CN108881058B - 一种网络流到QoS类的软聚集方法 - Google Patents

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

一种网络流到QoS类的软聚集方法

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；

S12、计算两两QoS参数间的偏好差异量，共计算

组，其中J为QoS参数的个数；

S13、基于

组偏好差异量确定任意两QoS参数间的偏好类型，形成

条偏好描述；

S14、将获得的所有偏好描述进行合并，形成一组偏好描述P_xy。

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，任意两QoS参数ψ、

间的偏好差异量的计算方法具体如下：

S112、分别计算QoS参数ψ、

的数学期望

E(ψ)，同时计算QoE的数学期望E(QoE)；

S113、分别计算QoS参数

ψ与QoE的相关系数

r_ψ-QoE；

S114、比较相关系数

与r_ψ-QoE的大小，基于相关系数

与r_ψ-QoE，计算QoS参数

与ψ间的偏好差异量

进一步的，所述步骤S2具体包括如下步骤：

S21、基于P_xy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P_xy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M_pl为：

M_pl＝(W,Var,P_xyR,E)

其中，W是候选QoS类的集合；Var是QoS参数集；P_xy是偏好描述，即业务流的QoS需求，R是基于P_xy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P_xy。然后，针对P_xy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P_xy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QoE_i(i＝1，2，...n)表示同步采集到的多组QoE值；

S12、计算两两QoS参数间的偏好差异量，共计算

组，其中J为QoS参数的个数；

在本发明实施例中，任意两QoS参数

间的偏好差异量的计算方法如下：

S112、分别计算QoS参数ψ、

的数学期望

E(ψ)，同时计算QoE的数学期望E(QoE)；

S113、分别计算QoS参数

ψ与QoE的相关系数

r_ψ-QoE，在本发明实施例中，相关系数

r_ψ-QoE的计算公式具体如下：

S114、比较相关系数

与r_ψ-QoE的大小，基于相关系数

与r_ψ-QoE，计算QoS参数

与ψ间的偏好差异量

在本发明实施例中，计算偏好差异量的计算公式具体如下所示：

S13、基于

组偏好差异量确定任意两QoS参数间的偏好类型，形成

条偏好描述，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。

在本发明实施例中，令

随着两QoS参数ψ、

间的偏好差异量

增大，i取值增大，i取值为1、2、3、4，正好与四种偏好类型^r>^r，^R>^r，^r>^R，^R>^R相对应，具体表示如下

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P_xy，用以描述业务流X的QoS需求：

P_xy包含了若干条偏好描述C_i，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P_xy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。

在本发明实施例中，对于偏好描述

针对不同偏好类型^r>^r，^R>^r，^r>^R，^R>^R，左集合L(C_i)及右集合R(C_i)的定义不同，左集合及右集合的定义具体如下：

当^r>^r时：L(C_i)＝{w|w∈W,w|＝φ}，

将满足业务流

参数的QoS类划分至左集合，将不满足业务流ψ参数的QoS类划分至右集合；

当^R>^r时：L(C_i)＝{w|w∈W,w|＝φ∧ψ}，

将既满足业务流

参数又满足ψ参数的QoS类划分至左集合，将不满足业务流ψ参数的QoS类划分至右集合；

当^r>^R时：L(C_i)＝{w|w∈W,w|＝φ}，

将满足

参数的QoS类划分至左集合，将既不满足

参数又不满足ψ参数的QoS类划分至右集合；

当^R>^R时：L(C_i)＝{w|w∈W,w|＝φ∧ψ}，

将既满足

参数又满足ψ参数的QoS类划分至左集合，将既不满足

参数又不满足ψ参数的QoS类划分至右集合。

S22、基于偏好描述P_xy中包含的偏好类型对QoS类排序。

(1)若偏好描述P_xy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P_xy中删除所有包含空L(c_i)的(L(c_i),R(c_i))；用(L(c_i)R(c_i)-E_l,)替换P_xy中的每个(L(c_i),R(c_i))，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P_xy中仅包含^r>^r及^R>^r类型的偏好描述，那么

从W中删除E_l中的元素；从P_xy中删除所有包含空L(c_i)的(L(c_i),R(c_i))；用(L(c_i)-E_l，R(c_i))替换P_xy中的每个(L(c_i),R(c_i))；从而得到

重复推导，直至

得到E_n；最后，最后做一下倒置，E′_j＝E_l-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E_l中的元素；从P_xy中删除所有包含空L(c_i)的(L(c_i),R(c_i))；用(L(c_i)-E_l，R(c_i))替换P_xy中的每个(L(c_i),R(c_i))；从而得到

…重复推导，直至

得到E_n；最后对排序稍作处理，E′_j＝E_l+1E_j’＝E_l+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P_xy，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P_xy为：C₁＝delay₄₆ ^r>^Rbandwidth₁₃₄，C₂＝bandwidth₁₃₄ ^R>^Rloss_0.0015，C₃＝loss_0.0015 ^r>^Rjitter₄₇，C₄＝delay₄₆ ^R>^Rloss_0.0015，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>^Rloss_0.0015 ^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P_xy：C₁＝delay₄₆ ^r>^Rbandwidth₁₃₄，C₂＝bandwidth₁₃₄ ^R>^Rloss_0.0015，C₃＝loss_0.0015 ^r>^Rjitter₄₇

(b)根据偏好类型，对偏好描述C_i，建立其对应的左集合L_xy(C_i)和右集合R_xy(C_i)：

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L_xy(C₁)＝{QoS1，QoS5}；

对C₁，其偏好类型为^r>^R，因此

这里φ＝delay₄₆，ψ＝bandwidth₁₃₄，也就是找出不满足φ和ψ的QoS类，因此R(C₁)＝{QoS3，QoS4，QoS6}；

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＝loss_0.0015，也就是找出即满足φ又满足ψ的QoS类，因此L(C₂)＝{QoS1}；

对C₂，其偏好类型为^R>^R，因此

这里φ＝bandwidth₁₃₄，ψ＝loss_0.0015，也就是找出不满足φ和ψ的QoS类，因此R(C₂)＝{QoS4，QoS5}；

对C₃，其偏好类型为^r>^R，因此L(C₃)＝{w|w∈W,w|＝φ}＝{QoS1，QoS3，QoS6}

对C₃，其偏好类型为^r>^R，因此

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

(c)此例中的偏好描述P_xy包含^r>^R和^R>^R类型，因此

意思是，在R(C_i)中找出“从没出现的QoS类”，因此，E₁＝{QoS1}

从W中删除E_l中的元素，于是，W＝{QoS2，QoS3，QoS4，QoS5，QoS6}。

从P_xy中删除所有包含空E₁的(L(c_i),R(c_i))，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(c_i)-E_l,)替换P_xy中的每个(L(c_i),R(c_i))，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(C_i)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

再重复上述过程。此时，计算条件为：W＝{QoS2，QoS3，QoS4，QoS6}，那么

因此，E₃＝{QoS3，QoS6}，W＝{QoS2，QoS4}，C₃被删除，最后E₄＝{QoS2，QoS4}。

于是，对于QQ流，得到基于偏好描述P_xy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>^Rloss_0.0015 ^r>^Rjitter₄₇，transport₃₀₅ ^R>^rinterrupt₅₀ ^r>^Rresponse₅，delay₄₆ ^r>^Rtransport₃₀₅ ^r>^Rjitter₄₇，loss_0.0015134 ^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)：R_out＝Data_out/Data_in，这里Data_in为输入数据速率；Data_out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；

S12、计算两两QoS参数间的偏好差异量，共计算

组，其中J为QoS参数的个数；

S13、基于

组偏好差异量确定任意两QoS参数间的偏好类型，形成

条偏好描述；

S14、将获得的所有偏好描述进行合并，形成一组偏好描述P_xy；

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；

任意两QoS参数ψ、

间的偏好差异量的计算方法具体如下：

S112、分别计算QoS参数ψ、

的数学期望

E(ψ)，同时计算QoE的数学期望E(QoE)；

S113、分别计算QoS参数

ψ与QoE的相关系数

r_ψ-QoE；

S114、比较相关系数

与r_ψ-QoE的大小，基于相关系数

与r_ψ-QoE，计算QoS参数

与ψ间的偏好差异量

所述步骤S2具体包括如下步骤：

S21、基于P_xy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P_xy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。

Images