When the arrival processes are Poisson, queueing networks are well-understood in terms of the product-form structure of the number of jobs $N_i$ at the individual queues; much less is known about the waiting time $W$ across the whole network. In turn, for non-Poisson arrivals, little is known about either $N_i$'s or $W$. This paper considers a tandem network $$GI/G/1\rightarrow \cdot/G/1\rightarrow\dots\rightarrow\cdot/G/1$$ with general arrivals and light-tailed service times. The main result is that the tail $\P(W>x)$ has a polynomial-exponential (Poly-Exp) structure by constructing upper bounds of the form $$(a_{I}x^{I}+\dots+a_1x+a_0)e^{-\theta x}~.$$ The degree $I$ of the polynomial depends on the number of bottleneck queues, their positions in the tandem, and also on the `light-tailedness' of the service times. The bounds hold in non-asymptotic regimes (i.e., for \textit{finite} $x$), are shown to be sharp, and improve upon alternative results based on large deviations by (many) orders of magnitude. The overall technique is also particularly robust as it immediately extends, for instance, to non-renewal arrivals.


翻译:当到达流程为泊松流时,排队网络可以很好地理解为各个队列中作业数$N_i$的乘积形式;但是对于整个网络的等待时间$W$了解甚少。而对于非泊松的到达流程,对于$N_i$和$W$的知识更少。本文研究了具有一般到达流程和服务时间轻尾特性的串联网络$$GI/G/1\rightarrow \cdot/G/1\rightarrow\dots\rightarrow\cdot/G/1$$ 的情况。最主要的结果是,尾部$\P(W>x)$具有多项式指数(Poly-Exp)结构,通过构造上界$$(a_{I}x^{I}+\dots+a_1x+a_0)e^{-\theta x}~.$$ 多项式的次数$I$取决于瓶颈队列的数量,其在串联中的位置,以及服务时间的“轻尾性”。这些上界在非渐进情况(即,对于“有限” $x$)成立,被证明是准确的,比基于大偏差的替代结果提高了(很多)数量级。此外,整体技术也特别强大,因为它立即扩展到非可重复到达情况。

0
下载
关闭预览

相关内容

【ICML2022】闭式同构变换的时间序列对齐
专知会员服务
11+阅读 · 2022年6月20日
【硬核书】树与网络上的概率,716页pdf
专知会员服务
72+阅读 · 2021年12月8日
专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
42+阅读 · 2020年12月18日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
手把手教你写 Dart ffi
阿里技术
0+阅读 · 2022年11月7日
缺失数据统计分析,第三版,462页pdf
专知
47+阅读 · 2020年2月28日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
R语言数据挖掘利器:Rattle包
R语言中文社区
21+阅读 · 2018年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年6月5日
Arxiv
0+阅读 · 2023年6月5日
Arxiv
0+阅读 · 2023年6月2日
Arxiv
0+阅读 · 2023年6月2日
VIP会员
相关资讯
手把手教你写 Dart ffi
阿里技术
0+阅读 · 2022年11月7日
缺失数据统计分析,第三版,462页pdf
专知
47+阅读 · 2020年2月28日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
R语言数据挖掘利器:Rattle包
R语言中文社区
21+阅读 · 2018年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员