高级在轨系统的自相似业务量预测链路优化模型

王继辉，池云，赵运弢，刘恒驰，4

（1.沈阳职业技术学院电气工程学院，沈阳110045；2.辽宁行政学院，沈阳110161；

3.沈阳理工大学信息科学与工程学院，沈阳110159；4.空军沈阳后勤训练基地，沈阳110045）

高级在轨系统的自相似业务量预测链路优化模型

王继辉1，池云2，赵运弢3，刘恒驰3，4

（1.沈阳职业技术学院电气工程学院，沈阳110045；2.辽宁行政学院，沈阳110161；

3.沈阳理工大学信息科学与工程学院，沈阳110159；4.空军沈阳后勤训练基地，沈阳110045）

在AOS高级在轨系统链路协议的基础上，分析了具有自相似特性的业务流量，提出了一种基于FARIMA模型的自相似预测的链路优化模型。该预测模型基于分数阶统计理论，在估计赫斯特参数的基础上，根据不同的时间粒度，提前预测突发业务量的到来，从而降低了网络丢包率。仿真表明模型在20点预测内具有较好拟合性，在一定置信区间下具有较好的预测成功概率和较低的虚警概率，同时使网络丢包率大幅下降。

CCSDS，高级在轨系统，自相似，赫斯特参数，VCLC

0 引言

为满足复杂航天器通信的信源多样性、高可靠性、高速、大容量、网络化、标准化和日益增长的国际合作需求，CCSDS［1-3］（Consultive Committee for Space Data System）提出了高级在轨系统（Advanced Orbit Systems，AOS）体制和标准，从而构建一个空空及空地的数据通信和传输体制。同时，随着新技术应用的不断涌现，网络流量承载的数据己经涵盖了包括文本、语音、图像、视频以及大容量下泻、分散业务和实时业务等各种各样的信息，从而使网络流量特性呈现出更高的复杂性、突发性和分形特性［4-5］。大量研究表明，实际的网络流量呈现出不同于传统泊松模型的特性：重尾特性和自相似性。业务流的自相似性，引起了网络性能的改变，使网络特性分析变得复杂。当网络性能用吞吐量、丢失率和分组延迟表示时，随着重尾及自相似程度的增加，网络性能逐渐降低［6］。

本文在研究以AOS为核心的天空通信网络协议的基础上，重点对具有高突发、自相似业务量的预测模型进行了研究，提出一种基于FARIMA预测的链路优化模型。首先，对引起链路毁坏的原因进行分析，将毁坏原因分为两类，一类是由于人为干扰或不可预测因素引起的链路或节点毁坏。另一类是由于网络本身的突发业务量或链路负载不均衡所引起的链路拥塞和毁坏，其特点是根据业务量的自相似统计特征在一定置信区间内具有可预测性。本文采用优化的思想，对不可预测的链路故障，交由网络层进行路由抗毁；而对于统计可预测链路突发业务，则根据统计预测模型给出n步预测值，自适应改变链路缓冲容量、带宽分配等性能，从而降低了由突然故障所引起的大量丢包及网络吞吐性能下降。

1 基于AOS的数据链路协议

高级在轨系统是对常规系统的改进，它相比常规系统最大区别是能提供的业务类型要广泛得多。随着技术的发展，星上的数据处理能力得到了极大的提高，有时可以将星上视为与地面对等的一个数据处理中心，因此，传统的遥控和遥测概念在高级在轨系统的数据双向传输中就变得相对模糊，取而代之的是星地之间前向和返回链路的概念，这样，AOS可以使用对称型的业务和协议，在空间链路之间双向提供声音、图像、高速遥测、低速处理数据的传输。为了使不同类型的数据共享同一链路，AOS提供了不同的传输机制（同步、异步、等时）、不同的用户数据格式协议（如比特流、字节块、数据包等）以及不同等级的差错控制。AOS是一种包含空间链路的国际网，能够实现星-地立体的交互支持，成为了空间的“综合数字业务网”，它能够提高信道利用率，降低成本，保证高质量的数据传输［7］。CCSDS AOS建议的描述是以CCSDS主网（CPN）概念模型为基础的（如图1）。CPN提供了飞行器与其地面支持网络之间的双向数据通信。CPN包括3个组成子网即星上网络、地面网络（或位于另一在轨部分的星上网络）以及将两者联系起来的空间链路子网（SLS）。

图1 CCSDS主网（CPN）模型

2 长相关和自相似的概念

反映在网络业务流中就是，如果业务在前一时期处于突发状态，则在后一时期仍处于突发状态的概率将大于处于非突发状态的概率。如果业务（分组、信元）在到达缓存器进行排队时，若已等待则下一时隙仍处于等待的概率将大于被服务的概率。这种“长期记忆”特性对业务（特别是突发业务）的传输将造成很大的影响。

定义考察一个广义平稳（或协方差平稳）的随机过程{Xn}n=0，1，2，…，其中Xk可理解为第k个单位时间内到达的网络业务实体数目。假定X的自相关系数有如下形式：

3 一种基于自相似业务量预测的链路优化模型

3.1 基于FARIMA的自相似业务量生成模型

传统模型只能处理短相关业务，对于现代网络这种具有长相关特征的业务则显得力不从心。因此，兼具短相关和长相关特性的模型更适合于描述网络业务的真实情况，FARIMA（p，d，q）（Fractional AutoRegressive Integrated Moving Average）模型被广泛使用。

FARIMA（p，d，q）过程也可以看作是ARIMA（p，d，q）过程的特殊形式，它扩展了FBM或FARIMA（0，d，0）的描述能力，使模型具有长短混合的相关数据结构，弥补了它们在数据描述能力上的不足。从定义上看，FARIMA（p，d，q）模型是以分数差分噪声FARIMA（0，d，0）为激励的ARMA模型。该模型在利用参数d描述观测样本中的长相关结构时，利用p+q+1个参数来刻画样本中的短相关结构。

随机过程{Xt}称为服从d∈（-0.5，0.5）的FARIMA（p，d，q）模型，如果{Xt}是零均值的，且满足差分方程：

其中，d是差分阶数，p是自回归阶数，q是滑动平均的阶数，p，q是非负整数。{at∶t=…-1，0，1，2…}是一白噪声序列。并且

定义Δ=（1-B）为差分算子，Δd表示分数差分算子，其通常的二项展开式表示为：

其中，

显然，{Xt}是d∈（-0.5，0.5）的FARIMA（p，d，q）过程，当且仅当ΔdXt是一个ARMA（p，q）过程。如果对z≤1，有Θ（B）≠0，那么Yt=Φ（B）Θ-1（B）Xt满足ΔdYt=at和Φ（B）X=Θ（B）Yt。因此，在d∈（-0.5，0.5），p≠0，q≠0时，FARIMA（p，d，q）过程{Xt}可看成由FARIMA（0，d，0）驱动的ARMA（p，q）过程，其数学表达式为：

其中

是FARIMA（0，d，0）过程，即分数差分噪声。

综上，可以看出要生成一个FARIMA（p，d，q）过程一般要经过两步。

步骤1:产生分数差分噪声Yt对于给定的参数d，由式（5）和式（8）假定Yt的值在负时间轴上为0，可以得到一个有限的时间序列，其定义为：

其中，

步骤2：产生一个FARIMA（p，d，q）过程Xt

在这一步中，先将白噪声at替换为FARIMA（0，d，0）过程，然后使用常用的ARMA过程产生方法来生成FARIMA（p，d，q）过程Yt，然后使用常用的ARMA过程产生方法来生成FARIMA（p，d，q）过程Xt。

即：取适当的p，q值以及相应的AR和MA的参数代入公式Xt=Φ-1（B）Θ（B）Yt中，得到Xt。

图2 FARIMA生成的自相似业务流（p=1，q=1）

从仿真结果中可以看出，随着d增加，自相似程度增强，数据流的突发性增强。

3.2 基于FARIMA（p，d，q）的多步预测模型

假设Xt为流量观测序列，Wt为Xt进行分数d阶差分后获得的序列：

1）对Wt序列拟合ARMA（p，q）模型，获得自回归系数Φ={φ1，φ2，…，φp}和滑动平均系数θ={θ1，θ2，…，θq}，同时获取ARMA模型一步预测的模型残差序列resid={a1，a2，…，an}；

3）根据

其中

可以得到

从而有

值得注意的是，根据条件期望的理论，白噪声的预测期望为其均值，也即0，所以在计算ARMA（p，q）过程Wt的前向h步预测时，残差序列a^t+1=0，i=1，2，…，h。

3.3 仿真预测及分析

综合利用前面给出的算法，对实际的网络业务进行了建模和预测。首先，利用FARIMA（p，d，q）模型对业务流进行拟合，然后用拟合的FARIMA（p，d，q）模型对业务流进行预测，最后分析得到的结果。

图3 FARIMA预测模型n步预测曲线

从图3中可以看出，随着预测步数的增加，精度下降，趋于发散。在较短的预测步数内，具有较好的准确性，并能很好地预测出网络流量的变化趋势。

图4 基于预测的网络丢包率比较

表1 仿真参数表

如图4所示，对1 000点的数据进行步长为5的预测，仿真得到丢包曲线。基于预测的抗毁链路模型能明显改善丢包性能，累计丢包量明显下降。

4 结论

随着AOS高级在轨系统业务流量突发性和复杂性的增强，传统的短相关预测模型对AOS业务流量的预测精度较差，本文在分析网络流量长相关自相似理论的基础上，提出了一种基于FARIMA模型的自相似预测的链路优化模型。该模型在Hurst参数估计的基础上，在一定置信区间下根据不同的时间粒度，对AOS业务流量进行预测，从而改善网络丢包性能。并通过仿真验证了AOS自相似预测模型在一定预测步长内的有效性。

［1］Consultative Committee for Space Data System.Overview of Space Link Protocols［S］.CCSDS 130.0-G-1.1 Draft Green Book，2004.

［2］Consultative Committee for Space Data System.AOS Space DataLinkProtocol［S］.CCSDS732.0-B-2BlueBook，2006.［3］Consultative Committee for Space Data System.TM Space Data Link Protocol［S］.CCSDS 132.0-B-1，Blue Book.Issue 1，2003.

［4］Leland W，Taqqu M，Willinger W，et al.On the Self-similar NatureofEthernetTraffic（extendedversion）［J］. IEEE/ACM Trans.Networking，1994（2）:1-15.

［5］Paxson V，Floyd S.Wide Area Traffic:The Failure of Poisson Modeling［J］.IEEE/ACM Transactions onNetworking，1995，3（3）：226-244.

［6］吴泽民，郑少仁.自相似流量及其对网络性能的影响［J］.解放军理工大学学报，2000，5（l）:29-34.

［7］Consultative Committee for Space Data System.AOS Networks andDataLink［S］.CCSDS701.0-B-3BlueBook，2001.

［8］田庄，张庆君.载人航天器AOS虚拟信道调度策略研究［J］.航天器工程，2006，15（2）：20-26.

［9］巴勇，张乃通.CCSDS协议及空间数据系统分析［D］.哈尔滨：哈尔滨工业大学，2000.

［10］张利萍.CCSDS在我国航天领域的应用展望［J］.飞行器测控学报，2011，30（S1）：1-4.

［11］Proximity-1 Space Link Protocol-Data Link Layer［S］. CCSDS 211.0-P-4.1.Pink Book，Issue 2.1.2012.

Research on Link Optimization Model of Self-similar Traffics Prediction Based on Advanced Orbiting System

WANG Ji-hui1，CHI Yun2，ZHAO Yun-tao3，LIU Heng-chi3，4
（1.Shenyang Polytechnic College，Shenyang 110045，China；2.Liaoning Academy of Governance，Shenyang 110161，China；3.Shenyang Ligong University，Shenyang 110159，China；4.Shenyang Air Force Logistics Training Base，Shenyang 110145，China）

The output of VCLC sublayer is taken as the input of virtual channel on CCSDS AOS，whose multiplexing efficiency and waiting-time directly affect the performance of the VCA sublayer and whole system.Based on Possion distribution，the research of efficiency is transformed into the occurred probability of full efficiency.While establishing the probability and statistics model of MPDU multiplexing，a new virtual channel scheduling model with weighted slots and the optimized throughput is proposed.And the equations derivation with optimized throughput is given.The simulation result shows that the new cross-layer model can increase throughput and reduce the delay.

CCSDS，advanced orbit systems，self-Similar parameter，hurst，VCLC

TN919

：A

1002-0640（2015）01-0084-04

2013-10-15

2014-01-12

王继辉（1964-），女，辽宁铁岭人，副教授，硕士。研究方向：电工电子、网络通信。