The stochastic network calculus (SNC) holds promise as a framework to calculate probabilistic performance bounds in networks of queues. A great challenge to accurate bounds and efficient calculations are stochastic dependencies between flows due to resource sharing inside the network. However, by carefully utilizing the basic SNC concepts in the network analysis the necessity of taking these dependencies into account can be minimized. To that end, we fully unleash the power of the pay multiplexing only once principle (PMOO, known from the deterministic network calculus) in the SNC analysis. We choose an analytic combinatorics presentation of the results in order to ease complex calculations. In tree-reducible networks, a subclass of a general feedforward networks, we obtain a perfect analysis in terms of avoiding the need to take internal flow dependencies into account. In a comprehensive numerical evaluation, we demonstrate how this unleashed PMOO analysis can reduce the known gap between simulations and SNC calculations significantly, and how it favourably compares to state-of-the art SNC calculations in terms of accuracy and computational effort. Driven by these promising results, we also consider general feedforward networks, when some flow dependencies have to be taken into account. To that end, the unleashed PMOO analysis is extended to the partially dependent case and a case study of a canonical example topology, known as the diamond network, is provided, again displaying favourable results over the state of the art.

中文翻译：

---

在随机网络演算中完全释放仅支付一次复用的权力

随机网络演算（SNC）有望作为一种计算队列网络中的概率性能范围的框架。由于网络内部的资源共享，流之间的随机依赖性是对精确范围和有效计算的巨大挑战。但是，通过在网络分析中仔细利用基本SNC概念，可以将考虑这些依赖性的必要性降至最低。为此，我们在SNC分析中充分释放了一次付费复用的能力（PMOO，从确定性网络演算中得知）。我们选择结果的解析组合表示法，以简化复杂的计算。在可树化的网络中，这是常规前馈网络的子类，在避免考虑内部流依赖性的方面，我们获得了完美的分析。在全面的数值评估中，我们证明了这种释放出来的PMOO分析如何能够显着减小模拟与SNC计算之间的已知差距，以及在准确度和计算量方面，它如何与先进的SNC计算相媲美。在这些有希望的结果的推动下，当必须考虑某些流量相关性时，我们还考虑了通用前馈网络。为此，将释放的PMOO分析扩展到部分依赖的案例，并提供了一个典型示例拓扑（称为菱形网络）的案例研究，再次显示了优于现有技术的结果。我们将展示这种释放的PMOO分析如何能够显着减小模拟与SNC计算之间的已知差距，以及在准确度和计算量方面，它如何与最新的SNC计算相媲美。在这些有希望的结果的推动下，当必须考虑某些流量相关性时，我们还考虑了通用前馈网络。为此，将释放的PMOO分析扩展到部分依赖的案例，并提供了一个典型示例拓扑（称为菱形网络）的案例研究，再次显示了优于现有技术的结果。我们将展示这种释放的PMOO分析如何能够显着减小模拟与SNC计算之间的已知差距，以及在准确度和计算量方面，它如何与最新的SNC计算相媲美。在这些有希望的结果的推动下，当必须考虑某些流量相关性时，我们还考虑了通用前馈网络。为此，将释放的PMOO分析扩展到部分依赖的案例，并提供了一个典型示例拓扑（称为菱形网络）的案例研究，再次显示了优于现有技术的结果。在这些有希望的结果的推动下，当必须考虑某些流量相关性时，我们还考虑了通用前馈网络。为此，将释放的PMOO分析扩展到部分依赖的案例，并提供了一个典型示例拓扑（称为菱形网络）的案例研究，再次显示了优于现有技术的结果。在这些有希望的结果的推动下，当必须考虑某些流量相关性时，我们还考虑了通用前馈网络。为此，将释放的PMOO分析扩展到部分依赖的案例，并提供了一个典型示例拓扑（称为菱形网络）的案例研究，再次显示了优于现有技术的结果。