ANALISIS DAN SIMULASI MODEL TRAFIK NEXT GENERATION NETWORK

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:

•

• • • • • •

2.

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 futuretech

TEORI NGN DAN PROBABILITAS

2.1 NGN Definisi Next Generation Network berdasarkan ITUT: 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 transportrelated. 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

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia 3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung

472

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 a.

Teori Probabilitas 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.

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 interarrival paket dan panjang burst. Proses self-similar menunjukkan fenomena long-range dependency.

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 Gambar 1. Distribusi heavy-tailed

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.

3.

SIMULASI JARINGAN

Simulator yang digunakan adalah OPNET IT Guru Academic Version 9.1 project : dhata scenario : final_version skala jaringan : dunia.


473

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.


474

langsung dibandingkan, tanpa harus merubahnya menjadi probability density function dulu.

Gambar 4. respon time Delay 6

delay (msec)

5

ethernet delay

4 3

paket end to end delay VoIP

2

WLAN delay

1 0 4 user

10 user

20 user

Gambar 7. hasil simulasi

Gambar 5. delay Data Loss

paket

600 500

TS FTP

400

TR FTP TS HTTP

300

TR HTTP

200

TS TELNET

100

TR TELNET

0 4 user

10 user

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.

20 user

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

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


475

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 Selfsimilarity, 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, “SelfSimilarity 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


476

ANALISIS DAN SIMULASI MODEL TRAFIK NEXT GENERATION NETWORK

Recommend Documents