A stream scheduling scheme based on local regularity of internet traffic

Nas redes de comunicações, a atual integração de vários tipos de serviços, cada qual com características estatísticas e requisitos de qualidade de serviço distintos, traz consigo a necessidade de esquemas eficientes de gerenciamento e controle de congestionamento do tráfego presente. Em pequenas escalas de tempo, os esquemas atuais podem ter sua eficiência reduzida devido à alta irregularidade do tráfego. Desta forma, neste presente trabalho, tendo como base à disciplina de escalonamento Generalized Processor Sharing (GPS), propõe-se um esquema de escalonamento de fluxos de dados que utiliza o expoente de Hölder pontual para caracterização local de cada fluxo. Para isso, propõe-se conjuntamente um estimador dinâmico destes expoentes e um preditor. Os expoentes de Hölder pontuais são estimados dinamicamente por meio do decaimento dos coeficientes wavelets em janelas de tempo. O preditor proposto possui características adaptativas e baseia-se no filtro de Kalman e no filtro de Mínimos Médios Quadrados Normalizado (Normalized Least-Mean-Square - NLMS). As avaliações realizadas mostram que este esquema de escalonamento contribui para o controle dinâmico preventivo no sentido de se obter uma menor perda de dados e um melhor uso da taxa de transmissão do enlace, em comparação com o GPS convencionalToday network traffic is composed of many services with different statistical characteristics and quality of service requirements. This integration needs efficient traffic congestion control and management schemes. Dynamic and preventive schemes usually anticipate traffic conditions by means of a prediction process. Nevertheless, at fine-grained time scales, traffic exhibits strong irregularities and more complex scaling law that make this prediction process a non-trivial task. In this work we model network traffic flows as multifractal processes and introduce the pointwise Hölder exponent as an indicator of the local regularity degree. Also we propose a new traffic flow scheduling scheme based on the Generalized Processor Sharing (GPS) discipline that incorporate the pointwise Hölder exponent to locally characterize each data flow. For this end we explicitly present both dynamic pointwise Hölder exponent estimation and prediction mechanisms. The pointwise Hölder estimation is carried out dynamically based on the decay of the wavelet coefficients in the selected time windows. The proposed predictor is adaptive and implemented with both Kalman and Normalized Least Mean Squares (NLMS) filters. Experimental evaluations have validated the proposed scheduling scheme, resulting in low data loss rate and a better sharing of the network resources in comparison with the usual GPS schem