CN111147388A - 估计网络中的带宽 - Google Patents

Abstract

一种方法包括：采集在网络上不同的相应观测路径上发生的多个过去的通信在不同时机所经历的端对端带宽的相应观测，每个路径包括相应的多个网络组件；利用由一个或多个参数表征的带宽概率函数来对相应的网络组件中的每一个建模；以及通过对于所述参数确定相应的值而使得观测路径中的网络组件的组件带宽或带宽概率密度的组合根据优化过程近似地匹配在观测路径上过去的通信所经历的端对端带宽的观测，基于所述建模对于网络组件中的每一个估计组件带宽或组件带宽概率密度。

Description

估计网络中的带宽

本申请是申请日为2015年08月06日、申请号为201580042541.3、发明名称为“估计网络中的带宽”的中国专利申请的分案申请。

背景技术

在诸如因特网的计算机网络的背景下，网络路径或路径的组件(例如，服务器、中继器或路由器)的带宽可以是指路径或组件的带宽容量或可用带宽。带宽容量是该路径或组件所能处置的总数据率，而可用带宽是该路径或组件当前所能提供的数据率(带宽容量减去由于路径上现有的通信或者通过组件的现有通信所招致的任何带宽)。带宽可以例如按照每秒比特数或者每秒字节数来表达。

现有的方法允许估计给定网络路径上的带宽，但是仅仅基于之前对确切相同的网络路径(包括确切相同的构成组件)所做的观测。例如，可以构建先前观测到的带宽的直方图。然而，如果存在对于该路径的先前的观测，则这些方法仅能够估计路径的带宽。事实上，为了得到有用的估计，通常需要确切相同的网络路径上的相当多的观测。通常，对于考虑中的路径不存在任何观测，并且因此该方法完全失效。而且，在没有路径的各个构成组件的可视性的情况下，这些方法不允许估计路径的各个组件(例如，各个服务器、中继器或路由器)的带宽。

存在用于估计抖动、往返时间(RTT)和丢包的更复杂的方法，而没有用来估计带宽的方法。然而，因为路径的带宽等于路径上最低带宽组件的带宽的带宽独特性质，即“瓶颈”(而对于抖动、RTT和丢包，这些是通过沿路线的每个组件的累积效应来确定的)，将这些方法扩展到带宽并非是直接的。

发明内容

单个网络组件的带宽可能凭借其自身的因素而受到关注，例如为了网络规划的目的。可替代地或者附加地，各个组件带宽的知识将允许确定任何任意路径的带宽，而无论先前是否经历过该路径(即，无论对于该路径是否获得了带宽测量作为所讨论的方法或模型的部分)。

例如，当管理具有多个组件(如服务器)以及所涉及到的数据中心的大型网络时，检测其中哪些是瓶颈是非常有挑战性的。因此，由每个这样的网络组件所提供的带宽的估计将是有用的。例如，如果诸如服务器的某组件被识别为瓶颈，则网络管理员可以为其购买一些更多的带宽，或者修改网络的路由策略以对该服务器或其它组件布置较少的负担，或者甚至升级网络拓扑结构来添加附加的组件。

作为另一示例，当开始网络路径上的媒体会话时，提供由该路径所提供的带宽的估计会是有用的，例如，其能够用来决定媒体的适当的编码级别(以及因此其将招致何种带宽)。在又一示例中，运行于用户终端上的诸如VoIP应用的应用可以具有在不同网络路径之间选择的选项，例如通过连接到不同的服务器或中继器，或者通过在用户终端处使用不同的网络接口。在该情况下，应用可能想要选择最佳匹配其需求的网络路径。可被用来做出该决策的一个因素是可能的路径的端对端带宽的估计。

因此，存在期望能够估计网络中的各个组件的带宽或者估计先前尚未(必然地)获得带宽观测的路径的带宽的多种原因。此外，期望的是如果这些知识可以在不(必然地)具有各个组件的可视性的情况下获得。

根据本文公开的一个方面，在组件带宽的任何观测都不可用的实施例中，提供一种基于过去的通信的端对端观测来估计各个网络组件的带宽信息的方法。该方法是从采集在诸如因特网的网络上的在不同时机不同的相应观测路径上所发生的多个过去的通信所经历的端对端带宽的相应的观测而开始的。在实施例中，被观测的组件包括用户通信，包括在多个不同用户的用户终端之间进行的实际用户通信(与人工测试通信不同)，并且观测是通过接收来自运行于多个不同用户的用户终端上的至少一个应用的报告而采集的。例如，这可以包括：采集运行于整个网络中的各个用户终端上的诸如VoIP客户端的通信客户端应用的实例测得的在语音和/或视频通话期间所经历的带宽的报告。在实施例中，该方法实现于服务器中，服务器采集来自多个不同的用户终端的观测。然而，可替代地，该方法可以基于其自身的观测和/或从其它用户共享的观测而实现在单个的用户终端上。而且，该方法不限于语音和/或视频通话的观测，可以可替代地或者附加地使用其它类型的通信，例如单向媒体流和/或文件传输。

还注意的是，观测是从在多个不同的时机(过去的不同的离散时间)进行的通信采集的，例如是从不同的用户在多个小时、天、周、月或甚至年的时间段内进行的不同的通话采集的。该方法不要求对不同路径进行同时测量。此外，观测从不同路径的网格采集。该方法不一定要求从路径的任意特定结构化组合进行测量，例如，不要求利用测试通信同时或系统性地探测树。

无论观测到何种通信，每个通信在包括相应的多个网络组件的路径上行进。注意，本文所使用的术语“网络组件”或类似术语可以是指能够形成网络上从一个端点到另一端点(例如，从发送用户终端到接收用户终端)的路径的部分的任意节点。例如，根据本公开建模的网络组件可以包括单个的路由器(例如，因特网路由器)、中继器、桥接器、网关或服务器单元或者特定的逻辑服务器(包括多个服务器单元)、特定的数据中心、具有特定自治系统编号(ASN)的自治系统或者地理元信息(例如，大陆、国家、州或城市)。所建模的组件还可以包括一个或多个端点本身，例如用户终端。

为了估计组件带宽信息，该方法包括：利用由一个或多个参数表征的带宽概率函数对相应的网络组件中的每一个进行建模；以及基于所述建模来对于每个网络组件估计组件带宽或组件带宽概率密度。这是通过确定所述参数的相应值而使得在观测路径中的网络组件的组件带宽或带宽概率密度的组合根据优化过程(例如，最大似然估计)而近似地匹配在观测路径上过去的通信所经历的端对端带宽的观测来完成的。

因此，有可能基于沿先前观测路径的端对端带宽的观测(并且在实施例中仅基于端对端带宽的观测)来估计关于网络中的各个节点的带宽的信息，而不一定需要能够直接观测沿这些路径的各个节点的带宽统计数据。

注意，公开的技术能够应用于估计可用带宽或带宽容量。如果以可用带宽的端对端估计馈送该方法，则其将返回组件的“可用带宽”的估计。如果以端对端容量估计馈送，则其将返回组件的容量的估计。

在实施例中，该方法还可以包括：基于所述网络组件中的多个构成组件的组件带宽或带宽概率密度，预测所述网络上的目标路径的端对端带宽或端对端带宽概率密度。目标路径无需必然包含在观测路径中(但是可以恰巧是这样)。注意，此处的“目标”路径意指受测路径，即，作为关注焦点的路径，或者所考虑中的路径。这不一定暗示该路径以任何方式被针对或追寻(但是也不排除这种情况)。

提供该发明内容以便以简化的形式来引入下面的具体实施方式中进一步描述的概念的选择。该发明内容不旨在确定所要求保护的主题的关键特征或主要特征，也不旨在用于限定所要求保护的主题的范围。所要求保护的主题也不限于解决在背景技术部分所提到的任意或全部缺点的实现方式。

附图说明

为了辅助理解本公开且显示出如何将实施例投入实用，通过示例的方式参考附图，在附图中：

图1是通信网络的示意图，

图2是示出通信网络的组件的示意图，

图3示意性地图示出用于对网络组件建模的方法，以及

图4是用于估计带宽的方法的流程图。

具体实施方式

图1示出了通信系统，该通信系统包括网络101，例如，诸如因特网的公共广域互联网络或者诸如公司内联网的私有广域网。与网络101连接的是呈用户终端102形式的多个通信端点，例如台式计算机、膝上型计算机、平板式设备和/或智能手机。每个用户终端102安装有通信客户端应用103的相应的实例以用于通过网络101与用户终端102中的一个或多个其它终端通信。在实施例中，通信客户端103是语音和/或视频通话客户端，例如VoIP客户端，用于通过网络101在用户终端102之间进行实况语音和/或视频通话。还与网络101连接的是提供带宽估计服务105的服务器104。该服务器104可以实现为单个服务器单元，或者逻辑服务器，其包括了在一个或多个站点上的多于一个服务器单元。

图2示出了通信网络101的更多细节。网络101包括多个网络组件201，即网络的节点。在图中，各个网络组件201被标记为A…O以便引用，但是将意识到在实施例中可以存在比图示更多的组件201。这些组件201中的每一个组件可以表示各种类型的网络节点中的一个，例如路由器、中继器(例如，P2P系统中的对等节点)、桥接器、网关、服务器单元、逻辑服务器、数据中心、特定自治系统的ASN、或地理元信息(例如，特定的城市、州、国家或大陆)。此外，在下面的模型中所考虑的各个组件201可以是同一类型的节点，或者可以包括不同类型的节点。

当在一个用户终端102上的通信客户端103将通信送到在另一用户终端102上的通信客户端103的互补实例(例如，发送音频流和/或视频流作为通话的部分)时，通信将在由多个网络组件201构成的网络上的某路径202上行进。例如，在图示的示例中，发送用户终端102送出通信(例如，音频和/或视频流)，该通信首先经由网络组件A行进，然后经由网络组件H，然后最终经由网络组件N，网络组件N将通信传递给接收用户终端102。因此，通信可以被描述为在两个端点102之间的网络路径AHN上行进。注意，通信可以是在路径上流动的进行中的流，并且不必在其开始被向前传递到下一组件H等之前全部传送到一个组件A。即，在流的较早部分正在从组件N传递到目的地端点102的同时，流的靠后的部分正从组件H传递到组件N，并且流的更靠后的部分正在从组件A传递到组件N，等等。

图2中还示出了网络路径BEKM(从组件B到E到K到M)、DBF(从组件D到B到F)、IHG(从组件I到H到G)以及NL(从组件N到L)。例如，每个均可以包括在各个端点102之间(例如，在因特网上的VoIP客户端103的各个实例之间)进行的相应的语音和/或视频通话的不同的相应的音频和/或视频流。注意，路径无需必然包含相同数量的网络组件。而且，注意一些或全部网络组件如何可以包含在不同的路径中。例如，组件H是路径AHN和路径IHG的组件，并且组件B是路径BEKM和路径DBF的组件，而组件N是路径AHN和路径NL的组件。实际上，可能将有在更多的相互交织的网格中重叠的更大量的路径，但是图2为了示例说明的目的而简化。

每个路径202具有某带宽，即，其当前正备用的带宽容量或可用数据率。带宽一般是通过路径202上的最慢组件201来确定的，即“瓶颈”。即，路径202的端对端带宽可以建模为路径上的任意组件201的最小带宽。

虽然客户端应用103无法调查路径202且因此无法看出哪个组件201是瓶颈，但是例如VoIP客户端的很多通信客户端具有估计它们正通过其通信的特定连接(即，特定路径)上的端对端带宽的设施。各种测量在给定连接上所经历的带宽的方法本身对于本领域技术人员而言是熟悉的。例如，pathChirp、Pathload或TCP友好速率控制(TFRC)可被用来测量端对端可用带宽；或者分组训练方法可被用来测量端对端带宽容量。

此外，通常能够识别出哪些组件构成了路径。例如，在一个模型中，每条路径被视为仅由两个组件构成，例如，在路径的一端的用户终端102借以连接到网络101的自治系统，以及在路径的另一端的用户终端102借以连接到网络101的另一自治系统。自治系统是向因特网呈现共同的、定义的路由策略的IP路由前缀的集合，例如是给定的互联网服务提供商(ISP)的系统。每个自治系统由唯一ASN(自治系统编号)来标识。因此，在实施例中，每个路径可以被建模为仅包含相应的ASN对。另一示例将考虑路径由在通信的任意端的两个地理位置构成，例如，在任意端的国家或城市(在该情况下，组件可由两个端点的地理元信息来建模)。

此外，如果通信遍历服务器、中继器或数据中心，则该组件的身份可为应用103所知，并且因此在实施例中其可轻易地作为组件添加到路径中。

更一般地，可以通过使用其它已知的技术，例如执行跟踪路线来发现其它更复杂的路径的组件。跟踪路线是通过从寻址到另一端点的一个端点102发送跟踪分组来执行的，跟踪分组包含被设定成非零整数值的生存时间(TTL)值。当网络组件201接收到分组时，其将TTL值递减，并且然后如果TTL仍为非零则将跟踪分组转发到路径中的下一网络组件201，或者否则如果TTL值现在已经递减成零，则网络组件以其本身的标识回应发送终端102。发送终端TTL所发送的第一跟踪分组初始地设定成1，因此其在其到达的第一网络组件(例如A)处第一跳后递减为0，该第一网络组件随后以其身份回应。发送终端012随后在TTL设定为2的情况下发送第二跟踪分组。该第二跟踪分组将因此行进两跳，在其递减为零的时候到达路线中的第二网络组件(例如，H)，使得第二网络组件以其身份回应，等等。

用于识别网络路径的技术本身对于本领域技术人员将是熟悉的，并且本公开的范围不限于任何特定的技术。还注意，为了本文所公开的建模的目的而考虑的路径不一定必须包含沿路径下至最细微的细节的每个组件——如果为了所论述的目的，与其它组件相比组件通常足够快，则该组件不会认为是瓶颈，在对路径建模时可以忽略该组件。

给定通常在例如VoIP系统的通信系统中进行的极大量的通话或其它通信，能够采集在一时间段内大量通话上的统计数据，包括构成所行进的路径202的网络组件201的所经历的带宽和标识。根据以下，提供了一种基于多个端对端带宽观测来估计各个网络组件所引入的带宽限制或者由于每个这样的网络组件201所提供的带宽的概率分布的方法。

这些组件估计本身可以应用于网络规划。

可替代地或者附加地，给定这些估计，还能够将各个组件估计组合成跨组件201的任何新路径的端对端带宽的估计——即使由网络组件的该确切组合构成的路径的观测之前没有并入该模型中。这可以例如应用于媒体编码或网络路径选择，如下文更具体地论述。组件估计和新路径的估计两者均基于通过路径上的任意组件的最小带宽(“瓶颈”)确定端对端带宽的模型。

现在参考图4来更具体地论述公开的方法。

在第一步骤S10中，在至少一些实施例中，在服务器104处采集跨多个网络组件的多个端对端带宽观测。在例如多个小时、数天、数周、数月或甚至数年的时间段内采集观测。当运行于一个或多个用户终端102上的通信客户端103执行经网络101的通信(例如，通话)时，其还通过测量相应的路径202上所经历的带宽以及识别相应路径的组件201来进行观测，如上文所述。在多个用户终端102在各个不同的时机执行的多个通信中，每个客户端103将其测得的带宽和所识别的路径报告给运行于服务器104上的带宽估计服务105(例如，通过同一网络101或单独的介质)。

在带宽估计服务105处，处理观测以识别由存在的各个网络组件201中的每一个所提供的带宽。因为由不同的组件提供的带宽会由于例如边负载而随时间变化，在至少一些实施例中，组件带宽是通过它们的概率密度函数来建模的。这可以应用于可用带宽或带宽容量。可用带宽由于不同的需求而随时间变化。可用带宽会由于竞争运行于同一用户设备和/或不同用户设备中的应用而受影响。此外，根据容量的定义，带宽容量还可以是时变的。例如，如果容量是如分组链消耗率测得的峰值速率，则其可以在例如移动网络的网络中是时变的，因为其由操作员指定为各技术参数(例如，信号质量、用户负荷等)的函数。

随时间推移，带宽估计服务105将采集到包括网络组件201的许多不同组合的许多不同路径202的观测，其中多个不同的路径202将包含一些而非全部的相同网络组件201。基于此，带宽估计服务105能够估计出各个网络组件201的带宽(例如，平均带宽)或者至少带宽概率密度，即使其仅具有端对端带宽的观测。这如何完成的一些具体的示例将稍后结合等式(1)至(31)来进行详述，但是该过程的概要阐述如下，同样是结合图3。(a)首先，对于观测数据得到一般似然函数。这基于观测的端对端带宽是由路径上的最慢网络组件201来确定的模型。

(b)然后，利用概率分布函数对任意观测路径202中所涉及到的每个网络组件201进行建模。这示意性地图示在图3中。注意，似然函数p(y；λ)是对于固定观测y而言参数λ的函数；而概率密度函数p(y；λ)是对于固定的参数λ而言观测y的函数。有时，参数λ是隐式的。也即，p(y；lambda)有时仅写为p(y)，lambda是可理解的。对于组件带宽而言可以挑选任何概率分布函数(PDF)，例如，指数、高斯、Weibull、或离散概率质量函数(PMF)(“直方图”)。无论选择哪一个，概率分布函数是由一个或多个参数表征的，对于不同的网络组件201参数可取不同值。例如，在图3中，对组件A建模的PDF的参数被标记为λa1，λa2…，对组件A建模的PDF的参数被标记为λb1，λb2…，等等。在实施例中，同一类型的PDF用于在给定模型中要建模的每个组件201，或者可替代地，不排除不同类型的PDF可以用于给定模型内的不同组件201。

(c)任务现在变成选定的PDF类型或多个类型的参数的优化问题。也即，期望找到对不同网络组件201建模的PDF的参数的值，使得全部路径基于组件模型PDF而被一起考虑的模型近似匹配(例如，最紧密地匹配)那些路径的实际观测。在实施例中，这意味着期望找到对不同网络组件201建模的PDF的参数的值，使得他们组合起来产生实际上在端对端路径上所观测到的全部端对端带宽观测的最高可能的似然乘积。该原理称为最大似然估计。例如，在高斯PDF类型的情况下，期望找到导致端对端带宽观测的最高似然乘积的均值和方差。这可以利用任何已知的优化方法来实现以最大化在上面的步骤(a)中形成的似然函数。在实施例中，所使用的优化方法可以是凸优化方法，例如，诸如牛顿法的内点法，如果需要该方法可扩展对数障碍以将参数保持在约束范围内。可替代地，可应用诸如遗传算法的非凸方法，或者可以组合地使用凸方法和非凸方法；例如，可利用非凸方法的结果来初始化凸方法。

(d)结果是带有求解的参数的每个网络组件201的PDF，得到了相应的网络组件的概率密度。

在实施例中，“直方图”PDF类型可被使用，因为其可以拟合任何数据并且还实现了能够利用凸优化方法来求解且因此在合理时间内执行的优化标准。在实施例中，Tikhonov正则化项可以添加到优化标准中，因为该项可防止过拟合。例如，对于直方图PDF类型，项可以添加到PDF中的目标惩罚微分式中，使得PDF平滑。这还可以提供如下附加效果：在任何网络组件由于观测集中的线性相关性而不可观测的情况下，目标仍能够在没有数值分解的情况下优化。

在一些实施例中，带宽可以任选地利用诸如对数函数的可逆压缩器来进行预处理。通过每个组件建模的带宽PDF随后将实际上对由每个组件传送的对数带宽进行建模。然后，通过取得在对数域内做出的带宽预测的指数来恢复所得到的端对端带宽估计。这可以是有用的，因为带宽趋于长尾分布并且因此压缩提高了建模精度。而且，这与建模精度的效果一致：虽然在100与200kbps的视频通话之间有大的质量差别，但是实际上在2000与2100kbps的视频之间没有差别。

第二个任选的步骤S20是提供某目标端对端路径的带宽或带宽PDF的估计，该某目标端对端路径可以是未包含在第一步骤S10中所采集和建模的观测中的路径。第二步骤S20是在第一步骤S10之后实施的，但是不一定响应于第一步骤S10的结束而直接触发。相反，在实施例中，步骤S20将是在应用(参见步骤S30)请求端对端路径(例如，其旨在用于通信或者考虑使用)的带宽(或带宽的PDF)的估计时而被调用的。例如，通信客户端应用103可能希望确定用于进行语音或视频通话的估计带宽。应用103将请求送到带宽估计服务105，其中其为服务105提供在所考虑中的路径(“目标路径”)上的网络组件201的身份。例如，应用可以在目标路径上运行跟踪路线，或者组件可以从端点推导出(例如，在任意侧的ASN或国家加上它们之间的任何服务器或中继器)。在步骤S10中所估计的网络组件PDF随后组合成所提供的网络路径的端对端带宽的新PDF，或者PDF用于生成最可能的带宽。PDF的组合基于端对端带宽由路径上的最慢组件确定的模型。

在实施例中，组合是通过带宽估计服务105来执行的，并且服务105将所得到的目标路径的带宽或带宽概率密度提供给请求的应用，例如在相应的用户终端102中的一个上的通信客户端应用103，或者运行于服务器上的媒体流应用。该应用随后使用该带宽或带宽概率密度作为应用在目标路径上所进行的后续通信所经历的带宽或带宽概率密度的预测。

可替代地，服务105可以将一个或多个网络组件的各个组件带宽或带宽概率密度提供给应用，以便应用在用户终端102处用来组合成目标路径的预测带宽或带宽概率密度。例如，在实施例中，服务105可以为应用供应目标路径上的全部组件的组件带宽，或者可以仅供应有问题的低带宽组件的PDF。

在第三可选的步骤S30中，为实际的目的而应用估计的端对端带宽或带宽PDF。示例的应用如下。在第一示范性的应用中，目标路径的预测的端对端带宽或端对端带宽概率函数被用来选择正在目标路径上传输或者将要在目标路径上传输的后续通信的性质，该性质的选择影响在目标路径上的后续通信所招致的带宽。在实施例中，该选择包括在后续通信的不同质量版本之间选择，例如音频或视频编码译码器的不同质量模式。例如，这可用于媒体流中的带宽选择，例如，视频流服务可以基于所提供的估计而在不同质量级别之间选择。作为另一示例，这可用于实时通信中的带宽选择。作为另一示例，VoIP服务可基于所提供的估计而在不同的质量级别之间选择。该服务通常将基于所传输的媒体数据而运行其自身的“服务中”带宽估计，但是即使在该情况下，由本文所述的方法所提供的带宽估计可能在“服务中”估计变得可用或稳定之前的初始阶段是有用的。

在第二示范性的应用中，估计可用于网络路径选择。在该情况下，该方法包括：预测在网络上的两个或更多个不同的目标路径中的每一个的相应的端对端带宽或端对端带宽概率密度，每个均基于所述网络组件的相应的多个构成组件的组件带宽或带宽概率密度。两个或更多个目标路径的预测的端对端带宽或端对端带宽概率密度的比较随后用来选择目标路径之一用于传输后续通信。例如，(任意上述)应用可以查询多路径的端对端带宽估计，然后选择最快的或以其它方式“为最佳的”路径用于会话。作为示例，选择可以是在使用慢且廉价的或快速且昂贵的服务器之间进行。如果到两个服务器的路径上存在第三慢速网络组件，则选择快速且昂贵的服务器没有优势，因为慢速服务器绝不是瓶颈(假设其比第三慢速组件快)。

注意，在上文中假设带宽估计被提供给应用(例如，在用户终端102中的一个上的应用103)并且应用做出路径选择，或者通信的质量或其它性质的选择影响所招致的带宽。然而，在可替代的实施例中，选择的指示被提供给应用(例如，在用户终端102上)以在选定的目标路径上进行后续通信或者以选定的质量或其它性质来进行后续通信。

在又一示范性的应用中，通过基于一个或多个网络组件的组件带宽或带宽概率密度来修改网络，一个或多个网络组件的组件带宽或带宽概率密度用于网络规划。例如，通过直接检查网络组件带宽(步骤S10的结果)，任意管理员能够轻易地检测哪些组件趋于是瓶颈。因此，他或她可以按该信息行动并且可能相应地做准备。

将意识到，上面的应用仅是示例，技术人员可以发现其它用来估计网络组件或包括这些组件的路径的带宽或带宽概率密度的有用的应用。

还注意的是，在上述方法(例如，通过服务105)所产生的带宽估计中，所得到的目标组件或路径的带宽估计可以按照估计带宽概率密度分布或单一表示带宽估计(例如，诸如估计均值的估计平均带宽或模态带宽)来输出。为了确定估计分布，相应的网络组件中的每一个是利用由不仅仅是一个而是至少两个独立可变的参数表征的带宽概率函数来建模的。在实施例中，输出估计的概率密度提供了用于利用估计的更多选项。例如，在选择用于后续通信的路径时，服务105或应用103可以使得选择基于平均带宽(例如，分布的均值或峰值带宽)和带宽概率密度分布的离散度的度量(例如，在分布的峰值的+/-X％之间定义的宽度)。例如，考虑中的一个目标路径可以具有较高的估计平均带宽，但是较宽的离散度，意指带宽不太可靠；而另一目标路径可以具有较低的估计平均带宽，而较窄的离散度，意指带宽更可靠。在一些方案中，服务105或应用103可以在具有较高估计平均值的路径上选择更可靠的路径，而在其它方案中服务105或应用103可以选择更可靠路径上的具有较高估计平均值的路径。例如，选择可取决于所做出选择的后续通信的要求，例如其媒体类型(文件传输、音频、视频等)和/或要求的最小担保位率。

此外，在上文列出的任意应用中，带宽相关的估计可以与例如往返时间(RTT)、丢包、抖动或做出最终恰当决策之前的金钱成本的其它因素的估计或度量组合。

在第四可选的步骤S40中，应用(例如，通信客户端103或媒体流应用)可以将在实际通信期间所观测到的实际“会话中”带宽估计(在可用时)发回到服务105。该观测随后提供附加信息，并且步骤S10可以重新初始化以细化网络组件带宽PDF估计。

在另外进一步的可选实施例中，公开的方法可允许预测在一天的不同时间的不同的带宽估计。这可以通过将一天分段成例如0:00-6:00、6:00-12:00、12:00-18:00、18:00-2400的时间段以及将公开的技术单独地应用于每个时间段来实现。可替代地，一天内的时间可以嵌入到所建模的网络组件中。例如，每个ASN可被建模为对应于上文例示的四个时间间隔的四个网络组件。

现在将对用于对每个网络组件201建模(步骤S10)的概率密度函数的一些示例进行说明。在下面的示例中，等式(4)是似然函数，p_j(X_j)是组件j的概率密度函数。给出两个具体的示例。激发等式(11)对于两个示例是通用的。在激发等式(11)中，在优化中变化的参数由θ_j表示。在等式(16)的具体的示例中，k用于表示全部组件的通用参数，并且然后使用k_j来使k对于每个组件变化。在式(22)中，其为p_j(k)。注意(16)中的k不是(22)中的k。

为了以下的目的，不同的网络组件由j来索引。当组件在通话的端对端路径上时，其引入带宽限制x_j。现在假设该带宽限制是随密度函数p_j(X_j)随机可变的。现在，用y_i来标示第i个端对端观测。这也是随密度函数p_i(Y_i)随机可变的。因为端对端带宽是由“最弱链路”来确定的，所以其可以表示为：

其中A_i是用于第i个端对端观测的路径上的一组网络组件。

现在将得出p_i(y_i)。也即，对于yi观测的似然性。首先，需要组件j传送带宽足够高而产生y_i的概率：

现在，全部组件传送足够高带宽的概率是：

现在，以下式返回似然函数：

对于整个观测集y，似然性因此变成：

因为所关心的是找到最大化p(y)的基础的密度函数p_j(X_j)，所以可以在两边取对数以得到对数似然函数：

关于该项，现在注意：

因此，可以改写为：

这提供了对于分布p_j(X_j)的任何给定的选择进行优化的通用功用。一方面，期望提供得到凸功用从而能够轻易最大化的分布。另一方面，期望提供拟合数据且对我们所考虑的应用而言有用的分布。匹配第一期望的分布是指数的：

(并且还可以规定y_i>＝0)。插入(10)中，这得到：

并且通过做如下检查其是凹的：线性函数既是凸的又是凹的，并且凹函数(

的凹的非减函数(log(·))是凹的。因此，求解器可写为利用牛顿法来恢复θ_j。θ_j>0的约束可通过将对数障碍添加到目标函数中来强制。然而，指数分布并没有真实地拟合上述的第二期望，因为其是最大值为0的长尾分布。这意味着，其仅能反映组件有时支持高带宽的能力，而其不能反映任何有关这有多可靠的方面。克服该问题的一种方式是使用更一般的Weibull分布：

其中形状参数k>0。能够看出，对于k＝1，其降为指数分布，对于k＝2，其具有Rayleigh分布。通过插入(10)中，得到：

按与对指数分布所做的相同的论证，这对于任何给定的k在θ_j ^k中是凹的，并且因此易于求解。

使用例如k＝5的Weibull分布确保分布的最大值不再为0；然而，使用固定的k，仍存在均值和方差1：1耦合的问题。克服该问题的一种方式也是使k对于每个分布是自由参数，即，用上面的k_j取代k。

从上文继续，现在描述使用Weibull分布的示例。

当用k_j取代k时，可以得到(16)的1阶和2阶导数。第1阶导数是：

其中I(·)是指示符函数。要构建Hessian，还需要第2阶导数：

并且最后是交叉项：

现在说明使用离散化PDF的一个可替代的示例。

不使用(10)中的参数PDF，可以使用离散化的。

观测的带宽被离散成箱(bin)，并且用于观测y_i的适当的箱由b_i来标示，并且相应的箱中心由y～(b_i)来标示(也即，量化的y_i)。可以将(10)写为：

其中K是箱的数量，w(k)是第k个箱的宽度，并且：

是从y_i到下一箱的距离。p_j(k)项是在每个箱内的观测似然常数，并且构成恰当的PDF：

如果应用相等的箱尺寸

并且进而假设量化是细粒度的而使得y～_i≈y_i，(22)减为：

其最大值无关于所期望的箱尺寸。

现在，注意(22)和(26)可以向量化为：

其中对于第b_i个箱，a_i牵制(pin)似然向量p_j，并且对于b_i以下的索引，w_i是0，在(26)的情况下，在b_i处是0.5，在b_i以上是1。然后可以得到Jacobian：

还可以得出Hessian。使用与Jacobian相同的分离度，得到：

以及

此处，能够看出，H_i ⁽¹⁾是半负定，而H_i ⁽²⁾不是，并且因此该问题不是一般凹的。这意味着，无法确保凸优化方法将找到全局最优参数。然而，数值实验表明，只要观测I的数量相对于网络组件J的数量高，估计参数实际上是最优参数的可用近似。确保凹性的一个诀窍可以是将Tikhonov正则化项-αp_j ^Tp_j添加到对数似然目标中；因为这些项的Hessian是对角的，所以其将从Hessian的特征值中减去α，并且因此通过选择α“足够高”来实现凹性。该诀窍的一个解释是，在问题不是凹的情况下，解可以朝向具有高熵值的解加权。

一般地，本文所述的任意功能可以利用软件、固件、硬件(例如，固定逻辑电路)、或者这些实现的组合来实现。在软件实现的情况下，功能是以具体实施在计算机可读介质或媒介上的程序代码来实现的，代码被配置为当在一个或多个处理器上执行时执行规定任务。一种这样计算机可读介质是信号承载介质并且因此被配置为将指令(例如，作为载波)发送给计算设备，诸如经由网络。另一计算机可读介质是计算机可读存储介质且因此不是信号承载介质。计算机可读存储介质的示例包括随机存取存储器(RAM)、只读存储器(ROM)、光盘、闪速存储器、硬盘存储器以及可使用磁、光和其它技术来存储指令和其它数据的其它存储器设备。

虽然以特定于结构特征和/或方法行为的语言描述了主题，但是应当理解的是，在随附的权利要求中限定的主题不一定局限于上述的具体特征或行为。而是，上述的具体特征和行为被公开作为实现权利要求的示例的形式。

Claims (20)

1.一种方法，包括：

由一个或多个计算设备基于模型来估计各个网络组件的组件带宽或组件带宽概率密度，所述模型使用带宽概率函数来表征所述网络组件；

由所述一个或多个计算设备基于在网络上的目标路径的各个构成网络组件的所估计的组件带宽或带宽概率密度，预测所述目标路径的端对端带宽或端对端带宽概率密度，所述目标路径的所述各个构成网络组件不包含于在所述网络上发生多个过去通信的不同时机所经历的端对端带宽的观测的各个构成网络组件中；以及

由所述一个或多个计算设备将所述目标路径的所预测的端对端带宽或带宽概率密度提供给用户终端，以用作在所述目标路径上所述用户终端所进行的后续通信的带宽或带宽概率密度的预测。

2.如权利要求1所述的方法，其中，所述过去通信包括在多个不同用户的用户终端之间进行的用户通信。

3.如权利要求1所述的方法，其中，使用带宽概率函数来表征所述网络组件的所述模型利用由至少两个独立可变参数表征的所述带宽概率函数来对相应的各个构成网络组件中的每一个进行建模。

4.如权利要求1所述的方法，其中，所述目标路径的预测的端对端带宽或端对端带宽概率函数被用来选择在所述目标路径上被发送或者将被发送的后续通信的性质，所述性质的选择影响由所述目标路径上的后续通信所招致的带宽。

5.如权利要求1所述的方法，其中，所述各个构成网络组件中的每一个是以下项中的一个：路由器、中继器、服务器单元、服务器、数据中心、自治系统编号ASN、或地理元信息。

6.如权利要求1所述的方法，其中，所述方法还包括：

预测在所述网络上的两个或更多个不同的目标路径中的每一个的相应的端对端带宽或端对端带宽概率密度，每一个预测均基于所述各个构成网络组件中的相应的多个构成网络组件的组件带宽或带宽概率密度；以及

比较两个或更多个目标路径相对所述目标路径的预测的端对端带宽或端对端带宽概率密度，用于发送后续通信。

7.如权利要求1所述的方法，其中，所述方法是由服务器执行的。

8.一种系统，包括：

一个或多个处理器；以及

一个或多个计算机可读存储介质，所述计算机可读存储介质存储指令，所述指令可由所述一个或多个处理器运行以执行包括以下的操作：

基于模型来估计各个网络组件的组件带宽，所述模型使用带宽概率函数来表征所述网络组件；

基于在网络上的目标路径的各个构成网络组件的所估计的组件带宽，预测所述目标路径的端对端带宽，所述目标路径的所述各个构成网络组件不包含于观测的路径的各个构成网络组件中；以及

将所述目标路径的所预测的端对端带宽提供给用户终端，以用作所述用户终端在所述目标路径上进行的后续通信的带宽的预测。

9.如权利要求8所述的系统，其中，所述后续通信包括在多个不同用户的用户终端之间进行的用户通信。

10.如权利要求8所述的系统，其中，使用带宽概率函数来表征所述网络组件的所述模型利用由至少两个独立可变参数表征的带宽来对相应的各个构成网络组件中的每一个进行建模。

11.如权利要求8所述的系统，其中，所述目标路径的预测的端对端带宽被用来选择在所述目标路径上被发送或者将被发送的后续通信的性质，所述性质的选择影响由所述目标路径上的后续通信所招致的带宽。

12.如权利要求8所述的系统，其中，所述系统是由服务器执行的。

13.如权利要求8所述的系统，其中，所述系统是由服务器执行的，所述通信包括在多个不同用户的用户终端之间进行的用户通信，以及进一步包括以下后续步骤：从所述用户终端接收回在所述目标路径上的后续通信所经历的所述带宽的度量，以及在所述服务器处使用所述度量来细化对所述各个构成网络组件带宽的估计。

14.如权利要求8所述的系统，其中，所述指令进一步可由所述一个或多个处理运行以执行：预测在所述网络上的两个或更多个不同的目标路径中的每一个的相应的端对端带宽，每一个均基于所述各个构成网络组件中的相应的多个构成网络组件的组件带宽；以及两个或更多个目标路径的预测的端对端带宽的比较被用来选择所述目标路径中的一个，用于发送后续通信。

15.如权利要求8所述的系统，其中，所述各个构成网络组件中的每一个是以下项中的一个：路由器、中继器、服务器单元、服务器、数据中心、自治系统编号ASN、或地理元信息。

16.一种计算机可读存储设备，其上存储有用于估计网络上的目标路径上的带宽的计算机可执行指令，所述指令可被运行以执行包括以下的操作：

基于模型来估计各个网络组件的组件带宽概率密度，所述模型使用带宽概率函数来表征所述网络组件；

基于目标路径的各个构成网络组件的所估计的组件带宽概率密度，预测所述目标路径的端对端带宽概率密度，所述目标路径的所述各个构成网络组件不包含于在所述网络上发生多个过去通信的不同时机所经历的端对端带宽的观测的路径的各个构成网络组件中；以及

将所述目标路径的所预测的端对端带宽概率密度提供给用户终端，以用作所述用户终端在所述目标路径上进行的后续通信的带宽概率密度的预测。

17.如权利要求16所述的计算机可读存储设备，其中，所述过去通信包括在多个不同用户的用户终端之间进行的用户通信。

18.如权利要求16所述的计算机可读存储设备，其中，所述目标路径的预测的端对端带宽概率密度被用来选择在所述目标路径上被发送或者将被发送的后续通信的性质，所述性质的选择影响由所述目标路径上的后续通信所招致的带宽。

19.如权利要求16所述的计算机可读存储设备，其中，使用带宽概率函数来表征所述网络组件的所述模型利用由至少两个独立可变参数表征的带宽来对相应的各个构成网络组件中的每一个进行建模。

20.如权利要求16所述的计算机可读存储设备，其中，所述指令进一步可被运行以执行包括以下的操作：预测在所述网络上的两个或更多个不同的目标路径中的每一个的相应的端对端带宽概率密度，每一个均基于所述各个构成网络组件中的相应的多个构成网络组件的组件带宽概率密度；以及

执行两个或更多个目标路径的预测的端对端带宽概率密度的比较，用于选择所述目标路径中的一个以发送后续通信。

Images