CN103036802A - 一种流量卸载的方法和系统 - Google Patents

Abstract

本发明提供一种流量卸载的方法，包括：第一步，识别业务类型，对所识别的业务类型根据预定协议来定义其QoS需求；第二步，将所述所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力进行匹配，根据匹配结果选择路径进行流量卸载。所述方法在选择路径时考虑了待选卸载路径的QoS提供能力，从而更好地保证业务的服务质量。此外，通过实时动态地选择卸载路径，减少了网络的单点瓶颈，提高了网络的可靠性。

Description

一种流量卸载的方法和系统

技术领域

本发明涉及无线资源管理技术领域，具体涉及一种流量卸载的方法和系统。

背景技术

当前，由于现有网络的各个核心部分业务量急剧提高，数据流量也随之快速增长，而流量卸载技术将网络中的流量根据一定的判断条件做出是否卸载的判断，对于需要卸载的流量可绕过核心网通过HeNB（家庭基站，Home eNodeB）直接路由到互联网中。这样做既能减少数据传递时延，还能降低核心网的吞吐量和传输成本。

目前，对流量卸载技术的研究工作大多集中在3GPP LIPA/SIPTO（Local IP Access/Selected IP Traffic Offload）架构的基础上，对信令流程以及TOF(流量卸载功能，Traffic Offload Function)功能具体的实现网元进行的研究，具体的有如下几种卸载技术：1）基于bearer类型进行卸载：在PGW（分组数据网关，Packet Data Network Gateway）上实现TOF功能，通过给每个bearer增加一个卸载标识符，对于需要卸载的流量通过静态卸载机制进行卸载；2）通过DNS协议进行卸载：对于需要卸载的流量，选择地理位置距离核心网最近的卸载点来控制流量的卸载；以及3）多PDN（分组数据网。Packet Data Network）连接方式：在基于手机支持多APN（接入点，Access Point Name）多PDN连接的前提下进行流量卸载，手机能根据负载情况建立一个新的优化的PDN连接为APN所承载的新IP会话服务，同时不影响该APN上现有的PDN连接。

当前最常见的流量卸载方法是：通过DPI（深度数据包检测，Deep Packet Inspection）技术对业务流进行实时的识别及分类，然后与事先定义的卸载规则进行匹配，对于需要卸载的流量通过静态路由表进行路由，从而实现对流量的卸载。然而，该方法存在一些缺陷：不支持动态的卸载路径选择算法，也就是说，不能根据网络及业务流量的实时变化情况进行动态的卸载路径选择；此外，该方法没有考虑业务的QoS需求与可选卸载路径的服务提供能力（QoS提供能力），从而不能保证业务的服务质量，以及不能保证整个网络的负载均衡。

发明内容

针对上述问题，本发明提出一种流量卸载的方法和系统。

根据本发明一个实施例，提供一种流量卸载的方法，包括：

步骤1）、对所识别的业务类型根据预定协议定义其QoS需求；

步骤2）、将所述所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力进行匹配，根据匹配结果选择路径进行流量卸载。

在一个实施例中，所述业务类型包括：话音、视频、文件传输、网页浏览以及P2P业务。

在一个实施例中，通过实时网络监控技术实时地收集当前可选卸载路径的QoS提供能力。

在一个实施例中，步骤1）中使用基于最大熵的IP业务流识别算法来识别业务类型。

在一个实施例中，步骤1）中根据3GPP协议来定义业务类型的QoS需求。

在进一步的实施例中，QoS需求包括对如下QoS参数的需求：带宽、时延、抖动和丢包率。

在一个实施例中，步骤2）包括：

步骤21）、根据多属性决策的理想解法得到匹配结果；

步骤22）、根据步骤21）的结果选择流量卸载方案。

在进一步的实施例中，步骤21）包括：

步骤211）、构建决策矩阵X=(x_jl)_m×k，根据如下公式得到标准化矩阵Y=(y_jl)_m×k：

$y_{\mathrm{jl}}=x_{\mathrm{jl}}/{\mathrm{\Σ}}_{j=1}^m{x}_{\mathrm{jl}}^2,(j=\mathrm{1,2},...,m;l=\mathrm{1,2},...,k)$

其中，m表示当前可选卸载路径，k表示QoS参数个数，x_jl表示当前业务流的QoS需求与卸载路径j的QoS提供能力的差值，1≤j≤m；

步骤212）、根据如下公式计算加权的标准化矩阵：

$U={\left(u_{\mathrm{jl}}\right)}_{m\×k}={\left(w_l{y}_{\mathrm{jl}}\right)}_{m\×k}$

$=\left[\begin{array}{cccc}{u}_1\left(1\right)& u_1\left(2\right)& ...& u_1\left(k\right)\\ u_2\left(1\right)& u_2\left(2\right)& ...& u_2\left(k\right)\\ & & ...& \\ u_m\left(1\right)& u_m\left(2\right)& ...& u_m\left(k\right)\end{array}\right]$

其中，w_l（l＝1,2，…,k）表示QoS参数的权重向量；

步骤213）、根据下列两个公式分别计算正理想解和负理想解：

$U_0^{+}=\left\{\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}$

$=(u_0^{+}\left(1\right),u_0^{+}\left(2\right),...,u_0^{+}\left(l\right),...,u_0^{+}\left(k\right))$

$U_0^{-}=\left\{\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}$

$=(u_0^{-}\left(1\right),u_0^{-}\left(2\right),...,u_0^{-}\left(l\right),...,u_0^{-}\left(k\right))$

其中，Q={q₁,q₂，…,q_k}表示QoS参数向量。

在进一步的实施例中，步骤22）包括：

步骤221）、根据下列两个公式分别计算卸载路径j到正理想解的距离和到负理想解的距离：

$D_j^{+}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{+}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)$

$D_j^{-}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{-}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)$

步骤222）、根据如下公式计算路径的相对贴近度：

$C_j^{*}=\frac{D_j^{-}}{D_j^{-}+D_j^{+}},(j=\mathrm{1,2},...,m)$

选择相对贴近度最大的路径进行流量卸载。

根据本发明一个实施例，还提供一种流量卸载系统，包括业务识别模块、流量卸载规则库、流量卸载决策引擎模块。其中所述流量卸载规则库用于提供流量卸载规则；所述业务识别模块用于对流经的业务流进行实时统计监测，识别业务流的业务类型，将所识别出的业务类型传递到流量卸载决策引擎模块；所述流量卸载决策引擎模块对所接收的业务类型根据预定协议定义其QoS需求，根据所述流量卸载规则对所述QoS需求与实时收集的当前每条可选卸载路径的QoS提供能力进行匹配，得到卸载方案。

在一个实施例中，流量卸载规则包括业务优先级、对QoS参数的需求以及QoS参数的权重向量。

在一个实施例中，所述业务识别模块使用基于最大熵的IP业务流识别算法来识别业务类型。

在一个实施例中，所述流量卸载决策引擎模块使用多属性决策的理想解法匹配所述所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力。

本发明主要具有以下有益效果：

1.保证待选卸载路径的QoS提供能力匹配业务的QoS需求。其中，综合考虑ITU（国际电信联盟）定义的六类QoS参数：时延、丢包率、抖动、带宽、费用、安全性。通过选择与当前业务最适合的卸载路径，从而更好地保证业务的服务质量，以及保证用户体验。

2.可以根据当前网络业务流量的实时变化情况，动态地选择卸载路径。通过将网络负荷分担到所有网络节点上，来减少网络的单点瓶颈，提高网络的可靠性，从而保证了整个网络的负载均衡。

附图说明

图1是根据本发明一个实施例的流量卸载的方法的流程图；

图2是根据本发明一个实施例的流量卸载的系统的架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施方式，对根据本发明一个实施例的流量卸载的方法进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

根据本发明的一个实施例，提供一种流量卸载的方法，图1示出该方法的具体步骤，包括：识别网络业务流的业务类型（第一步）；对于所识别的业务类型，根据预定协议定义其QoS需求（第二步）；以及，将所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力进行匹配，做出决策进行流量卸载（第三步）。

以下内容将具体描述该方法的各个步骤。

第一步、识别网络业务流的业务类型。

针对无线通信网络的特点，在一个实施例中，可以根据IANA(InternetAssigned Numbers Authority)给不同业务分配不同端口号的映射关系，通过检查业务流传输层数据包头中的端口号来进行业务识别。然而，随着网络的泛在化，伴随着新的业务不断涌现且大量使用随机端口号，使得这类方法难以识别未经IANA认证的业务，因此具有一定的局限性。在又一个实施例中，还可以基于业务流的统计分布特性（如数据包大小、数据包到达时间间隔等）来进行业务流量的识别。此方法适于识别在线实时业务，而且仅需要提取业务流的初始若干个数据包并且计算其统计分布特征就可以实现分类。但本系统是针对无线信道中传输的业务流量进行识别，由于无线信道具有高误码率（BER）和高链接中断率的特点，容易造成数据包传输失败以及延迟概率的增加，因而无线网络中的业务流很难像在有线网络中一样保持初始数据包顺序到达的特性，从而可能影响有线网络中对业务流量的识别。

根据本发明一个实施例，优选采用基于最大熵的IP业务流识别算法（METCS）来识别业务类型。METCS通过提取业务流中的“语义”信息，来实现业务类型的识别。这是由于在网络中传输的业务流实际上是二进制数据流，可以对其进行分段并把每段的二进制数字映射为一个整数值。如果把每个整数当成文本分类中的一个词，那么业务流中的载荷就可以看成是由若干词（即整数）组成的文本，其具有独特的“语义”特征。METCS首先检测一个业务流中随机到达的若干个数据包（无需检测按顺序到达的初始若干个数据包），通过提取其数据包应用层包头的语义特征，再基于已有的线下业务分类模型，利用

Bayes、SVM或partial decision tree（PART）等机器学习方法在线获得实时的业务流语义模式，进而对HTTP、RTP、RTSP、FTP以及P2P等不同的业务进行识别。

第二步、对于所识别的业务类型，根据预定协议定义其QoS需求。

在一个实施例中，可通过第一步识别出网络中的下列五种业务类型：话音（voice）、视频（video）、文件传输（ftp）、网页浏览（http）以及P2P业务。在一个实施例中，可以根据3GPP协议中的定义，获得各业务流对于QoS的需求，该需求如下表所示：

表1

应理解，该表仅示出了3GPP协议中对各业务流的QoS需求，也可以根据其他协议（公知或自定义的）来定义各种业务流的QoS需求。

第三步、将所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的网络状况（即其QoS提供能力）进行匹配，从而做出决策以进行流量卸载。

在一个实施例中，可使用实时网络监控技术来实时地收集当前可选卸载路径的QoS提供能力。应理解，也可以通过使用本领域公知的其他技术手段对可卸载路径进行实时监测和收集。

根据本发明的一个实施例，在所识别的业务类型的QoS需求与当前可选卸载路径的QoS提供能力的匹配方案中，选择相对贴近度最大（将在下文中详细描述）的匹配方案作为最优方案来进行流量卸载。其中，用F={f₁f₂，...，f_n}，n∈N代表所识别出的业务流的集合，其中N表示有N种业务类型；R={r₁,r₂，...,r_m}，m∈M（M表示有M个可能的卸载路径）代表当前所有可能的卸载路径的集合。为了便于表述，这里把默认的通过核心网的传输路径也作为一条可能的卸载路径表示为r₀，则R^*={r₀,r₁,r₂，...,r_m}。将QoS参数向量Q表示为Q={q₁,q₂,…,q_k}，k∈N（其中q₁到q_k分别表示诸如带宽、时延、丢包率抖动的QoS属性）；而W={w₁,w₂,…,w_k}，k∈N，分别表示所有QoS属性（即QoS参数q₁到q_k）的权重向量，该权重向量可以根据运营商或用户自行的运营策略或偏好进行设置。r_j,ql表示第j个网络（即卸载路径）的第l个QoS属性（q₁）的提供能力，j∈M。f_i,ql表示第i个业务流对第l个QoS属性的需求，i∈N。

在一个实施例中，流量卸载决策即在集合F和R^*之间寻找一个映射，以满足以下公式：

$r_{\mathrm{optimal}\_\mathrm{offload}}=\underset{j=\mathrm{1,2},...,m}{\arg \max }{C}_j^{*},f_i\∈F---\left(1\right)$

$s.t.\left\{\begin{array}{cc}\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{w}_l=1;& \left(1.1\right)\\ f_{i,\mathrm{bw}}\≤r_{j,\mathrm{bw}};& \left(1.2\right)\\ f_{i,\mathrm{delay}}\≥r_{j,\mathrm{delay}},f_{i,\mathrm{jitter}}\≥r_{j,\mathrm{jitter}},f_{i,\mathrm{loss}}\≥r_{j,\mathrm{loss}}& \left(1.3\right)\end{array}\right\}$

公式（1）中，目标函数的含义是为集合F中的每一个待传输的业务流f_i在可选传输路径集合R^*中寻找一个最优的传输路径r_{optimal_offload}，

表示卸载路径方案的相对贴近度，其计算方式将在下文中给出。约束条件（1.1）表示QoS属性的权重向量。约束条件（1.2）表示卸载路径必须满足业务流的带宽需求，其中QoS属性bw表示带宽。约束条件（1.3）表示要选择的卸载路径必须能够满足业务的服务质量需求。在这里根据ITU对业务服务质量的定义，用时延（delay）、抖动(jitter)和丢包率(loss)三个指标来衡量。

上述实施例仅示意性地列举了几个QoS参数，应理解，业务优先级或用户对业务的偏好设置等也可以作为需考虑的因素用于匹配所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的网络状况。

在一个实施例中，采用经典的多属性决策的理想解法(TOPSIS，Technique for Order Performance by Similarity to Ideal Solution)将所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的网络状况进行匹配以满足公式（1），包括以下步骤：

1)、如果当前有m条卸载路径，k个QoS属性（即QoS参数），当前待卸载的业务流i的QoS需求与卸载路径j的QoS提供能力的差值用x_jl(1≤j≤m,1≤l≤k)来表示，x_jl=(f_i，ql-r_j，ql),(1≤j≤m,1≤i≤n,1≤l≤k)。构建决策矩阵X=(x_jl)_m×k，用向量归一化法对该决策矩阵作标准化处理，得到标准化矩阵Y=(y_jl)_m×k，其中

(j=1,2,..,m;l=1,2，...,k)。

2)、根据以下公式计算加权标准化矩阵，其中w_l（l＝1,2，...,k）表示（根据运营商或用户自行的运营策略或偏好）所设置的QoS属性（ql）的权重向量：

$U={\left(u_{\mathrm{jl}}\right)}_{m\×k}={\left(w_l{y}_{\mathrm{jl}}\right)}_{m\×k}$

$=\left[\begin{array}{cccc}{u}_1\left(1\right)& u_1\left(2\right)& ...& u_1\left(k\right)\\ u_2\left(1\right)& u_2\left(2\right)& ...& u_2\left(k\right)\\ & & ...& \\ u_m\left(1\right)& u_m\left(2\right)& ...& u_m\left(k\right)\end{array}\right]---\left(2\right)$

3)、根据以下公式得到匹配结果，即正理想解和负理想解：

$U_0^{+}=\left\{\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}---\left(3\right)$

$=(u_0^{+}\left(1\right),u_0^{+}\left(2\right),...,u_0^{+}\left(l\right),...,u_0^{+}\left(k\right))$

$U_0^{-}=\left\{\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}---\left(4\right)$

$=(u_0^{-}\left(1\right),u_0^{-}\left(2\right),...,u_0^{-}\left(l\right),...,u_0^{-}\left(k\right))$

4）、根据以下公式计算第l个属性的卸载路径到正理想解的距离D⁺和到负理想解的距离D^-

$D_j^{+}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{+}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)---\left(5\right)$

$D_j^{-}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{-}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)---\left(6\right)$

5）、根据以下公式计算方案的相对贴近度，选择相对贴近度最大的方案作为决策方案。

$C_j^{*}=\frac{D_j^{-}}{D_j^{-}+D_j^{+}},(j=\mathrm{1,2},...,m)---\left(7\right)$

该相对贴近度反映了方案与正理想解或负理想解在位置上的接近或远离程度。按照相对贴近度的大小对方案进行排序。相对贴近度越大方案越优，反之，相对贴近度越小方案越差。从而，可选择贴近度最大方案来进行流量卸载。

应理解，将所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的网络状况进行匹配，除了采用上述TOPSIS方法，其他一些用于匹配的算法也可应用于此：例如简单线性加权法，即对决策矩阵进行标准化处理，求出各方案的线性加权指标平均值，并以此作为各种可行方案排序的依据。此外，也可以采用功效系数法等方法来进行匹配。

根据本发明的另一个实施例，提供了一种流量卸载的系统，图2示出了该系统的架构图。该流量卸载系统包括：业务识别模块，流量卸载规则库，流量卸载决策引擎模块。其中，业务识别模块用于识别业务类型，流量卸载决策引擎模块用于根据所识别的业务类型选择卸载路径。下面对每个模块分别进行详细描述。

业务识别模块首先对流经HeNB的业务流量进行实时统计监测，并根据业务流量识别算法进行分析，例如：采用基于最大熵的IP业务流识别算法。在一个实施例中，得到的业务流类型可包括：话音（voice）、视频（video）、文件传输（ftp）、网页浏览（http）以及P2P业务等。

接着，业务识别模块将所识别出的业务类型作为流量卸载决策引擎模块的输入传送至流量卸载决策引擎模块。

流量卸载规则库用于存储辅助流量卸载决策引擎模块进行流量卸载的规则，包括业务优先级、各类型业务服务质量需求、用户的偏好设置、各QoS参数指标的权重等。

所述流量卸载决策引擎模块收集传送过来的业务流类型结果，对所接收的业务类型根据预定协议定义其QoS需求，访问流量卸载规则库中存储的流量卸载规则，对所述QoS需求与当前可用的每条可选卸载路径的QoS提供能力进行匹配，从可选的卸载路径中给出最优卸载方案。

应该注意到并理解，在不脱离后附的权利要求所要求的本发明的精神和范围的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。

Claims (13)

1.一种流量卸载的方法，所述方法包括：

步骤1）、对所识别的业务类型根据预定协议定义其QoS需求；

步骤2）、将所述所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力进行匹配，根据匹配结果选择路径进行流量卸载。

2.根据权利要求1所述的方法，其中所述业务类型包括：话音、视频、文件传输、网页浏览以及P2P业务。

3.根据权利要求1或2所述的方法，其中步骤2）中通过实时网络监控技术实时地收集当前可选卸载路径的QoS提供能力。

4.根据权利要求1或2所述的方法，步骤1）中包括使用基于最大熵的IP业务流识别算法来识别业务类型。

5.根据权利要求1或2所述的方法，步骤1）中包括根据3GPP协议来定义业务类型的QoS需求。

6.根据权利要求5所述的方法，其中QoS需求包括对如下QoS参数的需求：

带宽、时延、抖动和丢包率。

7.根据权利要求5所述的方法，步骤2）包括：

步骤21）、根据多属性决策的理想解法得到匹配结果；

步骤22）、根据步骤21）的结果选择流量卸载方案。

8.根据权利要求7所述的方法，步骤21）包括：

步骤211）、构建决策矩阵X=(x_jl)_m×k，根据如下公式得到标准化矩阵Y=(y_jl)_m×k：

$y_{\mathrm{jl}}=x_{\mathrm{jl}}/{\mathrm{\Σ}}_{j=1}^m{x}_{\mathrm{jl}}^2,(j=\mathrm{1,2},...,m;l=\mathrm{1,2},...,k)$

其中，m表示当前可选卸载路径，k表示QoS参数个数，x_jl表示当前业务流的QoS需求与卸载路径j的QoS提供能力的差值，1≤j≤m；

步骤212）、根据如下公式计算加权的标准化矩阵：

$U={\left(u_{\mathrm{jl}}\right)}_{m\×k}={\left(w_l{y}_{\mathrm{jl}}\right)}_{m\×k}$

$=\left[\begin{array}{cccc}{u}_1\left(1\right)& u_1\left(2\right)& ...& u_1\left(k\right)\\ u_2\left(1\right)& u_2\left(2\right)& ...& u_2\left(k\right)\\ & & ...& \\ u_m\left(1\right)& u_m\left(2\right)& ...& u_m\left(k\right)\end{array}\right]$

其中，w_l（l＝1,2，...,k）表示QoS参数的权重向量；

步骤213）、根据下列两个公式分别计算正理想解和负理想解：

$U_0^{+}=\left\{\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}$

$=(u_0^{+}\left(1\right),u_0^{+}\left(2\right),...,u_0^{+}\left(l\right),...,u_0^{+}\left(k\right))$

$U_0^{-}=\left\{\left({\min }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{+},\left({\max }_{1\≤j\≤m}{u}_j\left(l\right)\right|q_l\∈Q^{-}))\right\}$

$=(u_0^{-}\left(1\right),u_0^{-}\left(2\right),...,u_0^{-}\left(l\right),...,u_0^{-}\left(k\right))$

其中，Q={q₁,q₂，…,q_k}表示QoS参数向量。

9.根据权利要求8所述的方法，步骤22）包括：

步骤221）、根据下列两个公式分别计算卸载路径j到正理想解的距离和到负理想解的距离：

$D_j^{+}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{+}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)$

$D_j^{-}=\sqrt{{\mathrm{\Σ}}_{l=1}^k{[u_j\left(l\right)-u_0^{-}\left(l\right)]}^2},(j=\mathrm{1,2},...,m)$

步骤222）、根据如下公式计算路径的相对贴近度：

$C_j^{*}=\frac{D_j^{-}}{D_j^{-}+D_j^{+}},(j=\mathrm{1,2},...,m)$

选择相对贴近度最大的路径进行流量卸载。

10.一种流量卸载系统，包括业务识别模块、流量卸载规则库、流量卸载决策引擎模块，其中：

所述流量卸载规则库用于提供流量卸载规则；

所述业务识别模块用于对流经的业务流进行实时统计监测，识别业务流的业务类型，将所识别出的业务类型传递到流量卸载决策引擎模块；

所述流量卸载决策引擎模块对所接收的业务类型根据预定协议定义其QoS需求，根据所述流量卸载规则对所述QoS需求与实时收集的当前每条可选卸载路径的QoS提供能力进行匹配，根据匹配结果选择卸载路径。

11.根据权利要求10所述的系统，其中流量卸载规则包括业务优先级、对QoS参数的需求以及QoS参数的权重向量。

12.根据权利要求10所述的系统，其中所述业务识别模块使用基于最大熵的IP业务流识别算法来识别业务类型。

13.根据权利要求10所述的系统，其中所述流量卸载决策引擎模块使用多属性决策的理想解法匹配所述所识别的业务类型的QoS需求与实时收集的当前可选卸载路径的QoS提供能力。

Images