5G/后5G 部署对互联网主干影响的分析与建模

杨芫，徐明伟，陈浩

（1.清华大学信息科学技术学院，北京 100084；2.北京信息科学与技术国家研究中心，北京 100084）

1 引言

第五代移动通信技术（5G）如今已经从实验阶段正式走向了应用阶段。5G 的设计目标和最显著的特征是为用户提供超大带宽、超低时延和海量机器连接的服务。5G 越来越广泛的部署不仅会使个人用户的移动通信体验得到更大的提升，也会促进一大批新兴应用的诞生，并推动智慧制造、物联网、智慧医疗等创新领域的发展，带来产业变革。5G 及后5G 技术[1]得到了工业界和学术界的广泛关注。

为了满足5G 对网络功能虚拟化和灵活部署的需求，同时提供高带宽、低时延等性能方面的保障，很多工作针对5G 通信、系统架构、组网等关键技术展开了研究[2-4]。然而，已有研究主要针对接入和边缘网络展开，例如信道编码、网络功能编排、承载网技术等。需要注意的是，移动通信领域中所使用的术语“核心网”，从整个互联网的角度看仍然属于边缘网络，这些边缘网络需要经过互联网主干才能实现全球互联。5G 的广泛部署是否会对互联网主干引入更多具有新特征的流量？互联网主干的容量和现有路由、传输、资源调度等技术能否应对流量和服务质量需求的提高？用户进行远程通信和内容访问时，带宽和时延的瓶颈是否会从接入和边缘网络转移到互联网主干？这些都是5G 和后5G 时代互联网主干需要密切关注的问题，然而已有研究对5G 给互联网主干造成的影响缺乏定性和定量的研究。文献[5]对FOG（from core to edge）计算场景下物联网能耗、时延和开销进行了建模分析，体现了“云雾结合”场景的优势，然而针对更一般的5G 场景，目前还没有看到相关的文献。

为了弥补这一不足，本文对5G/后5G 对互联网主干带来的影响进行了分析和建模。首先，对5G超大带宽、超低时延、海量连接对互联网主干流量、时延和安全性等方面的影响进行了定性分析。然后建立了一组抽象的模型用于描述5G 用户的流量特性，通过数值模拟实验验证了模型的合理性，并定量给出了随着5G 部署程度的增大，互联网主干流量的变化及用户所体验到的带宽、时延情况。为5G/后5G 时代互联网主干网络建设和关键技术研究方向提供了一定的参考依据。

2 5G/后5G 部署对互联网主干的影响

2.1 超大带宽带来的挑战

5G/后5G 最显著的特征是用户带宽的显著提高，这里的带宽指的是数据速率，即单位时间内传输的数据量。在4G 技术下，单个用户的数据速率能达到100 Mbit/s，已经达到了传统的Wi-Fi 和以太网接入的数量级。5G 技术可以进一步将数据速率提高到1 Gbit/s，这很可能导致汇入主干网的用户（业务）流量特征发生巨大改变。目前有线网络接入速率也在提高，典型的光纤入户技术可以提供500 Mbit/s～1 Gbit/s 的最大数据速率，然而5G 网络不仅支持海量设备的同时接入，而且用户间相互干扰相比4G 进一步减小，尤其是移动通信场景中容易出现大规模用户聚集在较小地理空间的情况，这更使汇入主干网流量的理论上限大幅提高，可达到数太比特每秒[6]。一个重要的问题由此产生：互联网主干是否会成为端到端通信数据速率的主要瓶颈？

事实上，随着5G/后5G 的部署，还有多个因素会影响互联网主干流量。

1)5G 的部署将经历一个增量式发展的过程。5G采用了较高的信号频率，其FR1频率能达到6 GHz，而采用毫米波的FR2 频率则可达到20～50 GHz。如此高的频率使得5G 基站的覆盖范围较为有限，导致5G 的广泛部署需要投入大量的时间和资金成本。不难预测，5G 的部署将从具有一定市场潜力和需求的地区逐渐展开，但在较长的时期内，4G 和5G都将共同存在。因此，互联网主干的流量需求不会发生整体上突然的提高，而是从部分节点开始逐步增长。

2)5G 引入了可灵活部署的边缘计算能力。缓存、计算等网络功能可以从源服务器或云端（数据中心）下沉到距离用户较近的5G 核心网甚至5G接入网，这一方面减小了用户访问网络资源的时延，另一方面也能在一定程度上减少经过互联网主干的流量。例如，边缘网络设备通过缓存流行度较高的内容或预先部署流行的服务，使大量用户不需要访问源服务器或云端就可以快速访问这些内容和服务，该过程中产生的绝大多数流量都被限制在局部网络中。然而，5G 网络功能的下沉对于互联网主干流量减少的效果取决于应用和服务的调度策略及可用资源等诸多因素。边缘网络功能仍然需要从产生内容的源服务器、云端或其他边缘网络功能获取内容和服务，以便本地用户能够快速访问。源服务器、云、边缘相结合的资源调度和内容缓存等机制与云计算场景相比更加复杂，因此相应的主干网流量变化也更加难以预计。

3)5G 的广泛部署可能会催生新的“杀手”级互联网应用。网络应用的类型和特征在很大程度上决定了互联网流量的特征。移动互联网在4G 时代诞生的视频直播、高清在线视频、移动支付、短视频等应用使10 多年前主要由P2P 流量主导互联网流量这一现象发生了变化。新网络应用的诞生是由技术发展、市场需求等诸多因素决定的，具有难以预测的特点。5G 和后5G 时代新诞生的网络应用必然也会带来新的互联网流量需求，对互联网路由、传输、资源调度和安全管理带来新的挑战。

值得注意的是，互联网主干链路数据速率在近10多年的时间里也得到了飞速发展。当前典型的光纤链路已能够支持100 Gbit/s的速率，可以预见，200 Gbit/s、400 Gbit/s 及1 Tbit/s 链路将在未来成为现实[7]。然而，对已有链路和其他网络基础设施进行升级也需要巨大的开销，运营商需要知道主干网如何增长才能否满足5G 和后5G 移动通信的需求。本文第3～4 节将通过模型和数值模拟实验的方式展示不同程度的5G 部署对互联网主干流量的影响。

2.2 超低时延带来的挑战

5G/后5G 的另一大特点是毫秒级的网络访问时延。相比4G 网络中用户30～100 ms 的访问时延[8]，5G 将时延目标定为1 ms，以实现在大规模实时交互网络应用中用户对时延基本无感知。为了实现这一目标，5G 提出了网络切片、分组核心网络功能的虚拟化下沉等技术。然而，互联网主干的时延受传输距离和光速的限制，具体而言，在忽略处理（如排队）时延的条件下，信号以光速传播1 ms 的传输距离仅约300 km。加入处理时延后，互联网主干的典型往返时延能达到数十毫秒甚至两百毫秒以上。在此情况下，5G 和后5G 超低时延的优势便难以完全体现出来。

为了让部署5G 和后5G 的用户能切实体验到访问时延的降低，满足大规模实时交互网络应用的需求，对于时延敏感业务不能按照传统的方法让用户直接访问源服务器或云端，应当尽可能充分地利用边缘访问时间短的优势。例如，将用户需要访问的内容和服务提前推送至位于边缘的计算和存储资源中，从而实现本地快速访问。与2.1 节讨论的利用边缘计算减少互联网主干流量的情景类似，这同样需要源服务器、云端和边缘相互协同进行调度。这对互联网主干带来的主要挑战在于，主干网应当配合相关机制进行流量调度和路由的优化，例如通过机器学习的方法智能识别时延敏感业务并进行优先调度或选择较优的路由。

2.3 海量设备连接带来的挑战

海量设备连接是5G 和后5G 引入的一项新特性。直观上看，这一特性似乎并不会对互联网主干造成特别大的影响。首先，机器之间的通信在网络边缘即可完成。其次，对于需要通过互联网主干进行通信的情况，可以让少数节点充当网关的角色以减少开销，例如文献[9]提出了一种层次化的边缘网络体系结构，先将网络中各物联网（IoT,Internet of things）设备采集的数据汇聚到少数节点，这些节点再与互联网进行通信，从而用较小的开销高效地将海量数据传输到云端。此外，互联网服务提供商（ISP,Internet service provider）可以在5G 和后5G接入层进行合理的地址划分与分配，在汇聚层和核心层进行流量聚合与整形，使汇入互联网主干的流量容易监测与控制。

然而，随着海量IoT 设备的广泛部署，互联网主干的安全性会受到5G 和后5G 海量设备连接特性的间接影响。为了节约制造成本，IoT 设备通常更加注重性能、能耗等指标，安全性的优先级较低，这使得这些设备更容易被黑客控制，成为分布式拒绝服务（DDoS,distributed denial of service）攻击、信息窃取等安全攻击的工具[7]。而5G 所支持的机设备数量使所受到的安全威胁进一步提升。为此，不论是网络边缘还是互联网主干，都应该加强安全防护机制的建设，除了传统的入侵检测、防火墙等网络功能之外，还应该部署源地址认证和用户身份验证等机制[10]，使人类用户和机器用户的行为均可监测、可控制、可溯源，构建和保护真实、可信、安全的互联网环境。

3 模型建立

为了量化评价5G 网络部署对互联网主干带来的影响，本节将建立形式化的模型，一方面模拟用户访问内容和服务对网络产生的流量需求，另一方面评价用户所体验到的实际数据速率、时延等服务质量指标。需要指出的是，本节建立的理论建模还比较初级，且由于5G 尚未广泛部署，模型与真实网络必然存在一定的差距。即便如此，依据当前互联网中已经观察到的规律来建立5G 场景下的模型仍然具有重要的意义，包括对5G 和后5G 互联网流量的趋势进行预测，分析5G 和后5G 时代影响互联网流量特征的因素，以及分析互联网面临的挑战和发展趋势等。此外，本节在建立模型的过程中尽可能使模型更加逼近真实网络，并在第4 节通过数值实验结果（如图3 和图4 所示）与真实网络数据（如图5 所示）进行定性对比来验证所建立模型生成的流量具有一定的可信度。

本节接下来建立的模型和相应公式有多种具体用途。首先，为第4 节的数值实验提供基础和依据。其次，研究人员可以基于该模型来建立模拟场景，用于测试新开发的路由、拥塞控制、缓存等算法的性能，并与传统算法进行比较，例如模型中采用的算法。此外，模型可以作为进一步研究更加准确的5G/后5G 流量模型的基础，起到抛砖引玉的作用，还能对其他相似场景下建立流量模型提供思路和方法。

3.1 基本网络

互联网主干包含多个自治系统，这里仅考虑单一自治系统的情况。一个自治系统包含多个入网点（PoP,point of presence）。PoP 之间通过高速光纤链路相连。形式化地将互联网主干抽象为无向图G(V,E)，其中，V表示PoP 中所有节点的集合，E表示所有链路的集合。每个PoP 连接了一个区域（如一个城市）内多种类型的网络，包括4G/5G 移动网、有线接入网、企业网、数据中心网络等，这里将它们统一定义为边缘网络，与互联网主干网络相对。

虽然不同类型的边缘网络内部可以有复杂的结构，但是通过ISP 的速率控制等机制，可以认为使用相同接入服务的用户具有相同的数据速率和相似的时延。为了便于描述和抽象，本文模型认为一个PoP 直接与其所连边缘网络中的所有用户相连。这里主要考虑移动互联网用户。具体而言，假设5G 用户连接到本地PoP 的时延在1～10 ms 随机取值，边缘网络数据速率设为100 Mbit/s（考虑高峰时段多用户并发的场景）；4G 用户连接到本地PoP 的时延在40～100 ms 随机取值，边缘网络数据速率设为10 Mbit/s。

3.2 用户流量

考虑一个时间段 [T,T+Δt]，在此期间连接到节点v∈V的活跃用户数量为Nv，其中5G 用户所占比例为μ。N v受节点v所处区域人口和Δt的影响，在模型中可以通过调整tΔ 和Nv的取值来控制用户的基准流量需求大小（有线和4G 接入），再根据建立5G 用户访问模型来产生5G 用户流量需求大小。

网络中的流量抽象为用户对内容的访问。假设一个普通用户发起内容访问的次数在1～H均匀分布，5G 用户对内容具有更高的兴趣，假设其访问次数为1～θH，其中θ＞1。

每个节点v∈V在时间段内可供访问的内容数量为Mv。全网总的内容数量为直观上，活跃用户和可访问内容成正相关，本文模型假设Mv与Nv成正比，即Mv=ρNv。内容的大小服从Pareto 分布[11]，具体而言，产生的内容大小S大于任意给定值s的概率为

其中，smin为最小的内容大小，k取值为1～1.5[11]。

内容被访问的频率服从Zipf 分布，且被访问的频率与内容大小无关[12]。具体而言，将内容按照访问频率由高到低进行排序，排第i位的内容被访问的概率为

其中，α为0～1，根据实际测量的结果取值为0.7[12]。

3.3 云服务和边缘计算

每个PoP 节点连接一个本地的数据中心作为用户可以就近访问的云端或内容分发网络（CDN,content delivery network）节点。通常来说，数据中心的容量是有限的，且不同的内容提供商对内容的分发有各自的策略。为了简单起见，本文模型假设节点v∈V所连接的CDN 节点可以存储的内容大小为Lv，令Lv=τNv，τ为Lv与本地节点用户数量的比例系数。CDN 节点以式(2)所描述的概率获取内容直到剩余存储空间耗尽。如果用户不能从本地CDN 或本地源服务器获取需要的内容，则访问缓存了该内容的距离最近的CDN 节点，如果没有CDN节点缓存了该内容，则访问产生内容的源节点。

对于5G 网络而言，边缘计算的部署对模型有两方面的作用。一方面，缓存更靠近用户，从而访问时延更短。另一方面，边缘计算与云服务的结合可以视为两级缓存机制。当用户从边缘缓存不能获取所需内容时，如果边缘缓存仍然有剩余存储空间，则由边缘缓存（而不是用户）从最近的CDN节点获取内容。假设节点v∈V所连接的边缘网络能缓存的内容大小为Kv，令Kv=ϕNv。与CDN节点不同的是，假设边缘缓存采用被动缓存的方式，总是缓存在时间段 [T,T+Δt]内本地用户访问最频繁（而不是流行度最高）的内容，直到剩余存储空间耗尽。

3.4 数据速率与时延

端用户体验到的数据速率由诸多因素共同决定，位于不同地理位置的用户访问不同位置的内容，其数据速率瓶颈的位置可能也不相同。此外，TCP 的拥塞控制算法具有公平性的特征，在传输较长的时间后各用户的数据速率会趋于一致，但是实际网络中用户发起访问的时间和访问内容的大小有很大差别，数据速率难以快速收敛到稳定状态，而是始终处在变化之中。为此，采用简化的模型来计算用户享有的数据速率。

设边缘网络的最大数据速率为redge，通常由接入技术决定。主干网中的最大数据速率则通过式(3)来估算。

其中，p(s,t)表示从节点s到节点t的流量所走的路径，通常采用最短路径；Cl表示链路l的最大数据速率，即通常所说的带宽；fl表示经过链路l的流的数量；ω＞1 是放大因子，用于消除网络中短流造成计算出的用户数据速率过低的影响。根据文献[13]提供的我国各类应用时长占比，假设网络视频、游戏、直播、音频使用长流，所使用时间占比为31.5%，而新闻等其他应用使用短流（不参与带宽竞争），因此，取最终，用户获得的数据速率为 max(redge,rbackbone)。

用户体验到的访问时延由多个部分组成，其中接入时延已经在第3.1 节给出，传播时延可以由节点间的物理距离和光速计算得到。最后是传输时延和处理（包括排队）时延，由于互联网主干网多采用大容量的核心路由器设备，传输速率和处理能力都较强，因此传输时延和处理时延与另外2 个时延相比可以忽略不计。

4 数值实验分析

本节介绍第3 节所建立模型的模拟数值实验结果，侧重于对真实网络拓扑下的数值结果进行直观展示，并分析导致结果的原因。数值实验程序的实现严格依据第3 节的模型来编程，包括流量的产生、内容流行度的分布、云服务和边缘计算的行为、数据速率和时延的计算等。其中4G 和5G 用户各自的特点体现在接入时延和带宽的不同、对内容的兴趣不同、是否有边缘计算资源的支持等，详见第3.1～3.3 节。

实验使用的拓扑包括topology-zoo[14]提供的中国电信主干网（Chinanet）和泛欧科研教育数据网（Geant）。去除没有经纬度数据的节点，Chinanet包含38 个节点和63 条链路，Geant 包含37 个节点和58 条链路。虽然2 个拓扑在规模上很接近，但在结构上有一定差异。如图1 和图2 所示，Chinanet包含5 个节点度较大的核心节点，而Geant 节点度的分布较为平均。从后面的实验结果可以看到，这一差异导致了生成流量的不同。

图1 Chinanet 拓扑

图2 Geant 拓扑

实验中采用的默认参数设置如下。

节点v处的用户数量Nv设为该节点的度与其相邻所有节点度之和的100 倍，5G 用户占比μ为0.2。4G 用户发起连接数量的最大值H设为10，5G 用户相比4G 用户的兴趣倍数θ设为3。时间段长度设为1 s。上述参数设置可以使单一节点的流数量在数千到数万的量级，与真实网络的情况[15]相近。

内容数量与用户数量的比例ρ设为0.1。内容最小值smin取0.1 Mbit，Pareto 分布参数k的默认值约为1.25。CDN 节点存储容量与本地节点用户数量的比例τ设为0.1 Mbit，边缘节点存储容量与本地节点用户数量的比例ϕ设为0.01 Mbit。网络中所有的链路容量均设为100 Gbit/s，链路的传播时延则由节点间的球面距离除以光速求得。

模拟数值实验一方面需要验证模型的合理性与准确性，另一方面则希望定量地给出5G/后5G技术部署对互联网主干的影响。下文给出了网络流量、端到端时延、用户数据速率等实验结果，并分析了一些重要参数的变化对结果的影响。

4.1 网络流量

图3和图4分别显示了模型在Chinanet和Geant拓扑中生成的流量矩阵，即各源节点到各目的节点的流量大小。作为对比，图5 显示了2004 年3 月8 日Abilene 网络中真实测量所得流量矩阵的情况。可以看到，尽管3 幅图的流量大小有一定差距，但总体分布趋势十分相似，这表明模型能够在一定程度上反映真实网络的流量特征。虽然生成的Chinanet 流量和Geant 流量远远大于Abilene 流量，但是这是模型参数取值的结果，因为现在距离Abilene 流量数据采集的时间已经过去15 年，当前真实网络流量大小已经远远大于当时的。从图5 中还可以看到，Abilene 流量在不同时刻有一定偏差，但总体变化不大，相应地，在图3 和图4 的结果中引入了一定的随机流量变化。

图3 生成的Chinanet 流量矩阵

图4 生成的Geant 流量矩阵

图5 Abilene 真实流量矩阵

图6 和图7 分别显示了Chinanet 和Geant 拓扑中各链路上的流量大小。可以看到，各链路上的流量跨度很大，最小不到1 Gbit/s，而最大可达20 Gbit/s，这一结果也与当前真实网络的链路流量大体相符。

图6 Chinanet 链路流量

图7 Geant 链路流量

图8 显示了2 个拓扑中生成的节点流量需求。这一结果包括了用户访问本地边缘节点和CDN 节点的流量。可以看到，随着5G 用户比例的提高，节点流量大致呈线性增长的趋势。当所有用户都使用5G 时，流量大约增长为4G 的3 倍，这是因为相比4G 用户，5G 用户的兴趣倍数θ设置为3。从中位数上看，Chinanet 比Geant 的流量稍大，但在最大流量方面，Chinanet 要大得多，这主要是因为Chinanet 拓扑中包含节点度较大的核心节点。

图8 生成的节点流量需求

为了分析5G 边缘节点存储容量对主干网流量的影响，模拟实验给出了不同ϕ值下节点流量需求随5G 用户比例变化的结果。2 个拓扑中的结果分别如图9 和图10 所示。

图9 Chinanet 拓扑中节点流量需求随5G 用户比例变化情况

图10 Geant 拓扑中节点流量需求随5G 用户比例变化情况

注意，这里的节点流量不包含用户访问本地边缘节点和CDN 节点的流量，而仅包含了需要经过主干网链路的流量，因此当ϕ=0.01 时的流量比图8 中的结果更小。当ϕ值较小时，主干网上的流量随5G 用户比例的增大而增大，因为边缘节点存储的内容不能完全覆盖用户访问需求的增加。然而随着ϕ值的增大，更多的内容可以在边缘节点获取，因此流量增加的速率逐渐减缓。当ϕ=10 的时候，主干网流量随着5G 用户比例的增大反而减小，因为此时5G 所关联的边缘存储和计算资源能够满足5G 用户访问的所有需求。然而这种情况比较极端，需要在建设5G 时部署大量的边缘存储和计算资源，且需要高效的资源调度算法来使各分散的边缘资源协同工作，以实现数学模型假设的理想情况。即使在这样的极端假设下，流量减少的速率也较低，因此在现实中更加可能出现的情况应该是主干网流量随着5G 的部署而增加。Geant 拓扑中的实验结果与Chinanet 拓扑中的结果类似，但总体上流量更小一些。

上述实验结果表明，随着5G 的部署，互联网主干将确实面临流量显著增加的挑战。正如第2.1节所述，为了应对这一挑战，一方面需要在适当扩充主干网容量的同时，研究更高效的路由寻径、资源调度、传输控制等算法，以提高主干网资源利用率，另一方面需要对边缘存储和计算资源的部署和调度方法进行优化，尽可能使用户需求仅通过访问边缘就得到满足。

4.2 端到端时延

图11 显示了用户端到端时延的累积概率分布（又称累积分分布函数（CDF,cumulative distribution function））。可以看到，2 个拓扑中5G 用户访问网络的时延大体相同，在1～20 ms，这一数值大约是模型中设定的5G 接入时延的两倍，说明在Chinanet和Geant 规模的网络中，传播时延与5G 接入时延大体相当，都在1～10 ms。此外，曲线大体呈直线型，只有首尾的部分略有弯曲，这是因为弯曲的部分对应于传播时延，而直线部分则是接入时延取均匀分布的结果。2 个拓扑中4G 用户访问网络的时延也大体相同，在40～110 ms，这一结果与曲线的形状同样验证了传播时延在1～10 ms。虽然模型中仅考虑了传播时延而忽略了排队时延和处理时延，但是上述结果能在一定程度上表明5G 部署后，主干网时延会成为远程传输时延的主要组成部分，这与4G 时的情况相比有很大的不同。

图11 端到端时延累计概率分布

注意到上述数值实验结果仅包含了传播时延，因此现实中的端到端时延会更长。为了应对这一挑战，需要研究更高效的分组处理和路由、传输机制，以使跨越主干网的访问延时能更加逼近理论极限。同时，边缘资源的优化利用和调度同样能使用户需求在边缘就得到满足，起到缩短时延的效果。

4.3 用户数据速率

图12 和图13 分别显示了Chinanet 拓扑中5G用户和4G 用户每条流享有的数据速率的累积概率分布。可以看到，在数据速率较小值的分布上，5G用户与4G 用户几乎一样。而较大值的分布则呈现了差异。这是因为较小的数据速率主要由主干网的瓶颈链路导致，而较大值则是用户访问本地缓存的内容时的数据速率，主要受接入带宽的影响。从图中较为平滑的曲线可以看出，5G 用户的接入带宽为100～1000 Mbit/s，4G 用户为10～100 Mbit/s，符合模型中的设定。

同时还可以看到，当瓶颈在主干网时，5G用户占比μ值越大，单流数据速率逐渐减小。具体而言，当μ=0.2时，最小数据速率能达到5 Mbit/s 以上；当μ=0.5时，最小数据速率减少了约1.5 Mbit/s；当μ=0.8时，最小数据速率减少了约1 Mbit/s。这是因为随着5G 用户比例的提高，有更多的流加入了带宽的竞争。注意到模拟实验中链路容量均为100 Gbit/s，是当前主干网的典型值。这说明随着5G 的部署，在不改变现有主干网的容量和路由策略的前提下，用户远程访问的数据速率会受到较严重的影响。

值得注意的是，在5G 用户的结果中几乎没有用户的数据速率分布在50～100 Mbit/s，而4G 用户的数据速率分布更为连续一些。这一现象说明在5G 场景下，网络数据速率的瓶颈主要在主干网，而4G 场景下的瓶颈则是主干网和接入网都有可能。

图12 Chinanet 拓扑5G 用户单流数据速率

图13 Chinanet 拓扑4G 用户单流数据速率

图14 和图15 分别显示了Geant 拓扑中5G 用户和4G 用户每条流享有的数据速率的累积概率分布。Geant 拓扑结果大体的趋势与Chinanet 拓扑中的结果相似，然而Geant 拓扑中的最小数据速率略大一些，这是因为Geant 拓扑没有节点度特别大的节点，模型生成的数据流数量少一些，每条流分得的带宽也就大一些。同样的原因还导致了5G 用户数据速率的结果在50～100 Mbit/s 也有一定分布，而4G 用户数据速率的结果在10～30 Mbit/s 不太平滑。

图14 Geant 拓扑5G 用户单流数据速率

图15 Geant 拓扑4G 用户单流数据速率

上述实验结果表明，网络数据速率瓶颈会随着5G 的部署从边缘网逐渐向主干网链路移动。为了应对这一挑战，同样需要从主干网扩容和高效利用、边缘网优化调度等几个方面同时着手。

5 结束语

移动通信技术已经进入了5G 时代，对于互联网来说既是机遇也是挑战。本文对5G 及未来的后5G 部署对互联网主干带来的挑战进行了分析，并建立了抽象模型用于描述5G 用户的流量特征。模拟数值实验结果表明，即使在引入海量边缘计算和存储资源的情况下，5G 的部署也会引起互联网主干流量的显著增加；移动用户远程访问的时延将大幅减少，但传播时延所占比例将大幅增加。此外，移动用户远程访问的带宽瓶颈位置有由接入网转向主干网的趋势。这些结果为未来网络路由、传输、资源调度和管理、安全等方面的研究提供了一定参考依据。