uma cascata com tempo de resolução de . Os valores das variáveis , para a nova forma de construção de cascata multiplicativa, utilizando a expressão do Binômio de Newton, serão estimados da seguinte forma:

Para a série de tráfego no estágio ( − 1) da cascata pode ser obtida agregando valores consecutivos do estágio posterior em blocos não sobrepostos de tamanho . De forma geral,

, ) obtêm-

dada à série na escala ( ), , ( = 1,

se os dados na escala ( − 1) pela soma consecutiva dos

valores do estágio ( ) da seguinte

(18)

para i = 1, … , b . Esse procedimento termina quando a agregação dos valores forma apenas um ponto na última escala

da cascata. Dessa forma, as variáveis ( ) para o processo do

estágio

equação:

(19)

para o estágio +1 são obtidas pela seguinte

forma:

X

X = X

+

( ) =

para i = 1,

Através da obtenção das variáveis , agora é possível obter

os multiplicadores do tráfego real para a nova forma de

construção de cascata multiplicativa, proposta na Seção II –D.

Estimação da Densidade de Probabilidade dos

… , b .

Multiplicadores

Baseado na ideia da agregação de valores consecutivos em

blocos não sobrepostos de tamanho , a estimação dos

multiplicadores do tráfego real para a nova cascata

multiplicativa é realizado utilizando-se do seguinte

procedimento do estágio para o estágio +1 dado por:

Para o primeiro intervalo o multiplicador é obtido pela

seguinte equação:

=

( ) + (1 − )

(( ) + (1 − ) )

( ) + (1 )

(20)

onde i = 1, … , b ,

=

1,

− 1.

Para os demais intervalos tem-se:

=

( ) ( )

( ) ( )

onde i = 1, … , b ,

=

,

,

b − 1.

(21)

Pode-se considerar r ( ) como amostras da distribuição de

A distribuição dos

multiplicadores

f (r)

no

estágio

j.

F unção A utocorrelação

WILIAN DE GODOY STENICO AND LUAN LING : A NEW NETWORK TRAFFIC MODELING BASED

multiplicadores na escala j pode ser obtida pelos histogramas de r ( ) . Com a finalidade de validação dessa nova metodologia, serão utilizadas para este teste, duas séries de tráfegos reais. A primeira é proveniente de uma rede cabeada, denominada “lbl- tcp-3” obtidos da Digital Equipment Corporation [19] e disponível em [20], já a segunda série de tráfego advém de uma rede sem fio, coletado no 62º encontro Internet Engineering Task Force (IETF) disponível em [21], e que será denotada por “TrafIETF”. A Tabela 1 apresenta alguns dados estatísticos das séries utilizadas.

TABELA I MÉDIA, VARIÂNCIA, Nº DE AMOSTRAS

TRÁFEGO

MÉDIA

VARIÂNCIA

Nº DE AMOSTRAS

LBL-TCP-3

136.3555

5.7062X10 4

1.789.995

TRAFIETF

248.6409

1.2128X10 5

1.791.474

Para efeito de análise, serão mostrados os resultados da aplicação do procedimento da cascata inversa para as séries de tráfegos “lbl-tcp-3” e “TrafIETF”, utilizando =2, ou seja, para uma cascata binomial. A Fig. 3 apresenta a função de densidade de probabilidade dos multiplicadores (geradores) obtidos para os estágios ( = 1,4,7,10 12) utilizados na construção de cascata inversa. Em 3a as PDF's são para o tráfego “lbl-tcp-3” e em 3b as PDF's refere-se ao tráfego “TrafIETF”. Com efeito, através dos diferentes estágios da construção da cascata inversa, sugerem que os multiplicadores seguem uma distribuição normal truncada em [0,1], com média 1/2, ou seja, é simétrica em torno de 1/2, estando de acordo com a teoria apresentada na Seção II-C.

5 12 Estágio1 Estágio1 4.5 Estágio4 Estágio4 Estágio7 Estágio7 10 4 Estágio 10 Estágio 10
5
12
Estágio1
Estágio1
4.5
Estágio4
Estágio4
Estágio7
Estágio7
10
4
Estágio 10
Estágio 10
Estágio 12
Estágio 12
3.5
8
3
2.5
6
2
4
1.5
1
2
0.5
0
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Multiplicadores
Multiplicadores
D
en sida de
de
P roba bilid ade
D
en sida de
de
P roba bilid ade

a Figura 3. Histogramas para (a) Tráfego “lbl-tcp-3” (b) Tráfego “TrafIETF”.

Nas Figs. 4 e 5 são mostradas as funções de autocorrelação para os multiplicadores dos estágios = 7 e 12 para ambas as séries analisadas. A estimativa mostra valores confinados dentro de um intervalo de confiança de 95%, exceto para o atraso 0, como era de se esperar. Pode-se observar que para determinados estágios fixos da cascata multiplicativa, a autocorrelação dos multiplicadores apresenta características de independência entre si, manifestando-se assim mais uma propriedade da cascata multiplicativa conservativa.

b

Estágio7

Estágio 12

1 0.8 0.6 0.4 0.2 0 -0.2 0 20 40 60 80 100 120 Atraso
1
0.8
0.6
0.4
0.2
0
-0.2
0
20
40
60
80
100
120
Atraso
F unção A utocorrelação
1 0.8 0.6 0.4 0.2 0 F unção A utocorrelação
1
0.8
0.6
0.4
0.2
0
F unção A utocorrelação

-0.2

 
 

0

50

100

150

200

250

300

350

400

450

500

 

Atraso

Estágio 12

F unção A utocorrelação

     

-0.2

   

0

50

100

150

200

250

300

350

400

450

500

 

Atraso

120

Figura 4. Função Autocorrelação para a Série de Tráfego “lbl-tcp-3”.

Estágio7

1 0.8 0.6 0.4 0.2 0 -0.2
1
0.8
0.6
0.4
0.2
0
-0.2

0

20

40

60

Atraso

80

100

Figura 5. Função Autocorrelação para a Série de Tráfego “TrafIETF”.

Na Fig. 6 são mostradas as variâncias dos multiplicadores em relação dos estágios da cascata inversa. Pode-se observar que os multiplicadores (geradores da cascata) decrescem monotonicamente (aproximadamente exponencial) em função dos estágios da construção inversa da cascata. Em outras palavras, os multiplicadores não possuem valores fixos, eles variam a cada nível da construção da cascata conservativa. O

que condiz com mais uma propriedade da cascata

multiplicativa conservativa. 0.1 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 1 2
multiplicativa conservativa.
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
1
2
3
4
5
6
7
8
9
10
11
12
V ariância

Nº de Estágios

0.1 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 1 2 3 4
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
1
2
3
4
5
6
7
8
9
10
11
12
V ariância

Nº de Estágios

a Figura 6. (a) Variância dos Multiplicadores Tráfego “lbl-tcp-3” (b) Variância dos Multiplicadores Tráfego TrafIETF.

Com isso, nesta seção, deu-se ênfase ao estudo das cascatas multiplicativas. De uma forma resumida, foram apresentadas as principais formas de construção das cascatas, dentre elas a cascata aleatória utilizada por [16] para a modelagem de turbulência. No entanto, no contexto das redes modernas é necessária a utilização de uma cascata conservativa, que une a rigidez da cascata determinística e a alta flexibilidade da cascata aleatória. Contudo, como contribuição original, foi introduzido uma nova forma de construção de cascata multiplicativa utilizando a expressão do Binômio de Newton. A utilização dessa nova

b

1147

1148

construção é uma ferramenta muito simples, possibilitando a construção de uma cascata conservativa em que a divisão não fica apenas restrita à forma binomial. Nos três testes realizados utilizando o princípio da cascata inversa, foi possível observar as principais propriedades dos geradores da cascata conservativa nos tráfegos de redes reais analisados, fornecendo subsídios para distinguir as estruturas inerentes das cascatas e relacionar as suas regras em uma modelagem mais precisa e robusta dos tráfegos das redes atuais. No que diz respeito a uma modelagem mais estruturada das séries de tráfego, será utilizado o princípio da construção da cascata conservativa proposta nesta seção, para que na próxima seção, seja proposto o novo modelo multifractal de tráfego.

III. MODELAGEM MULTIFRACTAL

Nesta seção, será proposto um novo modelo multifractal de tráfego, baseado na construção da cascata multiplicativa proposta na seção anterior, requerendo apenas 4 parâmetros em seu processo de síntese. O modelo proposto denominado MMBN – (Modelo Multifractal baseado no Binômio de Newton) é obtido usando a média e a variância dos dados de tráfego e a média e a variância do traço de tráfego agregado. Para isso tem-se a seguinte definição para processos multifractais. Definição 2: Um processo estocástico X(t) é chamado multifractal se possui incremento estacionário e satisfaz a seguinte equação:

E(|X(t)| ) = c(q)t ( ) = c(q)t ( ) (22) para valores positivos q∈Q, [0,1] ⊆ , onde τ(q) e c(q) são chamados respectivamente de função escala e fator de momento, independentes de . A função τ(q) também é chamada de função de escalonamento de processo multifractal ou função de partição. Trata-se de uma função côncava com τ(0) = −1 [22]. Fundamentado na Definição 2, o modelo proposto objetiva capturar tanto a função escala como o fator de momento do processo a ser analisado. Segundo os autores em [6], [23], isso pode ser obtido pelo produto de uma cascata e uma variável aleatória i.i.d. positiva Y. Fatores de baixa e alta frequência respectivamente [16]. Dessa forma, o modelo multifractal resultante pode ser visto como o produto da taxa de pico do fluxo Y, pela medida de rajada μ(∆t ) na escala de tempo aplicada ∆t . A variável Y é independente da medida da cascata μ(∆t ), então a série obtida denotada por X(∆t ) satisfaz a seguinte relação:

(23)

Analisando a Equação (23) junto à definição de processos multifractais, Equação (22), pode-se observar que as variáveis e devem ser:

(24)

onde b é o tipo de cascata multiplicativa usada. A medida μ(∆t ) tem um valor pequeno uma vez que ela é o produto de multiplicadores, Equação (9). Assim, por conveniência, e sem perda de generalidade, multiplicam-se os valores de μ(∆t ) da cascata por b . Uma vez que E μ(∆t ) =b , essa multiplicação normaliza o processo, fazendo com que o mesmo tenha média 1. Outro artifício

E((Xt ) ) = E(Y )E(μ(∆t ) )

log (E(R) ) = τ (q) E(Y ) = c(q)

E(Y )∆t

( )

=

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

usado é considerar a unidade de intervalo de tempo como unitária (denotada por ∆t ) no estágio da cascata ao invés de ∆t = . Utilizando dessas modificações, tem-se:

(25)

As variáveis R e Y agora devem ser escolhidas de forma a

atender ao seguinte sistema de Equações:

log (E(R) ) = τ (q) logE(Y ) = logc(q) − (q + log (E(R ))Nlogb) (26)

A função escala τ(q) pode ser precisamente modelada

assumindo que R é uma variável aleatória em [0,1] com distribuição beta, Beta (α, β). A distribuição beta é uma distribuição de probabilidade contínua definidas no intervalo [0,1] parametrizado por dois valores positivos, geralmente denotados por α e β. A densidade da distribuição beta é adequada na modelagem de proporções, devido ao seu domínio (o intervalo [0,1]) e também pela variedade de forma que a densidade pode assumir, de acordo com os valores especificados de α e β. Assim, a função τ (q) ≔ τ(q)+1 relacionada à função de

escala τ(q), pode ser explicitamente escrita como:

(27)

onde Γ(. ) corresponde à função Gama. Logo,

(28)

Em [16] conjecturou, no entanto, [24], provou que a variável aleatória , (fator de alta frequência) tem distribuição lognormal definida por dois parâmetros e , (média e variância do tráfego respectivamente), portanto, possuindo momento E(Y ) = e / . Com isso, segundo o sistema de Equações (26), as variáveis e devem obedecer a seguinte equação:

φq + ϑ q /2 = logc(q) − q + log E(R ) Nlogb (29) A Equação (29) permite expressar analiticamente o fator de momento pela seguinte relação:

(30)

Dessa forma, analisando as equações (28) e (30), verifica- se que o modelo multifractal proposto é caracterizado por apenas quatro parâmetros (α, β, φ, ϑ), provindos das expressões analíticas para a função de escala τ(q) e o fator de momento c(q).

As propriedades estatísticas das cascatas multiplicativas são

de extrema importância e serão utilizadas para uma caracterização completa do modelo multifractal. Bastante estudadas na literatura [25][26], neste trabalhos, será estendida

a análise para amostras do modelo multifractal proposto. Para isto, enuncia-se o seguinte lema obtendo as seguintes expressões para a média e a variância do modelo. Lema 1: Seja X(∆t ), onde ∆t denota o intervalo de tempo unitário da série a ser modelada a média e a variância do modelo MMBN são definidas por:

E(μ(t ) ) = E(Y )b [ ( )] t ( )

τ (q) = −log ( ) ( ) ( ) ( )

τ(q) = −log ( ) ( ) ( ) ( )

− 1

e / b ( ) ( ) ( ) ( )

c(q) =

Média

E[X(Δt )] = e /

(31)

Variância

var[X(Δt )] = e . b . ( )( ) ( )

− e (32)

WILIAN DE GODOY STENICO AND LUAN LING : A NEW NETWORK TRAFFIC MODELING BASED

Demonstração: Assim como as séries de tráfego real, o processo MMBN X(∆t ) tem distribuição lognormal para N≫1 grande. As propriedades estatísticas (média e variância) podem ser deduzidas fazendo uso do Teorema Central do Limite uma vez que [27]:

(33)

X(Δt ) = b . Y. R(η ). R(η η ) … R η ,, η

ou seja, o MMBN é um processo multiplicativo. Dessa forma, para a média:

[X(Δt )] = E b . Y. R(η ). R(η η ) … R η ,, η (34)

Considerando que E μ(∆t )

=b , obtêm-se:

E[X(Δt )] = E[Y]

(35)

Sabendo que tem distribuição lognormal, tem-se então:

E[X(Δt )] = E[Y] = e / Para a Variância:

Utilizando a definição de variância tem-se:

(36)

[X(Δt )] = E[X(Δt ) ] − E[X(Δt )]

(37)

Logo,

[X(Δt )] = E[

[ ] − E[ ]

(38)

Portanto,

[ ( )] =

( )( ) (39) ( )

O seguinte lema será empregado no estabelecimento do

processo de síntese do MMBN. Dessa forma, denota-se simplesmente por X(k) o processo correspondente ao MMBN (Equação (31)) onde k = (Δt ) ∈ N. Lema 2. Seja X(k) um processo multifractal com média e variância dadas respectivamente pelas Equações (31) e (32) e o processo agregado X de X(k) definido como:

(40)

E[X ], seguintes

equações respectivamente:

Var[X ]

X =

variância

são

( )

do

X(k)

A média

e

para

a n=b ,

processo

agregado

pelas

determinadas

E[X ] = b e

(41)

var[X ] = e

( )

) e b (42)

( )(

( ) ,

com isso, o processo agregado no estágio ( ) pode ser representado da seguinte forma:

(43)

A média do processo agregado surge naturalmente uma vez que o processo ( ) é o produto de uma variável aleatória com distribuição lognormal e uma cascata multiplicativa, Eq. (33)

(44)

e

(45)

Demonstração: Sejam =

e

( ) = ( )

= ( )

( ) = ( )

(∆ )

[ ] = [ ( ) ]

Logo, da Equação (40) tem-se que:

( ) =

( )

(46)

Então, para a média do processo agregado tem-se:

(1) = [ ] =

( ) =

(∆ ) =

(∆ ) =

(47)

E para a variância do processo agregado tem-se:

[ ] = [ ( ) ]

[ ] = ( ) ( )

[ ] =

( )

(∆ )

( )

(∆ )

(48)

(49)

(50)

[ ] = E[Y ]b E[R ] − E[Y]

( )

(51)

[ ] = e

) e b (52)

( )

( )(

A. Estimação dos Parâmetros e

Um método bem conhecido na estimação dos parâmetros α e β da distribuição beta é a Máxima Verossimilhança[28]. Define-se a função de verossimilhança para uma amostra i.i.d. ,…, de uma série de dados com pdf ( | ,…, ) como

( ,…, | ,…, ) = ∏

Máxima Verossimilhança (Maximum Likelihood Estimator - MLE) é o valor do parâmetro para qual a amostra observada é mais provável. Possíveis MLEs são soluções para ( | ) =

0, = 1, … , . Pode-se verificar se os pontos encontrados são máximos, em oposição aos mínimos, analisando a segunda derivada da função de verossimilhança verificando se ela é menor que zero. Muitas vezes é mais fácil trabalhar com a função de verossimilhança, log( | ), pois as derivadas da soma são mais atraentes do que as derivadas de produtos [28].

( | ,…, ) . O estimador de

A função de verossimilhança para a distribuição beta é:

Γ( + )

( , | ) =

(1− )

Γ( )Γ( )

=

( ) ( ) (

)

( )

(1 − )

(53)

Aplicando o logaritmo na Equação (53) tem-se:

( , | ) = Γ(

+ ) Γ( ) (Γ( ))

(54)

Para resolver os MLEs de e toma-se a derivada do

da probabilidade com relação a cada parâmetro, define-se as

log( ) + ( − 1) ∑

−( − 1) ∑

log(1 − )

derivadas parciais iguais à zero, e resolve para e

:

( , | ) =

( , | ) =

( ) ( )

( ) ( )

( ) ( )

( ) ( )

+

+

log( )

= 0 (55)

log( ) = 0

(56)

Não há uma solução de forma fechada para este sistema de

equações,

iterativamente, usando o método de Newton-Raphson [29], um método tangente para encontrar raízes. Nesse caso, estima-se = ( , ) de forma iterativa:

(57)

onde é o vetor de equações normais desejado:

(58)

dessa

forma

pode-se

resolver

e

=

= [

]

1149

1150

com

=

( ) − ( + ) −

log( )

e

=

( ) − ( + ) −

e

G é a matriz de segundas derivadas

=

onde

log( )

= ( ) − ( + )

=

( + )

= ( ) − ( + )

(59)

(60)

(61)

(62)

(63)

(64)

e ( ) e ( ) são as funções di- e tri-gama definida como:

(

) =

( ) ( )

(65)

(

) =

( ) ( )

( ) ( )

(66)

O algoritmo de Newton-Raphson converge para

e

e

se altera pelo

, de forma que as estimativas de

menos de uma quantidade tolerada a cada sucessiva iteração.

B. Algoritmo de Síntese de Tráfego

Esse algoritmo gera uma série de tráfego sintética a partir de uma série de tráfego real de tamanho amostras.

1. Entrada dos parâmetros e , para uma série de tráfego de tamanho , onde indica o tipo de cascata que se quer utilizar, ou seja, se =2 tem-se uma cascata cuja divisão ocorre de 2 em 2 se =3 a divisão será de 3 em 3 e assim por diante, indica o nível desejado da cascata;

2. Inicia-se a agregação com =1, ou seja, = ;

3. Encontram-se os multiplicadores do tráfego através das Equações (20) e (21) ;

4. Calculam-se os valores de e da distribuição Beta segundo o método da Máxima Verossimilhança;

5. Calculam-se a média e a variância do processo agregado [ ] e [ ] através das Equações (41) e (42) respectivamente;

6. Gera-se para o estágio um número aleatório com distribuição Lognormal, ou seja, ( , ), onde

= ( [ ] ) −

[ ] ( [ ])

+ 1 e

=

[ ] ( [ ])

+ 1 ;

7. Multiplica-se os valores obtidos no item 3 pelo valor

encontrado no item 6 e dessa forma, gera-se uma série de tráfego baseada na cascata multiplicativa proposta. Esse algoritmo será utilizado na geração de séries de tráfegos sintéticas, que servirão para análise e a validação do modelo MMBN.

C. Função de Autocorrelação do Modelo Multifractal

Proposto Tendo o conhecimento da função de distribuição acumulada conjunta [27], um processo por completo pode ser descrito.

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

Entretanto, essa é muitas vezes difícil de ser obtida, com isso através da função autocorrelação, toma-se possível prover informações parciais que é mais fácil de serem obtidas. Existe uma grande quantidade de teoremas sobre a existência de continuidade, diferenciabilidade, integrabilidade e ergodicidade que dependem da função autocorrelação [30]. Dessa forma, considerando um processo em tempo discreto ( ) e os instantes de tempo e , a função de autocorrelação [ ( ), ( + )] para esse processo é definida como:

[ ( ), ( + )] = [ ( ), ( + )] (67) A presença ou não de dependência de longo prazo pode ser constatada pela função de aucorrelação de um processo. Além de refletir a estatística de segunda ordem de uma série temporal. Esta seção trata da obtenção de uma expressão para a função de autocorrelação para o modelo proposto. A partir de algumas propriedades deste modelo multifractal, sua função de autocorrelação pode ser obtida de forma analítica. Para isto segue o seguinte teorema. Teorema 1: Seja o processo multifractal proposto (MMBN) ) com parâmetros ( , , , ), o tipo de cascata

utilizada e a quantidade de estágios de uma cascata, Δ denota o intervalo de tempo unitário de modelagem dos dados. A função de autocorrelação para o processo proposto é dada pela seguinte equação:

1 (68)

Demonstração: Considere a função de autocorrelação dada pela Equação (69) para o processo ) reescrita de (67), nos instantes de tempo discretos , da seguinte maneira:

(69)

uma

cascata multiplicativa ) por uma variável aleatória lognormal , a função de autocorrelação do processo proposto onde = , para = 1,2, … pode ser escrita como:

=

( ) ( )( )

)

( )(

( )

[ (∆ ) , (∆ ) ] = [ (∆ ) , (∆ ) ]

O modelo

proposto

consiste

da

multiplicação

de

[ (∆ ) , (∆ ) ] = ( ) { [ (∆ ) . (∆ ) ] − 1}

(70)

As medidas μ(∆t ) e μ(∆t ) tem origem no estágio

N−p−1, podem ser expressas em função de μ(∆t ), da

seguinte forma:

(71)

(∆ ) = (∆ ) .

,

e

, (72)

onde r , representa o multiplicador no estágio i da cascata, assim tem-se:

, , , = ( ) [1/

(73)

( )](1/ ) .

Inserindo a Equação (73) na Equação (70) obtêm-se a função de autocorrelação para o modelo proposto:

(∆ ) = (∆ ) . (1 − ) ∏

[ (∆ ) (∆ ) ] = 1

=

( ) ( )( )

)

(

)(

( )

− 1 (74)

WILIAN DE GODOY STENICO AND LUAN LING : A NEW NETWORK TRAFFIC MODELING BASED

IV. VALIDAÇÃO DO MODELO PROPOSTO

Com o intuito de mostrar a validade do modelo de tráfego multifractal proposto, nessa seção, realizaremos testes estatísticos dos dados gerados comparando com os resultados dos modelos MWM [13], VVGM [14],VSCM, proposto por [15], que serão enunciados de forma resumida nessa seção. Para a geração dos dados, toma-se como base as séries de tráfego já enunciada e estudada anteriormente “lbl-tcp-3”[20], “TrafIETF” [21]. Três séries sintéticas utilizando o modelo proposto foram geradas, denominadas Binomial (divisão de 2 em 2), Trinomial (divisão de 3 em 3) e Tetranomial (divisão de 4 em 4), as séries cuja geração tem origem da cascata proposta apresentada na Seção II-D. Os testes estatísticos que foram realizados são: a comparação da função de autocorrelação das séries de dados geradas através do modelo proposto, MWM, VVGM e VSCM, juntamente com os dados reais, os momentos de ordem superior dos dados agregados e os espectros multifractais.

E através de um simples servidor, alimentado pelo traço de

tráfego sintético gerado pelo MMBN foi constatado a precisão

do modelo proposto na representação de um tráfego real em simulações na análise do tamanho de fila e a perda de bytes.

A. MWM – (Multifractal Wavelet Model)

O MWM é um modelo baseado na transformada wavelet

[31], desenvolvido por [13] para modelar dados positivos, estacionários e com dependência de longa duração. O MWM utiliza a wavelet Haar e garante que os sinais de saída sejam positivos através da modelagem dos coeficientes wavelets dados por:

(75)

onde indica a escala de análise, é o índice de translação, , é o coeficiente wavelet, , é o coeficiente de escala e , é uma variável aleatória independente com suporte no intervalo [−1; 1]. Seja ( ) o sinal a ser modelado. Na síntese do MWM, após a escolha apropriada do coeficiente de escala na escala primitiva , , e da variância dos multiplicadores , em cada escala, a aproximação de ( ) na resolução 2 ( ) dada por , é obtida a partir de recursivas somas e diferença de , e , sujeitas as equações:

) (76)

Esse processo recursivo é repetido até que se atinja a resolução desejada ou equivalentemente, até que se obtenha o

número desejado de amostras. A Fig. 7 ilustra esse processo. Para maiores detalhes ver [13].

, = , , , , = 0,1,2 …

, = 2 / ( , + ,

, = 2 /

( , , )

, , = 2 / ( , − , ) Figura 7. Processo de Construção do

Figura 7. Processo de Construção do MWM.

B. VVGM – (Variable Variance Gaussian Multiplier)

O modelo VVGM proposto por [14], é uma cascata multiplicativa conservativa binomial, descrita na Seção II-C, na qual os valores dos multiplicadores em cada estágio são amostras de uma distribuição Gaussiana. A média da distribuição normal dos multiplicadores é assumida como 0.5, portanto, tanto quanto 1 − possuem distribuição de probabilidade (0,5; ), onde é a variância dos multiplicadores em cada estágio , estimadas a partir do processo original a ser modelado. Os experimentos realizados por [14] evidenciam que os traços de tráfego sintetizados através do modelo VVGM, apresentam distribuição do comprimento da fila, atraso, perda de pacotes, bastante próxima dos obtidos para o traço de tráfego original. A fácil estimação dos parâmetros do modelo VVGM, ou seja, a estimação da variância dos multiplicadores em cada estágio , apresentam-se como principal vantagem do modelo. Para maiores detalhes ver [14].

C. VSCM – (Variable Scale parameter Cauchy Multiplier)

O modelo VSCM proposto por [15], também utiliza-se de uma cascata multiplicativa conservativa binomial, no entanto, assume-se que os valores dos multiplicadores nos estágios da cascata são melhores representados usando a distribuição de Cauchy. Para esse modelo, considera-se que a distribuição de Cauchy está centrada em 0.5, e o parâmetro de escala varia a cada estágio da cascada de forma que pode ser aproximado por uma reta . Com isso, os multiplicadores da cascata possuem distribuições de probabilidade C(0,5; ), onde indica os estágios da cascata. Para moires detalhes ver [15].

D. Função de Autocorrelação

Como enunciado anteriormente, pode-se constatar através da função de autocorrelação de um processo, a presença ou não de dependência de longo prazo. Além de refletir a estatística de segunda ordem de uma série temporal. Na Fig. 8 são mostradas o decaimento da função autocorrelação segundo seus respectivos modelos, em (a) são mostrados os resultados da análise dos dados segundo a série real “lbl-tcp-3” e em (b) os resultados para a série “TrafIETF”. Pode-se observar que ambos os resultados demonstram que a taxa de decaimento da dependência estatísticas das amostras é mais lenta do que um decaimento exponencial, indicando assim que as séries analisadas possuem características de dependência de longo prazo.

1 1 TráfegoReal TráfegoReal Binomial Binomial 0.8 0.8 Trinomial Trinomial Tetranomial Tetranomial 0.6 0.6
1
1
TráfegoReal
TráfegoReal
Binomial
Binomial
0.8
0.8
Trinomial
Trinomial
Tetranomial
Tetranomial
0.6
0.6
MWM
MWM
VVGM
VVGM
VSCM
0.4
VSCM
0.4
0.2
0.2
0
0
0
10
20
30
40
50
60
70
80
90
100
0
10
20
30
40
50
60
70
80
90
100
k
k
F
u nç ã o
A u to c o rre laç ã o
F
u
n
ç ã
o
A
u to
c o rre la ç ã o

a Figura 8. (a) Tráfego “lbl-tcp_3” (b) Tráfego “TrafIETF”.

b

1151

O rdem

de

M om entos

1152

IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 5, SEPTEMBER 2013

E. Momento de Ordem Superior para Dados Agregados

Uma compreensão das estatísticas de dados agregados na modelagem de tráfego de redes é de extrema importância, devido a agregações de fluxos com diferentes intensidades ocorrem em vários pontos na rede [32]. Por exemplo, em multiplexadores e roteadores, o comportamento de fila irá ser influenciado pelos dados agregados. Dessa forma, nesta seção investiga-se o comportamento dos momentos dos dados agregados através do modelo proposto MMBN, juntamente com os modelos MWM [13], VVGM [14], VSCM [15] e para os tráfegos reais. Para isso utiliza-se da seguinte definição:

18.5 TráfegoReal Binomial 18 Trinomial Tetranomial 17.5 MWM VVGM 17 VSCM 16.5 16 15.5 0
18.5
TráfegoReal
Binomial
18
Trinomial
Tetranomial
17.5
MWM
VVGM
17
VSCM
16.5
16
15.5
0
2
4
6
8
10
12
14
16
M om entos
de
O rdem

log(m)

29 TráfegoReal Binomial 28 Trinomial 27 Tetranomial MWM 26 VVGM VSCM 25 24 23 0
29
TráfegoReal
Binomial
28
Trinomial
27
Tetranomial
MWM
26
VVGM
VSCM
25
24
23 0
2
4
6
8
10
12
14
16
M om entos
de
O rdem

log(m)

Definição 3: Seja o processo agregado