到达过程与模型假设

5 分钟 #排队论 #基础理论

本页目录

平均每秒 100 个请求可以是均匀到达，也可以是整秒同时涌入。排队需要知道平均流量之外的时间结构；Poisson 是可分析的基准模型，而不是“请求很多”自动得到的结论。

Poisson 到达究竟假设了什么

齐次 Poisson 过程具有独立增量和不随时间变化的强度 $λ$ 。长度为 $Δ$ 的区间内，到达数满足：

$P {A (Δ) = n} = e^{- λ Δ} \frac{( λ Δ ) ^{n}}{n !}, E [A (Δ)] = Var (A (Δ)) = λ Δ.$

相邻到达间隔 $I$ 独立同分布于指数分布， $P (I > t) = e^{- λ t}$ 、 $E [I] = 1/ λ$ 。例如 $λ = 2$ /s，1 s 内零到达概率约 13.5%；平均间隔 0.5 s，并非每 0.5 s 必然到达一次。

指数分布的无记忆性是：

$P (I > s + t ∣ I > s) = e^{- λ t} .$

已经等了一段时间，不会使下一次到达在模型中“更接近”。确定性间隔则相反：知道已经过去多久，会改变剩余时间。

正在呈现知识画面

到达过程与模型假设 · 实验

齐次Poisson到达的解析分布，无队列仿真。上图只显示有限个计数值，省略极小右尾；下图为相邻到达间隔的生存概率。

固定 $λ$ 增大计数窗口：计数均值和方差同时增加，相邻到达间隔的曲线却不变。注意计数是离散量，间隔是连续量；两种图不能交换坐标解释。

$C_{a}^{2} = \frac{Var ( I )}{E [ I ] ^{2}}, C_{s}^{2} = \frac{Var ( S )}{E [ S ] ^{2}} .$

固定间隔的 $C_{a}^{2} = 0$ ，指数间隔为 1；大于 1 表示相对于均值有更强离散性。但这些只描述边际分布，无法完整表达自相关、周期同步或连续突发。两个序列即使均值和方差相同，也能因长间隔与短间隔的排列不同产生不同等待。

日志分析应同时看：分时间段到达率、多个尺度的计数方差、间隔分布和相关性。定时批任务、流量日周期、缓存失效和同步重试都可能破坏齐次或独立假设。多个独立稀疏来源的叠加有时接近 Poisson，但共享触发器会破坏这种理由。

$A / S / c / K$ 依次表示到达间隔类型、服务时间类型、服务台数和系统总容量。 $M$ 表示无记忆的指数间隔/服务， $D$ 为确定性， $G$ 为一般分布； $G I$ 强调独立同分布的一般间隔。省略 $K$ 时，本系列取无限容量，并另行写出 FCFS、无放弃等条件。

PASTA 指外生 Poisson 到达在到达前看到的状态分布等于时间平稳分布，要求到达不预知未来系统演化等适当条件。它使“服务台忙碌时间占比”可以转为“到达需要等待的概率”。一般到达过程没有这个保证，也不保证请求之间的等待独立。

参考思路

不是。它有同步批次和确定的周期，短窗口计数与所在相位相关。长期均值相同不足以确定到达过程；应使用批量或周期到达模型，或直接重放时间戳。

参考思路

不能。两个矩不足以确定分布，也不包含序列相关性。还需检查经验分布、分段速率与相关结构；有限样本拟合只能提供证据，不能证明真实过程严格满足模型。

CMU 的建模与分布教学路线强调把实际系统翻译为合适的模型；MIT 排队模型讲义可用于核对记法。后续计算始终保留这些假设标签。