Pemodelan Trafik Self-Similar dengan Distribusi Pareto

Presentasi berjudul: "Pemodelan Trafik Self-Similar dengan Distribusi Pareto"— Transcript presentasi:

1 Pemodelan Trafik Self-Similar dengan Distribusi Pareto
Oleh: Zaki Mubarrok G Dibimbing oleh: Ir. Fahren Bukhari, M.Sc. Sony Hortono Wijaya, S.Kom.

2 Pendahuluan

3 Latar Belakang Pemodelan trafik sangat penting untuk mendesain suatu jaringan Model Poisson sudah tidak sesuai dengan model trafik sekarang Model trafik sekarang dilihat dari sifat statistiknya (mean dan variance)

4 Tujuan Mencari nilai dari Parameter Hurst (H) untuk mengetahui karakteristik dari trafik nyata maupun trafik simulasi.

5 Ruang Lingkup Analisis trafik hanya berdasarkan parameter Hurst.
Perhitungan harga parameter Hurst hanya menggunakan metode Aggregated Variance. Panjang data trafik yang digunakan dalam analisis hanya sample tiap data.

6 Tinjauan Pustaka

7 Self-Similar(1) Misalkan: adalah suatu deret waktu maka: adalah deret waktu yang baru dengan: untuk setiap m=1,2,3,….

8 Self-Similar(2) Data Asli 1, 3, 2, 4, 2, 4, 2, 9, 8, 7, 5, 2, 7, 7,4 X(2) 1, 3, 2, 4, 2, 4, 2, 9, 8, 7, 5, 2, 7, 7,4 X(5)

9 Self-Similar(3) Deret Dengan membuat grafik
terhadap akan didapat gradien dari grafik sebesar

10 Variance-Time Plot Variance m self-similar Slope = -1
for most processes m

11 Parameter Hurst Hurst: dengan adalah gradien grafik yang dibentuk oleh
terhadap jika

12 Chi-Square Fit Test H0: Sample menyebar sesuai populasinya
H1: Tolak H0 Oi: Frekuensi Observesi Ei: Frekuensi Harapan Tolak H0 ketika:

13 Pareto PDF: dan CDF: dengan: menunjukkan kecuraman grafik nilai minimum dari distribusinya Mean: Variance:

14 Metode Penelitian

15 Metode Penelitian Pengumpulan Data
Data trafik nyata pada proxy server FMIPA IPB Data trafik simulasi Analisis Statistik untuk mendapatkan data deret waktu Mencari nilai Parameter Hurst dengan metode aggregated variance

16 Hasil dan Pembahasan

17 Hurst untuk jumlah source yang berbeda
Trafik Real(1) N β H 1 10 20 30 Hurst untuk jumlah source yang berbeda

18 Trafik Real(2) Chi-Square Fit Test
, Trafik Real(2) Chi-Square Fit Test range data pareto poisson chi-pareto chi-poisson 60 20060 1 E-05 40060 ~ 60060 80060 100060 120060 140060 160060 180060 200060 Pareto: X2(0.95,7) = Poisson: X2(0.95,8) =

19 Trafik Simulasi(1) Pengaruh α terhadap Hurst

20 Trafik Simulasi(1) Pengaruh α terhadap beban trafik

21 Trafik Simulasi(1) Pengaruh α terhadap variance trafik

22 Trafik Simulasi(2) Pengaruh b terhadap Hurst

23 Trafik Simulasi(2) Pengaruh b terhadap variance trafik

24 Kesimpulan dan Saran

25 Kesimpulan Trafik saat ini bersifat self-similar
Jumlah source yang berbeda berpengaruh kecil terhadap parameter Hurst Data trafik pareto menunjukkan sifat self-similar Nilai Hurst selalu berubah dengan berubahnya parameter dari distribusi pareto.

26 Saran Untuk Penelitian selanjutnya dapat dilakukan analisis terhadap masing-masing protokol yang berbeda atau dengan pemodelan trafik yang lain yang mungkin akan lebih mendekati trafik nyata.

27 Terima Kasih