一种面向业务的移动数据业务带宽分配方法*

石文孝，范绍帅，王 柟

（吉林大学通信工程学院 长春 130012）

1 引言

随着移动通信业务的发展和3G时代的到来，数据业务流量大幅度增长，网络规模发展相对业务发展有所滞后，造成网络资源不能满足业务发展需要，对业务质量造成一定的影响。因此，为不同业务提供差异化的服务质量、合理利用网络资源成为运营商重点关注的问题。

目前，对于移动数据业务带宽分配方法的研究主要集中在无线侧，对核心网侧的流量及业务模型的研究较少。而在核心网侧部署带宽分配策略，对不同业务的总带宽进行控制，同样可以达到区分业务服务质量的效果，并且可以间接节省无线侧网络资源。本文在对具有自相似特性的数据业务的保障带宽进行量化计算的基础上，结合GGSN（gateway GPRS support node，网关GPRS支持节点）设备功能和网络带宽资源情况，提出了一种面向业务的带宽分配方法。

2 自相似业务模型与排队模型分析

2.1 自相似业务模型

第三代移动通信系统引入了越来越多的数据业务，使移动通信网中的业务流表现出高突发性和长相关性（自相似特性）[1]。对于自相似业务，人们已提出了多个自相似流量模型，如重尾ON/OFF模型、基于分形的FBM（fractional Brown motion，分形布朗运动）模型和自回归整合滑动平均模型、基于稳定过程的α稳定自相似过程、随机瀑布模型、用于描述多尺度行为的多分形流量模型、多尺度流量模型等[2～8]。在上述自相似流量模型中，最简单且最常用的是FBM模型。FBM模型是一个精确自相似过程，也是高斯过程，只有3个参数，应用比较简单。根据中心极限理论，无限多个自相似过程聚合的结果是FBM过程，因此可以用FBM模型来对聚合的精确自相似业务流进行有效的建模。

Norros提出的FBM业务模型如下[3]：

式中：A（t）代表t时间内到达的业务流量；m为流量的平均速率，m>0；a为方差系数；Zt为具有零均值、Hurst参数为H(0

2.2 G/D/1(n)排队模型

对于移动核心网中的GGSN设备，节点和到达数据流可以视为G/D/1(n)排队模型。G表示自相似业务流的到达过程，且到达率为m；D表示节点的服务速率是固定值，设其服务率为C；在这个排队模型中，容量为n的缓存器用于存储进入存储系统的数据包，并且所有数据包都按照其输入顺序排队和发送[9]。

在该排队模型下，设 X（t）是以FBM模型作为输入源时缓存器的占用量[3]，则

由式（1）和（2）得到缓冲器溢出概率为[3]：

假设系统的流量拥塞概率为ε，由式（3）可以求得系统的有效保障带宽为[3,10]：

设数据流最大排队等待时间为T，则ε为排队时间超过T的概率，经分析可知，排队系统最大排队长度n=C×T。这样便可在不同业务对GGSN处理时延要求不同的基础上，得出业务保障带宽。

3 面向业务的带宽分配方法

网络中的数据业务基本可以分为两类，一类是可以为运营商带来高回报或者利于树立品牌形象的高价值业务，另一类为普通业务。由于网络带宽资源有限且两类业务对运营商带来的回报差异很大，因此可以为两类业务提供差异化的服务质量，优先保障高价值业务的带宽需求，以合理利用有限的带宽资源。

结合不同数据业务的带宽需求和网络带宽资源情况，对业务进行差异化对待，不同业务的带宽分配值的计算可分为以下两个步骤。

（1）利用FBM模型结合G/D/1(n)排队模型，求解两类自相似业务的保障带宽

具体方法就是利用式（4）得出在满足一定ε和T条件下业务总的m所对应的带宽分配值C，其流程如图1所示。

该流程描述如下。

①为两类业务设置QoS参数（ε、T）：在对高价值业务和普通业务进行区分对待时，可以设置高价值业务的数据流量有较低的ε及T，普通业务有相对较高的ε和T。

②输入模型样本：输入高价值业务和普通业务的业务流量采样样本，且样本的采样点数要尽可能多。

③中间量计算

m：利用输入样本值，对每个小时的流量取算术平均值，得出两类业务的平均业务流量。

a：等于流量样本的方差除以均值。

H：利用输入样本值，通过方差时间图法[11]算出两类业务的Hurst参数。

④运用带宽分配模型得出两类业务的带宽需求值：将两类业务的 T、ε、m、a以及 H代入式（4），求得两类业务的带宽需求值C。

（2）综合考虑步骤（1）得出的两类业务带宽需求值以及网络带宽资源情况，得出高价值业务和普通业务的实际带宽分配值CA1、CA2

通过步骤（1）可得出在满足一定QoS参数下高价值业务与普通业务所需的带宽值C1、C2。在进行两类业务带宽分配时，不仅要考虑两类业务自身的带宽需求，还要考虑GGSN链路总带宽C0。具体方法如下：在业务闲时，网络带宽资源充足，两类业务的带宽值可以按需分配。而在业务忙时，两类业务的保障带宽之和大于可提供的总带宽值，应以优先保障高价值业务为原则。首先满足高价值业务的带宽需求，再将剩余的带宽分配给普通业务使用。实际带宽分配值计算流程如图2所示。

在确定出两类业务的带宽分配值后，在GGSN设备开启内容计费功能的前提下，增加对两类业务的包检测规则的配置，通过数据包解析过程来对业务进行区分。结合GGSN的基于业务的带宽管理功能，从总带宽的角度实现在核心网侧对不同业务的带宽控制。图3所示为面向业务的数据业务带宽分配方法。

需要说明的是，该带宽分配方法需要增加对两类业务的包检测规则的配置，会额外占用GGSN设备的CPU处理资源，增加GGSN设备的负担。但该方法对核心网侧不同数据业务的服务质量的区分以及对高价值业务的优先保障具有一定的指导意义。

4 仿真分析

为了验证提出的面向业务的带宽分配方法对业务进行区分保障的效果，我们对区分业务前后两类业务忙闲时的带宽分配情况及服务质量情况进行了仿真。

4.1 仿真场景

利用Matlab语言对一个GGSN设备的业务流量及带宽情况进行仿真，业务流量生成方法采用RMD（random midpoint displacement，随机中点置换）算法[12]。仿真参数为：GGSN侧链路总带宽C0为155 Mbit/s，高价值业务ε1=0.5%，T1=10 ms；普通业务ε2=1.1%，T2=30 ms。两类业务忙闲时的流量参数设置见表1。

4.2 仿真结果与分析

在业务闲时，网络带宽资源充足，两类业务在区分业务前后的带宽分配情况如图4、图5所示。

由图4、图5可以看出，区分业务之前，闲时两类业务同等程度地对网络带宽进行挤占，高价值业务的带宽分配值未满足其需求，而普通业务的带宽分配值超出了需求值，体现出带宽分配的不公平性，带宽资源未得到合理利用；区分业务之后，两类业务的带宽分配值均等于其需求值，两类业务可以合理地按需占用带宽。

区分业务前后两类业务闲时服务质量仿真曲线如图6、图7所示。

表1 两类业务忙闲时流量参数设置

由图6、图7可以看出，区分业务之前，闲时高价值业务的拥塞率高于普通业务，表明高价值业务的服务质量没有得到保障，网络资源明显没有得到合理分配；区分业务之后，高价值业务的拥塞率降低，其服务质量得到了很好的保障，相对的，普通业务的服务质量有所下降。

在业务忙时，网络带宽资源紧张，两类业务在区分业务前后的带宽分配情况如图8、图9所示。

由图8、图9可以看出，在忙时两类业务的保障带宽总值超出链路总带宽的情况下，区分业务之前，两类业务同等程度地对有限的网络带宽进行挤占，两类业务的带宽分配值受链路总带宽的限制，均未达到其需求值，没有对高价值业务进行保障；区分业务之后，高价值业务的带宽分配值等于其需求值，其服务质量得到了保障，而普通业务占用剩余的带宽资源，其带宽分配值低于其需求值。

区分业务前后两类业务忙时服务质量仿真曲线如图 10、图 11所示。

由图10、图11可以看出，区分业务之前，由于忙时两类业务的带宽均受到限制，高价值业务的拥塞率高于普通业务，表明高价值业务的服务质量没有得到保障，网络资源明显没有得到合理分配；区分业务之后，高价值业务的拥塞率降低，其服务质量得到了很好的保障，相对的，普通业务的服务质量有所下降。

5 结束语

本文提出的基于GGSN的面向业务的带宽分配方法，能够适应移动数据业务体现出的自相似特性，并在核心网侧实现了不同业务带宽的差异化管理。理论分析和仿真结果表明，该方法可以对业务保障带宽进行量化求解，在业务忙/闲时均能有效地区分不同业务的服务质量并保障高价值业务的带宽需求，使网络带宽资源得到更加合理的分配。

1 温倩.3G系统分组域业务源模型的研究与应用.电子科技大学毕业论文，2006

2 Heath D， Resnick S， Asmorodnitsky G.Heavy tails and long range dependence in on/off processes and associated fluid models.Mathematics of Operations Research,1998,23(1):145～165

3 Norros I.On the use of fractional brownian motion in the theory of connectionless networks.IEEE Journal on Selected Areas in Communication,1995,13(6)：953～962

4 Sadek N,Khotanzad A,Chen T.ATM dynamic bandwidth allocation using FARIMA prediction model.In:ICCCN 2003，Dallas Texas，USA，2003： 359～363

5 Harmantzis F C.Data network traffic modeling and engineering using stable and fractal processes.University of Toronto(Canada)，2002

6 Feldmann A,Gilbert A C,Willinger W.Data networks as cascades：investigating the multifractal nature of internet WAN traffic.In:Proc of ACM SIGCOMM’98，Vancouver，Canada，1998:42～55

7 Riedi R,Crouse M S,Ribeiro V J,et al.Multifractal wavelet model with application to network traffic.IEEE Transactions on Information Theory,1999,45(3):992～1018

8 Liu N X,Baras J S.Statistical modeling and performance analysis of multi-scale traffic.In:INFOCOM 2003，San Francisco California，USA，2003:1837～1847

9 胡玉清,谭献海,刘黎娜等.基于FBM模型的自相似网络排队性能分析.微电子学与计算机,2008,25(7)：61～64

10 徐名海,彭玉旭.基于分形布朗运动的等效带宽及其参数计算算法.南京邮电大学学报(自然科学版),2008,29(1)：46～50

11 喻莉,陈晨.一种基于数据块选择的方差时间图Hurst参数估计方法.计算机科学,2007,34(12)：33～36

12 谭献海.网络业务自相似特性及其对排队性能影响的研究.西南交通大学毕业论文，2006