We now refine the stream model. It

We now refine the stream model. It is well-known that network
traffic is generally not Poisson (e.g., [3,6,9, 12, 171). The Poisson
process is not very bursty (its coefficient of variation, an informal
measure of burstiness, is just l), nor does the independent Poisson
model capture the related property of source loculity, a well-known
characteristic of network traffic [9, 141. How do burstiness ancl
source locality impact the performance of our results?
To capture these workload characteristics, we refine the perstream
arrival process to the Packet-Train model developed by
Jain and Routhier [9]. See Figure 12 for an illustration. Each
stream is modeled as sending bursts of packets, where the burst
size in packets has distribution B with mean B,The time between
packets in a burst has distribution 1 with-mean I ; the time between
bursts has distribution T with mean T. We assume the mean
time between bursts is several orders of magnitude larger than the
mean time between packets within a burst, in Iine with Jain and
Routhier's observations.

ผลลัพธ์ (ไทย) 1:

ตอนนี้เราปรับแต่งรูปแบบการสตรีม มันเป็นที่รู้จักกันดีว่าการจราจร
เครือข่ายโดยทั่วไปไม่ Poisson (เช่น [3,6,9, 12, 171) กระบวนการ Poisson
ไม่ได้เป็นช่วง ๆ มาก (ค่าสัมประสิทธิ์ของการเปลี่ยนแปลงของวัด
ทางการของ burstiness เป็นเพียงลิตร) และไม่เป็นอิสระแบบ Poisson
จับภาพสถานที่ที่เกี่ยวข้องกับ loculity แหล่งที่รู้จักกันดี
ลักษณะของเครือข่ายการจราจร [9, 141วิธีการทำ burstiness ancl
ผลกระทบต่อท้องถิ่นแหล่งที่มาของผลการดำเนินงานของเรา
จะจับลักษณะภาระงานเหล่านี้เราปรับแต่ง perstream กร​​ะบวนการมาถึง
กับรูปแบบแพ็คเก็ตรถไฟที่พัฒนาโดย
jain และ routhier [9] ดูรูปที่ 12 เพื่อประกอบการอธิบาย กระแส
แต่ละคนจะสร้างแบบจำลองการส่งของแพ็กเก็ตระเบิดที่ระเบิด
ขนาดแพ็คเก็ตมีการกระจายขด้วย b หมายถึงเวลาระหว่าง
แพ็คเก็ตในการออกมามีการกระจายด้วย 1-หมายถึงฉัน; เวลาระหว่างการระเบิด
มีแจกแจงต่อ T หมายถึง เราสมมติเวลา
เฉลี่ยระหว่างระเบิดเป็นคำสั่งหลายขนาดมีขนาดใหญ่กว่า
หมายถึงเวลาระหว่างแพ็กเก็ตภายในระเบิดใน iine กับ jain และ
สังเกต routhier ของ

ผลลัพธ์ (ไทย) 2:

ตอนนี้เราคัดสรรแบบกระแสข้อมูล เป็นที่รู้จักเครือข่าย
จราจรไม่ทั่วไปปัว (เช่น, [3,6,9, 12, 171) ปัว
ไม่มาก bursty (ของสัมประสิทธิ์ความผันแปร การเป็น
วัดของ burstiness เป็นเพียง l), หรือไม่ปัวอิสระ
รุ่นจับคุณสมบัติที่เกี่ยวข้องของแหล่ง loculity รู้จักกันดี
ลักษณะของเครือข่าย [9, 141 ไร burstiness ancl
แหล่งท้องถิ่นผลกระทบต่อประสิทธิภาพของผลลัพธ์ของเรา?
จับลักษณะปริมาณงานเหล่านี้ เราได้คัดสรร perstream
มาถึงกระบวนการแบบแพคเก็ตรถไฟพัฒนาโดย
เจนและ Routhier [9] ดูรูปที่ 12 ภาพ แต่ละ
กระแสข้อมูลถูกจำลองเป็นส่งแพคเก็ต ระเบิดที่ระเบิด
ขนาดแพ็คเก็ตได้กระจาย B กับ B หมายถึง ระยะเวลาระหว่างการ
แพคเก็ตในการระเบิดได้กระจาย 1 กับเฉลี่ยฉัน เวลาระหว่าง
ระเบิดมีการแจกแจง T ด้วยการยอมรับเฉลี่ย เราคิดค่าเฉลี่ย
เวลาระเบิดมีหลายอันดับของขนาดใหญ่กว่า
เวลาระหว่างกลุ่มข้อมูลภายในเป็นระเบิด ใน Iine กับเจน และ
สังเกตของ Routhier

ผลลัพธ์ (ไทย) 3:

ในตอนนี้เราแก้ไขรุ่นสตรีม โรงแรมเป็นที่รู้จักกันอย่างดีว่าเครือข่าย
ซึ่งจะช่วยการจราจรโดยทั่วไปแล้วจะไม่ poisson (เช่น[ 3,6,9 12171 ) กระบวนการ poisson
ไม่ได้ใช้สายคับคั่งเป็นอย่างมาก(ตัวเลขของการเปลี่ยนแปลงในแบบซึ่งไม่เป็นทางการ
วัดของ burstiness เป็นเพียง L )และไม่รุ่น poisson
อิสระที่ถ่าย ภาพ ที่พักที่เกี่ยวข้องของ loculity แหล่งที่มาที่รู้จักกันดี
ลักษณะเฉพาะตัวของการจราจรในเครือข่าย[ 9141ได้อย่างไร? burstiness ท้องที่ ancl
แหล่งที่มาส่งผลกระทบต่อ ประสิทธิภาพ การทำงานของผลการดำเนินงานของบริษัทหรือไม่?
เพื่อถ่าย ภาพ ลักษณะงานนี้เราแก้ไขกระบวนการ perstream
มาถึงรุ่น packet-train ที่ได้รับการพัฒนาขึ้นมาโดย
Jain และ routhier [ 9 ] โปรดดูรูปที่ 12 สำหรับ ภาพ
แต่ละสตรีมมีการวางรูปแบบตามอย่างเป็นการส่งตะลุยของแพ็คเกตที่ระเบิด
ซึ่งจะช่วยขนาดที่อยู่ในกลุ่ม B มีการกระจายด้วย B หมายถึงเวลาที่
กลุ่มข้อมูลในการระเบิดที่มีการกระจาย 1 ผมพร้อมด้วย - หมายถึงเวลาที่ระหว่าง
ซึ่งจะช่วยเร่งมี T การกระจายด้วย T หมายความว่าเราจะต้องเป็นผู้รับผิดชอบหมายความว่า
ซึ่งจะช่วยเวลาที่อยู่ระหว่างเร่งเป็นเวลาหลายเท่าขนาดใหญ่กว่า
หมายความว่าระหว่างกลุ่มข้อมูล ภายใน การระเบิดใน iine ด้วย Jain และ
routhier ของการสังเกตการณ์