一種面向智慧交通的車聯網網絡流量估計方法

凌 敏，羅 影，袁 亮，靳傳學

(1.成都航空職業技術學院 機電工程學院，四川 成都 610100；2.電子科技大學 信息與通信工程學院，四川 成都 611731；3.成都航空職業技術學院 信息中心，四川 成都 610100；4.成都盤灃科技有限公司，四川 成都 610100；5.電子科技大學 通信抗干擾技術國家級重點實驗室，四川 成都611731)

近年來車載自組織網絡發展迅速，它依靠諸如互聯網、新一代無線通信、云計算、邊緣計算等前沿信息技術，通過有效的數據處理與分發來提供可靠的車載通信。車聯網的高效利用可減少交通事故、交通擁堵、駕駛時間、油耗等，促進智慧城市發展[1-2]。車聯網允許用戶通過交換特定交通信息來了解周圍環境的信息和可能發生的堵塞，其中車聯網的網絡流量受城市交通布局、出行時間以及交通事故等因素的影響隨時間變化。車聯網絡架構在為智慧交通帶來便利的同時，也存在許多待解決的技術問題。其中，車輛的交通數據由大量分布式基礎設施生成，并通過網絡傳輸到云計算服務器。這些交通數據的處理不具備可擴展性和高效性，當來自車輛傳感器的數據量過多時會影響處理時延[3]。同時，大量的數據向云服務器進行傳輸代價非常昂貴，需要消耗大量的帶寬和能量，造成車聯網網絡阻塞等問題。因此，對車聯網流量的研究十分重要，通過流量分析與估計可以減少網絡負載壓力，更快更好地實現城市交通調度，促進交通智能化，有效地提高城市交通效率，減少或預防交通事故的發生。

車聯網絡中部分數據僅由設備本身使用，或者在設備覆蓋范圍內處理，不需要轉移到云計算，特別是一些對時間敏感的應用，例如車聯網終端中的交通燈控制和無人駕駛應用等[4]。由于應用程序的數據生成點遠離云計算中心，因此數據傳輸時間是一個巨大的挑戰。車聯網中的大多數終端用戶設備通常資源匱乏，因此可以利用邊緣計算服務器處理網絡邊緣收集的數據，提供可靠的計算能力，減少請求時間和網絡帶寬浪費[5-7]。在5G車聯網應用場景中，基站(BS)和邊緣服務器的聯動能夠支持大量交通設備入網，可以處理大量終端和應用程序的請求，例如緩存、多媒體等。邊緣計算是一種開放式平臺，它在靠近數據源的一側集成了網絡、計算、存儲和應用程序的核心功能，為設備提供了更多的計算能力和服務。邊緣計算的應用在邊緣推出，具有更快的網絡服務響應，滿足行業對實時業務、安全和隱私保護的需求。因此，在智慧交通網絡中融入邊緣計算，打造一種通用平臺，根據客戶需求提供多種車聯應用是車聯網發展的趨勢[8-10]。

傳統的車聯網數據流以大批量快速傳輸到云，但不具備可擴展性和高效性，無法處理實時性要求高的海量數據[11]。同時，傳輸大數據是昂貴的，將消耗大量的帶寬、能量和時間[12]。因此，有必要設計一個有效的數據處理架構。如今，隨著車載終端數量和智能性的大幅增加，越來越多的應用需要處理大量的計算任務。相比從云計算服務器請求計算資源，利用邊緣計算融入車聯網絡可以減少部分請求的延遲和帶寬，但也有一些請求和內容在云計算服務器和邊緣計算服務器之間遷移。邊緣計算通常與數據源端的許多終端相結合，并提供基礎計算服務。部分應用程序和數據仍然需要云計算中心的某些服務，例如數據的長期存儲、大區域范圍的數據計算等[13]?；谶吘売嬎阋髧栏竦膶崟r性，細粒度、高精度的車聯網絡流量估計是車聯網絡技術應用的本質要求，對智慧交通網絡流量工程建設有著非凡的意義。網絡流量的測量發展到現在已經取得實質性的成果，目前有許多方法可以測量網絡流量，例如NetFlow，sFlow，但是這需要硬件支持和遠程監控代理軟件。因此，通過軟件定義網絡的思想和邊緣計算技術來實現萬物互聯成為一種應用趨勢。軟件定義網絡(SDN)將數據和控制平面分開，并將網絡控制與決策集中[14]?；谲浖x網絡的網絡提供低延遲和高帶寬服務，具有靈活性和可編程性。在邊緣-云計算架構中，除了數據收集和通信之外，新架構還需要仔細考慮存儲、訪問和分析技術。在新架構中，網絡不僅僅用于轉發數據，還需要處理數據，如存儲、計算和分析等?；谲浖x網絡的通信層根據認知無線電和信道分配策略提供選擇策略，可實現低延遲和高帶寬通信。在測量方法的選擇上，目前主要有主動測量與被動測量兩種方法。用于動態測量網絡流量的主動監控技術在網絡中引入了額外的開銷，而被動方法在流量測量方面缺乏準確性。因此，如何減小流量測量誤差，提高流量估計精度是網絡流量工程中最值得研究的技術。在實際應用中，面對靈活的網絡流量變化，基于合理的流量估計策略，提高流量測量精度，是車聯網絡流量估計的一項重要研究內容。

在車聯網絡數據采集方面，軟件定義網絡提供了兩種通過OpenFlow協議收集流量統計數據的機制，即基于拉取和基于推送[15]。基于拉取的機制是收集統計信息的主動方法，無需額外的硬件或軟件，需要控制器向基于OpenFlow的交換機發送指令?？刂破鞒绦蜃x取狀態消息并將其發送到基于OpenFlow的交換機以收集流統計信息或端口統計信息[16-17]。HUANG等[18]提出并實現了一個基于軟件定義網絡的移動邊緣云框架，該框架同時兼容ETSI和3GPP架構。它提供了所需的數據平面靈活性和可編程性，可以根據網絡部署和條件實時改進延遲。該文獻針對戰術無線網絡中的帶寬、服務差異化和靈活性，提出了基于軟件定義網絡的移動邊緣云(MEC)架構，同時該架構可以對動態的戰術無線網絡做出最佳的策略。HUO等[19]利用數據包級統計數據，在軟件定義網絡中設計了一種可擴展、準確、快速的測量方案，并提出了一種可以估算鏈路利用率的低延遲負載感知雙層測量平臺。文獻[20]采用插值優化的方法對軟件定義網絡流量測量結果進行插值恢復，提高流量估計的精度。文獻[21-23]中的方案試圖對網絡中的數據流量問題展開研究，但是，網絡中的流量測量都面臨測量誤差不可預測的問題。

通過分析上述研究的不足，筆者提出了一種新的測量方案，構建了一種新的云-邊緣計算車聯網絡流量測量體系架構方案。本方案中直接測量網絡流量的一些數據，并預測細粒度的網絡流量。然后，筆者提出了一種優化模型來減少預測的細粒度測量誤差，并提出一種啟發式算法來尋找模型的最優解。筆者的主要工作如下：

(1) 與以前的網絡測量方法相比，研究了基于軟件定義網絡的智慧交通網絡流量的測量。將流量的測量開銷和精度作為智慧交通網絡優化的核心。為了獲得低開銷和高精度的測量結果，提出數據流的粗粒度流量和鏈路的細粒度流量。

(2) 提出基于最小估計誤差的目標函數來優化測量結果。由于目標函數是NP難(NP-hard)問題，設計一種啟發式算法來獲得細粒度流量測量的最優解。

(3) 為了驗證所提出的算法的優越性能，搭建了仿真驗證平臺，并進行了一系列的仿真實驗。

1 網絡流量估計方法

車聯網中大量的服務經常從云計算請求資源，需要網絡測量方法優化資源消耗，例如負載平衡、路徑規劃和異常檢測?；谲浖x網絡的流量測量比傳統網絡流量測量更容易，且更靈活。在本節中，筆者提出了一種基于軟件定義網絡的車聯網流量測量架構。

1.1 系統模型

作為一種新型網絡，車聯網絡由裝備在移動車輛上的節點和固定的道路基礎設施組件組成。車聯網中邊緣計算設備通常需要協同處理車輛傳感器節點和基礎交通設施傳輸過來的數據。同時，智慧交通網絡還實時添加或刪除一些邊緣節點。常見的網絡測量具有很高的局限性。軟件定義網絡的集中控制器可以提供網絡結構的統一視圖，快速響應邊緣節點的添加和刪除，集中式流量工程更有效。調整端到端流量路徑以實現網絡資源的有效利用，軟件定義網絡控制器可以快速聚合網絡資源，從而實現均勻分配。

軟件定義網絡提供主動和被動兩種測量方法?？刂破鲉又鲃訙y量方法將測量數據包注入網絡，方便靈活收集交換機回復的信息，控制器可根據需要主動測量網絡流量。被動測量方法是通過觀察測量，觸發開關以收集統計信息并將其發送到控制器。被動測量沒有額外的成本，但缺點是不靈活。在智慧交通網絡架構中，網絡連接車載終端、邊緣計算設備和云計算中心，網絡中存在多個小流量，因此主動測量方法更適合邊緣-云計算車聯網絡中的流量測量。從邏輯上講，所有交換設備都直接連接到控制器；在物理上，有兩種模式可以部署控制器，即帶內和帶外。在帶外模式下，控制器與傳輸網絡隔離，所有交換機經專用線路連接控制器；在帶內模式下，控制指令由其他交換機經專業虛擬鏈路通過網絡傳輸。

筆者提出的基于軟件定義網絡的車聯網流量測量架構，首先采用粗粒度測量，然后使用估計和優化方法以較低的測量開銷恢復細粒度測量。這些測量組件安裝在控制器中，并與其他現有軟件定義的測量框架兼容。所提出的測量關鍵技術包括粗粒度測量、流量矩陣構造、插值和優化。通過收集基于OpenFlow的流統計信息，可以獲得軟件定義網絡中基于流的粗粒度測量；流量矩陣由鏈路負載、流量和路由矩陣組成，反映了網絡中流的特征，在流量工程中得到了廣泛的研究；插值是數據恢復的常用方法，被廣泛用于解決復雜問題。用戶和應用程序通過新穎測量方案提供的應用程序接口(Application Programming Interface，API)執行許多測量任務，例如鏈路利用率、流量大小分布和異常檢測，用于支持邊緣計算車聯網中感知道路交通、道路狀況，檢測交通事故、危險駕駛等重要事件。

1.2 流量矩陣建設

源-目的(OD)流量是指網絡中任意兩個節點之間的流量。為描述源-目的對之間的網絡流量分布，考慮一種簡單的拓撲結構。網絡中有5個具有計算和存儲功能的交換機，形成網狀網絡。這5個交換機連接到多個邊緣主機、車載終端或數據中心。然后，在不同的鏈接中抽象源-目的對來構建流量矩陣。具有網絡中每個源-目的對的矩陣的網絡中的流量為

(1)

根據式(1)，可以獲得業務矩陣和標記矩陣的列向量：

X=[x11x12…x21x22…xNN]T。

(2)

通過直接測量無法獲得網絡中的源-目的流量，需要根據測量的鏈路流量和網絡路由矩陣進行計算，并構建一個線性的表達式來反映流量矩陣的映射關系：

Y=AX，

(3)

其中，Y是表示鏈路流量的列向量，X也是表示流量矩陣的列向量，A是路由矩陣。

源-目的流量的解決方案是典型的反轉問題。由于實際網絡中鏈路的數量遠小于源-目的流的數量，因此路由矩陣的行向量傾向于具有高度的相似性，即A不滿秩。面向源-目的流的計算問題是一個欠定、病態系統的逆問題求解問題。

1.3 自回歸移動平均模型

在車聯網絡中，邊緣計算設備通過網絡和車載終端以及云服務器連接和傳輸數據。網絡中的流量模型表示為時間序列模型，有時間相關性。自回歸移動平均(ARMA)模型可以用于預測時間序列，是由自回歸(AR)模型和移動平均(MA)模型組成的。然而，自回歸移動平均模型應用更為廣泛，并且相較自回歸和移動平均模型來說預測錯誤率更低。

流量可以隨著時間形成隨機序列。隨機序列的相關性反映了原始數據的連續性。由于自回歸模型能夠及時展示流量的相關性，所以一個車聯網絡流的流量序列x1，x2，…，xt能夠被表示為

(4)

其中，xt是預測對象的觀測值，Zt是誤差，βi(i=1，2，…，p)是自回歸系數，p是序列。由于預測對象xt受自身變化的影響，誤差Zt是白噪聲且是隨機序列，所以隨機誤差的移動平均模型[20]可以表示為

xt=β1xt-1+β2xt-2+…+βpxt-p+εt+α1εt-1+α2εt-2+…+αqεt-q，

(5)

圖1 用于預測流量的自回歸移動平均算法模型

其中，α表示移動平均模型序列系數，q表示移動平均模型序列個數。

ARMA(p，q)模型能夠準確地確定順序p和q，從而準確地預測流量，再結合常用的排序標準來確定順序p和q。最廣泛使用的是AIC標準(A-Information Criterion)。AIC標準是擬合精度和階數的加權函數，使AIC函數最小的模型被認為是最優的模型。

在基于軟件定義網絡邊緣計算的車聯網網絡中，使用基于拉取的模式來收取OpenFlow交換機中的粗粒度網絡流量統計信息，利用ARMA(p，q)模型來填充每個網絡流的流量。自回歸移動平均的流程圖如圖1所示，其中數據處理部分主要通過時序分析剔除野點，提高模型估計的精度。

算法1使用自回歸移動平均估計流的流量。

輸入：初始化設置，流的數量為M，粗粒度的流量測量矩陣為X。

過程：

① form=1 toM：

② 利用式(7)和式(8)獲取p和q的階數值；

③ 估計系數α和β的值；

④ 計算誤差值Zt=εt+α1εt-1+α2εt-2+…+αqεt-q；

⑥ end for。

筆者提出的自回歸移動平均網絡流量估計方案的具體算法可用公式表示為

(6)

利用算法1，可獲得流量矩陣中每個流的細粒度估計結果。但是，流量的估計結果與實際流量有很大誤差。在邊緣車聯網絡流量中，鏈路負載反映了網絡中整體的流量傳輸情況。因此，使用基于拉取的方法發送請求消息以獲得網絡中的細粒度鏈路負載。網絡中的細粒度的流量可以表示成

(7)

其中，A是路由矩陣。

為了降低估算結果和實際流量結果的偏差，構造一個帶有約束條件的優化目標函數來估計網絡流量值。目標函數如下所示：

(8)

1.4 人工魚群算法

人工魚群算法利用了水中的魚可以根據個體搜索和跟蹤其它魚類來找到食物源這一思路，模擬了魚群向水中食物區域移動時的覓食行為。通過模擬每條魚的行為，尋找每條魚的局部最優，最終實現魚群的全局最優值。其中，人工魚(AF)是一種抽象虛擬化的魚實體，它封裝了自己的數據和一系列的行為，能夠接受環境刺激信息并產生出相應的行為。其所在的環境中包含問題的解決方案空間和其它人工魚的狀態。它在下一刻的行為取決于它自己的狀態和環境，它也通過自己的活動來影響環境，從而影響其它人工魚的活動。

人工魚的外部感知是通過視覺實現的。人工魚模型使用如下方法來實現人工魚的虛擬視覺：

Xv=X+dvisualR(·)，

(9)

(10)

其中，X是人工魚的當前狀態；dvisual是人工魚的視距；R(·)是一個隨機函數，它產生一個0到1之間的隨機數；S是步長。

人工魚的4種基本行為如下。

(1) 覓食行為。覓食行為用來表示每條魚向食物靠近的過程。通常通過視覺感知或食物濃度來確定人工魚活動的方向。

首先設置人工魚的當前狀態，并在其感應范圍內隨機選擇另一個狀態。如果獲得的狀態的目標函數大于當前狀態，則通過新選擇獲得更近一步的狀態；否則，重新選擇新狀態以確定是否滿足條件。在選擇若干次后，選擇最優的滿足條件作為下一步活動的基準。如果仍未滿足條件，則繼續隨機移動一步。從而，整個覓食行為可以表示如下：

人工魚Xi隨機選擇其視野中的狀態Xj，且

Xj=Xi+dvisuanlR(·)。

(11)

然后，計算目標函數值fi和fj的值Xi和Xj。如果發現Xj比Xi更優，Xi向這個方向移動一個步長，并且新狀態為

(12)

否則，Xi繼續去選擇其視野中的Xj來判定前進方向是否滿足條件。在反復嘗試數次之后，仍然不滿足前進條件，就會執行隨機行為。

(2) 集群行為。大量的人工魚聚集在一起，共同覓食和躲避捕食者，這是魚群在進化過程中形成的一種生活方式。每個人工魚通過探索當前鄰居中的同伴數量并計算同伴的中心位置，將新獲得的中心位置的目標函數與當前位置的目標函數進行比較。如果中心位置的目標函數優于當前位置并且不是非常擁擠，則當前位置向中心位置移動一步；否則，執行覓食行為。魚群遵循兩條規則：盡可能地移動到鄰近同伴的中心，并避免過度擁擠。集群行為可以被表示如下：

人工魚Xi搜索當前視野d≤dvisual中的同伴數量nf和中心位置Xc。如果Xc/nf>δXi，則表明合作同伴中心的位置更優而且不那么擁擠，這時Xi向合作同伴的中心位置移動一步； 否則，將終止覓食過程。

(13)

其中，Xc是同伴的中心位置，δ表示擁塞因子。

(3) 追隨行為。當一條魚或幾條魚找到食物時，它們附近的其它魚將隨之而來，導致其余魚離得更遠。當最佳位置的目標函數值大于當前位置的目標函數值并且不是非常擁擠時，當前位置的魚向最佳鄰居魚移動一步；否則，執行覓食行為。追隨行為可以表示為算法2。

算法2使用人工魚群算法優化細粒度的網絡流量。

過程：

② while True：

③ 執行prey()，swarm()，follow()的過程

⑤ break；

⑥ else

⑧ 更新公告板B，

⑨ end。

⑩ end while。

人工魚Xi在當前視野(dijδXi，則表明最佳同伴不太擁擠，Xj向同伴移動一步；否則，執行覓食行為。

(14)

(4) 隨機行為。Move(·)是覓食行為的默認行為，這意味著人工魚在視野內隨機移動。當發現食物時，它會朝著食物增加的方向快速移動。該算法描述了人工魚Xi隨機移動一步并達到新狀態：

(15)

公告板：公告板是記錄最佳人工魚個體狀態的地方。在執行一次迭代之后，每個人工魚將其當前狀態與公告板中記錄的狀態進行比較。如果它優于公告板中的狀態，則更新公告板中的狀態為自身的狀態；否則，公告板的狀態保持不變。當整個算法的迭代結束時，公告板的值是最佳解決方案。

AFSA算法詳細過程如算法2所示。對于邊緣計算車載網絡中的流量，每個流可以用一個人工魚表示。在AFSA模型中，行為評估是反映人工魚自主行為的一種方式。選擇最佳行為和更好的方向是解決優化問題的關鍵。為了解決優化問題，需要評估操作結束得到的值，并選擇一個最佳方案執行，人工魚的默認行為是覓食行為。

2 仿真分析

圖2 車聯網絡拓撲的仿真場景

為評估所提出的測量方案的性能，搭建了一個軟件定義網絡測試平臺，并用python編寫了測量模塊。利用Ryu作為控制器，用Mininet對車載終端、交換機、邊緣處理器及其鏈路進行仿真，并在Mininet中使用Open vSwitch對基于openflow的交換機進行仿真。在基于openflow的交換機中，流通過源IP、目標IP、源MAC、目標MAC和端口來匹配流表中的流條目，從而生成從一臺處理器到另一臺處理器的多流。Iperf作為一個數據生成工具，它可以生成大量的數據來仿真真實的數據流量，并為網絡中的每個鏈路填充鏈路負載。為簡化實驗，仿真了一個由7個基于openflow的交換機、7個處理器和1個Ryu控制器組成的網格拓撲結構，如圖2所示。將測量模塊編程導入控制器，調用周期采樣模塊，通過OpenFlow協議向交換機發送讀取狀態信息。

2.1 仿真指標

為驗證所提出測量方案的性能，引入了一些常見的誤差評價指標，如絕對誤差(AE)和相對誤差(RE)。絕對誤差反映了實際流量與測量結果之間的偏差。絕對誤差越小，測量越準確。相對誤差是測量絕對誤差與實際值的比值，反映測量的可信度。絕對誤差和相對誤差可以表示為

(16)

(17)

2.2 仿真評估

圖3 測量網絡流量的不同方法的曲線

為了驗證所提算法的性能，首先構建一個車聯網絡拓撲結構，如圖2所示，并使用Iperf生成TCP包來填充網絡中從源主機到目標主機的每個鏈接，使用提出的測量方案來測量所有的流量。通過對網絡流量的采集，發現在智慧城市通信網絡中，每個流量的數據具有相似的特征，如圖3所示，因此隨機選取一條流量f作為討論的例子。本方案使用自回歸移動平均和AFSA模型來估計和優化細粒度網絡流量，因此使用ARAF來表示所提出的測量方案。然后，將筆者所提方案與即細粒度測量(采樣間隔為1s的周期采樣)(FG)以及主成分分析(PCA)和SNRG等方案進行了比較。圖3顯示出不同估計方法下的網絡流量。注意到ARAF、PCA、SNRG都反映了流f1的變化。其中，PCA的波動幅度比其他方法大得多，而SNRG、FG和筆者所提的ARAF算法的性能接近實際流量。

圖4和圖5分別給出不同方法的絕對誤差和相對誤差。FG是一種細粒度測量方法，它還具有ARAF大于細粒度測量方法的聲發射。圖4和圖5表明網絡流量波動是顯著的，ARAF、SNRG和PCA的絕對誤差都超過了1 MB/s。原因之一是通信量具有隨機性，估計方法在估計過程中不能反映高斯噪聲，但兩者都能反映通信量波動的趨勢。不同流量的測量值有相似的趨勢，ARAF、SNRG測量方法的相對誤差小于0.3，主成分分析的相對誤差最大。并將主成分分析法的絕對誤差和相對誤差值與所提出的方法和細粒度測量方法進行了比較，所提方法的絕對誤差和相對誤差均小于主成分分析方法，但大于細粒度方法。

圖4 不同測量方法的絕對誤差

圖5 不同方法的相對誤差

在圖6中分別比較了不同測量方法下的相對誤差的累積分布函數。可以看出，所提方法相比于PCA方法和SNRG方法在誤差方面表現的更好。由于FG方法為細粒度測量，測量開銷巨大，所以不適用于靈活的車聯網絡流量估計。筆者提出的ARAF方法使用粗粒度的測量結果來幫助自回歸移動平均模型獲得細粒度的測量結果，并使用AFSA算法來降低估計誤差，因此估計效果最接近最優。圖7顯示了4個不同方法的車聯網絡流量測量的空間相對誤差。從圖中可以看出，筆者所提ARAF算法的測量結果的穩定性相比SNRG和PCA要好得多，與細粒度采樣方案FG測量結果的平穩性比較接近，但是略差于FG測量方案。從圖6和圖7可以看出，筆者所提出的ARAF測量方案是可行的。

圖6 相對誤差的累積分布函數圖

圖7 空間相對誤差圖

3 結束語

筆者研究了智慧交通的車聯網絡流量估計問題，提出了一種基于軟件定義網絡的車聯網絡流量測量方法。該方案分為兩個主要階段：第1階段，采用抽樣方法對基于openflow的交換機中鏈路和流量的統計信息進行采集，得到粗粒度的測量結果；第2階段采用自回歸移動平均模型對網絡流量進行預測，利用AFSA方法對細粒度估計結果進行優化，降低測量誤差。最后，通過仿真驗證了筆者提出的測量結構和方案，仿真結果表明該測量方法是有效的。