میانگین متحرک

میانگین حرکت برای شناسایی روندها و تغییرات در داده ها

انواع اضافی میانگین های متحرک

به طور سنتی ، میانگین های متحرک مورد استفاده برای صاف کردن داده ها ، میانگین های حرکت را همانطور که در بالا توضیح داده شد ، دنبال می کنند. این موارد به ویژه در صورت استفاده از میانگین های متحرک برای پیش بینی پدیده های آینده مانند تغییر قیمت سهام استفاده می شود. با این حال ، بسیاری از کاربردهای دیگر میانگین های متحرک وجود دارد که نیازی به محاسبه آنها در زمان واقعی ندارند. در عوض ، میانگین های متحرک می توانند به صورت گذشته نگر با استفاده از داده هایی که ضبط شده و سپس ذخیره شده اند ، حتی برای یک دوره کوتاه محاسبه شوند. به عنوان مثال ، ممکن است یک بانک اطلاعاتی متشکل از داده های رایانه ای ضبط شده متوالی و ذخیره شده باشد و برای آن کسی می خواست میانگین حرکت 10 نمونه ای را محاسبه کند. علاوه بر محاسبه میانگین های متحرک 10 نمونه ای ، می توان میانگین حرکت مرکزی 10 نمونه ای (CMA) را محاسبه کرد. برای اولی ، یکی از 10 نقطه داده قبلی برای محاسبه میانگین استفاده می کند. برای دومی ، یکی از پنج نقطه قبل و پنج نقطه داده موفق برای محاسبه میانگین استفاده می کند. به عنوان مثال ، برای موقعیت شماره 11 در سری داده ها ، میانگین حرکت 10 نمونه ای از میانگین حسابی از نقطه داده یک از طریق داده 10 است. برای موقعیت شماره 11 در همان سری ، CMA 10 نمونه ای خواهد بودمیانگین حسابی نقطه داده 6 از طریق نقطه داده 10 به علاوه نقطه داده 12 از طریق نقطه داده 16. مزیت CMA این است که با استفاده از نقاط داده قبلی و متعاقب آن ، با دقت بیشتری نشان دهنده موقعیت واقعی میانگین متحرک در سری استاز داده ها ، به جای موقعیت فقط نقاط داده که پیش از آن بودند.

همچنین ممکن است که معیارهای دیگر از میانگین حسابی برای شناسایی دقیق خوشه های معنی دار در سری زمانی داده ها برتر باشند. روش پیشینی برای تعیین پارامتر هموار سازی بهینه یا بهترین اندازه نمونه برای استفاده برای محاسبه آن پارامتر وجود ندارد. بنابراین ، به این سؤالات باید به صورت تجربی پاسخ داده شود ، و بخش زیر از این فصل شواهدی را که برای این منظور جمع آوری شده است ، شرح می دهد.

بیشتر بخوانید در پایین حرکت کنید URL: https://www.scienceirect.com/science/article/pii/b9780128045138000031

سازگاری های دیگر

Vineeth N. Balasubramanian ،. Sethuraman Panchanathan ، در پیش بینی کنفرانس برای یادگیری ماشین قابل اعتماد ، 2014

میانگین متحرک خودکار (ARMA)

در مدل میانگین متحرک (ARMA) در حال حرکت [270] ، مشاهده فعلی به عنوان ترکیبی خطی از مشاهدات گذشته و همچنین به عنوان ترکیبی خطی از مجموعه ای از متغیرهای تصادفی معمولی توزیع شده مدل می شود. یک فرآیند ARMAبه عنوان ... تعریف شده است:

(9. 11) x t = ϕ 1 x t - 1 + ϕ 2 x t - 2 +… + ϕ p x t - p + w t + θ 1 w t - 1 +… + θ q w t - q ، q ،

جایی که ϕ p ≠ 0 ، θ ≠ 0 و∼ Wn (0 ، σ 2) که در آن Wn سر و صدای سفید است (یعنی توزیع عادی با میانگین 0 و واریانس σ 2). یک فرآیند ARMA توسط دو پارامتر P و Q تعریف شده است ، جایی که P ترتیب وابستگی بین داده های فعلی و گذشته را تعریف می کند و Q وابستگی بین مشاهده فعلی و مجموعه ای از متغیرهای توزیع شده را تعریف می کند. برای پیش بینی ، پارامترهای θ ، ϕ و σ 2 در هر مرحله زمانی به روز می شوند و X T با استفاده از یک الگوریتم بازگشتی محاسبه می شود (برای جزئیات بیشتر به [270] مراجعه کنید).

بیشتر بخوانید در پایین حرکت کنید URL: https://www.scienceirect.com/science/article/pii/b9780123985378000092

پیش بینی عملکرد محصول و آلودگی به آفات آفات

Pramit Pandit ،. Bishvajit Bakshi ، در AI ، Edge و IoT Smart Agriculture ، 2022

2. 1. 2. 1 مدل های ARIMA

در یک مدل میانگین متحرک (ARMA) در حال حرکت ، مقدار آینده یک متغیر فرض می شود که یک تابع خطی از چندین مشاهده گذشته و خطاهای تصادفی باشد. یعنی فرآیند اساسی که سری زمانی را تولید می کند ، فرم دارد:

y t = ∑ i = 1 p ϕ i y t - i + ɛ t - ∑ j = 1 q θ j ɛ t - j

جایی که_حرفو_حرفبه ترتیب مشاهده واقعی و خطای تصادفی در دوره زمانی t هستند. ϕ_من(i = 1،2 ،… ، p) و θ_j(j = 1،2 ،… ، q) پارامترهای مدل هستند. P و Q ، عدد صحیح ، به عنوان ترتیب مدل گفته می شود. خطاهای تصادفی_tفرض می شود که I. I. D. با میانگین صفر و واریانس ثابت σ 2.

به غیر از خطی بودن ، محدودیت اصلی مدل ARMA این است که فرض می کند سری زمانی ، که مورد تجزیه و تحلیل قرار می گیرد ، ثابت است. اگر یک سری (میانگین) غیر ایستگاه پیدا شود ، متفاوت بودن این سریال برای دستیابی به ثابت بودن به طور متوسط انجام می شود. در نتیجه ، مدل Arima وارد تصویر می شود. به دلیل سادگی نسبی آن در درک و اجرای ، این تمرکز اصلی تحقیق و ابزار کاربردی طی چند دهه گذشته بوده است. یک مدل ARIMA که نمایانگر رفتار غیر ایستگاه همگن است می تواند به شرح زیر نوشته شود:

1 - ∑ i = 1 p ϕ i b i 1 - b d y t = 1 - ∑ j = 1 q θ j b j ɛ t

جایی که B اپراتور پشتی است که توسط آن تعریف شده است_حرف= y_{t - 1}و D نشان دهنده ترتیب متفاوت است.

روش Box-Jenkins (به عنوان مثال ، روش ARIMA) شامل سه مرحله تکراری است: شناسایی مدل ، تخمین پارامتر و بررسی تشخیصی. در مرحله شناسایی ، بر اساس همبستگی و الگوهای همبستگی جزئی ، یک یا چند مدل بالقوه برای سری زمانی معین مشخص می شود. پس از مشخص شدن یک مدل آزمایشی ، پارامترهای مدل تخمین زده می شود و یک آزمایش سر و صدای سفید برای باقیمانده های مدل آزمایشی مشخص شده انجام می شود. اگر باقیمانده ها سر و صدای سفید نباشند ، دوباره یک مدل نامزد انتخاب می شود و همان روش تکرار می شود تا اینکه یک مدل معتبر یافت شود.

بیشتر بخوانید در پایین حرکت کنید URL: https://www.scienceirect.com/science/article/pii/b9780128236949000219

مقدمه ای ملایم برای شبیه سازی مالی

8. 4. 5 شبیه سازی مدل های ARMA

برای شبیه سازی یک فرآیند متوسط در حال حرکت ، می توان روش مهندسی معکوس معرفی شده در بخش 8. 3 را دنبال کرد: ابتدا بیت های پر سر و صدا مستقل را تولید کنید ، سپس آنها را مطابق مشخصات مدل اصلاح کنید و آنها را با تمام ساختارهای وابستگی از مدل ترکیب کنید.

تولید N. I. I. D. باقیماندهt = 1 - q t با انحراف استاندارد σ e.

برای به دست آوردن بازده ، رانش ، باقیمانده های فعلی ، باقیمانده های تاخیر وزن و بازده وزنی را اضافه کنید.

با افزودن بازده (که به طور تعریف ، تفاوت قیمت های ورود به سیستم است) سری Retu را به یک سری قیمت تبدیل کنید و نمادها را بگیرید.

برای اجرای MATLAB ، باید در نظر داشته باشید که فقط شاخص های مثبت مجاز است. همچنین ، از آنجا که فرآیند AR وجود بازده های قبلی را به عهده می گیرد ، در صورت لزوم با مقادیر مورد انتظار بی قید و شرط ، اولیه سازی سیستم ، در صورت لزوم غیر معمول نیست و باقیمانده و سری زمانی طولانی تر از آنچه لازم است تولید می کند. ایده این است که سیستم بتواند در آن سوزانده شود اما فقط از آخرین مشاهدات T استفاده می کند.

آزمایش با پارامترهای مختلف برای ϕ و θ ℓ می تواند به احساس رفتار فرآیندهای آرما کمک کند. تلاش برای ارزشهای نسبتاً افراطی می تواند ویژگی ها را تأکید کند. شکل 8. 5 بازده و قیمت های مربوطه را برای شبیه سازی در مواردی که e t ∼ N (0 ، 0. 01 2) و μ = 0 ، اما مقادیر مختلف برای 1 و θ 1 را فراهم می کند. توجه داشته باشید که بذر برای هر موقعیت ثابت بود ، بنابراین همه انواع از همان سری E T S استفاده می کنند:

نمودار در مرکز نشان دهنده یک پیاده روی تصادفی وانیلی ساده با حرکت (هندسی) براونین از 1 = θ 1 = 0 است. ستون مرکزی همه مدل های MA هستند ، در حالی که ردیف مرکز حاوی مدل های AR است. 1 ϕ منفی بزرگ (ستون های سمت چپ) همبستگی منفی را در بازده افزایش می دهد و بازده و قیمت ها نوسان می کند. 1 ϕ مثبت (راست ترین ستون) روند قیمت را صاف می کند. θ اثرات مشابهی دارد: مقادیر منفی نوسان را ترغیب می کنند ، در حالی که مقادیر مثبت روند و رفتار صاف تری ایجاد می کنند. هنگامی که θ 1 دارای علامت مشابه 1 پوند است ، این اثرات افزایش می یابد. علائم مخالف اثرات را کاهش می دهد. با این حال ، توجه داشته باشید که ϕ تأثیر بسیار قوی تری دارد. همچنین ، توجه داشته باشید که چگونه خوشه بندی نوسانات می تواند ظهور کند ، به ویژه ، هنگامی که هر دو پارامتر دارای علائم مساوی هستند: هنگامی که منفی (بالا سمت چپ) ، به نظر می رسد میزان بازده (مطلق) به نظر می رسد و به آرامی کاهش می یابد. به همین ترتیب ، هنگامی که هر دو پارامتر مثبت هستند (پایین سمت راست) ، بازده ها به تدریج از میانگین دور می شوند (یعنی شدیدتر می شوند) و فقط به آرامی به سمت مقادیر میانگین حرکت می کنند (همچنین ، مقیاس های مختلفی از y-axis را برای برخی از قیمت ها یادداشت کنید). در مورد قبلی ، علائم بازده بیش از حد تغییر می کند ، در حالی که در حالت دوم ، تغییرات علائم بسیار کمتر از مورد GBM (مرکز) است.

مقادیر انتخاب شده برای 1 و θ 1 برای سری های زمانی در دنیای واقعی مانند بازده سهام ، به ویژه موارد منفی غیر معمول هستند. با این حال ، آنها اثرات حاصل را به خوبی نشان می دهند. مقادیر بزرگ برای 1 پوند و/یا θ 1 باعث ایجاد همبستگی بالایی می شود ، به این معنی که بازده های آینده با آنچه که قبلاً در بازار دیده می شود به شدت تعیین می شود و سود و ضرر را پیش بینی می کند. و این به وضوح چیزی نیست که فرد در بازارهای کارآمد مشاهده می کند. با این وجود ، پارامترهای قابل توجهی ARMA اغلب در داده های تجربی ، به ویژه در نرخ بهره یافت می شود. برای شبیه سازی مونت کارلو که برای قیمت گذاری یا تست استرس استفاده می شود ، رویکرد معمول می تواند یک کالیبراسیون داده محور باشد ، که در آن پارامترها به سری زمانی تاریخی موجود و سپس (به طور بالقوه با انواع) برای شبیه سازی ها مجهز هستند.

بیشتر بخوانید در پایین حرکت کنید URL: https://www.sciencedirect.com/science/article/pii/b9780128150658000194

صف بسته بندی و برنامه ریزی

Deep Medhi ، Karthik Ramasamy ، در مسیریابی شبکه (چاپ دوم) ، 2018

17. 4 تشخیص زودرس تصادفی (قرمز)

ایده اصلی در مورد Red [277] تشخیص زودرس احتقان اولیه و انتقال اعلان احتقان به میزبان های نهایی است و به آنها امکان می دهد قبل از صف های سرریز شبکه ، نرخ انتقال خود را کاهش دهند و بسته ها از بین بروند. یک روتر که قرمز به طور مداوم بر طول صف را اجرا می کند. هنگامی که این فراتر از یک آستانه است ، به طور تصادفی بسته های ورودی را با احتمال خاصی رها می کند ، حتی اگر ممکن است فضایی برای بافر بسته وجود داشته باشد. رها کردن یک بسته به عنوان یک اعلان اولیه به منبع برای کاهش نرخ انتقال آن عمل می کند.

الگوریتم قرمز از رویکرد میانگین متحرک وزنی نمایی استفاده می کند (به پیوست B. 7 مراجعه کنید) برای محاسبه میانگین طول صف q AVG و تعیین زمان رها کردن بسته ها. میانگین طول صف با دو آستانه طول صف ، حداقل آستانه Q دقیقه و حداکثر آستانه مقایسه می شود و باعث ایجاد فعالیت خاصی می شود. هنگامی که یک بسته به صف می رسد ، الگوریتم قرمز میانگین طول صف فعلی Q AVG را با این دو آستانه ، Q Min و Q Max (شکل 17. 6) طبق قوانین زیر مقایسه می کند:

اگر میانگین طول صف q AVG کمتر از حداقل آستانه باشد ، q min ، هیچ قطره ای گرفته نمی شود و بسته به سادگی از بین می رود.

اگر میانگین صف صف q avg از حداقل آستانه ، Q دقیقه بیشتر باشد ، اما کمتر از حداکثر آستانه ، Q حداکثر ، نشان می دهد که برخی از احتقان شروع شده و بسته با احتمال P a کاهش می یابد.

اگر میانگین طول صف q avg از حداکثر آستانه ، Q حداکثر باشد ، نشان دهنده احتقان مداوم است و بسته برای جلوگیری از یک صف کامل کامل کاهش می یابد.

احتمال P A تابعی از میانگین طول صف q avg است و اغلب به عنوان احتمال افت آن گفته می شود. همانطور که در شکل 17. 7 نشان داده شده است ، احتمال افت صفر است که میانگین طول صف Q AVG کمتر یا مساوی با Q MIN باشد. هنگامی که Q AVG بین آستانه Q MIN و Q MAX باشد ، به صورت خطی افزایش می یابد. هنگامی که Q AVG برابر با Q Max است ، احتمال افت به P Max می رسد ، در این مرحله به وحدت می پرید. این نشان می دهد که رویکرد ملایم تر از بسته های احتمالی ، مؤثر نیست و باید اقدامات تهاجمی انجام شود ، یعنی رها کردن تمام بسته های ورودی.

با استفاده از میانگین وزنی ، قرمز از واکنش بیش از حد برای ترکیدن جلوگیری می کند و در عوض به روندهای بلند مدت واکنش نشان می دهد. میانگین طول صف ، مفهوم احتقان را با دقت بیشتری از طول صف فوری ضبط می کند. ماهیت پشت سر هم ترافیک اینترنت می تواند برای مدت زمان بسیار کوتاهی یک صف را پر کند ، که دوباره دوباره خالی می شود. بنابراین ، مناسب نیست که نتیجه بگیریم که روتر احتقان است. در نتیجه ، محاسبه طول صف متوسط از میانگین وزنی W در حال اجرا از W برای تشخیص احتقان مداوم با فیلتر تغییرات کوتاه مدت در طول صف استفاده می کند.

در حالی که قرمز در حال کار است ، قطعاً ممکن است که طول صف فوری بسیار طولانی تر از طول متوسط صف q باشد ، به خصوص در حضور ترافیک پشت سر هم. در چنین شرایطی ، هنگامی که یک بسته به روتر می رسد و اگر صف پر باشد ، آن را کاهش می دهد. وقتی این اتفاق بیفتد ، قرمز در حالت قطره دم کار می کند.

جنبه جالب قرمز این است که به دلیل ماهیت تصادفی ، احساس تخصیص منابع منصفانه در بین جریان ها را فراهم می کند. با این حال ، انصاف ممکن است به طور دقیق تضمین نشود. از آنجا که بسته های قرمز به طور تصادفی قطره می کند ، احتمال اینکه یک بسته از یک جریان خاص از بین برود تقریباً متناسب با سهم پهنای باند است که جریان در آن روتر دریافت می کند. از آنجا که جریان پهنای باند بالا تعداد زیادی از بسته ها را از طریق روتر ارسال می کند ، کاندیداهای بیشتری را برای افت تصادفی فراهم می کند ، بنابراین آنها را به تناسب مجازات می کند.

چهار پارامتر که حاکم بر عملکرد و رفتار قرمز - آستانه minimum q min ، حداکثر آستانه Q حداکثر ، احتمال افت P حداکثر و وزن α استفاده شده توسط میانگین وزنی نمایی است - مشخصات قطره قرمز را تنظیم کنید. تحقق عملکرد قرمز در یک روتر نیاز به اجرای دو الگوریتم دارد. الگوریتم اول میانگین طول صف را در هر ورود بسته محاسبه می کند در حالی که الگوریتم دوم احتمال افت را که تعیین کننده فرکانس بسته های کاهش یافته توسط روتر است ، با توجه به سطح احتقان محاسبه می کند. بخش های زیر این موارد را با جزئیات بررسی می کند.

17. 4. 1 محاسبات متوسط طول صف

میانگین طول صف ، Q AVG ، با استفاده از میانگین متحرک وزنی نمایی (مراجعه به پیوست B. 7) محاسبه می شود.

(17. 4. 1) q avg = (1 - W) × Q AVG + W × نمونه

جایی که 0 ⩽ W ⩽ 1. نمونه Q نشان دهنده طول واقعی صف در لحظه اندازه گیری است. در اکثر پیاده سازی های نرم افزاری ، نمونه Q هر بار که یک بسته به روتر می رسد اندازه گیری می شود. در سخت افزار ، به دلیل نیازهای پر سرعت ، در برخی از بازه های نمونه گیری ثابت محاسبه می شود.

نگاه به Eq.(17. 4. 1) از نزدیک نشان می دهد که اگر W کوچک باشد ، حتی اگر نمونه Q بزرگ باشد ، Q AVG فقط با مقدار کمی افزایش می یابد. در نتیجه ، Q AVG به آرامی افزایش می یابد و تعداد قابل توجهی از نمونه های نمونه Q برای افزایش قابل ملاحظه ای لازم است. این منجر به تشخیص احتقان طولانی مدت به جای احتقان کوتاه مدت می شود که می تواند بیاید و برود.

اگر W خیلی کوچک باشد ، پس از آن Q AVG خیلی آهسته به تغییرات در طول صف واقعی پاسخ می دهد و قادر به تشخیص مراحل اولیه احتقان نیست. از طرف دیگر ، اگر W خیلی بزرگ باشد ، میانگین طول صف ، احتقان کوتاه مدت را فیلتر نمی کند. بنابراین ، انتخاب یک مقدار مناسب برای W بستگی به Q MIN و میزان پشت سر هم مورد نظر دارد. با توجه به حداقل آستانه q دقیقه ، و سطح ترکیبی مورد نظر به عنوان بسته های L ، پس از آن باید W انتخاب شود تا معادله زیر را برآورده سازد [277]:

(17. 4. 2) L + 1 + (1 - W) (L + 1) - 1 Wاصطلاح سمت چپ نابرابری نشان دهنده میانگین طول صف پس از ورود بسته های L است ، با فرض اینکه صف در ابتدا با طول متوسط صف صفر خالی است و طول صف از بسته های 0 به L افزایش می یابد. نابرابری دلالت بر این دارد که اگر W به طور مناسب انتخاب شود ، روتر می تواند پشتی از بسته های L را بپذیرد و هنوز هم می تواند Q AVG را زیر حداقل آستانه Q MIN نگه دارد.

به یاد بیاورید که قرمز بسته ها را برای سیگنال احتقان به جریان TCP رها می کند. یک روتر را در نظر بگیرید ، یک بسته را از اتصال TCP رها کنید و بلافاصله بسته های بعدی را از همان اتصال ارسال کنید. وقتی این بسته ها به مقصد می رسند ، ACK های تکراری را به فرستنده می فرستد. هنگامی که فرستنده این ACK های تکراری را می بیند ، اندازه پنجره خود را کاهش می دهد. بنابراین ، زمان سپری شده بین روتر که یک بسته را از یک اتصال رها می کند و همان روتر با دیدن برخی از ترافیک کاهش یافته از اتصال آسیب دیده باید حداقل یک زمان سفر باشد. از نظر عملی ، بازگشت زیادی در پاسخ روتر به احتقان وجود ندارد

17. 4. 2 احتمال افت محاسبات

یک رویکرد ساده برای محاسبه احتمال قطره بسته از یک تابع خطی از میانگین طول صف استفاده می کند همانطور که در زیر آمده است:

(17. 4. 3) P A = P ‾ MAX (Q AVG - Q MIN) / (Q MAX - Q MIN).

در این روش ، با افزایش میانگین طول صف ، P A به طور متناسب افزایش می یابد و به حداکثر مقدار مجاز ، P ‾ حداکثر می رسد ، هنگامی که طول صف متوسط به حداکثر آستانه Q حداکثر می رسد. توجه داشته باشید که P ‾ Max یک مقدار قابل تنظیم در محدوده ، 0 ≤ P ‾ MAX ≤ 1 است. حتی اگر درک و اجرای آن ساده باشد ، استفاده از این رویکرد منجر به رها کردن بسته هایی می شود که به موقع به خوبی توزیع نمی شوند. درعوض ، احتمالاً بیش از یک بسته را در پشت سر هم بسته های نزدیک (خوشه) از یک منبع رها می کند. از آنجا که بسته های یک جریان تمایل به رسیدن به پشت سر هم دارند ، چنین رفتاری احتمالاً باعث افت چندین در یک جریان می شود. در حالی که یک قطره واحد در هر زمان سفر به اندازه کافی برای کاهش اندازه پنجره انتقال آن کافی خواهد بود ، رفتار مطلوب این است که بسیاری از جریان ها را تحت تأثیر قرار دهد تا آنها بتوانند میزان انتقال را کاهش دهند ، در نتیجه باعث کاهش احتقان یا کاهش احتمال احتقان می شوندبلافاصله. مستقیما.

برای اینکه چنین سناریوهایی کمتر باشد ، محاسبه احتمال قطره بسته ، تعداد بسته های صف شده از آخرین قطره را در نظر می گیرد و این بسته متناسب با اندازه آن در مقایسه با حداکثر اندازه بسته ، maxpacketsize مشخص شده است. این رویکرد پیشرفته از تنظیمات زیر برای محاسبه احتمال قطره p a استفاده می کند.

(17. 4. 4a) P B = P ‾ MAX (Q AVG - Q MIN) / (Q MAX - Q MIN) (17. 4. 4b) P B = P B × PacketSize / MaxPacketSize (17. 4. 4c) P A = P B / (1 - C O U N T × P B).

در Eq(17. 4. 4c) ، c o u n t تعداد بسته های صف شده را از آخرین قطره پیگیری می کند. همانطور که توسط Eq دلالت دارد.(17. 4. 4c) ، احتمال افزایش با افزایش C o u n t افزایش می یابد. این امر باعث می شود که با افزایش آخرین قطره ، یک افت به طور فزاینده ای داشته باشد. پس از بسته شدن یک بسته ، c o u n t دوباره به صفر می رسد. با این رویکرد ، قطره های بسته از فاصله نزدیک نسبت به قطره های گسترده به طور گسترده ای نسبتاً کمتر هستند.

قرمز را می توان به طور مؤثر در سخت افزار اجرا کرد و تنها تعداد کمی دستورالعمل افزودنی و تغییر در هر بسته وارد می شود. این اجرای شامل محاسبه کارآمد اندازه متوسط صف ، محاسبه احتمال قطره بسته و رسیدن به تصمیم گیری در مورد رها کردن یک بسته است.

ابتدا می توان طول صف متوسط را بر اساس معادله زیر محاسبه کرد. تنظیم مجدد ، Eq.(17. 4. 1) ، ما می گیریم

(17. 4. 5) q avg = q avg + w (نمونه q - q avg).

اگر W به عنوان یک قدرت منفی 2 ، یعنی w = 2 - n که در آن n قابل تنظیم است انتخاب شود. مزیت این است که این امر می تواند با چند عملیات شیفت و دو دستورالعمل اضافی اجرا شود.

17. 4. 3 تنظیم Q min و q max

تنظیم مقادیر Q Min و Q Max را در نظر بگیرید. این مقادیر تا حد زیادی با طول صف متوسط ، Q AVG تعیین می شوند. انتخاب مقادیر برای Q MIN تعیین می کند که چگونه از پیوند خروجی استفاده می شود. اگر ترافیک نسبتاً ترکیبی باشد ، مقادیر کوچکتر برای Q MIN منجر به ریزش بسته می شود و از این طریق لینک خروجی را کم مصرف می کند. در نتیجه ، Q MIN باید به اندازه کافی بزرگ انتخاب شود تا روتر بتواند پشت سر هم جذب کند و همچنین استفاده از پیوند را در سطح قابل قبول بالا نگه دارد.

آستانه Q حداکثر تأخیر تجربه شده توسط یک بسته را هنگام انتقال از طریق روتر تعیین می کند. یک مقدار بزرگ برای Q Max به این معنی است که بسته های بیشتری در صف پیش از بسته تازه وارد شده بافر می شوند و باید قبل از بسته تازه وارد شده منتقل شوند. این تأخیر قابل توجهی را معرفی می کند. بنابراین ، انتخاب مقادیر برای q حداکثر به حداکثر تاخیر متوسط که می تواند توسط روتر مجاز باشد بستگی دارد.

همچنین ، تفاوت بین دو آستانه q max - q min باید بزرگتر از افزایش معمولی در طول صف متوسط محاسبه شده در یک RTT باشد. با توجه به ترکیب ترافیک در اینترنت امروز ، یک قاعده مفید این است که Q MAX را حداقل دو بار Q دقیقه تنظیم کنید. در دوره های بار بالا ، از آنجا که انتظار می رود میانگین طول صف بین دو آستانه متفاوت باشد ، باید فضای بافر رایگان به اندازه کافی بالاتر از Q حداکثر وجود داشته باشد تا بدون مجبور کردن روتر برای ورود به حالت قطره دم ، پشت سر هم در ترافیک جذب شود.