CN1846407A - 电信网络中控制数据流的方法和服务器 - Google Patents

Abstract

本发明是关于控制电信网络(150)中的数据业务量的方法，所述控制根据由网络(150)发送的业务量的统计模型借助于数据流的高斯分布实现。根据本发明，一个这样的方法的特征在于借助于参数γ加权高斯分布的特性值，参数γ根据所述网络(150)处理的业务量的变化强度或不连续性改变，所述加权值用于评估网络内的业务量。

Description

电信网络中控制数据流的方法和服务器

技术领域

本发明涉及一种在电信网络中监控数据流的方法和服务器，特别用于准许新的数据流进入网络。

背景技术

电信网络例如因特网能够传输多种数据，特别是诸如对话、图片和/或一系列图片等多媒体数据编码信息。

为此，这些信息经计算机语言进行编码然后再以数据包的形式进行传输进而形成数据流，同一个数据流的每一个数据包都有同样的标记，尤其是包含数据流的发送方和接收方在网络中的地址。

为了得到高质量的数据流传输，有必要防止传输数据流的网络产生拥塞，拥塞将导致长的包传输延迟，一个或多个包的丢失或其他现象将降低网络的通讯质量。

这就是为什么当一个数据流必须被准许进入到一个通讯网络中时，一个控制服务质量(QoS)的服务器决定准许这个新的数据流进入网络是否是可以接受的，以确保按照要求的质量级别实现传输新数据流和已经在网络中被传输的数据流。

而且，数据流可以有可变的比特率，例如，尤其是数据对与视频会议相关的音频和/或视频信息编码时。而且，数据流的比特率的变化，即数据流的连续性，也根据该流传输的数据的特性进行变化。

例如，当传输电话对话时，无声期间产生低的数据比特率而对话期间产生高的数据比特率。而且，这类和对话有关的数据流的比特率变化很小。这种数据流被称为具有低的不连续性(或“低突发度性”)。

举另一个例子，传输视频相关的一系列图片，例如，导致在很高的比特率传输图片与接近零比特率的期间相互交替。这种情况下，数据流的比特率被称作具有高的不连续性(或“高突发度性”)。

如上所示，当数据流必须通过电信网络传输时，用于控制网络服务质量的服务器必须确定是否能够传输新的数据流同时确保新的和已经在传输的数据流的质量。

如果准入的数据流的比特率事先已知的话，这种数据流控制证明是较容易实现的，如果准入的数据流的比特率随后发生变化，就像多媒体数据流的情况一样，尤其是该流具有高突发度性时，情况就更加复杂了。

因为这样，参照下文的网络业务量，已知通过考虑网络所涉及的所有流，使用模型去统计地确定是否准许数据流进入网络。

这些数据业务量模型使用与业务量相关的参数——例如最小比特率、信号的突发度度和/或平均比特率——去准许或拒绝新的数据流的进入以达到预定的在需要的质量和网络的最大利用(即网络的最大效率)之间的折衷。

一个现有技术的电信网络中的数据业务量模型使用包括间隔和在这些间隔中允许的最大比特率的值对。这个模型在下文被称为确定性边界间隔长度相关(D-BIND)模型。

实际上，在本领域中已知使用D-BIND模型表示视频业务量的特征，特别定义了P个对：

{(R_k，I_k)|k＝1，...，p}(1)

在这里I_K是间隔，R_K是在间隔I_K中相关流可以发送的最大数据比特率。

相应地，如果Aj[t₁，t₂]代表在时刻t₁和t₂间数据流j传送的比特总数，那么流j的最大比特率R_k由如下定义：

$R_k={\max }_{0\≤t}\left(\frac{A_j[t,t+I_k}{I_k}\right)$

p的值通常根据经验在4到8的范围内选择，R_k值的设定作为准入控制算法的一个参数来使用，例如，在E.W.Knightly的“H-BIND：A New Approach to Providing Statistical Performance Guarantees toVBR Traffic”，Proceedings of IEEE INFOCOM’96，(旧金山，CA)，pp.1091-1099，March 1996中所描述的。

现有技术中关于D-BIND模型的一个应用涉及依照移动图像专家组(MPEG)协议进行编码的视频的传输，业务量的特征为三类数据的子集，称为I、B和P帧，包括不同数量的数据并具有特定的传输顺序。

在此情况下，MPEG协议要求不同长度的间隔I_k用于表示MPEG流整体的特征。

使用S-BIND模型的数据流准入控制通过使用由D-BIND业务量模型提供的对{(Rk，Ik)|k＝1，...p}的H-BIND算法来实现。

更确切地说，H-BIND算法考虑了数据流具有的高斯分布，以便分布的方差和均值可以通过考虑到相关每个间隔I_k的最坏情况进行计算，即，考虑到在间隔内方差最大值的情况，这种情况降低了业务量的预测性能。

从该方差和该均值，该算法计算超出允许的涉及间隔I_k的延时限制的概率来评估对于整个流超出允许延时限制的最大概率，整个流即引入的流和已经在传输中的流。

为此，在MPEG视频的情况下，H-BIND算法将时间分成能对应于传输数据子集所必须的时间的间隔，于是数据流被一系列通过函数b(t)得到的正实数

{X_t1，X_t2，...，X_tN}模型化，函数b(t)借助于由D-BIND模型提供的对{(R_k，I_k)|k＝1，...，p}生成，如上所示，依照如下公式：

$b\left(t\right)=\frac{R_k{I}_k-R_{k-1}{I}_{k-1}}{I_k-I_{k-1}}(t-I_k)+R_k{I}_k,I_{k-1}\≤t\≤I_k$

从函数b(t)，对于每个考虑到的间隔得到b(t)的值，产生如下序列：

{b_t1，b_t2，...，b_tN}.

这种最大化在间隔内模型化数据比特率的数据序列方差的方法是“所有或没有”类型，在这里“所有”由b₁代表，是在最小子集内数据数量的值，“没有”由0代表。

于是新的序列{X_t1，X_t2，...，X_tN}是类型

{b_t1，0，0，b_t1，0，0，0，b_t1，0，0，0，b_t1，0，0，0...}，

在连续的b_t1间的0的数目从函数b(t)得到。

一旦得到序列{X_t1，X_t2，...，X_tN}，比特率的均值和方差就在间隔长度k上计算得到：

$\mathrm{\μ}=\left(\frac{1}{N}\right)\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{X}_{t_1},---\left(1\right)$

${\mathrm{\σ}}^2\left(t_k\right)=\left(\frac{1}{N-k}\right)\underset{t=1}{\overset{N-k+1}{\mathrm{\Σ}}}{\left(\frac{\underset{m=0}{\overset{k-1}{\mathrm{\Σ}}}{X}_{t_1+t_m}-\mathrm{k\μ}}{t_k}\right)}^2$

根据中心极限定理(CLT)，复用业务量可以用H-BIND算法通过一个具有均值

$\widehat{\mathrm{\μ}}\left(t_k\right)=\underset{j}{\mathrm{\Σ}}k{\mathrm{\μ}}_j$

和方差

$\mathrm{\σ}\left(t_k\right)=\underset{j}{\mathrm{\Σ}}{t}_k^2{\mathrm{\σ}}_j^2\left(t_k\right),$

的正态分布B(tk)进行模型化。

在这里μ_j和σ_j(t_k)根据每个数据流j来评估，超出建立的延迟限制d_j的概率是：

Prob{delay＞d_j}＝max0≤t_k≤βProb{B(t_k)-Ct_k≥Cd_j}

在这里 $\mathrm{\β}=\min \{t>0|\underset{j}{\mathrm{\Σ}}{b}_j\left(t\right)\≤\mathrm{Ct}\}$ 是忙区范围的限制。

对所有当前数据流和等待授权进入网络的数据流都实施H-BIND模型化。

如果超出数据流j的延迟d_j的边界的延迟的概率低于强制级别P₁，新的数据流就被授权进入网络。

本发明源于如下观察，将序列

{b_t1，b_t2，...，b_tN}

转换为新序列

{b_t1，0，0，b_t1，0，0，0，b_t1，0，0，0，b_t1，0，0，0...}，

如前所释，数据流被由函数b(t)限定的值序列模型化，即利用由b(t)限定的序列间最大的方差限定。

换句话说，H-BIND算法用最坏的情况场景来分析网络业务量，其降低了网络的使用效率，这会对于那些具有高突发度性的数据流，诸如视频流产生满意的结果。

然而，如果业务量是低突发度性的，H-BIND算法导致了网络容量的浪费，其表现为涉及通信网络的成本效率的一个主要问题以及涉及在网络中评估突发度性的问题。

发明内容

本发明旨在解决这个问题。因而它涉及一种在电信网络中控制数据业务量的方法，该方法使用网络传输的业务量的统计模型和数据比特率的高斯分布，在该方法中，特征化所述的高斯分布的值由一个根据变化强度的函数改变的参数进行加权，也就是已知的突发度性，其业务量由网络和所述的用于评估网络中的业务量加权值处理，这种方法由依靠数据流的平均值和在给定时间内比特率的最大值定义的加权值参数γ来描述。

运用根据本发明的方法的算法，在下文中被称为γH-BIND算法，能使用参数γ根据业务量的突发度改变数据业务量的高斯模型。

根据本发明的方法显著地提高了对于低突发度性业务量(非突发度)的网络容量的利用。

在一个实施例中，加权参数γ由数据比特率的平均值λ_avg与数据比特率的最大值λ_peak的比率来定义：

$\mathrm{\γ}=\frac{{\mathrm{\λ}}_{\mathrm{avg}}}{{\mathrm{\λ}}_{\mathrm{peak}}}$

在一个实施例中，数据比特率的平均值λ_avg通过在一段预定的时间内测量得到，在此同一时间内确定数据比特率的最大值λ_peak。

在一个实施例中，对高斯分布的平均值μ加权，例如根据公式

μ′＝(1-γ)(μ-λ_avg)+λ_avg

在一个实施例中，使用数据业务量模型，包括值对：

{(R_k，I_k)|k＝1，...，p}

在这里I_K是间隔，p是通常值为4至8的变量，R_K是最大数据比特率，在间隔I_K中，给定数据流可以该最大数据比特率发送，流j的最大数据比特率R_K定义如下：

$R_k={\max }_{0\≤t}\left(\frac{A_j[t,t+I_k]}{I_k}\right)$

其中A_j[t₁，t₂]表示时刻t₁和t₂之间相关数据流(j)发送的比特的总数。

在一个实施例中，通过以下一系列正实数模型化数据流：

{X_t1，X_t2，...，X_tN}

这些正实数借助于值对{(R_k，I_k)|k＝1，...p}产生的函数b(t)得到，例如根据如下公式：

$b\left(t\right)=\frac{R_k{I}_k-R_{k-1}{I}_{k-1}}{I_k-I_{k-1}}(t-I_k)+R_k{I}_k,I_{k-1}\≤t{\≤I}_k$

在一个实施例中，置信度ε利用随机变量S_K定义，随机变量S_K对于间隔I_K中相关的数据流比特率的分布是特定的，与之相关联，概率密度函数s_k(a)如下定义：

$S_k\left(a\right)=\mathrm{prob}(\frac{A_j[t,t+I_k]}{I_k}\≤a),\∀t\≥0$

然后如下定义每个间隔I_K的值R_K：

$\underset{0}{\overset{R_k}{\∫}}{s}_k\left(t\right)\mathrm{dt}=\mathrm{\ϵ}$

其中0＜ε≤1。

在一个实施例中，数据业务量控制用于决定是否准许一个数据流进入网络，该数据流例如与多媒体信息相关，如对话、视频会议、例如根据MPEG协议编码的图片和/或一系列图片。

本发明还涉及用于控制电信网络中数据业务量的设备，其利用网络发送的业务量的统计模型和数据比特率的高斯分布，该设备的特征在于它包括用于执行根据任一前述实施例的方法的装置，通过参数γ对所述高斯分布的数值特性进行加权，参数γ根据网络处理的业务量的变化强度(也称为突发度)而变化，所述加权的值用于评估网络中的业务量。

附图说明

本发明的其他特征和优点从下面参考所附单个图说明的和不作为限制的描述中变得清楚，该图是控制数据流进入通信网络的方法的图。

具体实施方式

根据本发明，此后描述的算法被应用于根据统计模型准许考虑为高斯分布的数据流进入的方法。

因此，有必要澄清上述D-BIND模型使用最大比特率表明某些间隔的特征。现在在一些情况中，那些最大比特率未知，例如如果实时处理接收的数据流，这意味着这种模型不用于这些情况。

这就是为什么根据本发明的一个方面(该方面可以独立于前面指明的各个方面进行应用)通过考虑缺乏相关流的参数知识改进了D-BIND模型。

为此，定义了一个随机变量S_K，其对于间隔I_K中数据流比特率的分布是特定的，与之相关联，概率密度函数s_k(a)如下定义：

$S_k\left(a\right)=\mathrm{prob}(\frac{A_j[t,t+I_k]}{I_k}\≤a),\∀t\≥0$

在这里A_j[t₁，t₂]代表一段时间[t₁，t₂]流j的数据量。

对于每个间隔I_K，R_K如下定义：

$\underset{0}{\overset{R_k}{\∫}}{S}_k\left(t\right)\mathrm{dt}=\mathrm{\ϵ}$

其中0＜ε≤1。

当ε＝1时，R_K的值与使用D-BIND模型的值相同。当ε减小时，R_K减小，其增加了网络的使用效率。

此后，ε称为S-BIND模型的置信度。

在S-BIND模型中，根据置信度ε对于各种间隔Ik是否可以变化还是固定，每个数据流的特征由三个值的集合表示{ε，(R_k，I_k)|k＝1，...，p}，或者通过两个值的集合表示{(R_k，I_k，ε_k)|k＝1，...，p}。

一旦S-BIND参数固定，控制服务质量(QoS)的服务器就能利用统计控制算法如H-BIND算法进行统计进入控制。

在本实施例中，服务器利用本发明的γH-BIND进入控制算法，其如下定义了数据流的突发度参数γ：

$\mathrm{\γ}=\frac{{\mathrm{\λ}}_{\mathrm{avg}}}{{\mathrm{\λ}}_{\mathrm{peak}}}$

其中λ_avg是数据流比特率的平均值，通过在一段给定的时间内测量得到或者事先估计出，并且λ_peak是网络中流比特率的最大值。

在本实施例中，参数γ用于加权从式(2)计算出的数据流的平均值μ，得到新值μ’如下：

μ′＝(1-γ)(μ-λ_avg)+λ_avg

加权μ借助于γH-BIND算法产生一系列值{X_t1，X_t2，...，X_tN}，和借助于H-BIND算法得到的一系列值{X_t1，X_t2，...，X_tN}相比，γH-BIND算法提供了改进的性能，特别对于非突发度业务量，如后面所附表1和2中给出的实验的结果所示。

事实上，如果业务量的突发度增加，则γ趋于0，加权均值μ’趋于μ。

相对照地，如果业务量是非突发度的，则γ趋于接近1，加权值μ’接近于数据流的平均值λ_avg。

总之，新的流进入控制算法γH-BIND因此具有优于在先技术的优点，特别在考虑到数据流的突发度时优于H-BIND算法，使得能够更好地利用网络资源，特别在非突发度数据流的环境中。

实验是在电信网络的节点100(见附图)进行的，电信网络具有多个流输入102、104、106和108，容量C＝45Mbps的一个输出110。

应该指出，为了简化比特率估计，没有考虑质量控制器和节点100间的通信。

在实验的第一阶段，结果在表1中列出，节点100接收的数据业务量包括两种流，即：

非突发度数据流，例如包括和电话呼叫有关的信息，和

突发度数据流，例如包括和视频序列有关的信息。

所有流有相同的延迟限制d，这意味这该数据包传输延迟必须在待传输时被编译。

两种数据流具有如下特征：

	非突发度业务量	突发度业务量
			平均OFF时间	1.587s	0.9s
平均ON时间	1.004s	0.1s
			在ON阶段恒定比特率	64kbps	258kbps

在上表中，“平均OFF时间”(另一个是“平均ON时间”)是指没有数据发送的时间(另一个是有数据发送的时间)。

在实验的第二阶段，结果在表2中列出，节点100仅接收突发度数据业务量。数据流例如包括和视频序列有关的信息。

在上述仿真期间，利用H-BIND和γH-BIND进入控制算法的网络150的效率通过各种延迟限制d和各种置信度ε进行测试，如附表1和2中指示的。

因此，延迟限制d从1ms变化到40ms，置信度ε从99％变化到77％。

另外，施加的质量规则如下：

超过最大延迟的比率＜＝1％

最后，应该指出表1和2表示测量的整体比特率和“比特率/％使用”形式的网络的使用的百分比。

发现(见表1)对于非突发度业务量，本发明的γH-BIND算法得到的网络使用效率从3％到4％，大于H-BIND算法得到的效率，与参数ε的值无关。

另外，对于突发度业务量，例如包括视频数据流的业务量，再次按照本发明的γH-BIND算法得到的效率高于H-BIND算法得到的效率，与参数ε的值无关。

最后，应该指出表1和2指示了在一段给定时间上每种情况下测量的或者事先估计的数据流的比特率的平均值和极值λ_peak。

本发明自己有多种变形。这样本发明就可以应用于子网络或确定是否准许数据流进入域的控制服务器控制的域。

另外，很清楚用于对数据流模型化的高斯分布的其他变量特性可以借助于作为业务量突发度的函数的变量进行加权，该变量例如是分布的方差。

                                            表1

延迟		1ms	5ms	10ms	20ms	40ms
							《跟踪》值		1668/92％	1700/94％	1715/95％	1732/96％	1753/97％
极值		703/39％	703/39％	703/39％	703/39％	703/39％
							平均值		1814/100％	1814/100％	1814/100％	1814/100％	1814/100％
HBind	ε＝99％	1503/83％	1569/87％	1572/87％	1575/87％	1580/88％
							ε＝95％	1512/84％	1588/88％	1590/88％	1593/88％	1595/88％
	ε＝90％	1521/84％	1601/89％	1603/89％	1605/89％	1606/89％
							ε＝80％	1532/85％	1618/90％	1619/90％	1619/90％	1620/90％
	ε＝70％	1548/86％	1628/90％	1628/90％	1629/90％	1629/90％
							γBind	ε＝99％	1573/87％	1644/91％	1647/91％	1651/91％	1656/92％
ε＝95％	1579/87％	1660/92％	1663/92％	1666/92％	1669/92％
						ε＝90％		1585/88％	1671/93％	1673/93％	1675/93％	1676/93％
ε＝80％	1593/88％	1683/93％	1684/93％	1684/93％	1684/93％
						ε＝70％		1606/89％	1690/94％	1690/94％	1690/94％	1690/94％

                                            表2

延迟		1ms	5ms	10ms	20ms	40ms
							《跟踪》值		1085/62％	1120/64％	1147/66％	1170/67％	1200/69％
极值		170/10％	170/10％	170/10％	170/10％	170/10％
							平均值		1744/100％	1744/100％	1744/100％	1744/100％	1744/100％
HBind	ε＝99％	868/51％	943/56％	986/58％	999/59％	1005/59％
							ε＝95％	954/56％	1036/61％	1106/65％	1199/66％	1125/66％
	ε＝90％	1068/63％	1153/68％	1156/68％	1159/68％	1163/69％
							ε＝80％	1442/85％	1541/91％	1541/91％	1541/91％	1541/91％
	ε＝70％	1541/91％	1584/93％	1614/95％	1639/97％	1659/98％
							γHBind	ε＝99％	901/53％	978/58％	1025/60％	1040/61％	1047/62％
ε＝95％	983/58％	1068/63％	1142/67％	1158/68％	1164/69％
						ε＝90％		1101/65％	1190/70％	1194/70％	1197/71％	1201/71％
ε＝80％	1465/86％	1541/91％	1541/91％	1541/91％	1541/91％
						ε＝70％		1541/91％	1590/94％	1615/95％	1642/97％	1663/98％

Claims (10)

1.一种通过数据比特率的高斯分布利用电信网络(150)发送的业务量的统计模型(D-BIND，S-BIND)控制该电信网络(150)中数据业务量的方法，其特征在于，所述高斯分布的特性值(μ，σ)由参数γ加权，参数γ根据网络(150)处理的业务量的变化强度改变，变化强度也称为突发度，所述加权值(μ’，σ)用于评估网络内的业务量。

2.根据权利要求1的方法，其特征在于加权参数γ借助于数据比特率的平均值λavg和一段给定时间上的数据比特率的最大值λpeak定义。

3.根据权利要求2的方法，其特征在于加权参数γ定义为数据比特率的平均值λavg和数据比特率的最大值λpeak的比率：

$\mathrm{\γ}=\frac{{\mathrm{\γ}}_{\mathrm{avg}}}{{\mathrm{\γ}}_{\mathrm{peak}}}$

4.根据权利要求2或权利要求3的方法，其特征在于在预定的一段时间上测量数据比特率的平均值λavg，并在该段时间确定数据比特率的最大值λpeak。

5.根据权利要求3或权利要求4的方法，其特征在于加权高斯分布的平均值μ，例如借助于公式如：

μ′＝(1-γ)(μ-λavg)+λavg

6.根据前面权利要求中任一项的方法，其特征在于使用涉及如下值对的数据业务量的模型

{(Rk，Ik)|k＝1，...，p}

其中Ik是时间间隔，p是通常值为4至8的变量，Rk是在间隔Ik中给定数据流可以发送的最大数据比特率，流j的最大数据比特率Rk定义如下：

$R_k=\mathrm{ma}{x}_{0\≤t}\left(\frac{A_j[t,t+I_k]}{I_k}\right)$

在这里Aj[t1，t2]表示时刻t1和t2之间相关数据流(j)发送的比特的总数。

7.根据权利要求6的方法，其特征在于通过如下一系列正实数模型化数据流：

{Xt1，Xt2，...，XtN}

这些正实数例如根据如下公式借助于值对{(Rk，Ik)|k＝1，...p}产生的函数b(t)得到：

$b\left(t\right)=\frac{R_k{I}_k-R_{k-1}{I}_{k-1}}{I_k-I_{k-1}}(t-I_k)+R_k{I}_k,I_{k-1}\≤t\≤I_k$

8.根据权利要求7的方法，其特征在于利用随机变量Sk定义置信度ε，随机变量Sk对于间隔Ik中相关数据流比特率的分布是特定的，与之相关联，概率密度函数sk(a)如下定义：

$S_k\left(a\right)=\mathrm{prob}(\frac{A_J[t,t+I_k]}{I_k}\≤a),\∀t\≥0$

然后对于每个间隔Ik，值Rk如下定义：

$\underset{0}{\overset{R_k}{\∫}}{S}_k\left(t\right)\mathrm{dt}=\mathrm{\ϵ}$

在这里0＜ε≤1。

9.根据前面权利要求中任一项的方法，其特征在于数据业务量控制用于决定是否准许一个数据流进入网络，该数据流例如与多媒体信息相关，如对话、视频会议、例如根据MPEG协议编码的图片和/或一系列图片。

10.一种用于通过数据比特率的高斯分布利用电信网络(150)发送的业务量的统计模型(D-BIND，S-BIND)控制该电信网络(150)中数据业务量的设备，该设备的特征在于包括用于执行根据前面权利要求中任一项的方法以利用参数γ加权所述高斯分布的特性值(μ，σ)的装置，参数γ根据网络(150)处理的业务量的变化强度改变，变化强度也称为突发度，所述加权值(μ’，σ)用于评估网络内的业务量。

Images