ANÁLISIS EN COLA DE LA NATURALEZA DEL TRÁFICO DE VÍDEO VBR E. CASILARI, A.REYES, A. DÍAZ-ESTRELLA, F. SANDOVAL DPTO. TECNOLOGÍA ELECTRÓNICA, E. T. S. I. TELECOMUNICACIÓN, UNIVERSIDAD DE MÁLAGA, CAMPUS DE TEATINOS, 29071 MÁLAGA. TFNO. : (95) 2132755 ; FAX 95-2131447 ; E-MAIL: casilari@dte.uma.es ABSTRACT In this paper we analyse the impact on queueing performance of the different characteristics that video nature imposes on video traffic. The main conclusion is that, under realistic conditions (small buffers, low channel utilisation) the predominant factor is the variability of video traffic while short range dependence exhibits a secondary effect and long range dependence could be neglected. INTRODUCCIÓN Dentro del ámbito de las comunicaciones en banda ancha, los servicios de vídeo constituyen las fuentes de tráfico con más proyección y las que más retos proponen por su naturaleza rafagueante y por sus exigencias de ancho de banda y funcionamiento en tiempo real. El modelado de este tipo de tráfico es imprescindible tanto en la propia validación y diseño de las propias redes (dimensionado de buffers y otros recursos ofrecidos) como en la evaluación de los esquemas propuestos para resolver las múltiples tareas de control y gestión que estas redes llevan aparejadas (controles CAC, UPC, de conformado,...) En este trabajo se propone establecer una comparativa de las distintas familias de modelado de tráfico de vídeo, analizando las prestaciones que ofrece cada una y el marco de trabajo (ocupación de los enlaces, calidad de servicio) en el que su aproximación resulta más correcta. Igualmente se aprovecha esta comparación para concluir qué importancia relativa presentan las distintas características del tráfico de vídeo sobre el flujo binario que resulta de su codificación VBR, ejemplificándose dicha comparativa para dos series de tráfico codificadas mediante MPEG. MODELADO DE TRÁFICO DE VÍDEO Los factores propios de una señal de vídeo que podemos destacar como más determinantes a la hora de establecer un modelo de tráfico son: * El amplio rango de variación del volumen de información transmitida por unidad de tiempo, a consecuencia de la continua modificación de la complejidad y el movimiento de la imagen. Esta amplia variabilidad se puede identificar estadísticamente con una función de densidad estadística del tráfico (pdf) abierta. * La intensa dependencia que existe entre los datos transmitidos en unidades de tiempo cercanas, justificable por la propia redundancia que no es eliminada del todo por el codificador, es decir, por el parecido que existe entre fotogramas cercanos en el tiempo. Estadísticamente, estas dependencias a corto plazo (SRD o Short Range Dependences) son detectables mediante los primeros valores de los coeficientes de autocorrelación. * La existencia de efectos propios de ciertas señales de vídeo (cambios de plano, la presencia de escenas con distinto nivel de actividad,...), que confieren a la señal una apariencia fractal o autosemejante, esto es, variable de una manera similar a diversas escalas de tiempo. La detección estadística de este fenómeno pasa por el análisis de las posibles dependencias a largo plazo (LRD o Long Range Dependence) existentes en la señal, caracterizables mediante el cálculo del denominado parámetro Hurst o H, variable entre 0.5 y 1, que indica el grado o la intensidad de la autosemejanza en la muestra. En función de las características anteriores que se pretendan ajustar los modelos de vídeo [1] se podrían agrupar del siguiente modo: - Modelos que aproximan estadísticos de primer orden como momentos (media, varianza, curtosis) o bien la forma de la función de densidad estadística (pdf) del número de bits (o células ATM), transmitidos por unidad de tiempo. Entre estos modelos se han de incluir desde el simple ruido gaussiano (ajustando media y varianza) hasta distribuciones estadísticas como la gamma, la logarítmico-normal, subexpo- nenciales como la de Weibull o la de Pareto, o los ruidos uniformes entre 0 y 1 proyectados sobre la propia PDF a ajustar. - Modelos que aproximan las dependencias a corto plazo causadas por la correlación entre muestras cercanas en el tiempo. En este grupo se pueden incluir los modelos autorregresivos o AR o autorregresivos de media móvil (ARMA) así como una amplia variedad de modelos markovianos. En general estos procesos SRD se caracterizan básicamente por una función de autocorrelación exponencialmente decadentes. Por otro lado, se podrían considerar estos modelos como un subgrupo de los modelos de primer orden en tanto que incluyen el ajuste de la media estadística y algún otro momento de primer orden (normalmente la varianza). En este sentido hemos de citar el modelado TES (Transform Expand Sample) y los modelos autorregresivos no lineales como los modelos autorregresivos proyectados o PAR, que proyectan, al igual que el TES, una secuencia correlada, de un modelo AR, sobre la PDF a ajustar. - Modelos que aproximan las dependencias a largo plazo [2]: En este apartado se podrían englobar aquellos procesos que tratan de ajustar el parámetro H de la señal, como el ruido fraccionario gaussiano. (FGN o Fractional Gaussian Noise), los FRP o los SRP, capaces de generar autocorrelaciones que siguen una ley hiperbólica de exponente 2H-2. Otro proceso,