一种改进的异构网络业务流识别和映射方法

王再见，李志鹏

(安徽师范大学 物理与电子信息学院，安徽 芜湖241000)

0 引言

为了保证异构网络端到端QoS，很多组织(IEEE,ITU-T,IETF,3GPP,3GPP2等)和学者对此进行了研究，提出了许多解决方案，其中QoS映射是研究热点之一。异构网络跨域QoS类映射存在以下特点：① 存在大量QoS需求相近业务，需要采取有效的方法降低执行QoS映射等相关操作的时间开销；② 用户本身具有很强的主观性，业务内容、环境及心情等都会对用户的感知质量有影响，因此映射方案要有较大的灵活性，这同样要求识别方案具有自学习的能力、能根据环境自动调整识别要求，这是本文重点解决的另一个问题；③ 网络资源处于动态变化之中，而很多业务过程时间很短，这需要识别方案具有较高的实时性。

对于没有标注业务类别或没有提出明确QoS要求的多媒体业务，典型方案是按背景流处理，忽略了业务本身QoS的差异性，不利于多媒体业务的开展和网络资源的利用。而对于用户明确提出QoS要求的多媒体业务，由于网络动态特性导致资源相对不足，简单的拒绝和允许，都会导致网络单位效能的降低。鉴于此，向多媒体业务提供高效的端到端QoS保证，需要网络能自动辨别业务流的QoS类别。典型的业务流识别方法选取特定的特征区分协议或业务类型，区分粒度较细，其识别准确率依赖于选取的特征，很难同时兼顾降低识别复杂性和提高识别准确率的需求。现有的业务流识别算法很少考虑QoS类区分，选取特征时对QoS特征考虑不足，导致存在以下问题：① 特定业务类型之间存在的较高误识率，影响QoS类划分准确性；② 相对于QoS类较粗的区分粒度，目前业务流识别算法区分粒度过细，导致较高的复杂性，不利于满足多媒体业务的实时性需求。因此，需要结合多媒体QoS特点，选取区分特征，并结合用户感知质量，提供高效灵活的端到端QoS保证。

1 相关工作

准确识别网络多媒体业务并提供灵活的端到端QoS保证，对多媒体业务顺利开展具有重要意义，受到众多研究人员的关注。文献[1]设计了一个开源的业务识别系统，但侧重于不同识别技术的评估、对比和合作；文献[2]面向物联网，设计了一个3层的QoS分配模型;文献[3]提出了一个新的跨层监视架构，该架构中业务需求由服务等级协议(Service Level Agreement，SLA)和服务等级规范(Service Level Specification，SLS)描述；文献[4]提出基于代理的QoS控制框架为预定客户分发满意的内容提供实现机制。

针对无线链路动态性给QoS保证所带来的严重问题，文献[5]设计了一个网间架构，该架构由IEEE 802.16和IEEE 802.11组成，通过定义一个新的混合单元集合，用于支持QoS管理和切换决策，允许映射QoS类，降低切换阻塞率，在覆盖相同区域的不同接入网之间，保证用户公平；文献[6]针对无线多媒体传感网，提出了一个用于QoS保证的DiffServ架构，该架构依据业务的传输行为，定义了6个业务类，通过业务类将重要的实时数据从实时多媒体数据中区分出来，分配的主要资源是带宽；文献[7]为移动WiMAX系统，定义了一个端到端QoS功能模型；文献[8]提出一种用协调方式实现CoS/QoS映射的方法和一种针对LTE的资源管理架构，重点解决LTE接口带宽类型和监视类型;文献[9]针对4G无线网络，提出一种新的机制，该机制借助在不同接入网映射QoS 参数的转换矩阵，通过SLA参数协商，得到服务的连续，该文基于G/M/1队列系统，对SLA矩阵组成进行分析建模；文献[10]为大型网络中流层次的业务分类，提出一种标准的机器学习系统；文献[11]提出一种架构，为IEEE 802.16标准提供端到端QoS控制，它定义了IP和802.16接口层次的映射规则，并为不同的服务类定义了分配机制；针对无处不在的多媒体计算，文献[12]为内容满意度提出一种QoS控制架构，通过内容调整和选择，提供一种机制以分发满意的内容给订购用户。

尽管有不少较好的单个解决方案，但缺乏在端到端QoS保证领域，对业务流识别和QoS类映射进行有效整合的方案设计。设计一种泛在异构网络多媒体业务流识别和映射方案。该方案基于QoS特征选取业务区分特征以满足QoS类区分的需要，并通过有机组合离线分析、在线分析和历史信息，兼顾多媒体业务识别在实时性和准确性上的需要，并基于用户体验的差异性，通过灵活调整映射结果，以提高多媒体业务的端到端QoS保证。

2 改进的异构网络业务流识别和映射方法

2.1 业务群定义

2.2 框架设计

本文设计了一种改进的异构网络业务流识别和映射方法，其框架如图1所示。

由图1可见，本方案主要包括以下模块：

① 特征生成模块数据库。借助Netflow等数据包捕获工具抓获网络中的业务流，获得包到达时间间隔等QoS特征的统计信息[1]，预处理原始数据后获得特征序列集合，生成相应的数据库。

图1 异构网络业务流识别和映射框架

② 在线区分模块。该模块综合特征数据库、离线分析服务器和校正数据库的信息快速分类业务，对算法的实时性要求高。

③ 线下处理模块。对采用的算法区分准确度要求较高(如采用深度包检测等)，在线下对各种业务进行离线分析，分析结果一方面用于更新校正数据库，另一方面提供给在线区分模块用于误差修正。

④ 校正数据库。该数据库存储的是用户行为分析等历史数据。考虑到目前算法识别和预测的准确性都存在不足，此外考虑到异构网络复杂性(包括体系架构的复杂性、服务模式的复杂性)，为了具有更好的实用性，引入历史信息表，暂存最有可能成为业务流的候选数据流。利用用户行为模式和业务模式的历史数据，实现对业务的预测，主要用于前面的几个包，适合用时很短的业务，解决实时性问题，其数据来源由线下处理模块提供的用户历史信息，为业务预测提供依据，主要是解决实时性问题。

在业务被正确识别以前，在线区分模块利用该数据库存储的历史数据，预测该业务的业务类型，并基于该预测结果，将初期的预测结果提交给跨域映射代理。随着当前业务被获取的信息增多，在线识别模块拥有足够的信息对业务识别和判断，如果识别结果与预测结果一致，则在线区分模块继续检测该业务，不再提交识别结果给跨域映射代理；如果识别结果与预测结果不一致，则在线区分模块将识别结果提交给跨域映射代理。线下处理模块对业务进行全面分析，并将分析后的结果添加到校正数据库。

⑤ 跨域映射代理。依据区分结果和当前QoS域信息，完成映射相关操作。本方案仅需布置在网络边界的路由/网关上，便于新接入技术的使用，有较好的可扩展性。

异构网络业务流程识别和映射流如图2所示。当未知多媒体业务流进入网络传输时，Netflow将抓获该业务流特征的统计信息，通过归一化处理相关流特征，确定业务类别分类数目，提供给训练集训练识别算法(这里选择比较简单、易于实现的HMM，Hidden Markov Model)使用。通过最短矢量距离判断，将业务流按当前网络缺省设置传输至下一QoS域，否则，进行HMM分类映射。集合映射结果并调整QoS类匹配结果，若网络资源满足则传输该业务群。如果不满足则判断等待条件是否满足，如果满足则继续等待，否则该业务群取消。

图2 异构网络业务流识别和映射流

2.3 基于改进HMM的多媒体业务识别算法

为了保证网络多媒体业务端到端QoS，网络节点基于QoS/业务类，提供区分服务。网络节点对属于同一类别QoS/业务类的网络多媒体业务，提供一致的网络操作，以保证其QoS需求。提供QoS保证的网络操作过程可使用有限状态机描述，网络节点隐藏了其状态及状态间的转移特征，仅多媒体业务流传输过程中的QoS特征可被外部观察到。

HMM建模过程的描述如下：

① 初始化模型。对每一类视频业务在不同时间进行采集，共获得10组视频流特征序列作为训练样本，此时HMM观测值序列长度参数T=10。

② 应用聚类。采用向量空间中的方法聚类分析，设定视频业务类型的数目为N。

③ 应用模式的HMM建模。应用分析的目的是希望获得视频业务在网络中QoS特征，并据此分类或预测未知的目标行为。在聚类分析应用后，为每一类应用所表示的目标行为展开建模。采用Baum-welch[13]算法为其重新拟合一个HMM作为该类的分析模型，并以该模型为依据来对未知的目标进行分类等处理。

④ 观测值序列发生概率计算。依据设置的观测值数目值M，将每个尺度下的特征向量聚为M类，从而获得观测值序列O。若要辨识观测序列O是多个模型中哪个模型产生，需要分别计算各个模型产生该观测序列的概率，然后选择概率最大的模型作为最合适该观测序列的模型。

2.4 灵活的跨域QoS类映射算法

如图3所示，异构网络中多媒体业务跨域的QoS类映射算法具体步骤如下：

① 将映射代理安置在边界路由/网关，处理业务群及流的相关操作由映射执行模块执行，如输入业务群判断、输入流聚合判别及对业务群进行分离等操作。

② 映射代理获取相应QoS属性特征，构成高维QoS特征空间。

③ 映射代理基于当前网络要求，采用矢量距离最短法则判断相应业务群QoS类别，具体如下：

(1)

权值W=[w1,w2,...,wMα]反映应用特征，M为业务类别数目。

④ 通过网络检测器感知网络环境后，映射代理判断可用网络资源，通过QoS等级逐级调整，实现灵活映射。

⑤ 当前传输条件判断，决定该业务群传输/取消。

图3 灵活的跨域QoS类映射算法流程图

3 仿真实验

基于可实现性和典型性的考虑，依据从实际校园网中所采集到的网络多媒体业务流QoS特征，以典型的E-Learning业务为对象[14]，定义了13种多媒体业务，并假设构建8种“业务群”，如表1所示，在网络中传输，其中1%的业务在传输时不标注优先级。

表1 各种“业务群”业务相关参数

根据表1，以强度λ2=100的泊松分布产生业务群进入图4所示的场景中传输。在上述场景中，QoS类映射方法部署于网间路由器/网关1和2。用户1经过UMTS(网络1)，与WiMAX2中的用户9(网络3)进行多媒体业务时，业务将经过3个不同的QoS域，其分类数目和要求也不相同。此时，部署新映射方法的网间路由器/网关1处理UMTS与DiffServ(网络2)之间的QoS/业务类映射，部署新映射方法的网间路由器/网关2处理基于DiffServ的Internet和WiMAX2网络之间的QoS/业务类映射。图4中，分别对本文方法、HMM、映射表方法[15]+ QCM-ASM[16]+HMM在端到端带宽利用率和实时视频业务延时上进行对比分析。

图4 异构典型场景

如图5所示，“业务群”由较高的优先权的实时视频业务组成。如图4所示，依次经由3个网络后，3种映射方法在端到端延迟分布上差异明显。

图5 实时视频业务在3种映射方案下端到端平均延迟分布

由于映射误差的存在，采用映射表方法时业务延迟最大。QCM-ASM方法虽然没有映射误差问题，但灵活性不足。此外，典型的采用映射表方法的QoS类映射方案和采用QCM-ASM的QoS类映射方案，是基于业务进行映射，不涉及聚集操作，具有较高的实时性。本文方法QMT-FA由于使用了历史信息，在聚集操作过程中，依然可以提供实时业务流传输，规避了聚集多带来的时间开销，在历史信息完备、准确的前提下，本文方法在实时性方面与前2种方案类似。

如图6所示，由于本文方法可以更充分利用网络资源，所以在端到端网络带宽利用率指标上优于其他2种方法。由于网络类粒度不一致，部分业务群在没有获得足够资源时被丢弃，使得网络带宽资源没有得到充分利用，这对基于映射表的方案最不利。基于QCM-ASM的映射策略由于缺乏弹性，不能充分利用网络资源。上述2种方法存在的问题在本文方法策略中得到较好的解决。由图6可见，3种QoS映射方法的优越性次序是：本文方法 > QCM-ASM +HMM >映射表方法+HMM。

图6 端到端带宽利用率在3种策略下的统计对比

4 结束语

针对当前业务流识别用于QoS类映射存在的不足，以及典型QoS类映射方法存在灵活性不足问题，设计一种泛在异构网络多媒体业务流识别和映射方案，考虑了未明确标注QoS类别的多媒体流区分问题，同时考虑到用户体验多样性和网络环境的动态本质，QoS/业务类映射结果可调，能提高网络资源利用率，得到较高性能的异构网络端到端QoS保证；将具有相同/相近QoS需求的业务流集合为业务群，独立于具体的应用，既对网络新业务具有很好的伸缩性，又降低执行QoS映射等相关操作的时间开销。同时，由于流是各种QoS架构控制目标，所以对网络设备也有很好的可扩展性。