Mô hình lỗi Markov hai trạng thái cải tiến được minh hoạ trên hình 5.3. Mô hình này có hai trạng thái là tốt – Good và xấu – Bad. Trong trạng thái Good, các gói tin
đi qua đường truyền vẫn có thể bị lỗi với một giá trị trung bình và theo một phân bố
nhất định, được chỉ rõ. Tương tự như vậy, trong trạng thái Bad, không phải 100% gói tin đi qua đường truyền đều bị lỗi.
Hình 5.3 Mô hình lỗi Markov hai trạng thái cải tiến
Các tham số của mô hình lỗi Markov hai trạng thái cải tiến có ý nghĩa như sau:
• λG và λB là tốc độ đến trung bình của gói số liệu bị lỗi khi đường truyền ở hai trạng thái tương ứng là Good và Bad, chúng có một phân bố nào đó, thí dụ phân bốđều hoặc phân bố hàm mũ.
• TG và TB là độ dài trung bình của các trạng thái tương ứng Good và Bad. TG và TB tương tự LG và LB trong mô hình lỗi Markov hai trạng thái, có đơn vị đo là gói tin (nên ≥1).
• PGB = 1/TG là xác suất chuyển từ trạng thái Good sang trạng thái Bad.
• PGG = 1- PGB là xác suất ở lại trạng thái Good.
• PBG = 1/TB là xác suất chuyển từ trạng thái Bad sang trạng thái Good.
• PBB = 1- PBG là xác suất ở lại trạng thái Bad.
Các tác giả của [15] đã sử dụng cách tiếp cận dựa trên vết (trace) để ghi lại, phân tích và xác thực các thông tin về sự mất gói số liệu trên đường truyền không dây. Họ sử dụng các kết quả phân tích thống kê số liệu về lỗi trên mạng thực làm các tham sốđầu vào (input) cho các mô hình lỗi, rồi sử dụng các mô hình lỗi này trong
mô phỏng; đồng thời so sánh với kết quả mô phỏng chạy theo vết. Các tác giảđã chỉ
ra rằng, so với các kết quả mô phỏng chạy theo vết, kết quả mô phỏng sử dụng các mô hình lỗi Đồng đều, Markov hai trạng thái và Markov hai trạng thái cải tiến có độ
sai khác tương ứng là 21% 13% và 5%. Như vậy, mô hình lỗi Markov hai trạng thái cải tiến phản ánh chính xác hơn đặc tính lỗi đường truyền không dây trong thực tế, nói chung đáp ứng được yêu cầu của việc nghiên cứu định lượng. Chính vì vậy, hiện nay mô hình lỗi Markov hai trạng thái cải tiến đang được sử dụng rất rộng rãi trong các nghiên cứu bằng mô phỏng; thí dụ trong [9], [12], [15], [16], [34].