Fig. 2. NSFNET topology with the le

Fig. 2. NSFNET topology with the lengths in km marked on links.

power in any link making congestion a parameter that is
straightforward to measure for an installed network.
VII. ESTIMATING THE NETWORK
BLOCKING PROBABILITY
A. Sequential Loading of the Network
In order to estimate the network blocking probability (NBP),
we follow the methodology of [13], sequentially loading
the network with bi-directional demands between randomly
selected pairs of nodes in the network. In this letter for
simplicity we restrict our discussion to uniformly generated
traffic with a demand granularity of 100 GbE, each of which is
independently optically routed through the network. The point
at which the path assigned by the routing algorithm cannot
physically be optically routed by the network is considered
blocking and the number of demands recorded. This procedure
is then repeated 10000 times to build up the statistical behavior
of the network blocking probability. From this we calculate the
probability that blocking is occurring within the network for
a given network load.
B. Statistical Analysis of Network Blocking Probabilities
Herein we focus on the number of demands that cause
blocking within the network in 1% of occasions. Given that
the network blocking occurs when blocking occurs in the
most congested link, in essence we are concerned with the
distribution of a minimum. We therefore propose to analyze
the networking blocking probability using a generalized
extreme value distribution whose cumulative distribution function
(CDF) may be expressed as [14]:
F (x|k,μ, σ) = exp
_
−
_
1 + k
(x − μ)
σ
−1k
_
(7)
where k,μ and σ are the shape, location and scale parameters
of the distribution, all of which may be determined from a
given data set using maximum likelihood estimation.
VIII. APPLICATION TO AN EXEMPLAR
OPTICAL NETWORK
So as to quantify the benefit afforded in an optical network
by using the algorithm proposed in this letter, we consider a
mesh topology the NSFNET shown in Fig. 2, having 14 nodes,
22 edges using the same path lengths as per [15].

ผลลัพธ์ (ไทย) 1:

รูป 2 โทโพโลยีของ NSFNET มีความยาวในกม.เครื่องหมายการเชื่อมโยงในการเชื่อมโยงใด ๆ ที่ทำให้ความหนาแน่นของพารามิเตอร์ที่มีตรงไปตรงมาในการวัดสำหรับเครือข่ายติดตั้งVII. ประเมินเครือข่ายความน่าเป็นบล็อกA. ตามลำดับการโหลดของเครือข่ายการประเมินเครือข่ายบล็อกน่าเป็น (NBP),เราทำตามวิธีการของ [13], โหลดตามลำดับเครือข่ายที่ มีสองทิศทางระหว่างต้องสุ่มเลือกคู่ของโหนด ในหนังสือนี้เราจำกัดการสนทนาของเราบรรจงสร้างความเรียบง่ายจราจร ด้วยเป็นความต้องการความละเอียดของ GbE 100 ซึ่งเป็นอิสระโดยส่งผ่านทางเครือข่าย จุดที่ซึ่งเส้นทางที่กำหนดโดยสายงานการผลิต อัลกอริทึมไม่ร่างกายถูกรับส่งโดยถือว่าเป็นเครือข่ายบันทึกบล็อกและจำนวนความต้องการ ขั้นตอนนี้แล้วซ้ำ 10000 ครั้งจะสร้างลักษณะการทำงานทางสถิติเครือข่ายบล็อกน่าเป็น จากนี้ เราคำนวณการความน่าเป็นว่า บล็อกเกิดภายในเครือข่ายสำหรับโหลดเครือข่ายกำหนดไว้B. สถิติวิเคราะห์เครือข่ายบล็อกน่าจะในที่นี้เราเน้นจำนวนความต้องการที่ทำให้เกิดบล็อกภายในเครือข่ายใน 1% ของโอกาส ระบุว่าเครือข่ายบล็อกเกิดขึ้นเมื่อเกิดการบล็อคในตัวเชื่อมโยงแออัดมากที่สุด สิ่งที่สำคัญเรามีความกังวลกับการจำหน่ายขั้นต่ำ เราจึงนำเสนอเพื่อวิเคราะห์ใช้แบบทั่วไปน่าเป็นบล็อกเครือข่ายการกระจายค่าสุดขีดที่มีฟังก์ชัน(CDF) อาจแสดงเป็น [14]:F (x|k μ σ) = exp_−_1 + k(μ x −)Σ−1k_(7)ที่ k μ และσเป็นค่าพารามิเตอร์รูปร่าง ตำแหน่ง และขนาดการกระจาย ที่อาจถูกกำหนดจากการกำหนดชุดข้อมูลที่ใช้ประเมินความเป็นไปได้สูงสุดVIII. ประยุกต์เพื่อเครือข่ายออปติคอลเพื่อกำหนดปริมาณประโยชน์ afforded ในเครือข่ายออปติคอลโดยใช้อัลกอริทึมในจดหมายนี้ เราพิจารณาการโทโพโลยีของ NSFNET ที่แสดงในรูป 2 มีโหน 14 ตาข่ายขอบ 22 ที่ใช้ความยาวเส้นทางเดียวกันตาม [15]

ผลลัพธ์ (ไทย) 2:

มะเดื่อ. 2. โครงสร้าง NSFNET ที่มีความยาวในกมทำเครื่องหมายในการเชื่อมโยง. มีอำนาจในการเชื่อมโยงใด ๆ ทำแออัดพารามิเตอร์ที่เป็นความตรงไปตรงมาในการวัดสำหรับเครือข่ายที่ติดตั้ง. ปกเกล้าเจ้าอยู่หัว การประมาณเครือข่ายการปิดกั้นความน่าจะเป็นเอ กำลังโหลดลำดับของเครือข่ายในการประเมินความน่าจะเป็นเครือข่ายการปิดกั้น (NBP) เราทำตามวิธีการของ [13] ตามลำดับโหลดเครือข่ายที่มีความต้องการแบบสองทิศทางระหว่างสุ่มคู่เลือกของโหนดในเครือข่าย ในจดหมายฉบับนี้สำหรับความเรียบง่ายที่เราจะ จำกัด การสนทนาของเราที่จะสร้างเหมือนกันการจราจรที่มีความต้องการเมล็ด 100 GbE แต่ละที่เป็นอิสระถูกส่งสายตาผ่านทางเครือข่าย จุดที่เส้นทางที่ได้รับมอบหมายจากขั้นตอนวิธีการกำหนดเส้นทางไม่สามารถทางร่างกายจะถูกส่งสายตาโดยเครือข่ายมีการพิจารณาการปิดกั้นและจำนวนของความต้องการที่บันทึกไว้ ขั้นตอนนี้ซ้ำแล้วซ้ำอีกแล้ว 10000 ครั้งเพื่อสร้างพฤติกรรมทางสถิติของเครือข่ายการปิดกั้นความน่าจะเป็น จากนี้เราคำนวณความน่าจะปิดกั้นที่เกิดขึ้นภายในเครือข่ายสำหรับการโหลดเครือข่ายที่กำหนด. บี สถิติวิเคราะห์ความน่าจะเป็นเครือข่ายการปิดกั้นในที่นี้เรามุ่งเน้นที่จำนวนของความต้องการที่ก่อให้เกิดการปิดกั้นภายในเครือข่ายใน 1% ของโอกาส ระบุว่าการปิดกั้นเครือข่ายเกิดขึ้นเมื่อปิดกั้นที่เกิดขึ้นในการเชื่อมโยงการจราจรคับคั่งมากที่สุดในสาระสำคัญเรามีความกังวลกับการกระจายของน้อยที่สุด ดังนั้นเราจึงนำเสนอการวิเคราะห์เครือข่ายการปิดกั้นความน่าจะใช้ทั่วไปการกระจายค่ามากที่มีสะสมกระจายฟังก์ชั่น(CDF) อาจจะแสดงเป็น [14]: f (x | K, μ, σ) = ประสบการณ์_ - _ 1 + K (x - μ) σ -1k _ (7) ที่ K, μσและมีรูปร่างที่ตั้งและขนาดพารามิเตอร์ของการกระจายซึ่งทั้งหมดนี้อาจได้รับการพิจารณาจาก. ข้อมูลที่ได้รับการตั้งค่าการใช้การประมาณค่าความน่าจะเป็นสูงสุดVIII ประยุกต์ใช้ในการเป็นแบบอย่างเครือข่ายแสงเพื่อที่จะได้รับประโยชน์จำนวนอึดในเครือข่ายแสงโดยใช้อัลกอริทึมที่นำเสนอในจดหมายฉบับนี้เราพิจารณาโครงสร้างตาข่าย NSFNET แสดงในรูป 2 มี 14 โหนดขอบ 22 ใช้เส้นทางเดียวกันความยาวเป็นต่อ [15]

ผลลัพธ์ (ไทย) 3:

รูปที่ 2 nsfnet ทอพอโลยีกับความยาวกิโลเมตรเครื่องหมายในการเชื่อมโยงอำนาจในการเชื่อมโยงใด ๆพารามิเตอร์ที่ทำให้ติดขัดตรงไปตรงมาเพื่อวัดสำหรับการติดตั้งเครือข่าย7 . การเครือข่ายความน่าจะเป็น1 . ระบบโหลดของเครือข่ายเพื่อประมาณความน่าจะเป็น ( NBP ) , เครือข่ายเราปฏิบัติตามหลักการ [ 13 ] , ลําดับโหลดเครือข่ายที่มีความต้องการแบบสองทิศทางระหว่างเลือกคู่ของโหนดในเครือข่าย ในจดหมายนี้ความเรียบง่ายที่เราจำกัดการสนทนาของเราที่จะสร้างขึ้นการจราจรกับความต้องการ granularity 100 ทางของแต่ละที่คืออิสระเกี่ยวกับสายตาส่งผ่านเครือข่าย จุดซึ่งเส้นทางที่ได้รับมอบหมายจากเส้นทางไม่สามารถขั้นตอนวิธีร่างกายจะสลับสีโดยเครือข่ายถือเป็นเส้นทางการสกัดกั้นและจำนวนของความต้องการของการบันทึก ขั้นตอนนี้แล้วซ้ำ 10 , 000 ครั้ง เพื่อสร้างพฤติกรรมทางสถิติของเครือข่ายความน่าจะเป็น . จากที่เราคำนวณความน่าจะเป็นที่บังเกิดขึ้นภายในเครือข่ายมีให้โหลดเครือข่ายการวิเคราะห์ทางสถิติของเครือข่ายบล็อกความน่าจะเป็น .ในที่นี้เราเน้นจำนวนของความต้องการที่เพราะบล็อกภายในเครือข่ายใน 1% ของโอกาส ระบุว่าเครือข่ายบล็อกเกิดขึ้นเมื่อบังเกิดขึ้นในแออัดมากที่สุดการเชื่อมโยง ในสาระสำคัญที่เราเกี่ยวข้องกับการกระจายของน้อย ดังนั้นเราจึงขอเสนอที่จะวิเคราะห์เครือข่ายมีความน่าจะเป็นที่ใช้ทั่วไปค่าการกระจายที่มีฟังก์ชันการแจกแจงสะสมมาก( CDF ) อาจจะแสดงเป็น [ 14 ] :f ( x | K , μσ , ) = EXP_บริษัท เวสเทิร์น_1 + เค( x −μ )σ− 1_( 7 )ที่ K และμσเป็นรูปร่างและขนาดของสถานที่ของการกระจาย ซึ่งอาจจะพิจารณาจากกำหนดข้อมูลโดยใช้การประมาณความควรจะเป็นสูงสุด8 . โปรแกรมตัวอย่างเครือข่ายแสงเพื่อหาผลประโยชน์ให้ในเครือข่ายออปติคอลโดยการใช้อัลกอริทึมที่นำเสนอในฉบับนี้ เราลองพิจารณาnsfnet ตาข่ายแบบที่แสดงในรูปที่ 2 มี 14 โหน22 ขอบโดยใช้ความยาวเส้นทางเดียวกับต่อ [ 15 ]