Forgalom igény tudatos hálózat tervezés

Készítette:

Szecsődi Imre

Programtervező informatikus
MSc

Budapest, 2020

Témavezető:

Dr. Lukovszki Tamás

Egyetemi docens, PhD

Megjegyzés

  • A diplomamunka a C. Avin, K. Mondal, and S. Schmid. Demand-aware network design with minimal
    congestion and route lengths cikket vette alapjául.

Motiváció

  • A technika előrehaladásával egyre nagyobb lett a feldolgozandó adatok mennyisége
  • Adattárházakban a szerverek közötti kommunikáció is megnövekedett ezáltal
  • A jelenlegi hálózatok a legrosszabb esetre vannak tervezve, azaz, hogy majdnem teljes sávszélességű, kétirányú kapcsolat álljon fent bármelyik két szerver között
  • A valós kommunikáció nem ezt a sémát követi, hanem túlnyomó részt megadott párok között történik a legtöbb kommunikáció

Valós forgalmi adatok

  • Microsoft Research ProjecToR adatai, Microsoft adattárházában  250 ezer szervert 5 production klaszterben elosztva

Hálózat tervezési stratégiák

  • A technika fejlődésével elérhetővé váltak eszközök arra, hogy egy adott hálózatot újra konfiguráljunk, attól függően milyen terhelés éri
    • pl, korábbi kommunikációs minták alapján
  • Két fő optimalizációs lehetőség van, legyen rövid az út (a) vagy legyen minimális a torlódás (b)
  • A cikk bemutat egy módszert arra, hogy lehet mindkettőre majdnem optimális megoldást adni egyszerre (c)

Hálózat tervezési stratégiák

Újra konfigurálás megvalósítása

  • Átlag hálózatok statikusan vannak konfigurálva, nem  sok lehetőséget adva annak, hogy változtassunk
    • pl. Ethernet switch

Újra konfigurálás megvalósítása

  • Optikai switchek már újra tudják konfigurálni magukat, de ezek "lassúak"

Újra konfigurálás megvalósítása

  • Microsoft Research - ProjecToR, lézer segítségével kiváltani az optikai swticheket
    • 12 µs váltás idő ( 2500x gyorsabb mint egy optikai hálózati switch)

Forgalom igény tudatos hálózat tervezés probléma

  • Vegyünk egy hálózatot meghatározott számú csomóponttal
  • A hálózathoz tartozik egy demand mátrix, ami leírja a valószínűségét annak, hogy \(i\) forrásból mekkora eséllyel lesz adat küldve \(j\) célba
  • A cél, hogy ezen adatból egy olyan hálózati séma készítése, ami kis torlódást és rövid utakat eredményez, ez mellett még skálázható is

Példa

Formális felírás

  • Adott N darab csúcspont  V = {1, ..., N}, és egy kommunikációs séma \( M_D \), ami egy N×N mátrix
  • A mátrix \((i, j)\) eleméhez tartozik egy \(p(i, j)\) valószínűség, ahol \(i\) a forrás csomópont és \(j\) a cél.
  • A bemeneti mátrix ábrázolható egy irányított \(G_D\) gráfban, ahol az élsúlyok a két pont közötti kommunikációs valószínűség
  • Az algoritmus feltétele, hogy a mátrix ritka legyen

Formális felírás

  • Egy N hálózatra a torlódást és az úthosszt útválasztási sémával fogjuk definiálni
  • Egy útválasztási séma az N hálózatra \(\Gamma(N)\), ami a \(\Gamma_{uv}\) utak halmaza, ahol \((u, v)\) párok különböző utakat jelölnek
  • \(\Gamma_{uv}\) egy útsorozat, ami összeköti \(u\) pontot \(v\) ponttal

Torlódás

  • (Definíció 1) A torlódást egy \(\Gamma(N)\) útválasztási sémán a \(D\) demand mátrix segítségével írjuk fel: \[C(D, \Gamma(N)) = \max_{e \in \Gamma(N)}  \sum_{e \in \Gamma(uv)} p(u,v) \]

Úthossz

  • (Definíció 2) Az átlag súlyozott úthosszt egy \(\Gamma(N)\) útválasztási sémán a \(D\) demand mátrix segítségével írjuk fel: \[L(D, \Gamma(N)) = \sum_{(u,v) \in D}  p(u,v)  \cdot d_{\Gamma(N)}(u, v) \] ahol a \(d_{\Gamma(N)}(u, v)\) az útvonal hosszát jelöli

Skálázhatóság

  • A hálózatot skálázhatóra kell tervezni, ezért meghatározunk egy \(\Delta\) konstans fokszámot, ami a maximális csatlakozások számát fogja meghatározni egy adott csomóponthoz
  • \(N_\Delta\) jelölje az összes \(\Delta\) fokszámú gráfot, és elváruk, hogy \(N \in N_\Delta\)

Optimális torlódás és úthossz

  • Az optimális torlódást egy  hálózatra, úgy határozzuk meg, hogy a csak a torlódást vesszük figyelembe számításkor \[C^*(D, \Delta) = \min_{N \in N_\Delta, \Gamma(N)} C(D, \Gamma(N))\]
  • Az optimális úthosszt egy  hálózatra, úgy határozzuk meg, hogy a csak az úthosszt vesszük figyelembe számításkor \[L^*(D, \Delta) = \min_{N \in N_\Delta, \Gamma(N)} L(D, \Gamma(N))\]

cl-DAN hálózat tervezése

  • (Definíció 3) Adott egy \(D\) demand mátrix, és egy \(\Delta\) maximális fokszám, az \((\alpha, \beta)\)-cl-DAN hálózat tervezési probléma:
    • Hogy tervezzünk egy olyan \(N \in N_\Delta\) hálózatot, és egy hozzá tartozó \(\Gamma(N)\) útválasztási sémát, ami közel optimális torlódásra és úthosszra is
  • Az algoritmus egy felső korlátot tud adni arra, hogy mennyivel fog eltérni a megoldás az optimálistól
    • Torlódásra: \[C(D, \Gamma(N)) \le \alpha \cdot C^*(D, \Delta) + \alpha'\]
    • Úthosszra: \[L(D, \Gamma(N)) \le \beta \cdot L^*(D, \Delta) + \beta'\]

EgoTree - EgoFák

  • Az Egofa egy torlódásra és úthosszra optimalizált fa hálózat egy csomópontra nézve
  • Az Egotree-t definiáljuk a következő módon, \[EgoTree(s, \bar{p}, \Delta) \]
    • \(s\) a forrás csomópont
    • \(\bar{p}\) a szomszédainak eloszlásai
    • \(\Delta\) fokszám
  • Ez közel optimális megoldást ad torlódásra és úthosszra

1. Tétel

  • Adott egy  \(\bar{p}\) frekvencia eloszlás az \(s\) forrás ponthoz, és adott egy \(\Delta\) fokszám, ekkor az \(EgoTree(s, \bar{p}, \Delta)\) egy \((\alpha, \beta)\)-cl-DAN a következő paraméterekkel:
    • \(\alpha = \frac{4}{3}\)
    • \(\beta = log^2(\Delta + 1)\)

\(EgoTree(s, \bar{p}, \Delta)\) algoritmus

  1. \(s\) a gyökér elem, \(\Delta\) fokszámmal, üres fa
  2. Rendezzük sorba \(\bar{p} = \{p1, p2, ..., p_k\}\) valószínűségeket csökkenő sorrendben
  3. Kezdjük rárakni a fára a csomópontokat, a gyökér elemre legfeljebb \(\Delta\) levél kerülhet
  4. Mikor elértük a \(\Delta\) levelet, a következő csomópontokat mindig a legkisebb összesített súlyú levélre kapcsolok rá, itt már legfeljebb két levele lehet minden fának

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

s

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .20\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.10)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .20\)

\(S_4 = .20\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .20\)

\(S_4 = .20\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .25\)

\(S_4 = .20\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .25\)

\(S_4 = .22\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{.01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .25\)

\(S_4 = .23\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

Példa

\(EgoTree(s, \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}, 4)\)

\( \{\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .25\)

\(S_4 = .24\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

Algoritmus elemzése

  • A kapott eredményben látható, hogy a maximális torlódás a legnagyobb súlyú élen van
  • Minimalizálni ezt, lényegében egy időzítés probléma, hogy osszuk ki a munkákat \(\Delta\) processzornak, hogy minden leghamarabb kész legyen
  • Erre az optimális algoritmus NP-nehéz, de van közelítő módszer

Longest Processing Time (LPT)

  • Először sorba rendezzük a feladatokat hossz szerint csökkenő sorrendben
  • Ha van szabad processzor, akkor ahhoz rendeli a leghosszabb munkát
  • Ha nincs akkor ahhoz a processzorhoz rendeli, ahol a legkevesebb ideig tart a munka
  • (2. Tétel) Legyen \(\omega_L\) a maximum idő, mielőtt egy processzor befejezi az összes munkát a mohó LPT algoritmus szerint, és \(\omega_0\) az optimális, ekkor \[\frac{\omega_L}{\omega_0} \le \frac{4}{3} - \frac{1}{3\Delta}\]
  • Ez az algoritmus polinom időben lefut

1. Tétel kiegészítése

  • (1. Lemma) Az \(EgoTree(s, \bar{p}, \Delta)\) ad egy \(\frac{4}{3}\) szorzóval nagyobb közelítést a minimális torlódásra az optimális \(\Delta\) fokú fához képest, ami kiszolgál \(\bar{p}\) frekvencia eloszlást egy adott \(s\) forrás csomópontra
  • (2. Lemma) Az \(EgoTree(s, \bar{p}, \Delta)\) ad egy \(log^2(\Delta + 1)\) szorzóval nagyobb közelítést a minimális úthosszra az optimális \(\Delta\) fokú fához képest, ami kiszolgál \(\bar{p}\) frekvencia eloszlást egy adott \(s\) forrás csomópontra

3. Tétel

  • Legyen \(D\) egy szimmetrikus kommunikáció kéréseloszlás , ahol az átlag csúcs fokszáma \(\rho\), (azaz az élek száma \(\rho \cdot \frac{n}{2}\). Ekkor a maximum fokszám \(\Delta = 12\rho\), ehhez lehetséges generálni egy \((\alpha, \beta)\)-cl-DAN hálózatot, ahol
    • \(\alpha = 1 + (\frac{8}{9})\Delta\)
    • \(\beta = 1 + 4log^2(\Delta + 1)\)
  • Konstans \(\rho\) esetén ez konstans közelítést ad a minimális torlódásra és az optimális úthosszra

\((\alpha, \beta)\)-cl-DAN algortimus

  1. Felosszuk a hálózat csúcsait két halmazra, \(H\) - magas és \(L\) - alacsony fokszámúakra fele-fele arányban
    • Az alacsony fokszámú csúcsok fokszáma legfeljebb \(2\rho\)
  2. Megkeressük az összes olyan \((u, v)\) élt, ahol \(u\) és \(v\) is a magas fokszámú halmazba tartozik
  3. Az ilyen éleket a gráfban kiegészítjük egy segítő csomóponttal, \(l \in L\), az eredeti csomópontok között megszüntetjük az élt, és felveszünk két új élt \((u, l)\) és \((v, l)\)
    • Minden segítő \(l\) csúcs választásakor egy még nem felhasználtat válasszunk az \(L\) halmazból

\((\alpha, \beta)\)-cl-DAN algortimus

  • 4. Meghatározunk egy mátrixot, ami első lépésben az eredeti
    • Ahol segítő csomópontot vettünk fel, ott az útvonal hosszúhoz hozzá kell még adni az \(l\)-el való áthaladást is, és törölni kell az eredeti pontok közti élt
    • Ezután elkészítjük a magas halmaz csúcsaira a \(T_u\) fát, ahol a valószínűségeket a mátrixból kiolvassuk, \(\Delta = 12\rho\) fokszámmal, ez közel optimális megoldást ad mindkét fel

\((\alpha, \beta)\)-cl-DAN algortimus

  • 5. Mivel \(u\) és \(v\) pontok közt egy \(l\) segítő csomópont van használva ezért \(T_u\) és \(T_v\) módosításra szorul. Alakítsuk át először \(T_u\)-t \(T'_u\)-ra
    • Ha \(l \notin T_u\), \((p(u, l) = 0)\), akkor \(l\) átveszi \(v\) helyét \(T'_u\)-ban
    • Ha \(l \in T_u\), \((p(u, l) \gt 0)\), akkor két lehetőségünk van:
      • Ha \((p(u, l) \gt (p(u, v))\), akkor töröljük \(v\)-t a fából
      • Ha \((p(u, l) \le (p(u, v))\), akkor \(l\) átveszi \(v\) helyét \(T'_u\)-ban
    • \(T'_v\) hasonlóan számítjuk ki, ezzel garantálva, hogy \(T'_u\) és \(T'_v\) közötti kommunikáció az \(l\) csomóponton keresztül fog áthaladni

5. lépés vizualizálása

\((\alpha, \beta)\)-cl-DAN algortimus

  • 6. Konstruáljuk meg az új N hálózatot, vegyük az előbb készített egofákat és vegyük az uniójukat, azaz húzzuk be az összes olyan élet amik szerepeltek a fákban
    • De mivel nem csak magas fokú csomópontok közt történhetett adatforgalom, ezért még vegyük hozzá az N hálózathoz azokat az éleket is, ahol mindkét csomópont alacsony fokszámú volt

\((\alpha, \beta)\)-cl-DAN algortimus példa

\((\alpha, \beta)\)-cl-DAN algortimus példa

\((\alpha, \beta)\)-cl-DAN algortimus példa

Véletlen gráfok

  1. Barabási-Albert modell, komplex hálózatok egy modellje,
    • "preferential attachment", az újonnan becsatlakozó csomópontnak m már a hálózatban szereplő csomópontra kell kapcsolódnia

Véletlen gráfok

  • 2. Erdős-Rényi modell
    • az \(n\) csúcsú gráf éleit \(p\) valószínűséggel húzunk be bármely két csúcs között, egymástól függetlenül.

Véletlen gráfok

  • 3. Csillaggráf
    • \(n\) csúcs esetén van egy központi csúcs a gráfban, amivel a maradék \(n-1\) csúcs kapcsolatban áll

Kiterjesztett modell

  • A diplomamunka alatt több az Egófához hasonló fa építési startégia meg lett vizsgálva:
    • EgoBalance
    • Huffman fa
    • Sorfolytonos fa
    • Random fa
  • A cl-DAN algorimtus is kapott egy módosítást arra, hogy hogyan sorolja be a magas és alacsony halmazokat

EgoBalance

  • Az cl-DAN algoritmus csere lépésének módosítása
  • A cseréljük ki a szükséges csúcsokat, de mikor a szülő nélkül gyerekeket akarjuk visszacsatlakoztatni a gráfra, használjuk ki az EgoFa tulajdonságát, ami torlódásra nézve optimálisan szúrja be az elemeket

Huffman fa

  1. Vegyük a gyökérhez kapcsolódó csúcsok valószínűségét egy vektorba
  2. Rendezzük a vektort növekvő sorrendbe
  3. Vonjuk össze a vektor legelső két elemét, majd helyezzük vissza a vektorba és rendezzük újra növekvő sorrendbe
  4. Ezt addig csináljuk amíg az elemek száma nem éri el a maximális fokszámotát - Elkészült a Huffman fa
  5. Köztes csomópontokat töltsük ki
    1. A gyökérre kapcsolódó ágakon gyujtsük össze az összes levelet
    2. Rendezzük sorba a leveleket nehézség szerint csökkeno sorrendbe
    3. Építsünk teljes fát az ágon

\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

s

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\((.16)\)

\((.20)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\((.16)\)

\((.20)\)

\((.20)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\((.16)\)

\((.20)\)

\((.20)\)

\((.36)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\((.16)\)

\((.20)\)

\((.20)\)

\((.36)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\((.02)\)

\((.04)\)

\((.09)\)

\((.16)\)

\((.20)\)

\((.20)\)

\((.36)\)

\( \{\}\)

s

\(p_1(.24)\)

\(p_2(.20)\)

\(p_3(.10)\)

\(p_4(.10)\)

\(p_5(.10)\)

\(p_6(.10)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

\(S_1 = .24\)

\(S_2 = .20\)

\(S_3 = .20\)

\(S_4 = .36\)

Sorfolytonos és Random fa

  1. Vegyük a gyökérhez kapcsolódó csúcsok valószínűségét egy vektorba
  2. Rendezzük a vektort csökkenő sorrendbe
    • Random fa esetén keverjük meg a vektor elemeit
  3. Építsünk teljes fát, ahol csomópont kapcsolódik a gyökér elemre

\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

s

\( \{.2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\( \{.1, .1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\( \{.1, .1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\( \{.1, .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .24\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

\( \{ .1, .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .34\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\( \{ .07, .05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .20\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\( \{.05, .02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .27\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\(p_7(.07)\)

\( \{.02, .01, .01\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .32\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .10\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\(p_7(.07)\)

\(p_8(.05)\)

\( \{.01, .01\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .32\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .12\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\( \{.01\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .32\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .13\)

\(S_4 = .10\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\( \{\}\)

\(p_1(.24)\)

\(S_1 = .44\)

s

\(S_2 = .32\)

\(p_2(.20)\)

\(p_3(.10)\)

\(S_3 = .13\)

\(S_4 = .11\)

\(p_4(.10)\)

\(p_5(.1)\)

\(p_6(.1)\)

\(p_7(.07)\)

\(p_8(.05)\)

\(p_9(.02)\)

\(p_{10}(.01)\)

\(p_{11}(.01)\)

Módosított fa építés

  • Az első lépése a cl-DAN algoritmikusnak a csúcsok besorolása
  • A cikk szerint osszuk fel fele-fele arányban, de az alacsonyak ne haladják meg a \(2\rho\) fokszámot
  • A módosított itt változtat, hogy csak azok kerüljenek magas csúcsok közé, amik elérik a  \(2\rho\) fokszámot
  • Ezzel csökken a megépítendő fák mennyisége
  • Csillaggráf esetén jelentős a változás

Eredmények

Eredmények

Eredmények

Eredmények

Köszönöm a figyelmet!

Copy of Formagol igény tudatos hálózat tervezés Full

By Imre Secodi

Copy of Formagol igény tudatos hálózat tervezés Full

  • 89