A modular Framework for Modeling User Mobility in Wireless Networks considering varying Data Granularity
Final Report Abstract
Von zentraler Bedeutung bei der modellgestützten Analyse von Rechner- und Kommunikationsnetzen ist eine adäquate Abbildung der im System auftretenden Lasten. In der Literatur bekannte Phänomene, die berücksichtigt werden müssen, sind beispielsweise Abhängigkeiten oder Batch-Ankünfte von Datenpaketen. Mit der zunehmenden Verbreitung von mobilen Endgeräten ist in den letzten Jahren die Leistungsbewertung von drahtlosen Netzen immer wichtiger geworden. Für eine realistische Lastmodellierung ist es hier erforderlich, das mobile Verhalten der Nutzer zu berücksichtigen. Dies geschieht üblicherweise durch Mobilitätsmodelle, die im Allgemeinen aus Regeln bestehen, wann und wohin sich Nutzer eines drahtlosen Netzes bewegen. Die konkreten Realisierungen von Mobilitätsmodellen können sich allerdings stark unterscheiden, je nachdem, ob die Modelle komplett künstliche Bewegungsmuster erzeugen oder auf realen Daten basieren. Bei den Modellen auf Basis realer Daten ergeben sich wiederum Unterschiede aus der Granularität der Daten. Oft enthalten die Daten nur grobe Informationen über die Bewegungsmuster (z.B. Zuordnungen zu Access Points); weniger häufig sind dagegen Datensätze mit exakten Koordinaten der Nutzer, da diese einen höheren Aufwand bei der Datengewinnung erfordern. Diese Unterschiede im Detaillierungsgrad der Daten spiegeln sich aber natürlich auch in den Mobilitätsmodellen wieder. Dieses Projekt zielte darauf ab, Methoden zu entwickeln, um Daten unterschiedlicher Abstraktionsniveaus realistisch modellieren zu können. Die Arbeiten aus dem Paket „Modellierung von Mobilitätsdaten mit Markovmodellen“ hatten zum Inhalt, geeignete Verteilungen oder Prozesse für unterschiedliche Charakteristika und Größen aus Mobilitätsdaten zu finden. Diese Verteilungen bilden dann die Basis für Mobilitätsmodelle. Hier konnte gezeigt werden, dass Phasenverteilungen sowohl für „grobkörnige“ als auch „feinkörnige“ Daten gute Ergebnisse liefern. Da bei der Aufzeichnung von Mobilitätsdaten in drahtlosen Netzen sehr große Traces entstehen können, zielen die Methoden des Arbeitspakets „Online-Modellierung von Mobilitätsdaten“ darauf ab, aus den Datenmengen effizient Mobilitätsmodelle zu gewinnen und diese leicht aktualisieren zu können, wenn zusätzliche neue Daten vorliegen. In dem Arbeitspaket „Modellierung der Ankünfte und Abgänge von Nutzern in mobilen Netzen“ wurde ein modularer Ansatz entwickelt, der beliebige Mobilitätsmodelle so erweitert, dass Ankünfte und Abgänge von Nutzern berücksichtigt werden, um so realistischere Modelle zu erhalten. In dem Arbeitspaket „Modellierung des individuellen Nutzerverhaltens“ wurden Methoden entwickelt, die Modelle für die menschliche Entscheidungsfindung mit Modellen von technischen Systemen kombinieren, um so Nutzer modellieren zu können, deren Mobilitätsverhalten nicht stochastisch ist, sondern auf Entscheidungen aufgrund des beobachteten Quality-of-Service basiert.
Publications
- Combining Mobility Models with Arrival Processes. Proc. of the 18th International GI/ITG Conference on Measurement, Modelling and Evaluation of Computing Systems and Dependability and Fault Tolerance (MMB & DFT 2016), Springer, 2016
Jan Kriege
(See online at https://doi.org/10.1007/978-3-319-31559-1_10) - Modeling Human Decisions in Performance and Dependability Models. Proc. of the 13th European Workshop on Performance Engineering (EPEW 2016), Springer, 2016
Peter Buchholz, Iryna Felko, Jan Kriege, Gerhard Rinkenauer
(See online at https://doi.org/10.1007/978-3-319-46433-6_11) - Traffic Modeling with Phase-Type Distributions and VARMA Processes. Proc. of the 13th International Conference on Quantitative Evaluation of SysTems (QEST 2016), Springer, 2016
Jan Kriege, Peter Buchholz
(See online at https://doi.org/10.1007/978-3-319-43425-4_20) - Markovian Modeling of Wireless Trace Data. Proc. of 11th International Conference on Performance Evaluation Methodologies and Tools (ValueTools 2017), 2017
Jan Kriege
(See online at https://doi.org/10.1145/3150928.3150932) - An Online Approach to Estimate Parameters of Phase-Type Distributions. Proc. of the 49th Annual IEEE/IFIP International Conference on Dependable Systems and Networks (DSN), 2019
Peter Buchholz, Iryna Dohndorf, Jan Kriege
(See online at https://doi.org/10.1109/DSN.2019.00024)
