Registro:
| Documento: | Tesis Doctoral |
| Disciplina: | biologia |
| Título: | Modelado y simulación híbrida de redes complejas de datos |
| Título alternativo: | Hybrid modeling and simulation of complex data networks |
| Autor: | Bonaventura, Matías Alejandro |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Filiación: | Universidad de Buenos Aires - CONICET. Instituto de Investigación en Ciencias de la Computación (ICC)
|
| Publicación en la Web: | 2022-03-29 |
| Fecha de defensa: | 2019-03-29 |
| Fecha en portada: | 2019 |
| Grado Obtenido: | Doctorado |
| Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias de la Computación |
| Director: | Castro, Rodrigo D. |
| Consejero: | Gravano, Agustín |
| Jurado: | Gil Costa, Graciela; Piegaia, Ricardo; Fernandes, Stenio |
| Idioma: | Inglés |
| Palabras clave: | MODELADO; SIMULACION; REDES DE DATOS; MODELOS HIBRIDOSMODELING; SIMULATION; DATA NETWORKS; HYBRID MODELS |
| Formato: | PDF |
| Handle: |
http://hdl.handle.net/20.500.12110/tesis_n6702_Bonaventura |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n6702_Bonaventura.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n6702_Bonaventura |
| Ubicación: | Dep.COM 006702 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Bonaventura, Matías Alejandro. (2019). Modelado y simulación híbrida de redes complejas de datos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n6702_Bonaventura |
Resumen:
En esta Tesis desarrollamos nuevas técnicas de modelado de redes de datos que combinan los enfoques discreto (paquete a paquete) y continuo (aproximaciones fluidas) para el estudio de dinámicas complejas. Introducimos nuevas herramientas teórico-prácticas de modelado y simulación para integrar de manera transparente modelos discretos y continuos bajo un marco híbrido, formal y unificado. Adoptamos la red de adquisición de datos físicos (DAQ) del Experimento ATLAS en CERN como caso complejo y real de estudio para validar resultados obtenidos mediante simulaciones. Estas brindaron soporte en la toma de decisiones durante procesos de diseño, planificación de capacidad y puesta a punto en proyectos de ingeniería para redes futuras a implementarse en CERN entre 2021 y 2027. El enfoque paquete a paquete provee resultados de grano fino cercanos a los observables en redes reales. Sin embargo, la complejidad capturada por estos modelos usualmente hace a este enfoque inapropiado para la simulación de topologías muy grandes y/o tráfico de muy alta intensidad, debido a que los tiempos de simulación escalan al menos linealmente con el incremento de complejidad del sistema. Por su parte, el enfoque fluido reduce la complejidad del modelo mediante aproximaciones con ecuaciones diferenciales ordinarias (ODE). Esto resulta en tiempos de simulación mucho menores, generalmente independientes de la tasa de transferencia, pero solo capturan dinámicas promedio o de grano grueso. Cada enfoque requiere conocimientos y herramientas esencialmente diferentes, por lo que expertos en redes suelen adoptar solo uno de ellos. Esto ha conducido a una diversificación de algoritmos de simulación y prácticas de análisis que dificultan la integración de estrategias. En esta Tesis aportamos mecanismos que permiten la coexistencia e influencia mutua de modelos paquete a paquete con modelos fluidos bajo el formalismo Discrete EVent Systems specification (DEVS), reduciendo la brecha entre ambas técnicas. Mostramos como los nuevos modelos híbridos mantienen las ventajas de los modelos fluidos en términos de tiempos de simulación, a la vez que proveen trazas detalladas de los modelos paquete a paquete. Esto se logra bajo garantías formales de convergencia en los métodos numéricos de integración subyacentes. En particular, extendemos la familia de métodos de integración numérica por cuantificación de estados (QSS) para la aproximación de ecuaciones diferenciales funcionales con retardos variables, herramienta necesaria para describir la dinámica macroscópica de protocolos con control a lazo cerrado. Como aporte central se obtuvieron nuevas bibliotecas de modelos discretos, continuos e híbridos para simulación escalable de redes de datos. Estas permiten elegir flexiblemente el nivel de granularidad deseado, manteniendo una experiencia de modelado intuitiva centrada en la definición modular y jerárquica de la topología de los sistemas bajo estudio.
Abstract:
This Thesis develops new simulation techniques that combine packet-level and fluid-flow modeling approaches for the study of dynamics in data networks. Novel practical and theoretical tools for modeling and simulation are introduced to integrate seamlessly these two very disparate approaches under a unifying hybrid formal framework. The Trigger and Data AcQuisition (TDAQ) network in the ATLAS particle detector at CERN is adopted as a large complex real world case study to validate the obtained simulation models. The latter supported decisions for design, planning and tuning in network engineering projects aiming at upgrades planned for 2021 and 2027. Packet-level simulations yield fine-grained results comparable to real events in data networks. Yet, the underlying complexity makes the approach unsuitable for complex high-speed networks, as the required simulation times scale at least linearly with the size or aggregate throughput of the system. Meanwhile, a fluid-flow approach reduces model complexity by relying on fluid approximations with Ordinary Differential Equations. This strategy yields faster simulations typically insensitive to aggregate system throughput, at the cost of capturing only averaged coarse-grained network dynamics. Each approach requires substantially different background and tools, making network experts to adhere to either of them. This usually leads to a diversification of simulation algorithms, models and type of analyses, hindering their integration. In this Thesis, new techniques are developed allowing for the coexistence and interaction of packet-level and fluid-flow models under the Discrete EVent Systems specification (DEVS) formalism, helping to reduce the gap between both approaches. We show how hybrid models are able to retain the performance advantages of fluid-flow models while providing detailed simulation traces of packet-level models for selected flows. The latter is achieved under formal guarantees convergence of the underlying numerical integration methods. In particular, the Quantized State Systems (QSS) family of numerical methods was extended to support the solution of Retarded Functional Differential Equations with implicit delays, a required theoretical tool to describe the macroscopic dynamics of network protocols under closed-loop control. The overall main outcome is a new generic and reusable library of models that enable the hybrid (discrete/continuous) study of data networks. Network experts can flexibly choose the desired simulation granularity, while retaining a unified and intuitive modeling experience centered in the modular and hierarchical definition of topologies and the setting of properties for network components.
Citación:
---------- APA ----------
Bonaventura, Matías Alejandro. (2019). Modelado y simulación híbrida de redes complejas de datos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n6702_Bonaventura
---------- CHICAGO ----------
Bonaventura, Matías Alejandro. "Modelado y simulación híbrida de redes complejas de datos". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2019.https://hdl.handle.net/20.500.12110/tesis_n6702_Bonaventura
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n6702_Bonaventura.pdf
