analisis dan simulasi model trafik next generation network

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia

3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung 472

ANALISIS DAN SIMULASI MODEL TRAFIK NEXT GENERATION NETWORK

Ir Nana Rachmana M.Eng, Dhata Praditya

[email protected], [email protected]

Program Studi Teknik Elektro

Institut Teknologi Bandung

ABSTRAK

NGN atau Next Generation Network merupakan suatu sistem yang mencoba mengintegrasikan berbagai macam

jaringan yang ada, entah menjadi satu platform besar ataupun tetap memakai banyak jaringan hanya pada level

aplikasinya disatukan. NGN sampai dengan hari ini masih dalam riset, dan belum mempunyai satu standar yang

jelas, apalagi kalau kita berbicara soal regulasi. Satu hal yang perlu diketahui dari integrasi berbagai macam

jaringan adalah masalah trafik, sebab prediksi trafik yang didasari oleh sistem telephony (menggunakan distribusi

Poisson) ternyata tidak relevan lagi untuk diterapkan.

Kata kunci: Pareto, Lognormal, Uniform, Poisson, Self-similar, OPNET

1. PENDAHULUAN

Perkembangan teknologi telekomunikasi saat ini

meningkat sejalan dengan bertambahnya kebutuhan

komunikasi masyarakat. Sektor telekomunikasi yang

merupakan cabang strategis saat ini diarahkan

menjadi satu layanan yang mencakup data, suara,

gambar dan komunikasi mobile dengan kualitas

tinggi. Sampai dengan hari ini, para pakar masih

mencoba bereksperimen untuk mengajukan suatu

bentuk teknologi yang mendukung terwujudnya

kondisi ini.

Konsep NGN (Next Generation Network) merupakan

anak emas dari perkembangan teknologi

telekomunikasi saat ini. Konsep ini diharapkan

mampu mengintegrasikan seluruh jaringan yang ada,

entah membuat satu jaringan baru ataupun tetap

memakai banyak jaringan. Berbagai masukan yang

ada kebanyakan mengimplementasikan menggunakan

sifat WDM (bukan lagi TDM) karena jaringan yang

ada merupakan paket-paket. Selain itu kebanyakan

pakar juga menggunakan jaringan optik sebagai dasar

bagi penggunaan NGN.

Konsep NGN ini baru dalam tahap perkembangan,

karena itu masih banyak hal-hal yang perlu di

standarisasi maupun diperbaharui agar tujuan

dikembangkannya NGN tersebut dapat dicapai.

Tujuan tersebut yaitu:

• Menyokong makin bertambahnya jaringan

komunikasi di masyarakat (diharapkan mampu

beroperasi pada berbagai sistem)

• Mempertahankan QoS

• Fleksibel (dari sisi arsitektur)

• Menjaga kualitas keamanan jaringan

• Murah

• Mempercepat akses, terutama akses data

• Mudah untuk dikembangkan lagi menjadi future-

tech

2. TEORI NGN DAN PROBABILITAS

2.1 NGN

Definisi Next Generation Network berdasarkan ITU-

T: Next Generation Network (NGN) adalah jaringan

packed-based yang mampu menyediakan berbagai

layanan, terutama layanan telekomunikasi dan

mampu untuk digunakan pada multiple broadband,

teknologi transport dengan mekanisme pemeliharaan

QoS dan dalam fungsi service-related adalah

independent sehingga mendasari teknologi transport-

related. NGN menawarkan akses tak terbatas bagi

user dari berbagai penyedia layanan yang berbeda.

NGN juga mendukung mobilitas secara menyeluruh

dengan memberikan layanan yang konsisten dan

tersedia dimana-mana bagi user.

Dalam mendukung konsep NGN ini, dikembangkan

beberapa layanan dan fitur-fitur diantaranya adalah

IPv6 sebagai solusi dari keterbatasan jumlah user



pada IPv4. MPLS yang berfungsi sebagai sistem

yang efisien dalam hal rouitng, forwarding,dan

switching dari aliran trafik yang mengalir pada

jaringan. Softswitch, yang secara khusus digunakan

untuk mengontrol koneksi pada junction point antara

jaringan circuit dan paket. Tujuan ini bisa dilakukan

oleh satu alat yang mempunyai kemampuan sebagai

switching logic dan switching fabric. Kemudian

dikembangkan pula SIP, protocol yang diusulkan

sebagai standard untuk menginisiasi, memodifikasi

dan mengakhiri sesi interaksi user yang melibatkan

elemen multimedia seperti video, suara, online game,

instant messaging dan virtual reality. Dan yang

sedikit lebih baru adalah IMS, yang lahir sebagai satu

teknologi yang mengawinkan teknologi wireless dan

wireline dengan tawaran layanan yang tidak hanya

voice namun juga layanan data yang sangat beragam.

Prinsip teknologi ini adalah mengatur session yang

timbul untuk tiap layanan. Pada konsep NGN dengan

softswitch (wireline), seluruh session layanan yang

timbul seluruhnya (baik suara maupun data) akan

dilewatkan pada call manager (softswitch).

2.2 Teori Probabilitas

a. Distribusi Erlang

Distribusi Erlang dikembangkan oleh A. K. Erlang

untuk menguji jumlah panggilan telepon yang

mungkin dilakukan dalam satu waktu pada suatu

switching station milik operator. Ini bekerja pada

perencanaan trafik telepon yang pemakaiannya

meluas hingga untuk menghitung waktu tunggu

dalam system antrian secara umum. Distribusi Erlang

kini digunakan dalam proses stochastic.

b. Distribusi Poisson

Dalam teori probabilitas, distribusi Poisson adalah

distribusi kemungkinan yang diskrit. Digunakan

untuk merepresentasikan kejadian yang amat jarang.

Hal ini diperlihatkan dengan probabilitas banyaknya

event yang terjadi dalam suatu interval waktu jika

event ini diketahui nilai rate rata-rata, dan

independent terhadap waktu sampai dengan event

terakhir

c. Distribusi Pareto

Pareto distribution, diambil dari nama ahli ekonomi

dari Italia Vilfredo Pareto. Dalam jaringan, Distribusi

Pareto digunakan untuk memodelkan waktu utilisasi

CPU oleh sebuah proses, ukuran file web pada web

server, jumlah byte data pada FTP burst, dan waktu

“berpikir” web browser.

d. Distribusi log-normal

Dalam probability dan statistik, distribusi log-normal

adalah distribusi kemungkinan dari variabel acak

yang logaritmanya terdistribusi secara normal (dasar

dari fungsi logaritmik bahwa loga X adalah

terdistribusi normal jika dan hanya jika logb X

terdistribusi normal). Jika X adalah variabel acak

dengan distribusi normal, maka exp(X) memiliki

distribusi log-normal.

e. Distribusi Weibull

Distribusi Weibull sering digunakan untuk

memodelkan waktu hingga terjadi kegagalan teknis

dari suatu alat.

f. Self-similarity Traffic

Self-similarity merupakan bagian terpenting dari

konsep fractal yang berasal dari ide Benoit B.

Mandelbrot, konsep ini mendeskripsikan fenomena

dimana sifat tertentu objek adalah mempertahankan

dengan baik skala dalam jarak maupun waktu.

Maksudnya ada suatu fenomena dimana bila kita

memotong suatu objek pada bagian yang kecil

tubuhnya, memiliki bentuk yang serupa dirinya

Proses self-similar dapat didefinisikan menggunakan

distribusi heavy-tailed, juga biasa disebut distribusi

long-tailed. Distribusi heavy-tailed dapat digunakan

untuk menggambarkan probability density yang

mendeskripsikan proses trafik seperti waktu inter-

arrival paket dan panjang burst. Proses self-similar

menunjukkan fenomena long-range dependency.

Gambar 1. Distribusi heavy-tailed

3. SIMULASI JARINGAN

Simulator yang digunakan adalah OPNET IT Guru

Academic Version 9.1

project : dhata

scenario : final_version

skala jaringan : dunia.



Gambar 2. Jaringan yang disimulasikan

Secara umum model jaringan yang dibuat dibagi

menjadi dua bagian, yang masing-masing terdiri dari

topologi yang berbeda pula. Pertama adalah VoIP

yang coba disimulasikan pada node 3, 4 dan 5,

kemudian WLAN dan LAN yang disimulasikan pada

node-node 1, 2, dan 6. Sedangkan pada node 8

dirancang suatu jaringan LAN namun menggunakan

dial up modem untuk koneksinya. Ke-delapan subnet

tersebut kemudian dihubungkan melalui link ke suatu

IP network, dan untuk IP2, merupakan pusat dari

sistem jaringan VoIP.

Dua hal paling esensial yang mempengaruhi analisis

simulasi jaringan ini adalah konfigurasi aplikasi dan

konfigurasi profil.

Konfigurasi Aplikasi, parameter ini menunjukkan

aplikasi apa saja yang akan kita gunakan. Dalam

simulasi aplikasi yang disediakan ada tujuh buah

yaitu: VoIP, HTTP, FTP, database, email, remote

login dan video conferencing.

Sedangkan Konfigurasi Profil, parameter ini

menunjukkan profil dari node yang menggunakan

aplikasi yang telah didefinisikan. Dalam simulasi ini

digunakan empat profil, yaitu profil VoIP, profil

LAN, profil WLAN, dan profil Sm_Int. Pada

Konfigurasi inilah distribusi yang digunakan dalam

permodelan trafik jaringan di-setting.

Gambar 3. subnet-subnet dalam jaringan

4. ANALISIS

Sebelum melakukan analisis terhadap model trafik

yang terkondisikan dalam jaringan, dilakukan

terlebih dahulu analisis mengenai kinerja jaringan

yang disimulasikan ini. Ada tiga parameter yang

digunakan yaitu, response time, delay dan data loss.



Gambar 4. respon time

Delay

0

1

2

3

4

5

6

4 user 10 user 20 user

de

lay

(m

se

c)

ethernet delay

paket end to end

delay VoIP

WLAN delay

Gambar 5. delay

Data Loss

0

100

200

300

400

500

600

4 user 10 user 20 user

pa

ke

t

TS FTP

TR FTP

TS HTTP

TR HTTP

TS TELNET

TR TELNET

Gambar 6. data loss

Untuk menganalisis distribusi yang paling tepat

untuk memodelkan trafik jaringan, pada Tugas Akhir

ini dilakukan dua cara, yang pertama adalah

membandingkan probability density function yang

didapat dari hasil simulasi dengan probability density

function teoritis yang telah ditampilkan sebelumnya.

Probability density function yang didapat merupakan

hasil dari ethernet load pada satu node dalam satu

subnet dari skenario simulasi.

Dan langkah yang kedua adalah, pada simulasi ini

dibuat banyak skenario, yang beberapa diantaranya

mensimulasikan jaringan apabila distribusi pada

parameter atribut profil-nya di-set menjadi Pareto

semua, Lognormal semua, Uniform semua, Poisson

semua, dan sebagainya. Hasil dari skenario ini

kemudian dibandingkan dengan skenario pertama.

Untuk langkah kedua ini ethernet load-nya bisa

langsung dibandingkan, tanpa harus merubahnya

menjadi probability density function dulu.

Gambar 7. hasil simulasi

Gambar kiri atas adalah model trafik aplikasi FTP,

kanan atas adalah untuk aplikasi HTTP, gambar kiri

bawah adalah model untuk aplikasi remote login atau

telnet, dan gambar terakhir untuk aplikasi database.

Keseluruhan gambar tersebut tidak memiliki

karakteristik yang mirip dengan probability density

function dari distribusi-distribusi yang dijadikan

dasar teori.

Untuk langkah kedua, hasil yang didapat tidak jauh

berbeda, karena setelah dibandingkan, keseluruhan

node memperlihatkan bahwa model trafik jaringan

tidak sama dengan model distribusi yang ada.

Gambar 8. Self-similarity



5. KESIMPULAN

1. Model trafik yang dihasilkan dari simulasi tidak

ada yang sesuai dengan model-model distribusi

yang telah ada. PDF yang didapat dari simulasi

sangat spesifik, perubahan yang terjadi pada satu

aplikasi, mempengaruhi aplikasi lain. Dan setiap

aplikasi memiliki karakteristik masing-masing.

2. Kinerja jaringan yang dilakukan telah optimal,

pada parameter distribusi, untuk remote login,

membutuhkan variance dan mean yang relatif lebih

kecil dibanding aplikasi lain.

3. Konsep self-similarity dapat terlihat dalam rentang

waktu 50 sec, 200 sec, dan 500 sec.

4. Dapat dibuktikan bahwa permodelan yang cocok

untuk jaringan yang ada saat ini merupakan Self-

similarity, karena mempertahankan burst untuk

seluruh selang waktu.

6 REFERENSI

[1] OPNET IT Guru Simulator, Attributes and

Parameter Description. Opnet Press.

http://www.opnet.com

[2] Will Leland, Murad Taqqu, Walter Willinger, and

Daniel Wilson, ``On the Self-Similar Nature of

Ethernet Traffic (Extended Version)'', IEEE/ACM

Transactions on Networking, Vol. 2, No. 1, pp. 1-15,

February 1994.

[3] Mark E. Crovella and Azer Bestavros, “Self-

Similarity in World Wide Web Traffic: Evidence and

Possible Causes”, IEEE/ACM Transactions on

Networking, 5(6):835-846, December 1997.

[4] B. B. Mandelbrot. The Fractal Geometry of

Nature, W. H. Freeman, New York, 1982.

[5] Xiaojun, Hei. The Self-Similar Traffic Modeling

in the Internet. 2001

[6] Nawaporn Wisitpongphan, Jon M. Peha. Effect of

TCP on Self-Similarity of Network Traffic paper.

Carnegie Mellon University. Pittsburgh

[7] Philip Rehatta. Services in NGN: Provision and

Opportunity Presentation. Jakarta. 2004. PT. Telkom

[8] Wastuwibowo K (2003). Pengantar MPLS.

IlmuKomputer: http://ilmukomputer.com

[9] www.wikipedia.com

analisis dan simulasi model trafik next generation network

Documents