CLASSIFICATION OF TELECOMMUNICATION NETWORK INFORMATION FLOWS TO RATIONALE FOR APPLICATION OF METHODS FOR IMPROVING QUALITY OF SERVICE

Full Text

Актуальность Развитие телекоммуникационных систем и рост объема мультимедийного трафика, передаваемого через них, актуализируют вопросы обеспечения своевременности и качества обслуживания QoS (Quality of Service) мультимедийного трафика. Анализ качества обслуживания мультимедийного трафика показывает, что мультимедийный трафик обладает сложной структурой (наличием свойств самоподобия, фрактальной размерности, непуассоновским распределением интервала времени между поступлением пакетов и др.). При этом наличие сложной структуры ведет к существенному (до десятков раз) снижению своевременности обслуживания трафика в узлах сети. Для обеспечения заданного QoS сложного трафика в [1] предложены разные технологии его обработки. Принципиально их можно разделить по двум основным направлениям: - адаптация процесса обработки трафика в узловом коммутационном оборудовании сети связи к параметрам передаваемого трафика; - адаптация передаваемого трафика к параметрам сети связи. При адаптации передаваемого трафика к параметрам сети связи достаточно часто возникает задача принятия решения о целесообразности проведения такой адаптации. Например, при преобразовании структуры трафика с целью снижения уровня его структурной сложности, описанного в [2-4], актуальной является задача выбора критерия преобразования, чтобы определить какой трафик считать сложным и какие потоки трафика подвергать процедуре преобразования. В более общей постановке эта задача касается и других способов адаптации трафика к параметрам сети связи. Постановка задачи В настоящей работе рассматривается задача классификации - распределения потоков трафика, имеющих признаки наличия сложной структуры, на два класса, которые образуют множество потоков, нуждающихся в применении дополнительных способов управления ресурсами для обеспечения QoS, и множество потоков, которые в таких способах не нуждаются. За основу решения задачи классификации был взят методический подход, ранее представленный в [5]. Задачу предлагается решать путем использования алгоритма иерархической кластеризации Ланса-Вильямса, рассмотренного в [6-7]. Особенностью алгоритма Ланса-Вильямса является объединение объектов (соответствующих отдельным потокам трафика) по заданному критерию «снизу-вверх»: то есть каждый объект помещается в свой отдельный класс. В дальнейшем отдельные классы объединяются при выполнении критерия классификации в более крупные классы. Для постановки и решения задачи в работе введена следующая развернутая система обозначений: p - множество виртуальных путей в сети, по которым поступают информационные потоки I; с - множество виртуальных каналов в сети, по которым поступают информационные потоки I; Ip,c - информационный поток, поступающий по виртуальному пути p и каналу с: I = U Ip,c - множество информационных потоков Ip,c трафика в сети; L - множество уровней QoS, поддерживаемых сетью, L = (ULu)ULZ; Lu - элемент множества L, представляющий собой уровень QoS, где u - это номер уровня QoS: - элемент множества L, включающий в себя информационные потоки Ip,c, не соответствующие принятым в сети u-ым уровням QoS; τ = {τi} - множество значений моментов времени поступления пакетов в модели информационного потока Ip,c; - оценка предполагаемого значение показателя вероятности отказа в обслуживании для пакета информационного потока Ip,c; - требуемое значение показателя вероятности отказа в обслуживании для пакета информационного потока Ip,c, назначаемое абонентом при установлении соединения; - требуемое значение показателя вероятности отказа в обслуживании пакета на u-ом уровне QoS; - оценка предполагаемого значения показателя времени задержки при передаче для пакета информационного потока Ip,c; - требуемое значение показателя времени задержки для пакета информационного потока Ip,c, назначаемое абонентом при установлении соединения; - требуемое значение показателя времени задержки пакета на u-ом уровне QoS; {exp, par} - признак соответствия информационного потока Ip,c модели потока с экспоненциальным законом распределения или с законом распределения Парето; λ - параметр экспоненциального закона распределения (интенсивность); α - параметр закона распределения Парето (параметр формы); k - параметр закона распределения Парето (коэффициент масштаба); ρ - значение загрузки коммутационного оборудования; x - признак того, что информационный поток Ip,c может быть обслужен в сети с заданным QoS только в случае применения к нему дополнительных способов управления ресурсами для обеспечения QoS; - множество информационных потоков Ip,c, которые могут быть обслужены в сети с заданным качеством только в случае применения к ним дополнительных способов управления ресурсами для обеспечения QoS. На вербальном уровне задача распределения потоков трафика на потоки, которые нуждаются в применении дополнительных способов управления ресурсами для обеспечения QoS, и потоки, которые в таких способах не нуждаются, может быть декомпозирована в следующем виде. 1. Задание показателей и их значений для различных поддерживаемых сетью уровней качества обслуживания. 2. Распределение потоков трафика по уровням качества обслуживания, которые поддерживаются сетью, в соответствии с требованиями, определяемыми видом передаваемой информации или задаваемой абонентом. 3. Формирование моделей потоков трафика, проверка их на наличие сложной структуры. Классификация всех потоков на простые потоки и потоки со сложной структурой. 4. Оценка своевременности обслуживания потоков трафика со сложной структурой. Классификация потоков трафика со сложной структурой на потоки, которые нуждаются в применении дополнительных способов управления ресурсами для обеспечения QoS, и потоки, которые в таких способах не нуждаются. В качестве различных уровней качества обслуживания, поддерживаемых сетью, было принято разделение на уровни, соответствующие уровням адаптации AAL (AAL - ATM Adaptation Layer), принятым в технологии ATM и уровням класса трафика DSCP (Differentiated Services Code Point - точка кода для дифференцированных услуг), принятым в MPLS сетях для технологии обслуживания DiffServ. В качестве моделей потоков трафика использовались простейший пуассоновский поток с экспоненциальным распределением времени поступления очередных заявок (для трафика, не обладающего сложной структурой), а также поток с Парето-распределением (для трафика со сложной структурой). В качестве оценки своевременности обслуживания потоков трафика использовались значения, представленные в [8-9], основанные на исследовании имитационных моделей массового обслуживания M/M/1 и Pa/M/1. На формальном уровне постановка задачи исследования имеет следующий вид. Дано: множество потоков трафика I, передающихся через сеть, а также множество уровней QoS L, поддерживаемых сетью. Найти: множество X, состоящее из потоков трафика, которые могут быть обслужены в сети только в случае применения к ним дополнительных способов управления ресурсами для обеспечения QoS. Решение задачи Решение задачи классификации потоков трафика в виде формализованной методики представлено в качестве схемы на рис. 1. Отдельные блоки соответствуют отдельным элементарным операциям, а выделенные комбинации блоков соответствуют решению каждой из частных задач, указанных выше. Далее при рассмотрении функций отдельных блоков методики имеются в виду блоки, представленные на рис. 1, основные входные данные перечислены ниже. 1. Множество информационных потоков трафика I = U Ip,c, где каждый информационный поток трафика Ip,c является кортежем вида: где: первый элемент - идентификаторы виртуальных пути p и канала с, по которым передается поток трафика; второй элемент - идентификатор u-го уровня качества обслуживания, к которому относится поток; третий элемент - множество моментов поступления пакетов данного потока {τi} (данная информация необходима для составления модели потока); четвертый и пятый элементы - требования к качеству обслуживания данного потока по показателям вероятности отказа в обслуживании пакета и максимальному времени задержки пакета при передаче ; шестой элемент - признак соответствия потока трафика модели потока с экспоненциальным (exp) или Парето- (par) распределениями; седьмой элемент - параметр интенсивности λ в экспоненциальном распределении; восьмой и девятый элементы - параметр формы α и коэффициент масштаба k в Парето-распределении; десятый элемент - признак x, признак того, что данный поток трафика может быть обслужен в сети с заданным качеством только в случае применения к нему дополнительных способов управления ресурсами для обеспечения QoS. Соответствующие элементы кортежа далее по тексту обозначаются по своему порядковому номеру. Например, Ip,c<1> - это первый элемент кортежа соответствующего потока Ip,c. 2. Множество L = U Lu уровней качества обслуживания, поддерживаемых сетью. При этом каждый уровень Lu является кортежем вида: где первый элемент - множество потоков трафика {Ip,c}, которые соответствуют u-му уровню обслуживания; второй элемент - номер u- го уровня качества обслуживания; четвертый и пятый элементы - требования к качеству обслуживания на данном уровне по показателям вероятности отказа в обслуживании и максимальному времени задержки при передаче . К дополнительным параметрам методики относится ε - уровень значимости при проверке гипотезы о соответствии информационного потока модели потока с экспоненциальным или модели потока с Парето-распределениями, которые строятся на основе множества моментов поступления пакетов потока {τi}. К выходным параметрам методики относится множество X = U (Ip,c│Ip,c<10> = x) информационных потоков, которые могут быть обслужены в сети только в случае применения к ним дополнительных способов управления ресурсами для обеспечения QoS. На первом этапе применения методики задаются структура описания (кортеж) передаваемых информационных потоков I = U Ip,c, дополнительные параметры методики (см. блок 1). Определяются количество виртуальных путей и виртуальных каналов, по которым передаются информационные потоки (см. блок 2). На этом же этапе в методику вводятся данные о передаваемых потоках (см. блок 3) в виде Так как элементы кортежа Ip,c<2>, Ip,c<5>…Ip,c<10> еще не определены, то они обозначены знаком пустого множества . Задаются требуемые показатели вероятности отказа в обслуживании пакета и максимального времени задержки при передаче пакета для каждого из уровней обслуживания Lu, u = 1 … umax, поддерживаемых сетью (см. блок 4). Рис. 1. Схема методики классификации потоков трафика Так как информационные потоки Ip,c еще не распределены по u-ым уровням обслуживания, то кортежи Lu имеют вид . Дополнительно задается элемент LZ = {} множества L, который в дальнейшем будет включать в себя информационные потоки Ip,c, которые в процессе классификации на втором этапе методики не смогут быть отнесены ни к одному из u-ых уровней QoS (u = 1 ... umax), поддерживаемых сетью (см. блок 5). На втором этапе применения методики производится классификация информационных потоков Ip,c по уровням обслуживания Lu (см. блоки 6-17). Данная классификация проводится путем проверки соответствия уровня требований по QoS, заданного абонентом для каждого потока (Ip,c<3> = и Ip,c<4> = ), требованиям каждого u-го уровня QoS (Lu<3> = и Lu<3> = ), поддерживаемого сетью, начиная с уровня, имеющего самые минимальные требования u = umax (см. блоки 7-10). Если требования по QoS, заданные абонентом, совпадают с требованиями, поддерживаемыми сетью, то в третий и четвертый параметры потока вносятся требования по вероятности отказа и времени обслуживания его пакетов, соответствующие u-му уровню (Ip,c<3> = Lu<3> = , Ip,c<4> = Lu<4> = ), а пятому параметру потока Ip,c присваивается номер уровня QoS, принятого в сети Ip,c<5> = u (см. блок 11). Далее этот поток Ip,c вносится в u-ый уровень облуживания сети Lu<1> = Lu<1> U Ip,c (см. блок 12). При поступлении потоков в сеть может произойти ситуация, когда требования по QoS, заданные абонентом для потока Ip,c<3> = , Ip,c<4> = , изначально выше требований уровней QoS сети. То есть даже самый высокий уровень QoS, принятый в сети, хуже, чем запрошенный абонентом. В этом случае таким потокам присваивается признак Ip,c<5>=Z (признак «zero»), того что потоку не может быть присвоено значение ни одного из уровней QoS, принятых в сети (см. блок 13). Сведения о таких потоках аккумулируются в элементе LZ множества L (см. блок 14). В результате выполнения второго этапа методики происходит распределение всех потоков Ip,c по u-ым уровням обслуживания Lu (см. блок 15) , а каждому из потоков присваиваются требования к качеству обслуживания его пакетов: . При несоответствии информационного потока Ip,c u-ым уровням QoS, принятым в сети, информационному потоку присваивается признак Ip,c<5> = Z: Сведения о таких потоках аккумулируются в элементе LZ (см. блок 15)после чего происходит исключение данных потоков из потоков, передаваемых сетью (см. блок 16): I = I \ LZ, и пересчет количества виртуальных путей р и каналов с (см. блок 17). Исключение потоков Ip,cLZ делается для того, чтобы не загружать сеть дополнительной нагрузкой, для которой уже на этапе поступления можно сделать вывод о невозможности ее обслуживания с качеством, которое требуется абоненту. На третьем этапе методики производится формирование моделей потоков трафика и проверка их на наличие сложной структуры (см. блоки 18-32). Для формирования модели потока трафика используется множество значений моментов поступления его пакетов τ = {τi}. Статистические данные об этих значениях собираются в процессе функционирования сети и сохраняются во втором элементе описания каждого потока Ip,c<2>. В работе принято допущение, что к трафику с простой структурой относится тот трафик, для которого в качестве модели может быть использован простейший пуассоновский поток с экспоненциальным распределением времени между поступлением очередных заявок. К потокам трафика со сложной структурой относится тот трафик, который соответствует модели потока с Парето-распределением времени между поступлением очередных заявок. Выбор Парето-распределения в качестве модели трафика со сложной структурой обусловлено следующими соображениями. Во-первых, как показано в [8], сложный трафик с коэффициентом вариации больше единицы сτ > 1 может быть представлен моделью потока с Парето-распределением. При этом, зависимость между коэффициентом вариации сτ и параметром α распределения Парето в диапазоне αϵ [1,2 … 2] с погрешностью до 3,27% может быть аппроксимирована выражением [9] . Во-вторых, как показано в работах [8-9], самоподобный трафик с коэффициентом Херста H также может быть представлен моделью потока с Парето-распределением (1). При этом зависимость между коэффициентом Херста в диапазоне Нϵ (0,5; 1] и параметром α имеет вид . В-третьих, корректность и адекватность моделирования сложного трафика потоком с Парето-распределением моментов поступления заявок подтверждается аналогичным подходом, используемым различными исследователями. Формирование моделей потока трафика из множества значений {τi} ведется через значение математического ожидания mτ (см. блок 21): . Для модели простейшего потока с экспоненциальным распределением параметр распределения есть . Для модели потока с Парето-распределением параметры распределения вычисляется по выражению где k - коэффициент масштаба распределения Парето; α - параметр формы распределения Парето. Данные оценки определяют параметры двух моделей трафика: сложного и простого. Две модели формируются одновременно при некотором, заранее заданном, уровне значимости ε = εexp = εpar (см. блок 18). Проверка адекватности аппроксимации моделями множества значений {τi} ведется по критерию Пирсона χ2 при некотором, достаточно малом, начальном уровне значимости ε, который в дальнейшем увеличивается с шагом Δε = 0,05 (см. блоки 22-27). Та из моделей, которая на очередном шаге повышения уровня значимости ε признается адекватной, принимается в качестве модели потока. Если на очередном шаге повышения уровня значимости ε адекватными признаются обе модели, то в качестве модели выбирается поток с Парето-распределением, как более сложный случай (см. блок 28). По итогам третьего этапа методики каждому потоку трафика присваивается признак соответствия простейшему потоку с экспоненциальным распределением времени между пакетами Ip,c<6> = exp, либо соответствия сложному потоку с Парето-распределением Ip,c<6> = par. Для первого случая в параметры модели потока заносится значение интенсивности экспоненциального распределения: Ip,c<7> =λ (см. блок 29), а для второго случая - параметры Парето-распределения: Ip,c<8>=α, Ip,c<9>=k (блок 31). Выходными параметрами третьего этапа методики являются информационные потоки, классифицированные по принадлежности к определенной модели трафика: - потоки с простой структурой (см. блок 30): - потоки со сложной структурой (см. блок 32): . На четвертом этапе методики проводится оценка своевременности обслуживания потоков трафика со сложной структурой, а также их классификация на потоки, которые нуждающиеся в применении дополнительных способов управления ресурсами для обеспечения QoS (в интересах повышения своевременности их обслуживания), и потоки, которые в таких способах не нуждаются (см. блоки 33-43). Предварительно проведенные оценки своевременности обслуживания потоков трафика со сложной структурой, основанные на исследовании имитационных моделей массового обслуживания M/M/1 и Pa/M/1, позволили сделать следующие выводы [8-9]: - своевременность обслуживания потоков трафика с простой структурой в узле коммутации определяется интенсивностью поступления пакетов λ (λ = 1/mτ) и уровнем загрузки узла ρ; - своевременность обслуживания потоков трафика со сложной структурой в узле коммутации определяется параметром α Парето-распределения (α = mτ/(mτ - k)) и уровнем загрузки узла ρ; - существуют такие комбинации значений параметра α сложного трафика и загрузки ρ, при которых своевременность обслуживания сложного трафика сопоставима со своевременностью обслуживания простого трафика (см. рис. 2). Рис. 2. Область снижения своевременности обслуживания сложного трафика По результатам, представленным в [8], граничное значение комбинации параметра α и загрузки ρ, где наблюдается данный эффект, может быть аппроксимировано линейной функцией (см. блок 37) (1) Таким образом, если информационный поток соответствует модели потока с Парето-распределением Ip,c<6> = par (условие в блоке 36) и если для значений комбинации параметра α и загрузки ρ выполняется неравенство (условие в блоке 38) , (2) то данный поток, по всей видимости, потребует использования дополнительных способов управления ресурсами сети для обеспечения его QoS. Для окончательной проверки необходимости использования дополнительных способов обеспечения QoS проводится оценка предполагаемого качества QoS потока «из конца - в конец» с учетом значения показателя сложности информационного потока α и загрузки ρ (блок 39). В случае если эти предполагаемые оценки QoS и хуже, чем требуемые значения и (см. блок 40), то таким потокам присваивается признак необходимости применения к ним дополнительных способов управления ресурсами сети для обеспечения их QoS Ip,c<10> = x (см. блок 41). Потоки трафика, имеющие признак Ip,c<10> = x, объединяются во множество X (см. блок 42): В итоге, выходными параметрами методики являются информационные потоки, классифицированные как по принадлежности к сложной/простой модели трафика, так и по необходимости применения к потокам дополнительных способов управления ресурсами для обеспечения QoS (см. блоки 44-45): - множество X потоков со сложной структурой требующих применения дополнительных способов управления ресурсами для обеспечения QoS: - множество потоков I\X, не требующих применения дополнительных способов управления ресурсами для обеспечения QoS: а) потоки со сложной структурой б) потоки с простой структурой В данной методике подразумевается, что в дополнительных способах управления ресурсами для обеспечения QoS нуждаются только потоки трафика сложной структуры, удовлетворяющие неравенству (2). А для передачи остального сложного трафика и простого трафика применение таких дополнительных способов не требуются. Такое допущение обусловлено тем, что подавляющая часть научно-методического аппарата, ориентированного на оценку своевременности обслуживания трафика при проектировании сетей, использует в качестве моделей именно простейшие потоки. В результате спроектированные сети ориентированы на передачу с заданным качеством именно простых потоков, в то время как дополнительные способы управления ресурсами для обеспечения QoS необходимы именно для сложного трафика. В качестве способов управления ресурсами для обеспечения QoS передаваемых потоков могут использоваться разработанные технологии обслуживания [1]: - функции сети, включающие идентификацию класса обслуживания, маршрутизацию, допуск соединения, управление пропускной способностью виртуальных каналов, их защиту и приоритетную маршрутизацию; - технологии резервирования ресурсов сети и балансировки пользовательской нагрузки в соответствии с политикой IntServ; - технологии формирования трафика и приоритетного обслуживания потоков в соответствии с политикой DiffServ; - технологии управления нагрузкой (Policing) и сглаживания скорости трафика (Shaping) с целью предотвращения перегрузок в узлах сети; - технологии преобразования структуры трафика, основанные на работах [3-4]. Выводы Представленная методика позволяет классифицировать поступающие информационные потоки: - по уровням QoS в соответствии с используемой в сети технологией связи; - по уровню сложности трафика; - по необходимости применения к потокам трафика дополнительных способов управления ресурсами для обеспечения их QoS. Использование представленной методики целесообразно в качестве дополнения к системе управления ресурсами сети и совместно с анализаторами трафика. Реализация представленной методики предполагается в виде математического обеспечения граничных маршрутизаторов (коммутаторов) транспортного ядра сетей NGN, построенных на основе технологий ATM и IP/MPLS, для повышения своевременности обслуживания мультимедийного трафика, обладающего сложной структурой.

About the authors

Konstantin Vladimirovich Ushanev

A.F. Mozhaisky Military Space Academy

Email: stan_007@mail.ru

Sergey Ivanovich Makarenko

A.F. Mozhaisky Military Space Academy

Email: mak-serg@yandex.ru

References

Supplementary files