CN108881058B - 一种网络流到QoS类的软聚集方法 - Google Patents
一种网络流到QoS类的软聚集方法 Download PDFInfo
- Publication number
- CN108881058B CN108881058B CN201810493302.5A CN201810493302A CN108881058B CN 108881058 B CN108881058 B CN 108881058B CN 201810493302 A CN201810493302 A CN 201810493302A CN 108881058 B CN108881058 B CN 108881058B
- Authority
- CN
- China
- Prior art keywords
- qos
- preference
- qoe
- class
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004220 aggregation Methods 0.000 title abstract description 46
- 230000002776 aggregation Effects 0.000 title abstract description 45
- 230000003121 nonmonotonic effect Effects 0.000 claims abstract description 10
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明适用于网络流聚集技术领域,提供了一种网络流到QoS类的软聚集方法,该方法包括如下步骤:S1、采用QoS参数最值、QoE值及QoS参数间的偏好逻辑来描述业务流的QoS需求;S2、基于QoS需求对QoS类进行非单调偏好推理,即基于QoS需求的满足程度来对QoS类进行排序;S3、将业务流聚集到满足程度最大的QoS类。本发明的贡献在于:1、基于偏好逻辑并结合QoE建模业务流不确定、不精确的QoS需求,提供了一种网络流聚类方法;2、基于偏好描述,对QoS类进行非单调推理,从而打破阈值的局限,在高可变的动态环境中,当业务流QoS需求发生变化,或者业务流QoS参数集发生变化,甚至QoS类发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源。
Description
技术领域
本发明属于网络流聚集技术领域,提供了一种网络流到QoS类的软聚集方法。
背景技术
网络流(Flow)是具有某种相同属性的包的集合,它通常被定义为一个五元组:<Src IP,Dest IP,Src Port,Dest Port,Protocol>。目前,所有基于xFlow技术(Netflow、OpenFlow、jFlow、sFlow等)的网络设备皆可实现流的划分;再根据预先确定的规则对这些流进行聚集,然后将每个聚集流作为一个整体进行调度和传输处理,如图1所示。对流以聚集的方式进行处理,可以简化整个系统的管理,加快调度效率,提高网络资源利用率,实现区分服务,继而保障高效的端到端QoS(Quality of Service)。ITU(InternationalTelecommunication Union)也明确指出,流的聚集传输是保障NGN(Next GenerationNetwork)网络实现的重要环节,是下一代移动互联网的发展趋势之一。因此,业务流的聚集处理成为通信领域的一个重点研究问题。
现有的网络业务流到QoS类的聚集一般采用定量的硬聚集方式,这类方法对阈值比较敏感,需要满足如下条件:
(1)QoS参数值必须是确定的,但实际应用中,有些业务流的需求是会变化的,如优酷视频在进行标清到高清的切换时,带宽的需求随之发生变化,在H.264压缩方式下,传输标清需要1M带宽,而切换成高清,则需要2M带宽;
(2)QoS参数之间的权重系数必须是精确的,但现实情况中,每种业务流都有自己的偏好,有的业务偏重延时(如远程医疗),有的业务偏重带宽(如视频点播),这种“偏重”信息难以用数字的定量方式去刻画描述;
(3)QoS参数集必须是确定的,然而,QoS参数集未必是固定的。例如,在3GPP框架中,依据延迟灵敏度对业务流进行聚集;而ITU-T Y.1541依据的是延时和丢包率。如果某条业务流从3GPP流经ITU-T,那么就要增加“丢包率”这个QoS参数,因此QoS参数集将发生变化;
(4)QoS类必须是确定的,然而,真实网络环境中,QoS类型并非一成不变,例如,在RFC2474规范中,DSCP(Differentiated Services Codepoint)使用6位来定义64个数据类别,也就是理论上的64个QoS类,而每个QoS类的具体定义则由实际情况来决定,由此可见,网络中所面对的QoS类是多变的。
如上所述,已有的聚集方法一般采用定量的硬聚集方式,也就是,需要业务流给出确定的QoS参数值,QoS参数之间的权重系数是精确的,要求QoS参数集及系统设置的QoS类也是固定不变的,这种聚集计算方法依赖于确定的、精确的数据,对阈值表现得比较敏感,因此在不断变化的真实网络环境中,其聚集效果不佳。
发明内容
本发明实施例提供了一种网络流到QoS类的软聚集方法,旨在解决硬聚集方法要求业务流给出确定的QoS参数值,要求QoS参数之间的权重系数是精确的,要求QoS参数集及系统设置的QoS类也是固定不变的,导致对阈值的高度敏感,在不断变化的真实网络环境中,聚集效果不佳的问题。
本发明是这样实现的,一种网络流到QoS类的软聚集方法,该方法包括如下步骤:
S1、采用QoS参数最值、QoE值及QoS参数间的偏好逻辑来描述业务流的QoS需求;
S2、基于QoS需求对QoS类进行非单调偏好推理,即基于QoS需求的满足程度来对QoS类进行排序;
S3、将业务流聚集到满足程度最大的QoS类。
进一步的,步骤S1中所述QoS需求的获取方法具体包括如下步骤:
S11、分时采集业务流X的QoS参数值及对应的QoE值;
S14、将获得的所有偏好描述进行合并,形成一组偏好描述Pxy。
进一步的,基于偏好差异量确定偏好类型的方法具体如下:
确定两QoS参数间偏好差异量所在的数值区间,
查找所述数值区间对应的偏好类型,即形成一条偏好描述。
进一步的,所述步骤S2具体包括如下步骤:
S21、基于Pxy中的每一条偏好描述对QoS类划分一次,每次划分生成一对子集合,即左子集合和右子集合,将QoS类划分至左子集合或右左集合,左子集合中放置满足偏好描述的QoS类,右子集合中放置不满足偏好描述的QoS类;
S22、基于偏好描述Pxy中所包含的偏好类型,对S21中的所有子集合对进行推理,得到QoS类的排序。
本发明的贡献在于:1、基于偏好逻辑并结合QoE建模业务流不确定、不精确的QoS需求,与传统的、基于权重的定量方式截然不同,这种定性的建模方法是一种尝试与创新;2、本发明提出的软聚集方法,基于偏好描述进行非单调推理,从而打破阈值的局限,在高可变的动态环境中,当业务流QoS需求发生变化,或者业务流QoS参数集发生变化,甚至QoS类发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源;3.本发明提出的软聚集方法,当新增或删除某个QoS参数,只要对Var进行修正即可,后续的逻辑推理算法不受影响,因此本发明具有很好的鲁棒性;4.本发明提出的软聚类方法,若QoS类发生变化,那么E必定是E*的子集,这里,E表示QoS类变化前的最优选项集,E*表示QoS类变化后的最优选项集,因此本发明属于局部计算,面对环境变化其更新计算量小。
附图说明
图1为本发明实施例提供的网络流到QoS类的软聚集方法流程图;
图2为本发明实施例提供的随环境变化,不同聚集方法的吞吐量表现图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出的软聚集方法旨在实现在可变的QoS参数集下,针对不确定、不精确的QoS需求,将业务流高效聚集到动态可变的QoS类中。为此,我们引入定性的偏好逻辑理论。使用多类型偏好逻辑,并结合QoE建模业务流的偏好需求,然后借助非单调推理在动态变化的候选集QoS类中进行选择,从而实现一种以偏好为内容的QoS类软聚集方法。
我们提出的基于偏好的QoS类软聚集模型Mpl为:
Mpl=(W,Var,PxyR,E)
其中,W是候选QoS类的集合;Var是QoS参数集;Pxy是偏好描述,即业务流的QoS需求,R是基于Pxy对W的排序,E是聚集计算的结果。由此,基于偏好的QoS类软聚集计算过程可以描述为:对业务流X,基于QoS参数集Var,建立QoS需求Pxy。然后,针对Pxy对W进行非单调偏好推理,并排序得到R,由R中的全前序或后序得到最能满足Pxy需求的实例E;E中的QoS类,最能满足业务流X的QoS需求,因此,业务流X将被聚集到E中。
图1为本发明实施例提供的网络流到QoS类的软聚集方法流程图,该方法包括如下步骤:
S1、采用QoS参数最值、QoE值及QoS参数间的偏好逻辑来描述业务流的QoS需求;
S2、基于QoS需求对QoS类进行非单调偏好推理,即基于QoS需求的满足程度来对QoS类进行排序;
S3、将业务流聚集到满足程度最大的QoS类。
在本发明实施例中,步骤S1中所述QoS参数的偏好逻辑的获取方法具体包括如下步骤:
S11、利用已有的QoS参数测量工具在设定位置分时采集业务流X的QoS参数值,同时利用QoE计算工具(chariot、wireshark等)采集对应的QoE值,在本发明实施例中,QoS参数包括:且用 (i=1,2,...n)表示分时采集到的多组QoS参数值,用QoEi(i=1,2,...n)表示同步采集到的多组QoE值;
确定两QoS参数间偏好差异量所在的数值区间;查找所述数值区间对应的偏好类型,即形成一条偏好描述。
S14、将获得的所有偏好描述进行合并处理,形成一组偏好描述Pxy,用以描述业务流X的QoS需求:
Pxy包含了若干条偏好描述Ci,其中,J为QoS参数总的个数。
在本发明实施例中,步骤S2具体包括如下步骤:
S21、基于Pxy中的每一条偏好描述对QoS类划分一次,每次划分生成一对子集合,即左子集合和右子集合,将QoS类划分至左子集合或右左集合,左子集合中放置满足偏好描述的QoS类,右子集合中放置不满足偏好描述的QoS类;本发明中的“满足”是指QoS类参数指标位于业务流QoS参数值的偏差允许范围之内,“不满足”是指QoS类参数指标超出了业务流QoS参数值的偏差允许范围。
S22、基于偏好描述Pxy中包含的偏好类型对QoS类排序。
(1)若偏好描述Pxy中仅包含r>R及R>R类型的偏好描述,那么 从W中删除E1中的元素;从Pxy中删除所有包含空L(ci)的(L(ci),R(ci));用(L(ci)R(ci)-El,)替换Pxy中的每个(L(ci),R(ci)),E1中的QoS类w跟业务流X的QoS需求相对应,因此,业务流X将被聚集到E1中;
(2)若偏好描述Pxy中仅包含r>r及R>r类型的偏好描述,那么 从W中删除El中的元素;从Pxy中删除所有包含空L(ci)的(L(ci),R(ci));用(L(ci)-El,R(ci))替换Pxy中的每个(L(ci),R(ci));从而得到重复推导,直至得到En;最后,最后做一下倒置,E′j=El-j+1。那么,E′1中的QoS类w,跟业务流X的QoS需求相对应,因此,业务流X将被聚集到E′1中;
(3)其他情况,从W中删除El中的元素;从Pxy中删除所有包含空L(ci)的(L(ci),R(ci));用(L(ci)-El,R(ci))替换Pxy中的每个(L(ci),R(ci));从而得到…重复推导,直至得到En;最后对排序稍作处理,E′j=El+1Ej’=El+1,E′n=E1。E′1中的QoS类w,跟业务流X的QoS需求相对应,因此,业务流X将被聚集到E′1中。
本发明提供的软聚集方法与已有硬聚集方法的不同之处在于,后者要求聚集计算的基础-----QoS需求、QoS参数集以及QoS类是确定的、精确的。而前者对于QoS需求、QoS参数集以及QoS类,可以是不确定、不精确的,这与实际网络的动态变化环境更加吻合。因此,在高可变的动态环境中,当业务流QoS需求发生变化,或者QoS参数集发生变化,甚至QoS类发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源。
综上所述,本发明的贡献在于:1、基于偏好逻辑并结合QoE建模业务流不确定、不精确的QoS需求,与传统的、基于权重的定量方式截然不同,这种定性的建模方法是一种尝试与创新;2、我们提出的软聚集方法,基于偏好描述进行非单调推理,从而打破阈值的局限,在高可变的动态环境中,当业务流QoS需求发生变化,或者业务流QoS参数集发生变化,甚至QoS类发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源;3.本发明提出的软聚集方法,当新增或删除某个QoS参数,只要对Var进行修正即可,后续的逻辑推理算法不受影响。而已有的硬聚集模型,对QoS参数集的变化缺乏应变能力,QoS参数的增删可能会带来比较大的影响,倘若删减的QoS参数处于根节点上,那么需要重新生成整个属性决策树,聚集算法需要全部更新;4.当候选项集W发生变化,本发明提供的软聚类方法根据业务流的偏好需求Pxy,对候选项集W进行有效选择,得到E,若QoS类发生变化,那么E必定是E*的子集,这里,E表示QoS类变化前的最优选项集,E*表示QoS类变化后的最优选项集,而已有的硬聚集方法适应能力比较差,例如马氏距方法,所有的业务流以QoS类为聚点进行聚集。这种计算对样本总体有极大的依赖性,当某个QoS类聚点发生变化,尤其是在聚点变多的情况下,马氏距需要重新计算所有聚点并确定有效范围,因此会导致全局范围的影响。
本发明实施例以QQ即时视频通信流为例说明整个软聚类方法的实现过程:
(1)数据搜集准备工作。
仅考虑QQ即时视频业务流(以下简称QQ流)的4个QoS参数:延迟、带宽、丢包率和抖动,分别为delay、bandwidth、loss、jitter。
我们在校园网内实时捕获的QQ流,包含了本实验所需的各种信息,包括数据包的数量,字节大小,每个包到达的时间,上下行字节传输速率,info丢包解析等等。根据这些信息,可以计算得到该流在延时、抖动、带宽、丢包率方面的数据。
(2)偏好需求的建模。
建立QQ流对各QoS参数的偏好关系Pxy为:C1=delay46 r>Rbandwidth134,C2=bandwidth134 R>Rloss0.0015,C3=loss0.0015 r>Rjitter47,C4=delay46 R>Rloss0.0015,C5=delay46 R>Rjitter47,C6=bandwidth134 R>Rjitter47;
需要注意的是:偏好逻辑本身并不对上述偏好关系排序,但为了简化计算和方便读者查看,我们将这一堆偏好描述整理为:delay46 r>Rbandwidth134 R>Rloss0.0015 r>Rjitter47。
当QQ流的偏好需求建立好以后,接下来,是基于第七步进行偏好的非单调推理,将QQ流聚集到最能满足其偏好需求的QoS类中。
(3)基于偏好的非单调推理。
候选集QoS类的各项指标如下表1所示:
表1各种QoS类型的指标参数
以下为推理的详细过程:
(a)聚集计算所需的数据:
候选集QoS类:W={QoS1,QoS2,QoS3,QoS4,QoS5,QoS6}。
QQ流的偏好描述Pxy:C1=delay46 r>Rbandwidth134,C2=bandwidth134 R>Rloss0.0015,C3=loss0.0015 r>Rjitter47
(b)根据偏好类型,对偏好描述Ci,建立其对应的左集合Lxy(Ci)和右集合Rxy(Ci):
对C1,其偏好类型为r>R,因此L(C1)={w|w∈W,w|=φ},这里φ=delay46,ψ=bandwidth134,也就是找出满足φ的QoS类,因此Lxy(C1)={QoS1,QoS5};
对C2,其偏好类型为R>R,因此L(C2)={w|w∈W,w|=φ∧ψ},这里φ=bandwidth134,ψ=loss0.0015,也就是找出即满足φ又满足ψ的QoS类,因此L(C2)={QoS1};
对C3,其偏好类型为r>R,因此L(C3)={w|w∈W,w|=φ}={QoS1,QoS3,QoS6}
用表格汇总如表2所示:
L(C<sub>i</sub>) | R(C<sub>i</sub>) | |
C<sub>1</sub> | QoS1,QoS5 | QoS3,QoS4,QoS6 |
C<sub>2</sub> | QoS1 | QoS4,QoS5 |
C<sub>3</sub> | QoS1,QoS3,QoS6 | QoS2,QoS4 |
表2为左集合及右集合的汇总表
从W中删除El中的元素,于是,W={QoS2,QoS3,QoS4,QoS5,QoS6}。
从Pxy中删除所有包含空E1的(L(ci),R(ci)),即删除包含QoS1的偏好描述,因此,C2被删除,如下列表3所示;用(L(ci)-El,)替换Pxy中的每个(L(ci),R(ci)),即删除L(C1)和L(C2)中的QoS1。
表3为第一次迭代计算后的左集合及右集合汇总表
L(C<sub>i</sub>) | R(C<sub>i</sub>) | |
C<sub>1</sub> | QoS5 | QoS3,QoS4,QoS6 |
C<sub>3</sub> | QoS3,QoS6 | QoS2,QoS4 |
接下来重复上述过程,此时,计算条件更新为:W={QoS2,QoS3,QoS4,QoS5,QoS6}。即,在R(Ci)中找出“从没出现的QoS类”,因此,E2={QoS5},W={QoS2,QoS3,QoS4,QoS6},C1被删除,左右集合变化为下表4所示:
表4为第二次迭代计算后的左集合及右集合汇总表
L(C<sub>i</sub>) | R(C<sub>i</sub>) | |
C<sub>3</sub> | QoS3,QoS6 | QoS2,QoS4 |
于是,对于QQ流,得到基于偏好描述Pxy的QoS类划分:R={{QoS1},{QoS5},{QoS3,QoS6},{QoS2、QoS4}}。这里,E1集合里的QoS类{QoS1}最能满足QQ业务流的需求,是最优;E2里的QoS类{QoS5}是次优,以此类推,最后一个集合E4里的QoS类{QoS2、QoS4}}最不能满足QQ即时视频业务流的需求,为最差。
因此,聚集推导的结果是:QQ流聚集到QoS1队列中。
接下来的实验继续使用上述QQ流。为模拟高可变动态环境中变化的QoS需求、QoS参数以及QoS类,针对QoS参数集Var,增加以下几个QoS参数:传输率transport(kbps),中断时间interrupt(ms),以及响应时间response(s)。由此产生20个不同的QoS类:W=(QoS1,QoS2,QoS3,…,QoS20)。
QQ业务流的偏好需求随之进行动态调整,对偏好描述进行合并处理后,得到:delay46 r>Rbandwidth134 R>Rloss0.0015 r>Rjitter47,transport305 R>rinterrupt50 r>Rresponse5,delay46 r>Rtransport305 r>Rjitter47,loss0.0015134 r>rinterrupt50,jitter47 R>Rresponse5。
根据这些偏好描述进行逻辑推理,得到W上的QoS类划分:R={{QoS1、QoS5},{QoS2},{QoS4},…,{QoS7、QoS13、QoS16}}。这里,E1集合里的QoS类{QoS1、QoS5}为最优,E2里的QoS类{QoS5}为次优,以此类推。
当QoS类为6个时,算法迭代运算4次,并分别得到4个集合E1~E4,算法即结束;当QoS类为20个时,算法迭代运算10次,并分别得到10个集合E1~E10,算法即结束。可见本发明聚集计算具有快速收敛的特性。另外,当系统的环境发生变化,E1集合从{QoS1}变成{QoS1、QoS5},且。可见,QoS参数或QoS类发生变化,本发明提出的PLM方法能够有效应对和响应。
吞吐量分析
衡量各种聚集方法优劣的最直接的评价标准是基于传输的吞吐量。这里,我们将测量各种聚集方法下的总体吞吐量情况。
需要特别注意的是,本实验所分析的吞吐量,具体指的是归一化吞吐量(也称吞吐速率):Rout=Dataout/Datain,这里Datain为输入数据速率;Dataout为输出数据速率。
如图2为本发明实施例提供的随环境变化,不同聚集方法的吞吐量表现图,映射表MT、效用函数UFM和动态映射DSCM这三种方法的吞吐量比较低。分析原因:
1)对于映射表MT方法,业务流仍然依照老规则全部聚集到QoS6队列,造成大幅的丢包率;而且QoS7队列为空,分配给QoS7的调度时间完全被浪费,因而造成整体吞吐率很低。
2)对于效用函数UFM和动态映射DSCM这两种方法,大多时候QoS6、QoS7队列为比较空的状态;而“其他”类型队列又过满导致丢包,因此,在吞吐量方面的表现也不是很好。
3)对于马氏距MDM。从图2中看出,马氏距MDM在启动阶段比较慢,属于慢启动类型,其他方法均能迅速达到各自最大的吞吐量,而显然MDM比较费力。分析原因:主要是源于比较高的时空复杂度。例如,当聚点QoS6类的参数发生变化,以及新增聚点QoS7时,与QoS6或QoS7有关系的、没关系的业务流,与聚点的距离需要全部重新计算,大量的计算对吞吐量产生明显的影响。
4)本文PLM方法,跟马氏距方法最大的不同在于:当QoS类发生变化时,PLM方法只会产生局部的影响,计算量小,系统整体吞吐量大。例如,在环境变化前,对QQ即时视频业务流推理得到E1={QoS1},当QoS6、QoS7发生变化后,只要在W={QoS1,QoS6,QoS7}中寻找最优即可,无需对W={QoS1,…,QoS7}进行全部的更新计算。尤其是当系统新增QoS类后,PLM方法时间复杂度呈线性增长方式O(MNPlog(M)+JN),这里,M为QoS类;而马氏距MDM的时间复杂度随着聚点的增多将呈指数增长方式。因此,本发明方法计算量小,延时小,因此系统吞吐量整体情况优于其他方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种网络流到QoS类的软聚类方法,其特征在于,所述方法包括如下步骤:
S1、采用QoS参数最值、QoE值及QoS参数间的偏好逻辑来描述业务流的QoS需求;
S2、基于QoS需求对QoS类进行非单调偏好推理,即基于QoS需求的满足程度来对QoS类进行排序;
S3、将业务流聚集到满足程度最大的QoS类;
步骤S1中所述QoS需求的获取方法具体包括如下步骤:
S11、分时采集业务流X的QoS参数值及对应的QoE值;
S14、将获得的所有偏好描述进行合并,形成一组偏好描述Pxy;
基于偏好差异量确定偏好类型的方法具体如下:
确定两QoS参数间偏好差异量所在的数值区间;
查找所述数值区间对应的偏好类型,即形成一条偏好描述;
所述步骤S2具体包括如下步骤:
S21、基于Pxy中的每一条偏好描述对QoS类进行一次划分,每次划分生成一对子集合,即左子集合和右子集合,将QoS类划分至左子集合或右左集合,左子集合中放置满足偏好描述的QoS类,右子集合中放置不满足偏好描述的QoS类;
S22、基于偏好描述Pxy中所包含的偏好类型,对S21中的所有子集合对进行推理,得到QoS类的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810493302.5A CN108881058B (zh) | 2018-05-22 | 2018-05-22 | 一种网络流到QoS类的软聚集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810493302.5A CN108881058B (zh) | 2018-05-22 | 2018-05-22 | 一种网络流到QoS类的软聚集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108881058A CN108881058A (zh) | 2018-11-23 |
CN108881058B true CN108881058B (zh) | 2021-10-29 |
Family
ID=64334513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810493302.5A Active CN108881058B (zh) | 2018-05-22 | 2018-05-22 | 一种网络流到QoS类的软聚集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108881058B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115460041B (zh) * | 2022-09-15 | 2023-08-29 | 重庆大学 | 一种5G与TSN融合网络QoS映射方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6452915B1 (en) * | 1998-07-10 | 2002-09-17 | Malibu Networks, Inc. | IP-flow classification in a wireless point to multi-point (PTMP) transmission system |
CN101924781A (zh) * | 2009-06-15 | 2010-12-22 | 日电(中国)有限公司 | 终端设备及其QoS实施方法以及流分类器 |
CN106789349A (zh) * | 2017-01-20 | 2017-05-31 | 南京邮电大学 | 一种基于体验质量建模分析及会话流分类的方法 |
CN106998322A (zh) * | 2017-02-20 | 2017-08-01 | 南京邮电大学 | 一种使用视频业务的平均意见分均值特征的流分类方法 |
-
2018
- 2018-05-22 CN CN201810493302.5A patent/CN108881058B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6452915B1 (en) * | 1998-07-10 | 2002-09-17 | Malibu Networks, Inc. | IP-flow classification in a wireless point to multi-point (PTMP) transmission system |
CN101924781A (zh) * | 2009-06-15 | 2010-12-22 | 日电(中国)有限公司 | 终端设备及其QoS实施方法以及流分类器 |
CN106789349A (zh) * | 2017-01-20 | 2017-05-31 | 南京邮电大学 | 一种基于体验质量建模分析及会话流分类的方法 |
CN106998322A (zh) * | 2017-02-20 | 2017-08-01 | 南京邮电大学 | 一种使用视频业务的平均意见分均值特征的流分类方法 |
Non-Patent Citations (1)
Title |
---|
Internet Video Traffic Classification using QoS;王再见;《IEEE》;20160324;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108881058A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11228513B2 (en) | Traffic measurement method, device, and system | |
CN107005781B (zh) | 用于生成m2m通信的虚拟网络拓扑的系统与方法 | |
Yan et al. | A survey of traffic classification in software defined networks | |
WO2017152883A1 (zh) | 一种协同流的识别方法、系统以及使用该方法的服务器 | |
WO2018054342A1 (zh) | 一种网络数据流分类的方法及系统 | |
CN112491619B (zh) | 一种基于sdn的服务定制网络资源自适应分配方法 | |
JP2017034678A5 (zh) | ||
CN110324260B (zh) | 一种基于流量识别的网络功能虚拟化智能调度方法 | |
Pekár et al. | Adaptive aggregation of flow records | |
JP5747393B1 (ja) | フロー集約装置及び方法及びプログラム | |
JP5862811B1 (ja) | 評価装置、評価方法、及びプログラム | |
CN114827021A (zh) | 一种基于sdn和机器学习的多媒体业务流量加速系统 | |
CN108881058B (zh) | 一种网络流到QoS类的软聚集方法 | |
CN114448899A (zh) | 一种均衡数据中心网络负载的方法 | |
CN103825963B (zh) | 虚拟服务迁移方法 | |
CN114884893B (zh) | 一种转发和控制可定义的协同流量调度方法与系统 | |
Tang et al. | Online traffic classification using granules | |
CN105207951B (zh) | 一种广域网流量优化控制方法及装置 | |
CN105917621B (zh) | 用于数据路由的方法和系统 | |
Wang et al. | Joint optimization on bandwidth allocation and route selection in QoE-aware traffic engineering | |
CN115473688A (zh) | 面向软件定义网络的异常检测方法、装置及设备 | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
Takyi et al. | A semi-supervised QoS-aware classification for wide area networks with limited resources | |
Hagos et al. | Classification of delay-based TCP algorithms from passive traffic measurements | |
Bolodurina et al. | Comprehensive approach for optimization traffic routing and using network resources in a virtual data center |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |