多缩放机制下半鞅反射布朗运动的渐近乘积形式稳态分布
《Stochastic Processes and their Applications》:Asymptotic Product-form Steady-state Distribution for Semimartingale Reflecting Brownian Motion in Multi-scaling Regime
【字体:
大
中
小
】
时间:2026年09月28日
来源:Stochastic Processes and their Applications 1.2
编辑推荐:
**摘要**
受 Dai 等人 [1] 启发,我们为半鞅反射布朗运动 (SRBM) 引入了一种新的多尺度渐近制度。在该制度下,我们建立了具有 $\mathcal{M}$-反射矩阵的 SRBM 的稳态收敛性,其收敛于具有指数分布分量的乘积型极限分布。我们的证明方法源于 Harr
**摘要**
受 Dai 等人 [1] 启发,我们为半鞅反射布朗运动 (SRBM) 引入了一种新的多尺度渐近制度。在该制度下,我们建立了具有 $\mathcal{M}$-反射矩阵的 SRBM 的稳态收敛性,其收敛于具有指数分布分量的乘积型极限分布。我们的证明方法源于 Harrison 和 Williams [2] 为 SRBM 开发的基本伴随关系 (BAR)。除渐近理论外,我们评估了所得近似在 SRBM 平稳分布的均值和尾部行为上的数值精度,并展示了其相对于经典反对称基准的优势。此外,我们表明乘积型极限可以与最先进的仿真技术相结合,以进一步加速收敛。我们还探讨了如何将我们的方法扩展到具有 $\mathcal{P}$-反射矩阵的一般 SRBM,并识别出当前框架的主要瓶颈。
**引言**
作为一种简约模型,正交象限上的半鞅反射布朗运动 (SRBM) 被用于近似重交通下广泛随机网络的工作量过程,包括广义 Jackson 网络 [2], [3] 以及各种服务原则下的多类排队网络 [4], [5], [6], [7], [8]。特别地,SRBM 的稳态分布为复杂随机网络的长期性能提供了良好的近似;例如见 Gamarnik 和 Zeevi [9], Budhiraja 和 Lee [10], Katsuda [11], Zhang 和 Zwart [12]。然而,计算 SRBM 的平稳分布具有挑战性,除非是存在闭式解的特殊情况,包括二维 SRBM [13] 和满足反对称条件的 SRBM [14]。这一难度促使文献界开发数值和仿真方法来计算 SRBM 的平稳分布;见 Dai 和 Harrison [15], Shen 等人 [16], Blanchet 和 Chen [17], Blanchet 等人 [18] 及其参考文献。
在本文中,我们采取了一种替代方法,建立了 SRBM 平稳分布的渐近近似。我们使用的渐近制度称为多缩放制度,灵感来源于 Dai 等人 [1]。具体而言,我们考虑一个 d 维 SRBM 家族 $\{Z^{(r)}(t), t \geq 0\}$,以 $r \in (0, 1)$ 为索引,其数据为 $(\Gamma, \mu(r), R)$,分别是第 r 个 SRBM 的协方差矩阵、漂移向量和反射矩阵。我们记 $\delta(r) \equiv -R^{-1}\mu(r)$ 并假设 $\delta(r)_i = r_i$,对于 $i=1, \dots, d$。在构建具有 d 个站点的广义 Jackson 网络的布朗模型时,Harrison 和 Williams [2] 给出了 SRBM 数据 $(\Gamma, \mu(r), R)$ 的显式表达式,该表达式以排队网络原始要素表示。特别地,由他们第 3 节的方程 (8) 可知,$\delta(r)_i = 1 - \rho(r)_i > 0$,$i=1, \dots, d$,且 $\rho(r)_i$ 被解释为站点 i 的长期利用率。因此,$\delta(r)_i$ 是服务器 i 的空闲时间分数。基于这种解释,我们将量 $\delta(r)$ 称为第 r 个 SRBM 的流量松弛向量。由于 $\delta(r)_i \downarrow 0$ 当 $r \to 0$,随着利用率 $\rho(r)_i \uparrow 1$,站点 i 趋近重交通。因此,条件 (1.1) 是一个重交通条件。由于 $\delta(r)_i / \delta(r)_{i+1} \to \infty$ 对于 $i=1, \dots, d-1$,不同站点以分离的速率趋近重交通,即 Dai 等人 [1] 的多尺度重交通制度。多尺度制度自然地出现在不同资源在显著不同的拥塞水平下运行的随机网络中,如在半导体晶圆厂 [19]、无线通信网络 [20], [21] 和医院运营 [22], [23], [24], [25] 中所观察到的。
在这个多缩放制度 (1.1) 下,我们证明,对于具有 $\mathcal{M}$-反射矩阵的 SRBM,缩放后的 SRBM 的平稳分布收敛于独立指数随机变量的乘积形式:
$(\delta(r)_1 Z^{(r)}_1(\infty), \delta(r)_2 Z^{(r)}_2(\infty), \dots, \delta(r)_d Z^{(r)}_d(\infty)) \Rightarrow (Z^*_1, \dots, Z^*_d)$,当 $r \to 0$ 时。
此外,每个 $Z^*_k$ 的均值在 $\Gamma$ 和 $R$ 的项中具有显式闭式表达式;见公式 (2.3)。我们证明技术的核心是 Harrison 和 Williams [2] 引入的基本伴随关系 (BAR),它通过带有斜导边界条件的伴随偏微分方程来刻画 SRBM 的平稳分布。BAR 此前已被用于数值方法 [15], [16]。在这里,我们利用精心设计的测试函数,结合归纳一致矩界论证,通过 BAR 获得矩母函数的收敛性。
除理论渐近结果外,我们还在一系列 SRBM 实例上评估了所提出的多尺度近似的经验精度。我们的第一组数值实验表明,即使缩放参数 r 中等偏小,多尺度近似也能提供合理的稳态均值估计。然后我们进一步检查了其对平稳分布尾部的近似质量,这通常是难以估计但在通信网络 [26], [27], [28] 等应用中至关重要的。值得注意的是,多尺度近似即使对于高于 99% 的百分位数也能提供高度准确的估计。在均值和尾部评估中,它始终优于经典的反对称基准 [2]。除直接近似外,我们还表明,多尺度近似由于其显式和易于采样的特性,可以作为多层次蒙特卡洛方法 [18] 等仿真算法的低成本且有效的热启动,大大加速其收敛,特别是对于负载最重的组件。
我们还探讨了将乘积型极限扩展到具有更一般 $\mathcal{P}$-反射矩阵的 SRBM 的潜力,后者通常出现在多类排队网络的扩散近似中。虽然我们的证明方法的大多数元素仍然适用,但主要挑战是验证一致矩界条件,即定理 2 中的条件 1。我们建立了两个特定子类(二维和下三角矩阵 $\mathcal{P}$)的该条件,而一般情况仍属开放,留待未来工作解决。另见 Dai 和 Huo [29] 关于采用静态缓冲优先级 (SBP) 服务规则的多类排队网络。
本文其余部分组织如下。在第 2 节中,我们给出了模型设置和关于 $\mathcal{M}$-反射矩阵的主要结果。在第 3 节中,我们通过二维与 Foddy 精确解的比较、三维与反对称近似的分布比较,以及三维 MLMC 热启动演示,阐述了渐近结果及其实用性。在第 4 节中,我们提供了完整证明。在第 5 节中,我们在一致矩界条件下将结果扩展到一般的 $\mathcal{P}$-反射矩阵。在第 6 节中,我们通过对二维和下三角 $\mathcal{P}$-矩阵验证一致矩界条件来证明这一扩展。
**章节片段**
**模型设置与假设**
在本节中,我们呈现半鞅反射布朗运动 (SRBM) 在 d 维正交象限 $\mathbb{R}^d_+ \equiv \{x \in \mathbb{R}^d: x \geq 0\}$ 上的定义,其中 d 是正整数。设 $\mu$ 为 d 维向量,$\Gamma$ 为 $d \times d$ 对称且正定矩阵,$R$ 为 $d \times d$ 矩阵。与 $(\mu, \Gamma, R)$ 相关联的 SRBM 是一个连续 $\mathbb{F}$-适应的 d 维过程 $Z = \{Z(t), t \geq 0\}$,连同定义在某些滤子概率空间 $(\Omega, \mathbb{F}, \mathbb{F}, \mathbb{P}_x)$ 上的一组概率测度 $\{\mathbb{P}_x: x \in \mathbb{R}^d_+\}$,如果它
**数值实验**
本节从两个视角评估多缩放近似:近似精度和仿真加速。第 3.1 节将二维 SRBM 中的均值精度与反对称近似进行了比较,其中 Foddy [13] 提供了精确的稳态均值。第 3.2 节报告了 SRBM 平稳分布的近似精度,特别是尾部行为。第 3.3 节然后将多缩放乘积型近似用作
**定理 1 的证明**
我们的证明方法源于 Harrison 和 Williams [2] 首次提出的基本伴随关系 (BAR)。该框架允许我们直接刻画 SRBM 的平稳分布,从而消除了分析其瞬态动力学的需要。具体而言,我们能够利用 BAR 和适当设计的测试函数来建立所需的结果。
在第 4.1 节中,我们简要概述了 SRBM 的 BAR。在第 4.2 节中,我们呈现了
**扩展到 $\mathcal{P}$-矩阵**
定理 1 建立了具有 $\mathcal{M}$-反射矩阵的 SRBM 的乘积型收敛性。在本节中,我们将这一结果扩展到更广泛的 $\mathcal{P}$-反射矩阵类。回顾一下,$\mathcal{P}$-矩阵类严格包含 $\mathcal{M}$-矩阵类,并自然地出现在多类排队网络的扩散近似中;例如见 Harrison 和 Nguyen [5], Bramson [6]。
对于 $\mathcal{M}$-矩阵,SRBM 的正常返性和收敛所需的一致矩界
**定理 2 和推论的证明**
在本节中,我们证明定理 2 并验证推论 1 和 2 中子类满足条件 1。
**作者**
金光 | 陈心韵 | J.G. Dai | Peter W. Glynn