面向認知網絡的用戶QoS動態自配置方法

馮光升，王慧強，馬春光，李冰洋，趙倩

(哈爾濱工程大學 計算機科學與技術學院，黑龍江 哈爾濱 150001)

1 引言

現行網絡系統的顯著問題是不能充分感知終端用戶的服務需求，不能根據網絡系統的內外環境變化而有效、動態地改變終端用戶QoS，尤其是在網絡阻塞狀態下用戶的QoS水平會顯著降低。目前已經初步提出了一些解決此類問題的方法，如DiffServ[1,2]，但是這些方法只能在發出服務請求之前確定優先級，而無法根據內外環境進行實時調整，導致網絡系統用戶的整體QoS水平受網絡狀態的影響過大。

一些研究認為可以通過動態配置策略決定網絡節點與其他節點的連接方式，從而以最優化或次優化的網絡結構來提高終端用戶的QoS水平[3]。這種觀點從網絡結構的角度出發，采用特定需求的自配置策略進行網絡結構的動態部署，在一定程度上解決了上述問題，然而其最大的缺點是應用范圍有限，僅能夠部署于特定網絡中，例如 peer-to-peer網絡[4]。而且網絡自配置策略離不開網絡環境、用戶需求等因素，對于如何充分利用用戶QoS和網絡環境進行自配置策略規劃還有待進一步研究。

另外一些研究認為路由算法及其動態配置特性是提高用戶QoS的關鍵技術之一，相應地也提出了許多具有自配置特性的路由算法、自配置方法等[5,6]。這些方法是在當前靜態網絡基礎上的一些重要改進，并在現行網絡環境下獲得了較好的應用效果。但是在下一代網絡環境下，這些方法存在一定的局限性，缺乏充分考慮下一代網絡的認知特性、網絡狀況和用戶QoS需求，僅是根據當前網絡狀況實施的一些優化調整等。

還有一些學者認為 QoS動態自配置方法是根據用戶需求、數據流特性等方面進行網絡資源的合理劃分，是提高終端用戶QoS的有效手段。如文獻[7]提出了具有動態調整帶寬功能的d-QoS模型，該模型采用中斷機制，允許高優先級的數據流優先通過指定的網絡區域。這種做法以犧牲其他數據流的通過性為代價，并且在復雜網絡系統中如何確定數據流和用戶QoS需求的優先級面臨著諸多挑戰[8]。

針對這些問題，學術界已著手研究如何在下一代網絡中融入認知元素以克服當前網絡的固有缺陷，于是提出了認知網絡的概念，其核心思想是網絡系統能夠感知內外環境變化，實時調整網絡系統的配置，動態智能地適應環境并能指導未來的自主決策。認知網絡被認為是提高網絡整體及端到端系統的性能、簡化網絡管理的新途徑，是下一代通信網絡發展的必然趨勢[9]。本文在認知網絡的基礎上，綜合考慮用戶QoS和網絡狀況，采用效用函數表示用戶QoS，進而判定QoS優先級并封裝形成認識分組。在認識分組的傳輸過程中，通過認知網絡節點的中斷管理方式對用戶QoS優先級進行動態修正，從而使用戶群體感知到較好的服務質量。本文所提出的方法可以部署在認知網絡環境中，也可以部署在當前的網絡系統中，使網絡系統具有一定程度的認知特性，改善網絡系統中對用戶QoS優先級判定的準確性，提高用戶的服務質量。

2 面向認知網絡的動態QoS自配置框架

本文提出了一種面向認知網絡的 QoS動態自配置方法。該方法首先利用經濟領域和人工智能領域中的效用函數對不同級別的用戶需求及認知網絡系統狀態進行分析，得到用戶QoS的效用函數，在此基礎上獲得用戶QoS優先級，然后將中斷策略引入到自配置框架中，以便在用戶服務過程中根據網絡狀況進行用戶QoS的動態調整，如圖1所示。

圖1 QoS動態自配置框架

2.1 用戶QoS的效用函數表示

認知網絡能夠根據用戶 QoS管理并優化自身行為，但用戶QoS如何表示及如何翻譯為系統行為指令等問題將直接影響到用戶期望服務水平的實現與否。當前的做法是采用制定目標策略來解決這些問題，根據目標策略調整系統行為，以期將系統置于任何可行和可接受的狀態。這種調整目標實際上是一種對系統狀態進行估計所形成的集合，卻不能準確地建立用戶 QoS與系統目標之間的對應關系。由于效用函數可對特定系統狀態進行高層次抽象，能夠更加準確地刻畫系統狀態，因此本文采用效用函數表示用戶QoS，以準確確定不同級別的用戶QoS，并為達到該狀態提供策略指導，包括調節系統參數及范圍和重新分配資源及粒度等。

本文假設所有的效用函數都獨立于應用環境且共享一個通用的評價標準，因此任何終端用戶均具有一個用戶QoS效用函數，根據效用函數與評價標準的比較，能夠反映出相應的收益和懲罰。假設某用戶在應用環境i下的效用函數為

同時，假設 U?(R)是資源等級效用函數，指明了應用環境獲取每一種可能等級R的大小值。U?(R)可以通過來計算。假設 U?i(Ri)已經給出，計算資源分配Ri*并最大化全局效用如下

其中，R代表所有可用資源。式(4)是一個NP-HARD離散資源分配問題，可以通過混合整數規劃方法來求解[10]。

2.2 用戶QoS的優先級計算方法

計算QoS優先級的常用方法是M-LWDF[11]，該方法考慮了用戶的排隊時延和平均信道條件（用吞吐量來衡量），較好地滿足用戶對分組丟失率的要求，但是由超級用戶產生的中斷率過高，并最終影響網絡系統用戶群體的滿意度。在認知網絡環境中，敏感時延的媒體業務流將占據80%以上[12]，根據惠普因特網與存儲系統實驗室Kelly等人[13]的研究，對于敏感時延的媒體業務數據流，可以采用時延（包括排隊時延和中斷時延）來代替吞吐量等指標，通過選擇合適的效用函數以保證網絡用戶群體的滿意度。鑒于此，本文提出一種新的用戶QoS優先級計算方法，該方法以時延單一變量作為系統的優化目標，以共享信道資源分配為目的，根據用戶QoS的效用函數設定用戶數據分組優先權 'P。

由于沒有考慮網絡傳輸狀況，該優先權級不能作為用戶數據分組的最終優先級，因此有必要對用戶優先級進行修正。為了防止時延超出可行的范圍，用障礙函數來構造用戶i的優先級修正因子iδ。

其中，dmax為允許的最大時延，di(n)為當前n時刻的時延，φi為可調節的懲罰因子。懲罰因子越大，對即將超時時延的補償就越大，優先級就越高。假設根據用戶 QoS效用函數排序所得到的優先級為Pi'，則用戶數據流的實際優先級Pi修正為

為了保證不頻繁地發生優先級重計算，在用戶數據分組中的數據段部分封裝了數據流的類型，對于具有分組丟失優先級的實時數據流采用優先級校正，而其他的數據流仍按照用戶QoS的效用函數計算其優先級。綜上，數據流的優先級可表示為：i具有分組丟失優先級 (7)其他

2.3 數據流中斷機制

根據2.1節和2.2節，在用戶QoS轉化為效用函數 U(S,D,δ)并計算出資源分配 R*之后，如果不考慮網絡狀態，那么就很可能達不到用戶所期望的QoS水平。為解決這個問題，本文利用認知網絡的主動特性，在用戶服務或者服務請求數據分組中除了包含數據分組頭中的基本信息（源/目的IP地址、源/目的端口、協議等）外，還封裝了特定用戶程序和專有數據。當這類用戶數據分組經過認知節點時，允許在這些節點上執行用戶或應用程序指定的計算，以達到用戶期望QoS水平的目的。這些封裝了特定用戶信息的數據分組稱為認識分組。同時在認知節點上也部署一個公共接口函數，使認識分組中的相關代碼能夠被該公共接口函數執行。因此，傳統網絡節點的作用也隨之發生變化，普通網絡節點被認知節點替代，并允許在這些認知節點上執行認識分組所包含的特定計算，傳統的網絡也從被動地承載數據轉化為主動地計算引擎。為在網絡的認知節點上執行計算行為，必須有合適的機制，保障認知節點能夠從傳輸普通數據分組切換到執行指定計算的模式。認識分組的相關代碼可能對節點的安全性構成威脅，然而認知節點可采用“沙箱技術”通過建立虛擬空間運行認識分組中的代碼，這樣一來，即使發生安全攻擊，運行結果也被限制在虛擬空間內，不會對認知節點本身構成威脅。因此，本文在操作系統中斷機制的基礎上提出認知節點的中斷管理思想解決上述問題。

2.2 節給出了用戶QoS優先級P的計算方法，

由于終端用戶在請求服務時刻就在數據分組中封裝了服務的優先級，因此網絡中的數據分組可根據優先級進行分類排序，形成具有先后順序的數據流，這些認識分組可通過任何正在使用的協議機制向前傳輸。當一個認知節點接收到一個認識分組時，內部中斷就會產生，認識分組中的程序代碼發起 QoS重配置請求，重配置動作在認知節點上進行，從而使那些具有高優先級的數據流順利通過網絡。這種中斷機制類似于操作系統中超級用戶進程的中斷機制，其中的資源都是優先分配給超級用戶進程，其他的進程則被暫停。

在執行中斷服務程序的過程中，當一個路徑被動態路由機制選中，之前路徑上的數據分組在超時時刻被移除。這種機制允許認知節點可與任何路由機制進行協作，如靜態路由、動態路由等。具有優先級的認識分組流經認知節點時，該分組的優先級首先被審查，以確定所申請級別的可用性。如果該級別被占用，將用一個較低的級別進行替代。當具有優先級的數據流轉發結束后，隊列將從系統中移除。隊列長度會因當前數據流優先級的數目不同而不同。一旦所有的優先級數據流完成轉發，節點的工作模式就由中斷模式轉變為普通模式。

2.4 自配置方法的部署要求

本文所提出的動態 QoS自配置方法可以部署在當前的IP網絡中，使其具有認知網絡的特性或者部分特性，以解決當前網絡環境對用戶QoS配置支持不足的問題。通常情況下，需要在普通IP網絡的關鍵節點和瓶頸鏈路上部署認知節點，在終端用戶上部署效用函數及評估標準。這樣可以保證關鍵節點和瓶頸鏈路對具有指定 QoS的數據分組進行處理，包括優先級校正，按順序轉發等。

任何一個認識分組均含有代碼段和數據段，其中網絡的認知節點能夠識別認識分組中的代碼段，并觸發中斷從而執行這些代碼。普通網絡節點忽略了認識分組中的代碼段，將認識分組認為是普通數據分組。這種配置要求保證了認知節點能夠與普通網絡節點共存和互操作，從而可以在保證用戶QoS的同時，改善網絡節點對數據流的主動處理能力，提高傳輸性能。

3 QoS動態自配置算法

QoS動態自配置算法包括3部分：第1部分屬于終端用戶數據分組的封裝與發送，是形成認識分組的過程；第2部分為認識分組經過網絡的認知節點而觸發中斷的過程，主要包括：用戶QoS優先級的校正和認識分組的轉發；第3部分是服務提供者獲得用戶數據分組中的效用函數，并封裝到服務數據分組中以形成新的認識分組。如圖2～4所示。

圖 2 算法 1∶ Configure_User_Package

圖 3 算法 2∶ Dynamic_Configure_QoS

圖 4 算法 3∶ Configure_Service_Package

算法1～3使各個模塊共同作用，首先對每一個服務水平空間Si和需求空間Di計算資源分配R*；然后對R*中每一種資源分配Ri計算出效用函數值；然后根據效用函數值對每個終端用戶的服務請求分配優先權P；最后根據優先權級別對服務請求數據分組進行排序，以此作為在網絡中優先轉發和獲得優先服務的根據。服務請求數據分組和服務數據分組在轉發過程中，將會通過中斷機制對優先級進行修正，以保證具有低分組丟失、高優先級的數據流順利通過網絡。

本文提出的QoS動態自配置算法相對于已有算法的改進在于采用效用函數計算用戶QoS的優先級，不僅保證能夠獲得期望的QoS水平，還保證用戶數據分組在網絡節點上能按優先級轉發，防止因網絡堵塞等原因造成的用戶 QoS水平下降。同時考慮了網絡狀態，采用中斷機制和優先級修正策略保證具有低分組丟失率、高優先級的數據流順利通過網絡。

4 仿真結果與分析

首先結合具體實驗環境對上述各式和算法進行具體化。一方面，由于應用環境的任務目標具有針對性和特定性，如認知網絡中實驗敏感型數據流占據80%以上，因此時延指標占有絕對性的權重優勢；另一方面，考慮到求解的復雜性，現有研究內容通常采用單值形式對Ui，Si，Di進行描述[14]。本文延用這個結論，對服務質量Ui進行化簡：

式(9)中，Ui(Si, δi)由應用環境的水平和優先級修正因子來確定。

因為2.2節中以時延單一變量作為系統的優化目標，且 Si中的Ci由系統唯一確定，也可以省略，因此可以把Si用平均響應時間來替代。在只考慮時延的條件下對于Ui的選取，可以歸結為對函數族Γ(x)中各參數的選取[15]，函數族Γ(x)的表達式如下：

通過其中參數的選取，使得在響應時間較短時具有較高的效用值，而當接近某一臨界點時，效用值劇減，最后接近于0。本文把Ui的值域定義為(0,1)區間，令β的取值可令Ui能出現在0～1之間變化的條件，γ值使得效用值符合臨界點跳變的現象，α根據仿真實驗統計獲得。自變量平均響應時間與因變量Ui的函數關系如圖5所示。

圖5 響應時間與效用值的關系

4.1 仿真環境及過程

在服務提供方和接收方處理能力一定的前提下，用戶獲得的服務水平通常受網絡傳輸狀態尤其是瓶頸鏈路的影響。因此本實驗主要考慮瓶頸鏈路的問題而忽略非瓶頸鏈路的影響。本文采用開源網絡仿真工具NS2搭建如圖6所示的拓撲結構，其中節點C1和C2是部署在網絡瓶頸鏈路上的認知節點，其帶寬是10Mbit/s，其他鏈路帶寬為100Mbit/s；節點S1、S2、S3和S4是服務提供方，節點S是服務的匯聚節點和分配節點；節點U1、U2、…、U20為服務請求節點也是服務接收方，節點U為服務請求的匯聚節點和分配節點，負責封裝用戶QoS的優先級與中斷服務程序；節點 U'、U'子節點、U''及 U''子節點均為網絡上的普通節點，傳輸的數據分組也是普通數據分組，主要用途是對具有優先級的服務請求和服務進行干擾，從而驗證本文所提出方法的有效性。

圖6 模擬拓撲圖

實驗使用高質量視頻傳輸的電視數據流作為節點S到U1、U2、…、U20數據流樣本。如果忽略服務請求的數據流，則該電視數據流是一種單項的 VBR流，因此將模擬其為time-sensitive類型的流量。實驗中，U '的子節點為sink節點，U''的子節點為FTP source節點，將其間的數據流模擬為non time-sensitive類型的流量，這2種類型的流量均通過數據流發生器產生。節點的優先級初始化為，但是節點U5和U6不允許分組丟失，且U5的丟失分組優先級低于 U6。也就是在瓶頸鏈路發生堵塞時，節點的優先級通過中斷服務程序校正為：仿真實驗中涉及的其他主要參數：5～40s時，節點服務請求發送速率為0.2Mbit/s，節點的發送速率為 1Mbit/s；25～40s時，節點的發送速率為 0.23Mbit/s，的發送速率為0.23Mbit/s。

為了便于結果的比較，在仿真環境中部署了 2種類型的隊列：DiffServ模式下的CBQ (class-based queue)和中斷模式下的 PQ(priority queue)，其中CBQ被用來表示不同DiffServ類別間的帶寬劃分和共享，PQ模式采用本文提出的QoS優先級動態自配置方法。

4.2 結果分析

圖7給出了DiffServ和PQ 2種模式下瓶頸鏈路的帶寬占用對比情況：一種是只有DiffServ模式，沒有中斷機制，另一種是PQ模式，具有中斷機制。兩者在整個模擬過程中占用的帶寬幾乎一致，但本文所提出的方法帶寬占用率略高于DiffServ方法，原因是在用戶的服務請求分組內封裝了少量代碼。其中前5s沒有做任何的連接請求，5～40s發起服務請求并獲得服務，25～40s加入U'到U''得數據傳輸，造成帶寬使用達到上界，并有丟失分組現象發生。

圖7 帶寬占用情況對比

實驗中，采用傳統數據分組中的8bit區分服務標志比特來表示是認知分組還是普通數據分組，并以此代替對IP數據分組結構的修改。考慮到實際環境中，數據分組所經過的網絡節點是未知的，不能保證所有節點均能對包含的代碼進行識別和執行，所以，實驗對認知網絡中的代碼部分進行了簡化處理，其中僅用2byte的數據來指明優先級和效用值，而不包括執行代碼。為了對2種模式下帶寬占用情況進行對比，實驗采用Cpd進行帶寬比較計算，其中Pt代表t時刻PQ模式所占據的帶寬大小，Dt代表t時刻DiffServ模式所占據的帶寬大小，T表示觀察區間[0，45]。經計算，PQ模式帶寬占用率比DiffServ約高1.03%。

以式(12)作為衡量用戶滿意度的標準，其中 Ei表示用戶期望獲得服務的時間，Ai代表用戶i實際獲得服務的時間，Pi代表用戶 i的優先級。2種模式下的用戶滿意度對比如圖8所示。

圖8 用戶滿意度對比情況

由于本文所提出的方法充分考慮了網絡傳輸情況，當發生堵塞導致數據流丟失分組時，優先考慮丟失分組級別情況。在25～40s時的認知分組引發中斷，認知節點將重新計算數據流優先級，所以在發生鏈路堵塞時能夠有效地保持或小幅度地降低用戶滿意度，但仍比 DiffServ下的用戶滿意度高10%左右，其他時段兩者的滿意度基本一致。雖然DiffServ模式也可以通過優先級來保證數據流的順利轉發，但是DiffServ對數據流的分類模式是靜態的，不能根據用戶QoS的變化進行動態調整。

為了進一步測試用戶滿意度情況，實驗中對以下3種情況進行對比分析。

1) PQ1模式：只有瓶頸鏈路C1和C2為認知節點；

2) PQ2模式：所有非終端網絡節點為認知節點；

3) BE(best efforts)模式：所有網絡節點為普通節點，采用最為常見的BE模式提供服務。

實驗結果如圖9所示。PQ1模式下比其他2種模式下的用戶滿意度均有不錯的性能提升；當網絡系統中不存在擁塞現象時，PQ2模式比BE模式的用戶滿意度略高一些，然而當網絡中發生擁塞現象時，PQ2的用戶滿意度下降很快，甚至低于BE模式。在PQ1模式下對用戶QoS優先級調整計算的節點只是網絡系統中的瓶頸鏈路節點，而其他節點不參與計算，不會引起網絡狀態惡化；在 PQ2模式下，由于所有非終端節點均為認知節點，這些節點都會以中斷方式參與用戶 QoS優先級的調整計算，致使網絡系統平均時延增大，發生擁塞和丟失分組的概率相應增加，網絡整體性能隨之下降，因而導致用戶滿意度的下降，甚至低于BE模式下的用戶滿意度。

圖9 2種模式下用戶滿意度對比情況

由以上分析可以得出如下結論：

1) 所有網絡節點參與計算并不一定能提高用戶對網絡服務的滿意度，必須在參與計算節點數量、位置與系統性能之間取得平衡，也就是效用最大化；

2) 在瓶頸鏈路部署認知節點可以有效提高用戶滿意度。由于PQ是一種基于現有資源的QoS等級劃分，在實際的數據分組傳輸過程中，網絡資源是動態變化的，因此需要根據網絡資源狀況對QoS等級進行調整。由于數據分組在傳輸過程中會經歷大量的網絡節點和網絡鏈路，如果QoS等級的動態調整太頻繁，將會造成網絡性能下降，因此在瓶頸鏈路上部署認知節點是合理的。

5 結束語

本文提出了一種面向認知網絡的用戶 QoS動態自配置方法，充分考慮了下一代網絡的認知特性，通過效用函數將用戶QoS進行表示和優先級區分，并采用中斷策略對用戶QoS優先級進行動態修正，從而解決了網絡阻塞狀態下對用戶QoS支持不足的問題，使網絡用戶群體在當前網絡條件下感知最優的服務質量。本文所提出的方法亦可以部署在現行網絡中，改善對用戶QoS等級判定不準確的問題，從而有效地提高用戶QoS。

[1] AWAD C, SANS B, GIRARD A. DiffServ for differentiated reliability in meshed IP/WDM networks[J]. Computer Networks, 2008, 52(10)∶1988-2012.

[2] MAMMERI Z. Framework for parameter mapping to provide end-to-end QoS guarantees in IntServ/DiffServ architectures[J].Computer Communications, 2005, 28(9)∶1074-1092.

[3] SAFAK M. Towards cognitive telecommunication networks[A]. Proceedings of the IEEE 15th Conference on Signal Processing and Communications Applications[C]. Eski?ehir, Turkey, 2007. 1-4.

[4] CLARKE R. P2P's significance for ebusiness∶ towards a research agenda[J]. Journal of Theoretical and Applied Electronic Commerce Research, 2006, 1(3)∶42-57.

[5] SCHMID S, SIFALAKIS M, HUTCHISON D. Towards autonomic networks[A]. Proceedings of the Third Annual Conference on Autonomic Networking, Autonomic Communication Workshop (IFIP AN/WAC), Volume 4195 of Lecture Notes in Computer Science(LNCS)[C]. Paris, France, 2006. 1-11.

[6] KATSUNO Y, AIHARA T, RES I. Autonomic network configuration for networkable digital appliances[J]. IEEE Transactions on Consumer Electronics, 2005, 51(2)∶494-500.

[7] TANSUPASIRI T, KANCHANASUT K, BARAKA C. Using active networks technology for dynamic QoS[J]. Computer Networks, 2006,50(11)∶1692-1709.

[8] MAHMOUD Q. Cognitive Networks∶ Towards Self-aware Networks[M]. New York∶ Wiley Interscience, 2007.11-18.

[9] THOMAS R, FRIEND D, DASILVA L. Cognitive networks∶ adaptation and learning to achieve end-to-end performance objectives[J].IEEE Communications Magazine, 2006, 44(12)∶ 51-57.

[10] MICHAEL R, DAVID S. Computers and Intractability∶ a Guide to the Theory of NP-completeness[M]. New York∶ W H Freeman & Co Ltd,1979. 35-43, 52.

[11] AMEIGEIRAS P, WIGARD J, MOGENSEN P. Performance of the M-LWDF scheduling algorithm for streaming services in HSDPA[A].Proceedings of IEEE 60th Vehicular Technology Conference[C]. Los Angeles, USA, 2004. 999-1003.

[12] 林闖, 王元卓, 任豐原. 新一代網絡QoS研究. 計算機學報, 2008，31(9)∶ 1525-1535.LIN C, WANG Y Z, REN F Y. Research on QoS in next generation network [J]. Chinese Journal of Computers, 2008, 31(9)∶ 1525-1535.

[13] KELLY T. Utility-directed allocation[A]. Proceedings of First Workshop on Algorithms and Architectures for Self-managing Systems[C].San Diego, California, 2003. 115-121.

[14] JEFFREY O, RAJARSHI D. Achieving self-management via utility functions[J]. Internet Computing, 2007, 11(1)∶ 40-48.

[15] WALSH W, TESAURO G, KEPHART J. Utility functions in autonomic systems[A]. Proceedings of 2004 International Conference on Autonomic Computing[C]. New York, USA, 2004. 70-77.