netem/README.distribution

   1 Notes about distribution tables from Nistnet
   2 -------------------------------------------------------------------------------
   3 I. About the distribution tables
   4
   5 The table used for "synthesizing" the distribution is essentially a scaled,
   6 translated, inverse to the cumulative distribution function.
   7
   8 Here's how to think about it: Let F() be the cumulative distribution
   9 function for a probability distribution X.  We'll assume we've scaled
  10 things so that X has mean 0 and standard deviation 1, though that's not
  11 so important here.  Then:
  12
  13         F(x) = P(X <= x) = \int_{-inf}^x f
  14
  15 where f is the probability density function.
  16
  17 F is monotonically increasing, so has an inverse function G, with range
  18 0 to 1.  Here, G(t) = the x such that P(X <= x) = t.  (In general, G may
  19 have singularities if X has point masses, i.e., points x such that
  20 P(X = x) > 0.)
  21
  22 Now we create a tabular representation of G as follows:  Choose some table
  23 size N, and for the ith entry, put in G(i/N).  Let's call this table T.
  24
  25 The claim now is, I can create a (discrete) random variable Y whose
  26 distribution has the same approximate "shape" as X, simply by letting
  27 Y = T(U), where U is a discrete uniform random variable with range 1 to N.
  28 To see this, it's enough to show that Y's cumulative distribution function,
  29 (let's call it H), is a discrete approximation to F.  But
  30
  31         H(x) = P(Y <= x)
  32              = (# of entries in T <= x) / N   -- as Y chosen uniformly from T
  33              = i/N, where i is the largest integer such that G(i/N) <= x
  34              = i/N, where i is the largest integer such that i/N <= F(x)
  35                         -- since G and F are inverse functions (and F is
  36                            increasing)
  37              = floor(N*F(x))/N
  38
  39 as desired.
  40
  41 II. How to create distribution tables (in theory)
  42
  43 How can we create this table in practice? In some cases, F may have a
  44 simple expression which allows evaluating its inverse directly.  The
  45 pareto distribution is one example of this.  In other cases, and
  46 especially for matching an experimentally observed distribution, it's
  47 easiest simply to create a table for F and "invert" it.  Here, we give
  48 a concrete example, namely how the new "experimental" distribution was
  49 created.
  50
  51 1. Collect enough data points to characterize the distribution.  Here, I
  52 collected 25,000 "ping" roundtrip times to a "distant" point (time.nist.gov).
  53 That's far more data than is really necessary, but it was fairly painless to
  54 collect it, so...
  55
  56 2. Normalize the data so that it has mean 0 and standard deviation 1.
  57
  58 3. Determine the cumulative distribution.  The code I wrote creates a table
  59 covering the range -10 to +10, with granularity .00005.  Obviously, this
  60 is absurdly over-precise, but since it's a one-time only computation, I
  61 figured it hardly mattered.
  62
  63 4. Invert the table: for each table entry F(x) = y, make the y*TABLESIZE
  64 (here, 4096) entry be x*TABLEFACTOR (here, 8192).  This creates a table
  65 for the ("normalized") inverse of size TABLESIZE, covering its domain 0
  66 to 1 with granularity 1/TABLESIZE.  Note that even with the granularity
  67 used in creating the table for F, it's possible not all the entries in
  68 the table for G will be filled in.  So, make a pass through the
  69 inverse's table, filling in any missing entries by linear interpolation.
  70
  71 III. How to create distribution tables (in practice)
  72
  73 If you want to do all this yourself, I've provided several tools to help:
  74
  75 1. maketable does the steps 2-4 above, and then generates the appropriate
  76 header file.  So if you have your own time distribution, you can generate
  77 the header simply by:
  78
  79         maketable < time.values > header.h
  80
  81 2. As explained in the other README file, the somewhat sleazy way I have
  82 of generating correlated values needs correction.  You can generate your
  83 own correction tables by compiling makesigtable and makemutable with
  84 your header file.  Check the Makefile to see how this is done.
  85
  86 3. Warning: maketable, makesigtable and especially makemutable do
  87 enormous amounts of floating point arithmetic.  Don't try running
  88 these on an old 486.  (NIST Net itself will run fine on such a
  89 system, since in operation, it just needs to do a few simple integral
  90 calculations.  But getting there takes some work.)
  91
  92 4. The tables produced are all normalized for mean 0 and standard
  93 deviation 1.  How do you know what values to use for real?  Here, I've
  94 provided a simple "stats" utility.  Give it a series of floating point
  95 values, and it will return their mean (mu), standard deviation (sigma),
  96 and correlation coefficient (rho).  You can then plug these values
  97 directly into NIST Net.