面向认知网络的用户QoS动态自配置方法

冯光升，王慧强，马春光，李冰洋，赵倩

(哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

1 引言

现行网络系统的显著问题是不能充分感知终端用户的服务需求，不能根据网络系统的内外环境变化而有效、动态地改变终端用户QoS，尤其是在网络阻塞状态下用户的QoS水平会显著降低。目前已经初步提出了一些解决此类问题的方法，如DiffServ[1,2]，但是这些方法只能在发出服务请求之前确定优先级，而无法根据内外环境进行实时调整，导致网络系统用户的整体QoS水平受网络状态的影响过大。

一些研究认为可以通过动态配置策略决定网络节点与其他节点的连接方式，从而以最优化或次优化的网络结构来提高终端用户的QoS水平[3]。这种观点从网络结构的角度出发，采用特定需求的自配置策略进行网络结构的动态部署，在一定程度上解决了上述问题，然而其最大的缺点是应用范围有限，仅能够部署于特定网络中，例如 peer-to-peer网络[4]。而且网络自配置策略离不开网络环境、用户需求等因素，对于如何充分利用用户QoS和网络环境进行自配置策略规划还有待进一步研究。

另外一些研究认为路由算法及其动态配置特性是提高用户QoS的关键技术之一，相应地也提出了许多具有自配置特性的路由算法、自配置方法等[5,6]。这些方法是在当前静态网络基础上的一些重要改进，并在现行网络环境下获得了较好的应用效果。但是在下一代网络环境下，这些方法存在一定的局限性，缺乏充分考虑下一代网络的认知特性、网络状况和用户QoS需求，仅是根据当前网络状况实施的一些优化调整等。

还有一些学者认为 QoS动态自配置方法是根据用户需求、数据流特性等方面进行网络资源的合理划分，是提高终端用户QoS的有效手段。如文献[7]提出了具有动态调整带宽功能的d-QoS模型，该模型采用中断机制，允许高优先级的数据流优先通过指定的网络区域。这种做法以牺牲其他数据流的通过性为代价，并且在复杂网络系统中如何确定数据流和用户QoS需求的优先级面临着诸多挑战[8]。

针对这些问题，学术界已着手研究如何在下一代网络中融入认知元素以克服当前网络的固有缺陷，于是提出了认知网络的概念，其核心思想是网络系统能够感知内外环境变化，实时调整网络系统的配置，动态智能地适应环境并能指导未来的自主决策。认知网络被认为是提高网络整体及端到端系统的性能、简化网络管理的新途径，是下一代通信网络发展的必然趋势[9]。本文在认知网络的基础上，综合考虑用户QoS和网络状况，采用效用函数表示用户QoS，进而判定QoS优先级并封装形成认识分组。在认识分组的传输过程中，通过认知网络节点的中断管理方式对用户QoS优先级进行动态修正，从而使用户群体感知到较好的服务质量。本文所提出的方法可以部署在认知网络环境中，也可以部署在当前的网络系统中，使网络系统具有一定程度的认知特性，改善网络系统中对用户QoS优先级判定的准确性，提高用户的服务质量。

2 面向认知网络的动态QoS自配置框架

本文提出了一种面向认知网络的 QoS动态自配置方法。该方法首先利用经济领域和人工智能领域中的效用函数对不同级别的用户需求及认知网络系统状态进行分析，得到用户QoS的效用函数，在此基础上获得用户QoS优先级，然后将中断策略引入到自配置框架中，以便在用户服务过程中根据网络状况进行用户QoS的动态调整，如图1所示。

图1 QoS动态自配置框架

2.1 用户QoS的效用函数表示

认知网络能够根据用户 QoS管理并优化自身行为，但用户QoS如何表示及如何翻译为系统行为指令等问题将直接影响到用户期望服务水平的实现与否。当前的做法是采用制定目标策略来解决这些问题，根据目标策略调整系统行为，以期将系统置于任何可行和可接受的状态。这种调整目标实际上是一种对系统状态进行估计所形成的集合，却不能准确地建立用户 QoS与系统目标之间的对应关系。由于效用函数可对特定系统状态进行高层次抽象，能够更加准确地刻画系统状态，因此本文采用效用函数表示用户QoS，以准确确定不同级别的用户QoS，并为达到该状态提供策略指导，包括调节系统参数及范围和重新分配资源及粒度等。

本文假设所有的效用函数都独立于应用环境且共享一个通用的评价标准，因此任何终端用户均具有一个用户QoS效用函数，根据效用函数与评价标准的比较，能够反映出相应的收益和惩罚。假设某用户在应用环境i下的效用函数为

同时，假设 Uˆ(R)是资源等级效用函数，指明了应用环境获取每一种可能等级R的大小值。Uˆ(R)可以通过来计算。假设 Uˆi(Ri)已经给出，计算资源分配Ri*并最大化全局效用如下

其中，R代表所有可用资源。式(4)是一个NP-HARD离散资源分配问题，可以通过混合整数规划方法来求解[10]。

2.2 用户QoS的优先级计算方法

计算QoS优先级的常用方法是M-LWDF[11]，该方法考虑了用户的排队时延和平均信道条件（用吞吐量来衡量），较好地满足用户对分组丢失率的要求，但是由超级用户产生的中断率过高，并最终影响网络系统用户群体的满意度。在认知网络环境中，敏感时延的媒体业务流将占据80%以上[12]，根据惠普因特网与存储系统实验室Kelly等人[13]的研究，对于敏感时延的媒体业务数据流，可以采用时延（包括排队时延和中断时延）来代替吞吐量等指标，通过选择合适的效用函数以保证网络用户群体的满意度。鉴于此，本文提出一种新的用户QoS优先级计算方法，该方法以时延单一变量作为系统的优化目标，以共享信道资源分配为目的，根据用户QoS的效用函数设定用户数据分组优先权 'P。

由于没有考虑网络传输状况，该优先权级不能作为用户数据分组的最终优先级，因此有必要对用户优先级进行修正。为了防止时延超出可行的范围，用障碍函数来构造用户i的优先级修正因子iδ。

其中，dmax为允许的最大时延，di(n)为当前n时刻的时延，φi为可调节的惩罚因子。惩罚因子越大，对即将超时时延的补偿就越大，优先级就越高。假设根据用户 QoS效用函数排序所得到的优先级为Pi'，则用户数据流的实际优先级Pi修正为

为了保证不频繁地发生优先级重计算，在用户数据分组中的数据段部分封装了数据流的类型，对于具有分组丢失优先级的实时数据流采用优先级校正，而其他的数据流仍按照用户QoS的效用函数计算其优先级。综上，数据流的优先级可表示为：i具有分组丢失优先级 (7)其他

2.3 数据流中断机制

根据2.1节和2.2节，在用户QoS转化为效用函数 U(S,D,δ)并计算出资源分配 R*之后，如果不考虑网络状态，那么就很可能达不到用户所期望的QoS水平。为解决这个问题，本文利用认知网络的主动特性，在用户服务或者服务请求数据分组中除了包含数据分组头中的基本信息（源/目的IP地址、源/目的端口、协议等）外，还封装了特定用户程序和专有数据。当这类用户数据分组经过认知节点时，允许在这些节点上执行用户或应用程序指定的计算，以达到用户期望QoS水平的目的。这些封装了特定用户信息的数据分组称为认识分组。同时在认知节点上也部署一个公共接口函数，使认识分组中的相关代码能够被该公共接口函数执行。因此，传统网络节点的作用也随之发生变化，普通网络节点被认知节点替代，并允许在这些认知节点上执行认识分组所包含的特定计算，传统的网络也从被动地承载数据转化为主动地计算引擎。为在网络的认知节点上执行计算行为，必须有合适的机制，保障认知节点能够从传输普通数据分组切换到执行指定计算的模式。认识分组的相关代码可能对节点的安全性构成威胁，然而认知节点可采用“沙箱技术”通过建立虚拟空间运行认识分组中的代码，这样一来，即使发生安全攻击，运行结果也被限制在虚拟空间内，不会对认知节点本身构成威胁。因此，本文在操作系统中断机制的基础上提出认知节点的中断管理思想解决上述问题。

2.2 节给出了用户QoS优先级P的计算方法，

由于终端用户在请求服务时刻就在数据分组中封装了服务的优先级，因此网络中的数据分组可根据优先级进行分类排序，形成具有先后顺序的数据流，这些认识分组可通过任何正在使用的协议机制向前传输。当一个认知节点接收到一个认识分组时，内部中断就会产生，认识分组中的程序代码发起 QoS重配置请求，重配置动作在认知节点上进行，从而使那些具有高优先级的数据流顺利通过网络。这种中断机制类似于操作系统中超级用户进程的中断机制，其中的资源都是优先分配给超级用户进程，其他的进程则被暂停。

在执行中断服务程序的过程中，当一个路径被动态路由机制选中，之前路径上的数据分组在超时时刻被移除。这种机制允许认知节点可与任何路由机制进行协作，如静态路由、动态路由等。具有优先级的认识分组流经认知节点时，该分组的优先级首先被审查，以确定所申请级别的可用性。如果该级别被占用，将用一个较低的级别进行替代。当具有优先级的数据流转发结束后，队列将从系统中移除。队列长度会因当前数据流优先级的数目不同而不同。一旦所有的优先级数据流完成转发，节点的工作模式就由中断模式转变为普通模式。

2.4 自配置方法的部署要求

本文所提出的动态 QoS自配置方法可以部署在当前的IP网络中，使其具有认知网络的特性或者部分特性，以解决当前网络环境对用户QoS配置支持不足的问题。通常情况下，需要在普通IP网络的关键节点和瓶颈链路上部署认知节点，在终端用户上部署效用函数及评估标准。这样可以保证关键节点和瓶颈链路对具有指定 QoS的数据分组进行处理，包括优先级校正，按顺序转发等。

任何一个认识分组均含有代码段和数据段，其中网络的认知节点能够识别认识分组中的代码段，并触发中断从而执行这些代码。普通网络节点忽略了认识分组中的代码段，将认识分组认为是普通数据分组。这种配置要求保证了认知节点能够与普通网络节点共存和互操作，从而可以在保证用户QoS的同时，改善网络节点对数据流的主动处理能力，提高传输性能。

3 QoS动态自配置算法

QoS动态自配置算法包括3部分：第1部分属于终端用户数据分组的封装与发送，是形成认识分组的过程；第2部分为认识分组经过网络的认知节点而触发中断的过程，主要包括：用户QoS优先级的校正和认识分组的转发；第3部分是服务提供者获得用户数据分组中的效用函数，并封装到服务数据分组中以形成新的认识分组。如图2～4所示。

图 2 算法 1∶ Configure_User_Package

图 3 算法 2∶ Dynamic_Configure_QoS

图 4 算法 3∶ Configure_Service_Package

算法1～3使各个模块共同作用，首先对每一个服务水平空间Si和需求空间Di计算资源分配R*；然后对R*中每一种资源分配Ri计算出效用函数值；然后根据效用函数值对每个终端用户的服务请求分配优先权P；最后根据优先权级别对服务请求数据分组进行排序，以此作为在网络中优先转发和获得优先服务的根据。服务请求数据分组和服务数据分组在转发过程中，将会通过中断机制对优先级进行修正，以保证具有低分组丢失、高优先级的数据流顺利通过网络。

本文提出的QoS动态自配置算法相对于已有算法的改进在于采用效用函数计算用户QoS的优先级，不仅保证能够获得期望的QoS水平，还保证用户数据分组在网络节点上能按优先级转发，防止因网络堵塞等原因造成的用户 QoS水平下降。同时考虑了网络状态，采用中断机制和优先级修正策略保证具有低分组丢失率、高优先级的数据流顺利通过网络。

4 仿真结果与分析

首先结合具体实验环境对上述各式和算法进行具体化。一方面，由于应用环境的任务目标具有针对性和特定性，如认知网络中实验敏感型数据流占据80%以上，因此时延指标占有绝对性的权重优势；另一方面，考虑到求解的复杂性，现有研究内容通常采用单值形式对Ui，Si，Di进行描述[14]。本文延用这个结论，对服务质量Ui进行化简：

式(9)中，Ui(Si, δi)由应用环境的水平和优先级修正因子来确定。

因为2.2节中以时延单一变量作为系统的优化目标，且 Si中的Ci由系统唯一确定，也可以省略，因此可以把Si用平均响应时间来替代。在只考虑时延的条件下对于Ui的选取，可以归结为对函数族Γ(x)中各参数的选取[15]，函数族Γ(x)的表达式如下：

通过其中参数的选取，使得在响应时间较短时具有较高的效用值，而当接近某一临界点时，效用值剧减，最后接近于0。本文把Ui的值域定义为(0,1)区间，令β的取值可令Ui能出现在0～1之间变化的条件，γ值使得效用值符合临界点跳变的现象，α根据仿真实验统计获得。自变量平均响应时间与因变量Ui的函数关系如图5所示。

图5 响应时间与效用值的关系

4.1 仿真环境及过程

在服务提供方和接收方处理能力一定的前提下，用户获得的服务水平通常受网络传输状态尤其是瓶颈链路的影响。因此本实验主要考虑瓶颈链路的问题而忽略非瓶颈链路的影响。本文采用开源网络仿真工具NS2搭建如图6所示的拓扑结构，其中节点C1和C2是部署在网络瓶颈链路上的认知节点，其带宽是10Mbit/s，其他链路带宽为100Mbit/s；节点S1、S2、S3和S4是服务提供方，节点S是服务的汇聚节点和分配节点；节点U1、U2、…、U20为服务请求节点也是服务接收方，节点U为服务请求的汇聚节点和分配节点，负责封装用户QoS的优先级与中断服务程序；节点 U'、U'子节点、U''及 U''子节点均为网络上的普通节点，传输的数据分组也是普通数据分组，主要用途是对具有优先级的服务请求和服务进行干扰，从而验证本文所提出方法的有效性。

图6 模拟拓扑图

实验使用高质量视频传输的电视数据流作为节点S到U1、U2、…、U20数据流样本。如果忽略服务请求的数据流，则该电视数据流是一种单项的 VBR流，因此将模拟其为time-sensitive类型的流量。实验中，U '的子节点为sink节点，U''的子节点为FTP source节点，将其间的数据流模拟为non time-sensitive类型的流量，这2种类型的流量均通过数据流发生器产生。节点的优先级初始化为，但是节点U5和U6不允许分组丢失，且U5的丢失分组优先级低于 U6。也就是在瓶颈链路发生堵塞时，节点的优先级通过中断服务程序校正为：仿真实验中涉及的其他主要参数：5～40s时，节点服务请求发送速率为0.2Mbit/s，节点的发送速率为 1Mbit/s；25～40s时，节点的发送速率为 0.23Mbit/s，的发送速率为0.23Mbit/s。

为了便于结果的比较，在仿真环境中部署了 2种类型的队列：DiffServ模式下的CBQ (class-based queue)和中断模式下的 PQ(priority queue)，其中CBQ被用来表示不同DiffServ类别间的带宽划分和共享，PQ模式采用本文提出的QoS优先级动态自配置方法。

4.2 结果分析

图7给出了DiffServ和PQ 2种模式下瓶颈链路的带宽占用对比情况：一种是只有DiffServ模式，没有中断机制，另一种是PQ模式，具有中断机制。两者在整个模拟过程中占用的带宽几乎一致，但本文所提出的方法带宽占用率略高于DiffServ方法，原因是在用户的服务请求分组内封装了少量代码。其中前5s没有做任何的连接请求，5～40s发起服务请求并获得服务，25～40s加入U'到U''得数据传输，造成带宽使用达到上界，并有丢失分组现象发生。

图7 带宽占用情况对比

实验中，采用传统数据分组中的8bit区分服务标志比特来表示是认知分组还是普通数据分组，并以此代替对IP数据分组结构的修改。考虑到实际环境中，数据分组所经过的网络节点是未知的，不能保证所有节点均能对包含的代码进行识别和执行，所以，实验对认知网络中的代码部分进行了简化处理，其中仅用2byte的数据来指明优先级和效用值，而不包括执行代码。为了对2种模式下带宽占用情况进行对比，实验采用Cpd进行带宽比较计算，其中Pt代表t时刻PQ模式所占据的带宽大小，Dt代表t时刻DiffServ模式所占据的带宽大小，T表示观察区间[0，45]。经计算，PQ模式带宽占用率比DiffServ约高1.03%。

以式(12)作为衡量用户满意度的标准，其中 Ei表示用户期望获得服务的时间，Ai代表用户i实际获得服务的时间，Pi代表用户 i的优先级。2种模式下的用户满意度对比如图8所示。

图8 用户满意度对比情况

由于本文所提出的方法充分考虑了网络传输情况，当发生堵塞导致数据流丢失分组时，优先考虑丢失分组级别情况。在25～40s时的认知分组引发中断，认知节点将重新计算数据流优先级，所以在发生链路堵塞时能够有效地保持或小幅度地降低用户满意度，但仍比 DiffServ下的用户满意度高10%左右，其他时段两者的满意度基本一致。虽然DiffServ模式也可以通过优先级来保证数据流的顺利转发，但是DiffServ对数据流的分类模式是静态的，不能根据用户QoS的变化进行动态调整。

为了进一步测试用户满意度情况，实验中对以下3种情况进行对比分析。

1) PQ1模式：只有瓶颈链路C1和C2为认知节点；

2) PQ2模式：所有非终端网络节点为认知节点；

3) BE(best efforts)模式：所有网络节点为普通节点，采用最为常见的BE模式提供服务。

实验结果如图9所示。PQ1模式下比其他2种模式下的用户满意度均有不错的性能提升；当网络系统中不存在拥塞现象时，PQ2模式比BE模式的用户满意度略高一些，然而当网络中发生拥塞现象时，PQ2的用户满意度下降很快，甚至低于BE模式。在PQ1模式下对用户QoS优先级调整计算的节点只是网络系统中的瓶颈链路节点，而其他节点不参与计算，不会引起网络状态恶化；在 PQ2模式下，由于所有非终端节点均为认知节点，这些节点都会以中断方式参与用户 QoS优先级的调整计算，致使网络系统平均时延增大，发生拥塞和丢失分组的概率相应增加，网络整体性能随之下降，因而导致用户满意度的下降，甚至低于BE模式下的用户满意度。

图9 2种模式下用户满意度对比情况

由以上分析可以得出如下结论：

1) 所有网络节点参与计算并不一定能提高用户对网络服务的满意度，必须在参与计算节点数量、位置与系统性能之间取得平衡，也就是效用最大化；

2) 在瓶颈链路部署认知节点可以有效提高用户满意度。由于PQ是一种基于现有资源的QoS等级划分，在实际的数据分组传输过程中，网络资源是动态变化的，因此需要根据网络资源状况对QoS等级进行调整。由于数据分组在传输过程中会经历大量的网络节点和网络链路，如果QoS等级的动态调整太频繁，将会造成网络性能下降，因此在瓶颈链路上部署认知节点是合理的。

5 结束语

本文提出了一种面向认知网络的用户 QoS动态自配置方法，充分考虑了下一代网络的认知特性，通过效用函数将用户QoS进行表示和优先级区分，并采用中断策略对用户QoS优先级进行动态修正，从而解决了网络阻塞状态下对用户QoS支持不足的问题，使网络用户群体在当前网络条件下感知最优的服务质量。本文所提出的方法亦可以部署在现行网络中，改善对用户QoS等级判定不准确的问题，从而有效地提高用户QoS。

[1] AWAD C, SANS B, GIRARD A. DiffServ for differentiated reliability in meshed IP/WDM networks[J]. Computer Networks, 2008, 52(10)∶1988-2012.

[2] MAMMERI Z. Framework for parameter mapping to provide end-to-end QoS guarantees in IntServ/DiffServ architectures[J].Computer Communications, 2005, 28(9)∶1074-1092.

[3] SAFAK M. Towards cognitive telecommunication networks[A]. Proceedings of the IEEE 15th Conference on Signal Processing and Communications Applications[C]. Eskişehir, Turkey, 2007. 1-4.

[4] CLARKE R. P2P's significance for ebusiness∶ towards a research agenda[J]. Journal of Theoretical and Applied Electronic Commerce Research, 2006, 1(3)∶42-57.

[5] SCHMID S, SIFALAKIS M, HUTCHISON D. Towards autonomic networks[A]. Proceedings of the Third Annual Conference on Autonomic Networking, Autonomic Communication Workshop (IFIP AN/WAC), Volume 4195 of Lecture Notes in Computer Science(LNCS)[C]. Paris, France, 2006. 1-11.

[6] KATSUNO Y, AIHARA T, RES I. Autonomic network configuration for networkable digital appliances[J]. IEEE Transactions on Consumer Electronics, 2005, 51(2)∶494-500.

[7] TANSUPASIRI T, KANCHANASUT K, BARAKA C. Using active networks technology for dynamic QoS[J]. Computer Networks, 2006,50(11)∶1692-1709.

[8] MAHMOUD Q. Cognitive Networks∶ Towards Self-aware Networks[M]. New York∶ Wiley Interscience, 2007.11-18.

[9] THOMAS R, FRIEND D, DASILVA L. Cognitive networks∶ adaptation and learning to achieve end-to-end performance objectives[J].IEEE Communications Magazine, 2006, 44(12)∶ 51-57.

[10] MICHAEL R, DAVID S. Computers and Intractability∶ a Guide to the Theory of NP-completeness[M]. New York∶ W H Freeman & Co Ltd,1979. 35-43, 52.

[11] AMEIGEIRAS P, WIGARD J, MOGENSEN P. Performance of the M-LWDF scheduling algorithm for streaming services in HSDPA[A].Proceedings of IEEE 60th Vehicular Technology Conference[C]. Los Angeles, USA, 2004. 999-1003.

[12] 林闯, 王元卓, 任丰原. 新一代网络QoS研究. 计算机学报, 2008，31(9)∶ 1525-1535.LIN C, WANG Y Z, REN F Y. Research on QoS in next generation network [J]. Chinese Journal of Computers, 2008, 31(9)∶ 1525-1535.

[13] KELLY T. Utility-directed allocation[A]. Proceedings of First Workshop on Algorithms and Architectures for Self-managing Systems[C].San Diego, California, 2003. 115-121.

[14] JEFFREY O, RAJARSHI D. Achieving self-management via utility functions[J]. Internet Computing, 2007, 11(1)∶ 40-48.

[15] WALSH W, TESAURO G, KEPHART J. Utility functions in autonomic systems[A]. Proceedings of 2004 International Conference on Autonomic Computing[C]. New York, USA, 2004. 70-77.