一种异构网络多媒体业务QoS类弹性映射方法

王再见 董育宁 张 晖 赵海涛

①(南京邮电大学通信与信息工程学院 南京 210003)

②(安徽师范大学物理与电子信息学院 芜湖 241000)

1 引言

随着iPhone等智能终端的大量应用，多媒体类业务得到了迅猛发展[1]。多媒体类业务具有较高的QoS要求，对带宽、延迟等QoS参数具有较强的约束。鉴于不同用户具有不同的用户体验质量(Quality of Experience, QoE)，且多媒体类业务的QoS要求具有一定的弹性，在网络资源相对不足的前提下，能否向更多用户提供可接受的多媒体业务，比单纯追求高标准的QoS而造成资源浪费，更有现实意义。此外，不同的网络具有不同的 QoS模型[2,3]，由于QoS类粒度不一致，异构网络间平滑的QoS类映射存在挑战。因此，如何实现泛在异构网络之间灵活的 QoS类映射，在保证多媒体类业务端到端 QoS的基础上，最大限度地利用网络资源，具有重要的意义。

目前 QoS类映射主要是基于映射表进行的(我们称为映射表方法)[4,5]，这类方法中，QoS类之间的映射是一对一的、固定的，在QoS类粒度不一致的情况下，一方面会给映射结果带来不确定性，另一方面也不能根据网络资源使用情况，灵活调整映射结果，以提高网络资源的利用率。有选择的QoS映射方案(Adaptive QoS Class Mapping framework based on Application Service Map, AQCM-ASM)[6]借助高维的QoS参数空间，完成业务和QoS类之间的映射，但网络间的QoS映射还是通过映射表完成，同样不能依据网络资源灵活调整映射结果。且在上述QoS映射方案中，当业务流映射到相应QoS类时，其QoS参数对应取值会有确定的范围，即相应QoS指标具有确定的下界，并没有考虑用户QoE弹性特点，从而导致网络资源的利用率有所降低。非对称映射机制在文献[7]中提了出来，但是该文关注的是垂直切换，没有考虑 QoS类映射问题。目前尽管QoS映射的研究有很多成就，但统一的QoS映射方法并没有建立，且侧重于不同网络间的参数映射和类映射。因此，在最大可能保证异构网络端到端性能的前提下，兼顾网络整体效率，设计具有弹性的QoS类映射方案似乎是较好的尝试。

基于流(flow)粒度的网络解决方案能简化整个系统的管理，降低资金和操作成本，是下一代移动互联网的发展趋势之一。根据QoS属性的相似程度，将 QoS要求相同或相近的业务流聚合在一起形成簇，我们给它一个称呼“聚集流”。但是，本文的重点不是研究如何进行流的聚合/解聚合，这将是我们下一步的工作。

鉴于带宽和延迟是众多 QoS模型主要参数[3-6]，也是表征“聚集流”QoS的主要参量，为了便于数学分析，本文构建体现映射执行元件S映射性能的速率-延迟(RD)模型。通过分析该模型，在考虑用户 QoE特点的基础上，提出了具有弹性的QoS类映射方法(Elastic QoS Class Mapping Method, EQCMM)。该方法依据当前网络资源可用情况，实时调整QoS类映射结果以向目标网络传输，从而实现了在保证先入网用户较高端到端QoS的前提下，充分利用网络资源，以满足更多用户需求的目的。相对于目前存在的QoS映射方案，本文方法的独特之处在于以下几点：(1)映射具有灵活性，可以根据网络资源的变化而调整所映射的类；(2)映射考虑了用户的QoE，可在保证端到端QoS的基础上充分利用网络资源；(3)映射不需要维护映射表。

全文具体安排如下：第1节引言，第2节给出异构网络多媒体类业务QoS类弹性映射框架，第3节针对典型的QoS映射方法进行建模，第4节提出具有弹性的QoS类映射方案并进行了分析，第5节给出了仿真结果，最后是结论。

2 异构网络多媒体类业务 QoS类弹性映射框架

如图1所示，异构网络中多媒体类业务QoS类弹性映射的实现分以下几步：(1)在相邻QoS域安置映射执行元件(一般安置于边界路由/网关，这有利于降低成本)，映射执行元件执行对流及“聚集流”处理的相关操作，包括判断“聚集流”、聚合、解聚合等操作。由于映射执行元件仅处理业务流QoS属性，独立于具体的物理网络。从端到端的角度，异构网络中的众多映射执行元件，构建了迭加在物理网络之上的“聚集流”处理层，以处理QoS域的异构问题；(2)映射执行元件从多媒体类业务自身需求的角度，抽取独立于具体物理网络的相应QoS属性，构成多QoS属性的高维空间，进而用统一的特征矢量描述各多媒体业务的QoS需求；(3)映射执行元件根据当前网络QoS域要求，依据矢量距离最短等法则确定对应“聚集流”归属的QoS 类，确保兼容当前网络；(4)映射执行元件感知网络环境，判断网络可用资源，是否满足“聚集流”对应QoS类的需求，通过映射调整，完成弹性映射；(5)判断该“聚集流”是否满足当前传输条件，以决定传输/取消该“聚集流”。

考虑典型场景如图2所示，当位于网络1和网络2边界的映射执行元件1，接受到来自网络1(发送方)的多媒体业务流时，映射执行元件1判断进入的流是否需要聚合，如果不满足聚合条件，直接执行弹性映射策略，传输至下一个网络，否则，聚合相同或相近QoS需求的业务流，生成相应的“聚集流”，并赋予唯一的“聚集流”标识，然后执行弹性映射策略。映射执行元件2对接受到的流执行与映射执行元件1类似的操作， 同时对接受到的“聚集流”进行解聚合，形成流，并将相应的流传送给对应的用户(这里用户5是接受方)。

3 速率-延迟(RD)模型

借鉴文献[8]，设定异构网络有N个映射执行元件S1,S2,…,SN依次串联，对任意时间t，映射执行元件所能提供的最低效能为S1(t),S2(t),…,SN(t)(称为映射性能函数)，映射性能函数通过“聚集流”离开和到达映射执行元件的时间关系，表明映射执行元件的效能，独立于具体的网络架构和操作，适用于互联网中各种各样的网络架构。

由于当前支持QoS的网络系统基本在网络边界使用流量调节器机制对到达的流整形，且应用中多数使用漏桶作为流量调节器。考虑业务流是经过漏桶整形进入映射执行元件的，此时映射执行元件所能提供的效能不高于漏桶效能，这里以漏桶模型A(t)表征“聚集流”在映射时的QoS需求上界[8]为

图1 异构网络多媒体类业务QoS类弹性映射框架

图2 异构典型场景

其中p是漏桶的峰值速率，ρ为漏桶的持续速率，σ为漏桶的最大突发长度。A(t)是非负的、非递减函数。

鉴于现有的QoS映射方案中[6]，各QoS类一般在QoS多维空间有确定边界(为了有利于分析问题，这里使用了带宽和延迟两个典型的QoS参数，作为表征“聚集流”QoS的主要参量，其它QoS参数的分析方法与其类似)。基于上述分析，本文构建映射执行元件S映射性能的速率-延迟(RD)模型为

其中，参数r和θ分别表示带宽和延迟，rvmin(t-θvmax)为RD模型中“聚集流”QoS要求的下界，rvmin为“聚集流”要求的最小带宽，θvmax为“聚集流”要求的最大延迟。则系统端到端的最大延迟为[8]

通过上面分析可知，由于网络QoS类的下界与对应的“聚集流”的下界并不一致，现有映射方法映射时，没有考虑网络及“聚集流”的动态变化，当某类“聚集流”过多时，由于映射是固定的，该类型“聚集流”将竞争所对应QoS类资源，即使其它的QoS类有闲置资源，也无法被利用。

4 具有弹性的QoS类映射方案及性能分析

针对多媒体业务，典型的网络QoS模型都提供相应的QoS类支持，但存在以下问题：(1)不同网络对相同类型的多媒体业务，所提供的QoS支持能力并不一致，导致不同网络QoS类之间的映射存在误差；(2)同一类型的网络，对不同类型流媒体的QoS支持有差异，资源的整体利用缺乏弹性。由于不同用户具有不同的QoE，当在某种QoS类“聚集流”业务已饱和，而其它QoS资源尚未饱和时，允许后来接入的“聚集流”业务映射时具有弹性，择机映射到别的类，这对用户是有意义的。

如果“聚集流”完成QoS类映射时，映射结果可以根据网络可利用资源进行灵活调整，即 “聚集流”的 QoS下界是可调的(理想情况下没有明确的QoS下界)，其对应映射执行元件S′映射性能的RD模型为

由于QoS类中相应参数取值范围有限制，因此，式(2)中映射执行元件的映射性能同时具有上下界，当“聚集流”的QoS要求高于映射执行元件自身能提供的映射性能时，映射表方法中拒绝映射。而由式(4)可见，只要用户愿意接受服务，映射执行元件将依据自身映射性能r(t-θ)，充分利用自身资源进行映射结果的调整，具体过程如下：(1)当“聚集流”的QoS要求低于或等于映射执行元件自身能提供的映射性能时，映射执行元件将“聚集流”映射到对应的QoS类进行传输，此时映射执行元件能提供的映射能力由自身决定，由于此时映射执行元件也可以选取r(t-θ)作为映射性能，且不降低QoS，其端到端效能和基于映射表的方法一致；(2)当“聚集流”的QoS要求高于映射执行元件自身能提供的映射性能时，映射执行元件依据自身映射性能r(t-θ)，降低“聚集流”的映射结果以传输到下一个网络。此时，即只要用户接受服务，映射执行元件将充分利用自身资源进行映射，从而提高系统端到端效能。

假设“聚集流”顺序经过系统各映射执行元件，整个端到端QoS保障系统的映射性能为

当0≤t≤σ/(p-ρ)时 ，pt≤ρt+σ， 此 时min{pt,σ+ρt}=pt，基于映射执行元件接收到的流源于漏桶这一事实，得到

式(6)表明在处理业务流的过程中，映射执行元件实际映射性能，反映在速率、延迟QoS属性上，不高于网络中流量调节器以漏桶峰值速率传输所提供的QoS性能，但不低于映射执行元件自身所能提供的QoS映射性能。此时，延迟d有个上界为

同理，对于t＞σ/(p-ρ)时，pt＞ρt+σ, min{pt,σ+ρt}=σ+ρt，有

若r≥ρ，因为t＞σ/(p-ρ)，延迟d有上界为

则可得

由上面分析可以看出，理想的具有弹性的QoS类映射方案中，系统端到端的QoS性能由系统自身性能决定。当θmax≤θvmax，由于QoS类映射是弹性的，只要链路有资源，“聚集流”可以映射到别的QoS类传输，此时的系统端到端的最大延迟由系统决定。可见，采用具有弹性的QoS类映射策略，可增加QoS类映射的灵活性，提高系统端到端的资源利用率。

本文算法流程描述如图3所示。

图3 具有弹性的QoS类映射算法流程图

5 仿真实验

为了验证本文方法的有效性，借助于 Matlab仿真工具进行仿真实验。WiFi(Wireless Fidelity)QoS模型中通过差异化机制和MAC改善增强QoS保障能力，给流量安排优先权是基于4种AC(Access Categories): voice,video,best effort和 background，每一个 AC都与 EDCA(Enhanced Distributed Channel Access)参数的一个集合相联系。但是，WiFi不能支持与 3G 网络相同的 QoS。DiffServ(Differentiated Service)是一种IP QoS体系，它是基于类的体系结构，提供定性的 QoS支持。接入DiffServ域的业务流首先在域的边界被分类和调节(包括测量、整形、重标记、丢弃等)，在 DiffServ边界节点，到达的包根据服务类型和传输条件被标记成不同的优先权。但DiffServ划分流量的粒度较粗。WiMAX2(Worldwide Interoperability of Microwave Access 2)是现行WiMAX技术标准的升级版，满足ITU的“IMT-Advanced”要求。该标准定义了 6种调度服务类型：UGS(Unsolicited Grant Service), rtPS(real-time Polling Service),nrtPS(non-real-time Polling Service), ErtPS(Extended rtPS)和AGP(Adaptive Granting and Polling Service)。鉴于WiFi, DiffServ和WiMAX2 3种网络在目前的网络中具有典型性，本文仿真中网络拓扑采用图2场景，场景由3个域/子网(WiFi→DiffServ→WiMAX2)和9个用户节点组成。仿真中针对网络学习(e-learning)业务[9]，假设构建 6种“聚集流”(表1)在网络中传输。分别以强度λ1=24和λ2=90的泊松分布产生两组进入网络的“聚集流”，用于典型(低和高负载)的不同数据分布的实验。在上述场景中，分别对映射表方法[3]，QCMASM[6]和本文方法 EQCMM(Elastic QoS Class Mapping Method)3种QoS类映射方案进行仿真，以网络端到端吞吐量作为性能指标进行分析对比，同时比较了典型业务(业务1)端到端延迟指标。针对两组典型的不同数据分布，我们分别做了 50组实验，统计结果见图4-图6。

低负载情况下，由于此时通过网络的数据量不大，队列长度及带宽等网络资源足够容纳数据的调度，故3种QoS类映射方法的端到端丢包率和吞吐量皆相同。但由于业务1属于实时视频形成的“聚集流”，传输时分配较高的优先权。在以此通过图2场景中3个网络后，3种映射方法端到端延迟分布有差异(图4)：采用EQCMM方法时，业务1端到端平均延迟较小(约0.18 ms)，其它两种方法较大(采用映射表方法时约为1.1 ms，采用QCM-ASM方法时约为0.79 ms)。其原因在于EQCMM方法可以灵活地利用网络资源，使业务1具有更多的QoS资源可以利用，故延迟较小。其它两种方法由于资源需求过于集中，造成大量业务1的等待，故延迟较大。由于采用映射表方法时，业务进行QoS类映射时存在映射误差，这些误差经过层层传递，当“聚集流”到达WiMAX2网络时，业务1、业务2、业务3和业务4被映射为同一QoS类(AGP)，导致AGP类负荷过重，所以造成的业务延迟最大。QCM-ASM方法解决了映射误差问题，但是缺乏弹性，所以业务延迟居中。

表1 各种“聚集流”业务相关参数

图4 低负载情况下，业务1在3种映射方案下端到端平均延迟分布

高负载情况下，端到端丢包率及吞吐量分布见图5。此时网络负荷较重，采用EQCMM方法具有较小的丢包率(约 4%)和较大的吞吐量(归化吞吐量在0.83～0.88之间)，采用映射表方法时具有较大的丢包率(约在 42%～45%之间)和较小的吞吐量(归化吞吐量约为0.5)，QCM-ASM方法所产生的丢包率(约在 41%～44%之间)和吞吐量(归化吞吐量约为0.51)居中。这是因为在高优先级的业务较多，低优先级的业务较少时，此时在各网络中高优先级的QoS类负荷过重，但低优先级的业务类依然具有闲置资源。在映射表方法中，当业务 3和业务 4由WiFi的QoS域映射到DiffServ的QoS域时，由于在粗颗粒的WiFi模型中属于同一个QoS类，映射表无法区分，导致业务3与业务4在DiffServ 中被映射为AF4x类，此时，在AF4x类资源紧张的情况下(尽管 AF3x类有多余的资源)，会使丢包率增加，降低了系统端到端的吞吐量。QCM-ASM方法解决了映射表方法中存在的映射精确性问题，不会有映射误差，如，业务3与业务4在粗颗粒的QoS模型中被聚集为一个同一个QoS类别，但在细颗粒的QoS模型中依然分属于不同的QoS类。其原因是网络传输过程中，业务的FID没有改变，且是全局唯一的，位于网络边界之间的映射执行元件依据FID进行类的映射。但是QCM-ASM方法缺乏弹性。EQCMM方法改进了 QCM-ASM方法，不仅解决了映射精确性问题，也更具有弹性，当一类资源紧张时，后期到达的相应业务可以借助其它空余资源进行传输，这有效降低了丢包率，增加了系统吞吐量。

图5 高负载情况下，3种映射方案端到端丢包率及归化吞吐量分布

高负载情况下，业务1的端到端延迟分布如图6所示。采用EQCMM方法时，业务1端到端延迟较小(约0.14 ms)，其它两种方法相近(约0.98 ms)。其原因和图5的分析类似。

图6 高负载情况下，业务1在3种映射方案下端到端平均延迟分布

6 结束语

关于网络流的聚集/解聚集方法已有许多研究成果[10]，流识别方法包括：(1)应用层按流/按包打标记区分。优点是计算简单，可融入用户主观感受质量因素；(2)深度包监测(Deep Packet Inspection,DPI)。其缺点是计算效率较低和涉及侵犯个人隐私；(3)用模式识别、机器学习方法。该方法依赖于流模式的统计特征。本文框架中可以采用文献中较好的一种实现方法。流聚集/解聚集技术本身是一个需要深入研究的问题，至今似乎还未有在性能和开销上均优的解决方案。本文对该问题不做展开，它将是我们下一步工作的研究重点。

本文基于构建的RD模型，针对“聚集流”在异构网络传输过程中的QoS类映射，利用网络微积分，分析基于映射表的QoS类映射方法性能，从用户QoE角度出发研究了具有弹性的QoS类映射策略，并给出该策略的定性分析。通过仿真验证了该方法的有效性。下一步的工作将包括利用机器智能理论工具，深入分析多媒体流的行为和统计特性，以及结合应用层业务特征和用户主观感觉质量因素的流聚合/解聚合方案。

[1]Kazuhisa Yamagishi, Jun Okamoto, Takanori Hayashi,et al..No reference video-quality-assessment model for monitoring video quality of IPTV services[J].IEICE Transactions on Communications, 2012, 40(2): 435-448.

[2]Rafal Stankiewicz, Piotr Cholda, and Andrzej Jajszczyk.QoX: what is it really?[J].IEEE Communications Magazine,2011, 49(4): 148-158.

[3]Mehdi Alasti, Behnam Neekzad, Jie Hui,et al.. Quality of service in WiMAX and LTE networks[J].IEEE Communications Magazine, 2010, 48(5): 104-111.

[4]Jawad Oubaha, Adel Echchaachoui, Ali Ouacha,et al.. New method: mapping of 802.11e into MPLS domains, conception and experimentation[J].Communications in Computer and Information Science, 2011, 189(2): 470-483.

[5]Alex Vallejo, Agustín Zaballos, Josep Maria Selga,et al..Next-generation QoS control architectures for distribution smart grid communication networks[J].IEEE Communications Magazine, 2012, 50(5): 128-134.

[6]Ryu Misun, Kim Youngmin, and Park Hongshik. Systematic QoS class mapping framework over multiple heterogeneous networks[C]. Proceedings of the 8th International Conference on Next Generation Teletraffic and Wired/Wireless Advanced Networking, Saint, Petersburg, Russia,2008: 212-221.

[7]Cao Guang-yu, Wang Ying, and Yao Wen-qing. A novel QoS mapping mechanism in integrated satellite and terrestrial networks[C]. IEEE 72nd Vehicular Technology Conference Fall, VTC2010-Fall, Ottawa, Canada, 2010: 1-6.

[8]Duan Qiang. Modeling and analysis of end-to-end quality of service provisioning in virtualization-based future Internet[C].Proceedings of 19th International Conference on Computer Communications and Networks(ICCCN), Zurich,Switzerland, 2010: 1-6.

[9]Muntean V H, Otesteanu M, and Muntean G M. QoS parameters mapping for the E-learning traffic mix in LTE networks[C]. IEEE International Joint Conferences on Computational Cybernetics and Technical Informatics,Timisoara, Romania, 2010: 299-304.

[10]Bremler-Barr A and Hendler Danny. Space-efficient TCAM-based classification using Gray coding[J].IEEE Transactions on Computers, 2012, 61(1): 18-30.