Time-sensitive networks (IEEE TSN or IETF DetNet) may tolerate some packet reordering. Re-sequencing buffers are then used to provide in-order delivery, the parameters of which (timeout, buffer size) may affect worst-case delay and delay jitter. There is so far no precise understanding of per-flow reordering metrics nor of the dimensioning of re-sequencing buffers in order to provide worst-case guarantees, as required in such networks. First, we show that a previously proposed per-flow metric, reordering late time offset (RTO), determines the timeout value. If the network is lossless, another previously defined metric, the reordering byte offset (RBO), determines the required buffer. If packet losses cannot be ignored, the required buffer may be larger than RBO, and depends on jitter, an arrival curve of the flow at its source, and the timeout. Then we develop a calculus to compute the RTO for a flow path; the method uses a novel relation with jitter and arrival curve, together with a decomposition of the path into non order-preserving and order-preserving elements. We also analyse the effect of re-sequencing buffers on worst-case delay, jitter and propagation of arrival curves. We show in particular that, in a lossless (but non order-preserving) network, re-sequencing is "for free", namely, it does not increase worst-case delay nor jitter, whereas in a lossy network, re-sequencing increases the worst-case delay and jitter. We apply the analysis to evaluate the performance impact of placing re-sequencing buffers at intermediate points and illustrate the results on two industrial test cases.


翻译:时间敏感的网络( IEEE TSN 或 IETF DetNet ) 可能容忍某些组合重新排序。 然后,将顺序顺序的缓冲用于提供顺序内交付, 其参数( 超时、 缓冲大小) 可能会影响最坏的延误和延迟的快感。 目前还无法准确理解每流量重新排序指标, 也没有确切了解重新排序的缓冲的尺寸, 以提供最坏的保证, 正如这类网络所要求的那样。 首先, 我们显示, 先前提议的循环指标, 重新排序晚时间抵消( RTO) 将决定超时值。 如果网络无损失, 先前定义的另一种度, 重新排序( RBO ) 则决定所需的缓冲。 如果无法忽略, 所需的缓冲幅度可能大于 RBO, 取决于流源头的进缩缩缩曲线, 以及超时速。 然后我们开发一个缩放 RTO 路径的缩略图, 在最坏的运行和抵达曲线上使用一种新型的关系, 与不易变速的缓变速的缓冲,, 同时, 将最坏的网络的变速的变速的变速分析会显示到非顺序。

0
下载
关闭预览

相关内容

专知会员服务
95+阅读 · 2020年12月8日
【WSDM2021】拓扑去噪的鲁棒图神经网络
专知会员服务
26+阅读 · 2020年11月14日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
将门创投
10+阅读 · 2019年3月6日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Arxiv
0+阅读 · 2021年6月14日
Arxiv
3+阅读 · 2018年10月25日
Arxiv
3+阅读 · 2018年8月17日
Arxiv
5+阅读 · 2018年4月22日
Arxiv
5+阅读 · 2015年9月14日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
将门创投
10+阅读 · 2019年3月6日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Top
微信扫码咨询专知VIP会员