En las redes modernas de comunicaciones es importante poder aplicar

modelos matemáticos para explicar la relación que existe entre la

capacidad de la red, el tráfico y el nivel de desempeño que la misma
puede alcanzar.

SERIE DE TIEMPO INVESTIGACIONES MODELO DE TRÁFICO APLICACIONES DE UN MODELO DE TRÁFICO

Objetivo central desarrollar modelos estadísticos que expliquen el comportamiento Nancy K. Groschwitz y George C. Polyzos Mostrar las aplicaciones de un modelo de tráfico A partir de un modelo de tráfico desarrollado, se
de una variable aleatoria que varía con el tiempo, la distancia, o según un índice; y en su trabajo “A correlacional basado en series de tiempo. Para pueden obtener información importante a la hora
permite estimar pronósticos futuros de dicha variable aleatoria. analizar detenidamente estas aplicaciones se de realizar la planeación y control de las redes de
Time Series Model of Long-Term NSFNET comunicaciones.
partió del diseño de un modelo ARIMA.
Backbone Traffic” desarrollaron un
modelo ARIMA para el tráfico del
Componentes de una Tipos de series de Metodología Box- backbone de la NSFNET.
Serie de Tiempo Tiempo Jenkins La primera sección: Extracción de la
Los métodos de serie de tiempo, describió la fuente de
Dimitry Marakov en su trabajo los datos y la caracterización de este Ancho de Banda Parámetros de Calidad de Servicio
pronóstico
“Forecasting Seasonal Traffic Flows” proceso.
pueden
Serie de tiempo puede tener Por medio de desarrollo un modelo SARIMA (Seasonal
clasificarse en dos
las siguientes componentes: transformaciones y/o
grandes AutoRegressive Integrated Moving Se ha definido ancho de Es importante que durante los
diferencias se estabiliza la La segunda sección: Preprocesamiento
Average) con base en las series de tiempo banda efectivo o periodos de congestión los flujos de
bloques: métodos varianza, y se eliminan la de los datos de la serie, explicó el
Tendencia para pronosticar tráfico estacional. simplemente ancho de tráfico con distintos requisitos sean
cualitativos o tendencia y la estacionalidad tratamiento de los valores perdidos en la
de la serie; obteniéndose así, banda como la banda tratados de forma diferente y se les
Representa la trayectoria subjetivos y serie de tiempo y su importancia en el
una serie estacionaria. en la que se concentra asigne una calidad de servicio (QoS)
suavizada que define la serie métodos modelo.
la mayor parte de la diferente.
en el rango de variación del cuantitativos.
Donde: Zt es la realización energía de la señal.
índice, observando la forma del proceso estocástico en La tercera sección: Demostró la
funcional de la gráfica de la el tiempo t, πt es el importancia de modelos
serie (ZT vs t) a lo largo del coeficiente de ponderación correlacionados sobre los
tiempo. de cada rezago de la correlacionados en el modelamiento de Ahora el ancho de Retardo
Puede ser: constante, lineal, variable dependiente, at es tráfico. banda es un parámetro
el ruido blanco y ψt es el Para encontrar un modelo matemático
cuadrática, exponencial, etc. que puede modificarse
coeficiente de ponderación para el retardo promedio de los paquetes
según la técnica de
de cada residuo rezagado Chandrashekhar G. Dethe1 Y G. Wakde en en el sistema, es necesario conocer la tasa
La cuarta sección: Identificación del modulación que se
de significancia relevante. su trabajo “On the prediction of packet de salida y de llegada de los paquetes en el
Componente Estacional modelo, explicó la forma de seleccionar utilice.
process in network traffic using sistema. El modelo de tráfico desarrollado
Se presenta cuando la serie un modelo adecuado para la serie antes a partir de series de tiempo determina el
tiene patrones estacionales FARIMA time-series model” desarrollaron de estimar sus parámetros. valor de la tasa instantánea de llegada de
que se repiten con una El modelo un modelo FARIMA (p,d,q) (fractionally paquetes, por lo que solo haría falta
frecuencia constante autorregresivo integrated autoregressive moving average determinar la tasa de salida de los
produciendo en la gráfica un (AR) process). La quinta sección: Estimación de los paquetes.
efecto periódico. parámetros y Validación preliminar del
modelo, se desarrollaron varios
Yiannis Kamarianakis en su trabajo
modelos de tráfico, como: MA, AR,
Componente Aleatorio El modelo “Forecasting Traffic Flow Conditions In An
ARMA, ARIMA, etc.
media móvil Urban Network: Comparison Of
Representa los cambios que (MA) Multivariate
sufre la serie ocasionados Encolamiento
por fenómenos no And Univariate Approaches” desarrolla un La sexta sección: Evaluación del
modelo STARIMA (single space-time desempeño de los modelos El parámetro de calidad de servicio
controlables.
ARIMA) desarrollados y selección del modelo denominado encolamiento, resulta muy
definitivo. sencillo de estimar teniendo con
anterioridad el retardo promedio, ya que
Componente Cíclica
simplemente el número de paquetes en cola
Se presenta en series que María Papadopouli, Haipeng Sheng, Elias será equivalente al producto de la tasa de
raftopuulos, Manolis Ploumidis, Felix La séptima sección: Pronósticos de
son afectadas por llegadas por el tiempo de retardo.
Hernández en su investigación: tráfico y exactitud del modelo
fenómenos físicos o
definitivo, se realizaron varios Nuevamente para estimar el valor promedio
económicos que ocurren “Short-term traffic forecasting in a pronósticos de tráfico con el modelo se calcula el valor esperado para un numero
con una periodicidad campus-wide wireless network”, seleccionado y se evaluó la exactitud de “n” de datos como se muestra en la ecuación
variable. caracterizaron el tráfico de una dichos pronósticos. 14.
infraestructura IEEE 802.11, lo cual puede
ser beneficioso en muchos dominios,
incluyendo la planeación, el cubrimiento,
la reserva de recursos, el monitoreo de la
red y la detección de anomalías.