CN101485145A - 利用滤波和改变检测进行数据传送路径评估 - Google Patents

Abstract

如果对数据传送路径中的状况进行了适当建模，则可以使用基于滤波器的方法来提供对所述状况的估计。这样做允许在对于数据处理和存储器资源的适度要求下对所述状况进行精确的实时估计。可以实施改变检测来控制所述滤波器的参数。

Description

利用滤波和改变检测进行数据传送路径评估

相关申请的交叉引用

本申请中所公开的主题内容涉及到在共同待审的U.S.Serial No.11/285,723(代理人案号P21435US1)中所公开的主题内容。

技术领域

本发明总体上涉及数据网络，更具体来说，本发明涉及评估数据网络中的数据传送路径。

背景技术

下面列出的文献被合并在此以作参考：

G.Bishop和G.Welch的“An Introduction to the Kalman Filter(Kalman滤波器介绍)”，SIGGRAPH，2001，Course 8。

K.Jacobsson、H.Hjalmarsson、N.

和K H Johansson的“Estimation of RTT and bandwidth for congestion control applications incommunication networks(针对通信网络中的拥塞控制应用对RTT和带宽进行估计)”，IEEE Conference on Decision and Control(CDC)2004Proceedings，Paradise Island，Bahamas，2004。

M.Jain和C.Dovrolis的“Pathload：a measurement tool forend-to-end available bandwidth(路径负载：一种用于端到端可用带宽的测量工具)”，Proc.of Passive and Active Measurement workshop(PAM)，2002。

M.Jain和C.Dovrolis的“End-to-end Available Bandwidth：Measurement Methodology，Dynamics，and Relation with TCP Throughput(端到端可用带宽：测量方法、动态以及与TCP吞吐量的关系)”，Proc.of ACM Sigcomm，2002。

S.Keshav的“A control-theoretic approach to flow control(一种进行流程控制的控制理论方法)”，Proceedings of ACM SIGCOMM’91，第3-15页，Zurich，Switzerland，1991年9月。

M.Kim和B.Noble的“SANE：stable agile network estimation(SANE：稳定且灵活的网络估计)”，University of Michigan Departmentof Electrical Engineering and Computer Science，CSE-TR-432-00，2000。

M.Kim和B.Noble的“Mobile network estimation(移动网络估计)”，Mobile Computing and Networking(ACM MOBICOM)，Rome，Italy，2001。

B.Melander、M.

和P.Gunningberg的“A new end-to-endprobing and analysis method for estimating bandwidth bottlenecks(一种用于估计带宽瓶颈的新的端到端探测及分析方法)”，Proceedings of IEEEGlobecomm’00，San Francisco，USA，2000年11月。

A.Pásztor和D.Veitch的“The packet size dependence of packet-pairlike methods(分组对类方法的分组尺寸相关性)”Proceedings，TenthInternational Workshop on Quality of Service(IWQoS 2002)，MiamiBeach，USA，2002年5月。

V.Ribeiro、R.Riedi、R.Baraniuk、J.Navratil、L.Cottrell的“pathChirp：Efficient Available Bandwidth Estimation for Network Paths(路径啁啾：用于网络路径的高效可用带宽估计)”，Proc.of Passive andActive Measurement workshop(PAM)，2003。

A.Shriram、M.Murray、Y.Hyun、N.Brownlee、A.Broido、M.Fomenkov和KC Claffy的“Comparison of Public End-to-End BandwidthEstimation Tools on High-Speed Links(高速链路上的公共端到端带宽估计工具的比较)”，Passive and Active Measurement workshop(PAM)，2005。

Nowak，R.D.和Coates，M.J.的“Network tomography using closelyspaced unicast packets(利用间隔紧密的单点传送分组的网络断层扫描)”，美国专利6,839,754(2005)。

M.J.Coates和R.D.Nowak的“Sequential Monte Carlo inference ofinternal delays in nonstationary data networks(非静止数据网络中内部延迟的顺序Monte Carlo推断)”，IEEE Transactions on Signal Processing，50(2)：366-376，2002年2月。

S.Ekelin和M.Nilsson的“Continuous monitoring of availablebandwidth over a network path(网络路径上的持续可用带宽监控)”，2^ndSwedish National Computer Network Workshop，Karlstad，Sweden，2004年11月23日-24日。

Prasad，R.，Murray，M.，Dovrolis，C.，Claffy，K C.的“BandwidthEstimation：Metrics，Measurement Techniques，and Tools(带宽估计：量度、测量技术及工具)”，IEEE Network Magazine，2003。

测量数据网络中的某一路径上的端到端可用带宽的能力在几种情境中是有用的，其中包括SLA(服务水平协定)、验证、网络监控和服务器选择。对于端到端网络路径的可用带宽的被动监控在原理上是可能的，假若所述路径中的所有网络节点都可以被访问。但是这通常是不可能的，对可用端到端带宽的估计通常是通过主动探测所述网络路径而进行的。可以通过把探测通信量注入到所述网络中并且随后分析所观测到的交叉通信量(cross traffic)对所述探测的影响来估计所述可用带宽。这种主动测量仅仅需要访问发送器和接收器主机(节点)，而不需要访问所述发送器与所述接收器之间的所述路径中的任何中间节点。

用于进行主动探测的传统方法需要在一定速率下把探测分组通信量注入到感兴趣的路径中，其中所述速率的瞬态足以使用所有可用带宽并且导致拥塞。如果仅仅使用少量的探测分组，所引入的瞬态拥塞可能会被所述各节点中的缓冲队列所吸收。相应地不会导致分组丢失，而仅仅是几个分组的小路径延迟增大。基于所述延迟增大来确定所述可用带宽的所期望的度量。可以在各种探测分组速率下成对或成串地发送探测分组。导致所述路径延迟开始增大的探测分组速率对应于拥塞点，从而表示所述可用带宽。发送探测分组使得在给定串内的探测分组之间的时间间隔有所改变，从而使得每一串可以覆盖一定的探测速率范围。

比如上面提到的那些传统的解决方案或者不会产生对可用带宽的真实估计，或者不会产生对可用带宽的足够精确的估计，或者兼有这两个缺点。这些解决方案往往还需要大量数据处理资源或者大量存储器资源或者全部二者。

因此，期望提供一种主动探测解决方案，其能够在没有传统解决方案的上述困难的情况下估计数据网络中的路径的可用带宽。

发明内容

本发明的示例性实施例提供对数据传送路径中的状况的适当建模，以便允许使用基于滤波器的方法来提供对所述状况的估计。这样允许在适度的数据处理和存储器资源需求下对所述状况进行精确的实时估计。某些实施例实现了改变检测来控制所述滤波器的参数。

附图说明

图1示出了根据本发明的所能执行的示例性操作。

图2图示了根据本发明的示例性实施例的用于评估数据传送路径的设备。

图3图示了由本发明的示例性实施例所利用的分段线性模型。

图4图示了根据本发明的示例性实施例的利用了滤波器残差的改变检测设备。

图5更加详细地图示了根据本发明的示例性实施例的图4的警报逻辑，其实现了累计和测试。

图6进一步图示了根据本发明的示例性实施例所利用的改变检测技术。

图7更加详细地图示了根据本发明的示例性实施例的图4的警报逻辑，其实现了通用似然比测试。

具体实施方式

本发明的示例性实施例提供了对于与分组交换网络路径相关联的时间相关的状况的快速且精确的估计，所述路径例如是因特网或其他IP网络上的两个主机或网络节点之间的路径。与滤波相组合地使用主动探测来估计与感兴趣的状况相关的网络模型的变量。随后基于所估计的变量来获得对所述感兴趣的状况的估计。

通过跨越所述网络路径以特定的模式传送探测分组来对所述网络路径的属性进行采样。在发送和接收时记录其时间戳，提供与所述网络模型变量相关的数量的测量。对于只要期望跟踪所述感兴趣的状况，反复不断地重复这一操作。

对于滤波的使用允许进行实时估计。对于通过采样所述系统所获得的每一个新的测量，从前一个估计和该新的测量计算对所述(多个)网络模型变量的新的估计。这样又允许针对所述网络路径的每一次新采样产生对所述感兴趣的状况的更新的估计(即所述新的估计)。可以经常任意地执行所述采样(即测量)，导致实时响应。因此，滤波器可以把对所述系统状态的前一个估计

和新的测量z_k作为输入，并且随后基于这些输入计算对所述系统状态的新的估计这允许所述滤波器实时地产生所述状态变量估计，即跟踪所述系统状态。

估计滤波器的一个例子是沿用已久的Kalman滤波器，其不仅快速而且是轻量级。为了能够应用Kalman滤波器，所述系统模型和所述测量模型都需要按照线性方式来表达。也就是说，新的系统状态线性地依赖于前一个系统状态加上噪声项，并且所测量的数量线性地依赖于系统状态变量加上噪声项。

在进一步讨论用来估计系统状态变量的所述基于滤波器的方法之前，下面将讨论将要估计的状况以及适当的测量技术的例子。

在本发明的某些实施例中，将要估计的状况例如是所述网络路径的可用带宽。可以如下理解可用带宽的概念。网络路径中的每一条链路j具有特定容量Cj，该特定容量由所述链路的每一端的节点中的网络接口决定。所述容量Cj简单地是在分组级别下的所述链路上的最高可能比特率。所述容量通常不在较短时间尺度上发生改变。但是给定链路j上的负载或交叉通信量(其被表示为Sj(t))则会发生改变。链路j的可用带宽Bj(t)是Bj(t)＝Cj-Sj(t)。沿着所述路径的其中一条链路j具有最小可用带宽。该“瓶颈链路”决定所述路径的可用带宽。网络路径的可用带宽B(t)是分别与其构成链路相关联的可用带宽的最小值：

$B\left(t\right)=\underset{j}{\min }(\mathrm{Cj}-\mathrm{Sj}\left(t\right))$

因此，网络路径在任意时间t的可用带宽可以被解释为能够在不导致拥塞的情况下在理论上发生于时间t的从发送端到接收端的最大数据速率增大。

应当注意到，交叉通信量负载以及因而可用带宽是利用某一平均时间尺度tau来定义的，也就是说，通过在时间t周围的长度为tau的某一时间间隔内求平均来计算Sj(t)。对于tau没有通用的自然选择，相反，其依赖于具体的应用。由于有限的链路容量和交叉通信量分组尺寸，不能把tau选择成任意地小。但是对于现代数据网络来说，可以利用低至亚秒区域的tau来定义可用带宽和交叉通信量负载。

在本发明的一些实施例中，被用来进行采样测量的所述主动探测是建立在从发送器到接收器传送加了时间戳的探测分组对的公知实践的基础上的。例如，可以把网络路径建模成一系列跳跃，其中每一跳包含输入FIFO队列和传输链路。每一条传输链路j具有恒定的容量Cj和时变的交叉通信量。考虑分组序列，其中该序列中的第i个分组在时间τi到达某一跳跃并且在时间到达下一跳跃。所感兴趣的是所述分组对的到达间的时间。如果每一个分组对被定义成包含分组序列的第(i-1)个分组和第i个分组，那么给定分组对在前述跳跃处的到达间的时间则是：

t_i＝τ_i-τ_i-1和  $t_i^{*}={\mathrm{\τ}}_i^{*}-{\mathrm{\τ}}_{i-1}^{*}.$

把分组间应变(strain)这一无量纲的数量标记为ε，并且通过下式定义：

$\frac{t_i^{*}}{t_i}=1+\mathrm{\ϵ}.$

如果u是被选择来执行所述测量的探测分组传输速率，如果r是离开某一跳跃的探测分组通信量的速率，并且如果b是所述探测分组的尺寸，则得到下式：

$\frac{u}{r}=\frac{b/t_i}{b/t_i^{*}}=\frac{t_i^{*}}{t_i}=1+\mathrm{\ϵ}.$

于是可以把所述分组间应变ε视为提供对于所述探测通信量速率u与所述可用带宽B之间的关系的指示。如果u小于B，则ε＝0，并且将没有拥塞。但是如果u达到B，则将会有拥塞，并且所述拥塞(或者更精确地说是所述应变)与所述过负载u-B成比例地增长。在上面提到的B.Melander等人的文献“A new end-to-end probing and analysismethod for estimating bandwidth bottlenecks(一种用于估计带宽瓶颈的新的端到端探测及分析方法)”中已经用流体模型表明了这一点。在下面的方程式1中表明了所述分组间应变的上述行为。

$\mathrm{\&epsiv;}=v+\left\{\begin{array}{cc}0& (u<B)\\ \mathrm{\&alpha;}(u-B)=\mathrm{\&alpha;u}+\mathrm{\&beta;}& (u\&GreaterEqual;B)\end{array}\right.---\left(1\right)$

在方程式1的模型中，α是等于1/C的状态变量，β是等于(S/C)-1的状态

变量，v是测量噪声。所述可用带宽与所述状态变量的关系为 $B=-\frac{\mathrm{\&beta;}}{\mathrm{\&alpha;}}.$ 因此，如果可以估计出所述状态变量α和β的话，则可以很容易地获得对所述可用带宽的估计。

现在回到所述基于滤波器的方法的想法，给出关于系统状态如何从一个测量时刻演进到下一个测量时刻以及关于所测量的数量如何依赖于所述系统状态的模型，根据对依赖于所述系统状态的某一数量的重复测量来估计系统的状态。上述两种依赖性都包括随机噪声项，其分别是处理噪声和测量噪声。于是得到所述系统方程式：

$\left\{\begin{array}{c}{x}_k=f\left(x_{k-1}\right)+w_{k-1}\\ z_k=h\left(x_k\right)+v_k\end{array}\right.---\left(2\right)$

其中，x是所述系统的状态，z是所述测量，w是所述处理噪声，v是所述测量噪声。函数f和h分别表示所述系统演进模型和所述测量模型。下标指代“离散时间”。

如果所述函数f和h是线性的，并且如果所述处理噪声和测量噪声都是高斯而且不相关，则存在最优滤波器，即所述Kalman滤波器。经验表明，所述Kalman滤波器常常工作非常好，即使在不严格满足上述条件时也是如此。也就是说，所述噪声分布不需要是严格高斯的。通过所述噪声项还可以适应与所述函数f和h的线性的一定偏差。Kalman滤波器的另一个重要优点在于，除非所述系统的维度非常大，否则其在计算上是轻量级的，从而对CPU和存储器仅有最小要求。在这种线性情况下，可以利用矩阵如下表示所述系统：

$\left\{\begin{array}{c}{x}_k=A{x}_{k-1}+w_{k-1}\\ z_k=H{x}_k+v_k\end{array}\right.---\left(3\right)$

允许从前一个估计和新的测量计算新的估计的Kalman滤波器方程式是：

${\hat{x}}_k={\hat{x}}_k^{-}+K_k(z_k-H{\hat{x}}_k^{-})---\left(4\right)$

$P_k=(I-K_{k}H)P_k^{-}$

其中

${\hat{x}}_k^{-}=A{\hat{x}}_{k-1}---\left(5\right)$

$P_k^{-}=A{P}_{k-1}{A}^T+Q$

$K_k=P_k^{-}{H}^T{({\mathrm{HP}}_k^{-}{H}^T+R)}^{-1}.---\left(6\right)$

Kalman滤波可以被理解为这样一个处理，其中在每一次迭代中有两个计算阶段。首先是“预测”阶段，其中，所述前一个估计根据所述系统模型演进一个离散时间步(方程式5)。随后是“校正”阶段，其中考虑所述所述新测量(方程式4)。此外还计算所述状态估计的更新的误差协方差矩阵P_k。

从方程式6和5中可以看出，所述Kalman增益K_k随着Q增大并且随着R减小。这些Kalman滤波器输入Q和R分别是所述处理噪声w和所述测量噪声v的协方差。可以直观地如下理解这些数量。所述系统模型中的噪声的较大变差(高Q)意味着根据所述系统模型的预测可能较不精确，并且应当对所述新测量进行较重的加权。所述测量噪声的较大变差(高R)意味着所述新测量可能较不精确，并且应当对所述预测进行较重的加权。应当注意到，所测量的数量z＝ε是一个标量，R也是一个标量(或者1 x 1矩阵)。

本发明的示例性实施例利用Kalman滤波器以便针对每一次新测量产生在网络路径上的可用带宽的更新的估计。每一次测量包括发送加了时间戳的分组对序列以及计算所述平均分组间应变。在一些实施例中，可以把所述分组对序列接合成串。此外还计算所述分组间应变的方差，以便产生用于所述Kalman滤波器方程式的R输入。在一些实施例中，例如根据诸如均匀分布之类的概率分布对于每一个测量随机选择所述探测速率u。在一些实施例中，在对于每一次新测量从某一概率分布中随机选择的时间间隔之后重复测量，所述概率分布例如是一点分布，其中以概率1选择1秒的时间间隔。

应当注意到，所述Kalman滤波器方法是非常“宽容”的，并且即使在略微打破理想的条件时也常常产生良好的结果。因此，即使系统展现出略微偏离这个分段线性系统曲线的特性，所得到的可用带宽估计也不是自动无效的。当然，所述模型中的所有变量都是动态的，也就是说可能随着时间而改变，因此它们依赖于下标(其在这里的阐述中有时被消除)。

方程式1的模型不是线性的，而是分段线性的。在图3中图示出这个例子。虽然Kalman滤波器通常在这种情况下不适用，但是根据本发明的示例性实施例可以规避该问题，并且可以获得高效的收敛。即使所使用的分段线性模型只是近似，所述Kalman滤波器也仍然能够产生良好的估计，因为所述噪声项可以容许由于“误建模”而导致的某些误差。当通过包含方程式1的斜直线性部分的两个参数的矢量来表示所述系统的状态时，方程式1的模型允许应用Kalman滤波器。

$x=\left[\begin{array}{c}\mathrm{\&alpha;}\\ \mathrm{\&beta;}\end{array}\right].---\left(7\right)$

为了满足针对Kalman滤波的适用性的线性标准，本发明的一些实施例关于B跟踪u，并且尝试保持在方程式1的斜线部分上(也参见图3)。由于所述可用带宽B的真实值是未知的，因此本发明的示例性实施例使用最近的估计

或者

附近的某一个适当的阈值。如果u小于该阈值，则不考虑所述测量，并且不更新对所述状态矢量的估计。可以把离散时间k处的所述应变的测量ε_k写成下式：

ε_k＝Hx_k+v_k         (8)

其中H＝[u1]。此外，可以把所述系统状态的演进写成下式：

x_k＝x_k-1+w_k-1               (9)

因此，所述Kalman滤波器形式可以被应用于图7的状态矢量，其中A＝I并且z＝ε，I是单位矩阵。

图7的状态矢量x是二维的，因此所述处理噪声w的协方差Q是2 x 2矩阵。给出具有受控的并且是已知的通信量从而具有已知的可用带宽的参考网络，该Q矩阵可以被用于执行调谐。在被应用于方程式7的二维状态矢量时，所述Kalman方程式在计算上变得非常简单，并且在每一次迭代中仅仅需要几次浮点运算。在所述滤波器估计所述系统状态变量α和β时，可以根据 $\hat{B}=-\frac{\widehat{\mathrm{\&beta;}}}{\widehat{\mathrm{\&alpha;}}}$ 很容易地从估计

和

计算对所述可用带宽B的估计

在下面的编号段落中描述根据本发明的示例性操作。这些示例性操作也在图1中的11-18处示出。

1、如11处所示，接收器做出对所述状态矢量的初始估计

并且做出对与

相对应的误差协方差矩阵的初始估计P₀。如12处所示，从

计算对所述可用带宽的估计

2、如13处所示，发送器根据所期望的概率分布以探测通信量强度u发送N个探测分组对的序列(或串)。(在一些实施例中，基于过去的经验或者实验来选择对于u的概率分布。)所述N个探测分组对被用于分组间应变测量。一些实施例发送N+1个探测分组的序列，所述N+1个探测分组被用于形成N个探测分组对。也就是说，第一对当中的第二个探测分组也被用作第二对当中的第一个探测分组，后面以此类推。在一些实施例中，在探测分组对之间不共享探测分组，因此使用2N个探测分组的序列来形成N个不同的探测分组对。发送器在所述探测分组中把所述探测分组通信量速率u的当前值传递给接收器。

3、如14处所示，对于所接收的探测分组序列，接收器从所述探测分组恢复所述通信量强度u。如果在15处u超出阈值(例如

或者在的附近适当地选择的值)，则随后如16处所示接收器使用所述探测分组的时间戳来计算与所述N个分组对相对应的N个分组间应变值的平均值ε。接收器还计算所述协方差R。如果在15处u小于或等于所述阈值，则如18处所示忽略所述探测分组的时间戳，不执行更新，并且操作返回到上面的#2。

4、如17处所示，所述Kalman滤波器使用来自上面操作3的所述平均分组间应变值和协方差矩阵(如果有的话)来更新对所述状态矢量

和所述误差协方差矩阵P的估计。如12处所示，从所述新的状态矢量估计计算对所述可用带宽的新的估计

5、操作返回到上面的#2，并且如13处所示生成下一个探测分组序列。

图2图示了根据本发明的示例性实施例的用于评估数据传送路径的设备。在一些实施例中，图2的设备能够执行在上面描述并且在图1中示出的操作。在一些实施例中，所述节点21和23以及所述数据传送路径22可以构成分组交换数据网络(比如因特网)、私有内联网等等或者形成其一部分。发送节点21通过所述数据传送路径22向接收节点23发送探测分组对序列。没有明确示出在所述发送和接收节点处的上述时间戳。接收节点23包括提取单元24，其从所述探测分组中提取出所述时间戳信息和所述探测分组速率u。应变计算单元25计算所接收的序列中的每一个探测分组对的分组间应变值，并且还计算所述分组间应变值的平均值和方差。

所述应变计算单元25提供所述平均分组间应变ε以作为到Kalman滤波器26的z输入，并且还提供所述分组间应变方差R以作为到所述Kalman滤波器26的输入。所述Kalman滤波器26还接收所述Q矩阵以及对所述状态矢量的初始估计

和对所述误差协方差矩阵的初始估计P₀以作为输入。在一些实施例中，对所述状态矢量的初始估计

和对所述误差协方差矩阵的初始估计P₀是从过去的经验或实验导出的。这些初始估计的精度在所述Kalman滤波器的操作中并不是重要因素。

所述Kalman滤波器26接收所述单位矩阵I作为其A矩阵输入，并且还从矩阵生成器27接收所述矩阵H(例如H＝[u1])，所述矩阵生成器27响应于由提取单元24从所述探测分组中提取出的所述探测分组速率u而产生矩阵H。响应于其输入，所述Kalman滤波器26产生更新的状态矢量估计

可用带宽计算单元28使用所述更新的状态矢量估计来更新所述可用带宽估计。所述可用带宽估计

被提供作为来自所述节点23的输出结果，并且还被提供到比较单元29，所述比较单元29把所述探测分组速率u与阈值相比较，其中该阈值等于或者适当接近。取决于该比较的结果，所述比较单元29向所述应变计算单元25提供关于该应变计算单元25是否应当对于当前的探测分组对序列进行其计算的指示20。在一些实施例中，所述指示20被提供到所述Kalman滤波器26，以便用信号通知是否应当将该滤波器应用于所述应变计算单元25的结果。这由虚线201示出。

从前面对图2的描述可以看出，所述提取单元24和所述应变计算单元25可以被视为数据产生单元的组件，该数据产生单元最终产生估计数据(图2的例子中的ε和R)以用于估计所述可用带宽。此外，所述Kalman滤波器26和所述可用带宽估计器28可以被视作估计单元的组件，该估计单元对所述估计数据应用Kalman滤波以便产生对所述可用带宽的估计。

一些实施例是可调谐的，以便在所期望的可用带宽求平均时间尺度tau下优化跟踪性能。例如，如果tau＝10秒，则在10秒的时间尺度上进行可用带宽测量。在一些实施例中，tau＝10秒，并且所述2 x 2矩阵Q的值为Q11＝10^-5、Q12＝0、Q21＝0以及Q22＝10^-3。在具有较短时间尺度的实施例中，可以增大Q22的值，同时保持Q11、Q12和Q21相同。

一些实施例在所述数值计算中使用定标(scaling)，从而使得所涉及到的数量是无量纲的。如上所述，ε开始是无量纲的，从而β、v和R也是无量纲的。为了使得所有其他数量都是无量纲的，利用从所述探测发送器主机/节点的第一跳的最大容量来给所述探测通信量速率u定标。这意味着u＝1是最大可能探测速率，并且α、x、w和Q是无量纲的。

在一些实施例中，图2的25-29处的组件被提供在所述接收节点23的外部并且与所述接收节点23分离，但是其耦合到所述提取单元24以便从其中接收所述时间戳信息和所述探测分组速率u。在图2中用虚线200示出了此类划分。在该划分实例中，所有的组件25-29被提供在所述接收节点23的外部，并且与所述接收节点23分离，例如在所述网络的一个或多个其他节点中。

本发明可以对于所述系统的每一次新采样(也就是对于每一串新的探测分组对)产生对所述可用带宽的更新的估计。所述串可以被任意地发送(即可以任意地减少对于所述采样测量的时间尺度)，从而可以实时地跟踪所述可用带宽。

可以相对容易地满足针对执行上面描述的滤波计算的数据处理和存储器要求。例如，在一些实施例中，图2的接收节点23是微处理器平台。利用所述Kalman滤波器方程式来更新所述可用带宽估计减少到仅仅执行几次浮点运算(在一些实施例中更接近10次而不是100次)。

一般来说，使用图2的滤波器26可以提供用于调谐所述滤波器参数以便获得特定属性的多种可能性。可以通过选择各种滤波器参数来获得所述滤波器估计的各种特性。通常没有给定的一组滤波器参数在所有可能情况下都是优选的。所述滤波器的所期望的行为可能会改变，因此所期望的滤波器参数设置也可能改变。例如，在一些实施例中，所述滤波器被设计成仅仅用于高灵活性，如果关于系统改变的快速适配/跟踪很重要的话，这样做是合乎期望的。但是这样做也使得所述滤波器对于测量噪声相对更加敏感。在一些实施例中，所述滤波器被设计成用于稳定性，从而所述滤波器对于测量噪声相对不敏感。但是这样做使得所述滤波器在适配于所述系统状态的突然改变方面相对更慢。但是在一些实施例中，所述滤波器的性能在多种条件下都足够，从而例如展现出对于测量噪声的相对较低的敏感度以及在适配于所述系统中的不断改变的条件方面的相对灵活的性能。

如上所述，在分组交换网络路径上的可用带宽通常会随着时间改变。如果图2的滤波器26被配置成产生对具有缓慢改变的特性的网络中的可用带宽的高质量估计，那么其在适配于所述系统状态的突然改变方面可以相对较慢。为了使得所述滤波器26适当地响应于所述分组交换网络环境中的快速变化(其例如可能由于交叉通信量强度的突然改变和/或所述瓶颈链路容量的变化而发生)，期望为所述滤波器提供适用于快速适配的可替换的一组滤波器参数。这在一些实施例中是通过使用改变检测技术来实现的。

改变检测器可以改进经历系统状态中的突然改变的基于滤波器的工具的性能。一种改变检测器可以自动发现关于所述滤波器的预测何时面临与所述输入测量的系统性偏离。基于该信息，所述改变检测器可以表明所述滤波器何时似乎已不合时宜。所述改变检测器可以在例如由于所述系统状态的突然改变而导致的较差性能的情况下为所述滤波器提供适当的警报指示。因此，在有警报的情况下，可以把适当的滤波器参数临时从第一组参数调节到第二组参数，其中所述第一组参数提供稳定性并且噪声不敏感性，所述第二组参数实现对新系统状态的快速适配。随后可以恢复使用所述第一组滤波器参数。因此，在所述估计的稳定性与灵活性之间一般存在折衷；换句话说，例如在噪声衰减与跟踪能力之间存在折衷。

在使用改变检测的实施例中，可以在仍然保持稳定性的同时适应所述可用带宽的快速改变。如果例如由于交叉通信量强度和/或瓶颈链路容量的突然变化而导致所述系统中发生突然改变，则所述改变检测器可以自动建议所述滤波器临时应用滤波器参数调谐，从而获得快速自适应滤波器的属性。在一些实施例中，当没有来自所述改变检测器的警报时，所述滤波器保持其预先配置的滤波器参数，这产生适用于具有缓慢改变的特性的网络的估计；也就是说稳定性优先于灵活性。在其他实施例中可以实现相反的情况。也就是说，所述滤波器被预先配置成用于灵活性并且被选择性地切换成临时实现对噪声不敏感，也就是说，灵活性优先于稳定性。

一些常见的改变检测器技术利用滤波器残差。滤波器残差可以被解释成对于所述滤波器提前预测系统状态的能力的一种度量。例如，在一些实施例中，时间k处的滤波器残差被计算为在时间k处进行的测量与所述滤波器对该测量的预测(估计)之间的差异。其他实施例使用所述滤波器残差来产生与所述滤波器残差相关的距离度量，例如把所述距离度量产生为所述滤波器残差的适当地归一化的版本。

图4图示了根据本发明的示例性实施例的利用滤波器残差的改变检测逻辑。组合器40把时间k的测量z_k与所述滤波器对所述系统状态的预测(估计)(还参见方程式4和5)相组合，从而在45处产生组合信息。在一些实施例中，所述组合信息在45处包括滤波器残差序列。在其他实施例中，45处的所述组合信息包括与所述滤波器残差相关的距离度量的序列。所述组合信息45被输入到警报逻辑42。所述警报逻辑42执行关于所述组合信息45的统计分析。基于该分析，所述警报逻辑42判定是否要激活警报信号46。

所述警报信号46控制选择器43，该选择器43把滤波器参数(特别是所述处理噪声协方差矩阵Q)输入到所述Kalman滤波器26(还参见图2)。当所述警报信号46被激活时，所述选择器43把矩阵Q2传递到所述滤波器26。否则，所述选择器把矩阵Q1传递到所述滤波器26。所述矩阵Q1被设计成实现通常由稳定性和噪声不敏感性表征的滤波器，而所述矩阵Q2被设计成实现通常由针对新系统状态的快速适应性表征的滤波器。在一些实施例中，Q1的对角元素(在第1行第1列和第2行第2列处)是10^-5，并且Q1的其他元素是0。在各实施例中，Q2的对角元素(在第1行第1列和第2行第2列处)的值为10^-2或10^-1，并且Q2的其他元素为0。在一些实施例中，每秒进行一次所述测量z_k，由k索引的离散时间间隔是1秒。在其中所述测量间隔是1秒的上述各实施例中，所述警报信号46一旦被警报逻辑42激活之后就在其范围从1个到5个所述测量间隔的时间周期内保持激活，并且随后由警报逻辑42停用。

一些实施例利用了以下事实：在没有所述系统状态中的突然改变的情况下，可以通常预期滤波器残差(或者相应的距离度量)的序列45类似白噪声。如果发生了突然的改变，与所述残差(或者相应的距离度量)的序列相关联的一个或多个统计特性(例如所述均值和/或方差)将按照相应地突然方式改变，并且所述(多个)统计特性的这一改变可以由所述警报逻辑42检测到。这通常被称作白性测试，因为所述警报逻辑42检测与预期所述序列45将展现出的白噪声特性的偏离。

如上所述，一些实施例使用一种距离度量，所述距离度量例如被计算为时间k处的相应滤波器残差的适当地归一化的表示：

$s_k=\frac{z_k-H_k{\hat{x}}_k^{-}}{\sqrt{H_k{P}_k^{-}{H}_k^T+R_k}}---\left(10\right)$

所述示例性距离度量S_k的分子表示时间k处的滤波器残差。分母把所述滤波器残差归一化到单位方差。分母中的根号下的表达式与上面的方程式6(该方程式定义Kalman增益K_k)中的括号内的表达式相同。在一些实施例中，所述距离度量S_k被用来建立时间k的以下测试统计量：

$g_k^{\mathrm{pos}}=\max (g_{k-1}^{\mathrm{pos}}+s_k-v,0)$        (11)

如果 $g_k^{\mathrm{pos}}>h$ 则发出警报

该测试统计量通常被称作累计和(CUSUM)测试统计量，其是可以被用来实现白性测试的统计量的例子。所述CUSUM测试统计量检测滤波器残差z-Hx的向上的系统性趋势。该测试统计量被初始化为g₀＝0。在方程式11中，v被用来标记被称作漂移参数的设计参数。如果所述距离度量S_k小于该漂移v，那么该距离度量对于所述测试统计量将没有贡献。v的所选值是关于可以将什么视为所述测量与所述预测之间的正常/随机偏离的指标符。在每一次迭代之后，也就是说在每一个离散时间步之后，应用停止规则。上面紧接在方程式11下面示出的所述停止规则把所述测试统计量与阈值h进行比较。如果所述测试统计量超出该阈值h，则发出警报。

由于所述距离度量S_k可以为正也可以为负，因此一些实施例使用两侧CUSUM测试。所述两侧测试使用由下面的方程式12定义的负测试统计量以及紧接在方程式12下面示出的相关联的停止规则，结合与方程式11相关联的正测试统计量和停止规则，从而可以跟踪所述滤波器残差的向上和向下的系统性趋势：

$g_k^{\mathrm{neg}}=\min (g_{k-1}^{\mathrm{neg}}+s_k+v,0)$

                                         (12)

如果 $g_k^{\mathrm{neg}}<-h$ 则发出警报

上面描述的设计参数h和v在误警报率(FAR)和到检测的均值时间(MTD)方面会影响所述CUSUM测试的性能。各实施例取决于将要履行的要求而使用各种设计参数值。例如，在各实施例中，所述漂移参数v在从近似10^-4到近似10的范围内取值(这取决于所选择的阈值h以及诸如所期望的FAR和MTD等其他方面)。在各实施例中，所述阈值参数h在从近似10^-3到近似40的范围内取值(这取决于所选择的漂移值v以及诸如所期望的FAR和MTD等其他方面)。一些实施例使用下面的设计参数值：漂移v＝0.5；阈值h＝10。如果所述测试统计量g_k超出所指定的阈值h(或-h)，所述停止规则就通过信号发出警报。在各实施例中，所述正测试统计量和所述负测试统计量对于其对应的漂移参数和/或对于其对应的阈值参数使用不同的值。

图5更加详细地图示了根据本发明的示例性实施例的图4的警报逻辑42，其实现了上面描述的累计和测试。在45处，从所述组合器40(还参见图4)接收上面提到的距离度量S_k的序列，并且将其传递到正逻辑53和负逻辑54。所述正逻辑53计算方程式10的正测试统计量，并且实现相应的正阈值测试。所述负逻辑54计算方程式11的负测试统计量，并且实现相应的负阈值测试。如果所述正逻辑53或者所述负逻辑54分别在55或56处触发警报，则由或逻辑57激活所述警报信号46(还参见图4)。所述正逻辑53与所述负逻辑54同时操作以便检测任何新的趋势(例如与期望值0的任何连贯偏离)。

在本发明的各实施例中实现了各种改变检测器。在图6中图示了这种实施例的例子。图6中的虚线示出实施例与所述滤波器26(还参见图2)相结合地使用各种类型的改变检测器。图6示出了实现各种改变检测技术的各实施例，比如比值和似然性边缘化61、滑动窗62、滤波器组63、多模型64以及代数连贯性测试65。

图6中示出的多种改变检测器也可以被包括在使用假设测试的一系列统计改变检测技术中。这些技术当中的一种是广义似然比(GLR)测试。所述GLR测试在改变检测领域内是公知的，例如在被合并于此以作参考的以下文献中描述了所述GLR测试：A.S.Willsky和H.L.Jones的“A generalized likelihood ratio approach to the detection andestimation of jumps in linear systems(用于检测及估计线性系统中的跳跃的广义似然比方法)”，IEEE Transactions on Automatic Control，第108-112页(1976)；以及E.Y.Chow的“Analytical Studies of theGeneralized Likelihood Ratio Technique for Failure Detection(对用于故障检测的广义似然比技术的分析研究)”，MIT Report ESL-R-645(1976)。所述GLR测试采用并行滤波器，并且传送对所述改变的时间和量值的估计。所述GLR测试利用似然比度量作为所述测试统计量，其被用于判定是否发生了改变。在针对关于在改变时间发生了已知量值v的改变的假设H₁(θ，v)测试关于没有发生改变的假设H₀时，已经证明所述似然比对于特定应用来说是最优的测试统计量。在这种情况下，H₀和H₁是简单假设，并且所述似然比(LR)测试被用来在二者之间进行判定。

所述GLR测试是所述LR测试的扩展，其包括复合假设(其中针对几个交替假设测试所述简单假设H₀，也就是说H₁是复合假设，对于每一个改变时间θ都有一个H₁)。所述GLR测试基本上把在对应的假设之下所能获得的最高似然性进行比较。这可以被视为在不同的H₁与所述假设H₀的成对比较下利用最大似然性估计器来估计参数，并且利用所估计的参数来构造及应用常规似然性测试。所述假设如下：

H₀：没有改变

H₁(θ，v)：在时间θ处的量值为v的改变其中，v和θ是未知的(将由所述方法推断出)。

为了阐述的清楚及方便，下面对于所述GLR测试的描述使用把与各信号相关联的自变量置于括号中的符号惯例，而不是继续使用上面的方程式1-10中所用的下标符号。所述GLR测试利用v和θ上的最大化，并且把所获得的估计用在常规LR测试中，其中把所述对数似然比与所选择的判定阈值进行比较。因此，如果测试统计量的多个计算值当中的任一个超出阈值，所述GLR测试就判定发生了改变。所述GLR测试中的所述阈值决定所述替换假设H₁在它在零假设H₀之上被选择之前的可能性。

可以如下定义所述GLR测试统计量：

$l=2\log \frac{p\left((\mathrm{\&gamma;}\left(1\right),...,\mathrm{\&gamma;}\left(k\right))\right|H_1)}{p\left((\mathrm{\&gamma;}\left(1\right),...,\mathrm{\&gamma;}\left(k\right))\right|H_0)}---\left(13\right)$

其中，γ(1)，...，γ(k)分别是离散时间1...k处的滤波器残差。这些滤波器残差与由上面的方程式10中的分子所定义的相同。所述测试统计量l是所考虑的最近时间k(其是已知的)以及所述改变量值v和改变时间θ(二者都是未知的)的函数。在方程式13中，分别在假设H₀和H₁下的在时间1...k处所观测到的滤波器残差序列(γ(1)，...，γ(k))的似然性被表示为条件概率密度。

在一些实施例中，如下计算所述测试统计量l：

l(k，θ)＝d^T(k，θ)·C^-1(k，θ)·d(k，θ)

其中， $d(k,\mathrm{\&theta;})=\underset{j=\mathrm{\&theta;}}{\overset{k}{\mathrm{\&Sigma;}}}{G}^T(j,\mathrm{\&theta;})\&CenterDot;V^{-1}\left(j\right)\&CenterDot;\mathrm{\&gamma;}\left(j\right).$

关于d(k，θ)中的矩阵V^-1应当注意到，相应矩阵V由上面的方程式6(对应于所述Kalman增益的方程式)中的括号内的表达式定义，并且可以从所述滤波器26获得。关于所述d(k，θ)中的矩阵G^T，相应的矩阵G表示给定时间θ处的所述系统状态中的突然改变v对时间j处的所述滤波器残差的影响，并且可以被如下定义：

G(j，θ)＝0对于j<θ

G(j，θ)＝H(j)·[A(j，θ)-A(j，j-1)·F(j-1，θ)]       对于j≥θ

从前面的滤波器设计讨论中，想到在所有离散时间j处有A＝I。此外，关于G(j，θ)可以如下定义F：

F(n，θ)＝0     对于n<θ

$F(n,\mathrm{\&theta;})=\underset{i=\mathrm{\&theta;}}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&rho;}(n,i)\&CenterDot;K\left(i\right)\&CenterDot;H\left(i\right)\&CenterDot;A(i,\mathrm{\&theta;})$      对于n≥θ。

在F(n，θ)中，K对应于上面在方程式6中定义的Kalman增益。此外在F(n，θ)中，H可以被定义为H(n)＝[u(n)1]，其中如上所述，u(n)是时间n处的探测通信量速率，因此可以从所述滤波器26获得H(n)。此外，在F(n，θ)中可以如下定义ρ(n，i)：

ρ(n，i)＝ρ(n-1)·ρ(n-2)·...·ρ(i)，

其中，例如ρ(n-1)＝[I-K(n)·H(n)]·A(n-1)，

或者更明确地有ρ(m)＝[I-K(m+1)·H(m+1)]·A(m)。

因此，被包含在F(n，θ)中的各ρ分量是已知的，或者可以从所述滤波器26获得。因此，计算F(n，θ)从而计算G(j，θ)所需要的所有信息都可以从所述滤波器26获得。回想到可以从所述滤波器26获得V，则计算d(k，θ)所需要的所有信息都可以从所述滤波器26获得。

l(k，θ)的剩余分量是矩阵C^-1(k，θ)，该矩阵是所述最大似然性估计的误差协方差矩阵，其描述在时间

处的改变。所述矩阵是下面的改变信息矩阵的逆矩阵：

$C(k,\mathrm{\&theta;})=\underset{j=\mathrm{\&theta;}}{\overset{k}{\mathrm{\&Sigma;}}}{G}^T(j,\mathrm{\&theta;})\&CenterDot;V^{-1}\left(j\right)\&CenterDot;G(j,\mathrm{\&theta;})$

相应地，计算C(k，θ)所需要的所有信息可以从所述滤波器26获得。因此，由于可以从所述滤波器26已知和/或获得的信息计算d(k，θ)和C(k，θ)，因此可以从已知的和/或可以获得的信息计算l(k，θ)。

在一些实施例中，在每一个离散时间k处，对于某一感兴趣范围内的每一个θ值计算测试统计量l(k，θ)。在一些实施例中，对应于θ的感兴趣范围是1≤θ≤k。更一般来说，在各实施例中，对应于θ的所述感兴趣范围是k-M≤θ≤k-N，其中M和N定义对于所述改变检测分析的所期望的时间窗。可以看出，上述范围1≤θ≤k对应于M＝k-1和N＝0。选择在所计算的集合当中具有最大值的测试统计量，并且将其与阈值进行比较。如果所述最大值超出所述阈值则发出警报。如上面关于所述CUSUM阈值所描述的那样，所述GLR阈值可以被视为FAR与MTD之间的折衷。因此，在一些实施例中基于诸如所期望的FAR和MTD之类的方面来选择所述阈值。作为例子，在各实施例中使用诸如5、10、15等阈值。

由下式给出最有可能的改变时间：

$\widehat{\mathrm{\&theta;}}\left(k\right)=\arg \underset{1\&le;\mathrm{\&theta;}\&le;k}{\max }l(k,\mathrm{\&theta;}),$

并且由下式给出时间

处的最有可能的改变：

$\hat{v}=C^{-1}(k,\widehat{\mathrm{\&theta;}}\left(k\right))\&CenterDot;d(k,\widehat{\mathrm{\&theta;}}\left(k\right)).$

可以示出，在所述零假设下的所述测试统计量l(k，θ，v)表现出x²分布。因此，给定所期望的置信水平，在原理上可以利用统计表估计适当的阈值。

图7更加详细地图示了根据本发明的示例性实施例的图4的警报逻辑42，其实现了上面描述的GLR测试。在图7中，所述警报逻辑42包括滤波器逻辑71，其例如是所示的多个并行滤波器。对于给定的离散时间k，每一个所述并行滤波器分别对于所述感兴趣的θ范围内的相应的θ值产生所述测试统计量l(k，θ)。因此，使用总共M-N+1个并行滤波器来实现k-M≤θ≤k-N的范围。每一个所述滤波器接收来自所述组合器40的残差45(还参见图4)，并且还从所述滤波器26接收计算相关联的测试统计量l(k，θ)所需要的剩余信息(在上面详细描述并且在图7中的70处总体标记出)。在71处的所述M-N+1个滤波器输出总体上在72处标记出的M-N+1个测试统计量l(k，θ)。在73处，最大值选择逻辑选择出所述M-N+1个测试统计量l(k，θ)当中的最大值，并且在74处输出该最大值测试统计量。阈值比较逻辑75把所述最大值测试统计量74与阈值进行比较。如果所述最大值测试统计量74超出所述阈值，所述阈值比较逻辑75就激活所述警报信号46(还参见图4)。

所述边缘化似然比(MLR)测试是与所述GLR技术相关的一种改变检测技术，其总体上适用于其中适用GLR的相同情况。在所述MLR测试中，所述改变量值被视为通过边缘化而被消除的随机烦扰参数，而不是像在所述GLR测试中那样进行估计。

在一些实施例中，在与图2的滤波器26相同的网络节点中实现所述改变检测设备(例如图4-7中示出的任一个设备)。在其他实施例中，在与其中实现所述滤波器26的(多个)网络节点不同的(多个)网络节点中实现所述改变检测设备，所涉及到的所有节点都被适当地耦合，以便支持关于图4-7所示出及描述的通信。

本领域技术人员应当注意到，本发明的上述实施例适用于许多领域，其中的两个例子是网络监控和自适应应用。例如，网络运营商可以使用本发明来可靠地监控其网络的状态。作为一个实际的例子，如果传输链路失败或者通信量负载突然改变，则期望运营商接收到快速明白的事件指示，从而可以采取适当的动作。作为自适应应用领域内的一个例子，终端主机中的音频/视频应用可以使用基于滤波器的带宽估计来把编解码器动态地适配于当前的端到端带宽可用性。可以通过上面描述的快速适配于网络中的突然改变的能力来增强性能。

本领域技术人员将认识到，在各实施例中，可以用硬件、软件或者硬件与软件的组合来实现本发明。

虽然在上面详细描述了本发明的示例性实施例，但是所述实施例并不限制本发明的范围，可以在多种实施例中实践本发明。

Claims (25)

1.一种用于评估在数据网络的数据通信节点之间传送数据的数据传送路径中的可用带宽的设备，其包括：

用于耦合到所述数据传送路径的滤波器，所述滤波器被配置成在所述数据传送路径的实时操作期间使用滤波器操作来产生实时信息，以用于估计所述可用带宽；

耦合到所述滤波器以用于分析所述实时信息的逻辑；以及

耦合到所述逻辑和所述滤波器以便响应于所述逻辑选择性地调节所述滤波器操作的调节器。

2.权利要求1的设备，其中，所述实时信息包括用于估计所述可用带宽的实时参数估计，并且其中所述滤波器操作使用与所述可用带宽相关并且分别对应于所述实时参数估计的实时测量，所述逻辑包括用于把所述实时测量分别与相应的实时参数估计相组合以便产生组合信息的组合器，并且所述逻辑被配置成对所述组合信息进行统计分析。

3.权利要求2的设备，其中，所述组合信息表示所述实时测量分别与相应的实时参数估计的对应比较。

4.权利要求3的设备，其中，所述逻辑被配置成基于所述组合信息计算测试统计量，并且把所述测试统计量与阈值进行比较。

5.权利要求4的设备，其中，所述逻辑被配置成分析第一似然性与第二似然性之间的关系，其中所述第一似然性是关于所述组合信息表示所述可用带宽的第一实时特性的似然性，并且其中所述第二似然性是关于所述组合信息表示所述可用带宽的第二实时特性的似然性。

6.权利要求4的设备，其中，所述逻辑被配置成检测是否发生了与所述组合信息相关联的统计特性中的改变。

7.权利要求3的设备，其中，所述逻辑被配置成执行以下操作：基于所述组合信息计算多个测试统计量；选择所述各测试统计量当中的具有最大值的其中一个所述测试统计量；以及把所述一个测试统计量与所述阈值进行比较。

8.权利要求2的设备，其中，所述逻辑被配置成关于所述组合信息应用白性测试。

9.权利要求2的设备，其中，所述逻辑被配置成关于所述组合信息应用累计和测试。

10.权利要求2的设备，其中，所述逻辑被配置成关于所述组合信息应用广义似然比测试。

11.权利要求2的设备，其中，所述逻辑包括多个并行滤波器。

12.权利要求1的设备，其中，所述调节器被配置成调节所述滤波器操作，以便临时提高其对所述可用带宽的改变的响应度。

13.权利要求1的设备，其中，所述滤波器包括Kalman滤波器，并且所述调节器被配置成调节被提供给所述Kalman滤波器的处理噪声协方差参数。

14.权利要求1的设备，其中，在物理上远离所述滤波器的位置处提供与所述滤波器物理上分开的所述逻辑。

15.一种评估在数据网络的数据通信节点之间传送数据的数据传送路径中的可用带宽的方法，其包括：

在所述数据传送路径的实时操作期间使用滤波器操作来产生实时信息，以用于估计所述可用带宽；

分析所述实时信息；以及

响应于所述分析选择性地调节所述滤波器操作。

16.权利要求15的方法，其中，所述实时信息包括用于估计所述可用带宽的实时参数估计，并且其中所述滤波器操作使用与所述可用带宽相关并且分别对应于所述实时参数估计的实时测量，所述分析包括把所述实时测量分别与相应的实时参数估计相组合以便产生组合信息，并且所述分析包括对所述组合信息进行统计分析。

17.权利要求16的方法，其中，所述组合信息表示所述实时测量分别与相应的实时参数估计的对应比较。

18.权利要求17的方法，其中，所述分析包括：基于所述组合信息计算测试统计量，并且把所述测试统计量与阈值进行比较。

19.权利要求18的方法，其中，所述分析包括分析第一似然性与第二似然性之间的关系，其中所述第一似然性是关于所述组合信息表示所述可用带宽的第一实时特性的似然性，并且其中所述第二似然性是关于所述组合信息表示所述可用带宽的第二实时特性的似然性。

20.权利要求18的方法，其中，所述分析包括：检测是否发生了与所述组合信息相关联的统计特性中的改变。

21.权利要求16的方法，其中，所述分析包括：关于所述组合信息应用累计和测试。

22.权利要求16的方法，其中，所述分析包括：关于所述组合信息应用广义似然比测试。

23.权利要求16的方法，其中，所述分析包括：关于所述组合信息执行并行滤波。

24.权利要求15的方法，其中，所述调节包括：调节所述滤波器操作，以便临时提高其对所述可用带宽中的改变的响应度。

25.权利要求15的方法，其中，所述使用包括使用Kalman滤波器来执行所述滤波器操作，并且所述选择性调节包括选择性地调节被提供给所述Kalman滤波器的处理噪声协方差参数。

Images