一種基于QoS特征的多媒體業(yè)務(wù)區(qū)分方法

王再見，張有健

(安徽師范大學(xué) 物理與電子信息學(xué)院,安徽 蕪湖 241000)

0 引言

依據(jù)QoS(Quality of Service)特征，實時、準(zhǔn)確地區(qū)分多媒體業(yè)務(wù)所屬Q(mào)oS/業(yè)務(wù)類，是在泛在異構(gòu)網(wǎng)絡(luò)中，實施QoS/業(yè)務(wù)類水平映射等網(wǎng)絡(luò)QoS保證操作的前提。目前，盡管網(wǎng)絡(luò)業(yè)務(wù)流識別已取得較多的研究工作，但基本針對特定的業(yè)務(wù)或協(xié)議(如P2P等)，面向異構(gòu)網(wǎng)絡(luò)QoS/業(yè)務(wù)類的多媒體業(yè)務(wù)識別存在不足。多媒體業(yè)務(wù)包含用戶行為、用戶間交互、信道特征、應(yīng)用和協(xié)議、用戶需求及業(yè)務(wù)內(nèi)容等大量內(nèi)在信息，業(yè)務(wù)特征多樣，常占用大量帶寬，對其進(jìn)行實時準(zhǔn)確識別愈加困難[1]。當(dāng)多媒體業(yè)務(wù)在異構(gòu)網(wǎng)絡(luò)環(huán)境運行時，不同網(wǎng)絡(luò)類型是按照業(yè)務(wù)QoS需求，基于不同的QoS/業(yè)務(wù)類，提供有差異的QoS保證，因此，在實施QoS/業(yè)務(wù)類水平映射等端到端QoS操作時，面向QoS/業(yè)務(wù)類，選取有效、可行的QoS屬性作為區(qū)分特征，以提高區(qū)分的實時性和準(zhǔn)確性，比單獨區(qū)分協(xié)議或業(yè)務(wù)更有意義。

傳統(tǒng)的業(yè)務(wù)識別/分類方法或依賴于不同業(yè)務(wù)所使用的端口，或基于IP包有效載荷中特征字對業(yè)務(wù)流進(jìn)行識別/分類?；诙丝诘姆椒ê唵危珳?zhǔn)確率低。基于有效載荷內(nèi)容的方法準(zhǔn)確度高，但很復(fù)雜，可擴(kuò)展性差，而且涉及法律問題(有些內(nèi)容加密、有些協(xié)議是私有的不公開，找不到特定標(biāo)識)。由于上述傳統(tǒng)方法在加密、端口動態(tài)、協(xié)議私有及隱私保護(hù)方面考慮不足，一些數(shù)據(jù)挖掘技術(shù)或機(jī)器學(xué)習(xí)技術(shù)目前得到了廣泛的應(yīng)用，它們認(rèn)為網(wǎng)絡(luò)業(yè)務(wù)可以由一組主機(jī)/網(wǎng)絡(luò)行為或流水平的統(tǒng)計特征描述，機(jī)器學(xué)習(xí)技術(shù)可自動搜索結(jié)構(gòu)模式，以對業(yè)務(wù)流進(jìn)行識別/分類[2]。機(jī)器學(xué)習(xí)方法克服了傳統(tǒng)方法中端口動態(tài)和隱私保護(hù)問題，受到了越來越多的關(guān)注。其中基于隱馬爾可夫模型(Hidden Markov Model,HMM)的流識別方法由于實現(xiàn)簡單，目前得到廣泛應(yīng)用[1,3]，但在QoS/業(yè)務(wù)類區(qū)分效果上存在不足，部分原因在于基于HMM識別方法，同眾多數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法一樣，區(qū)分的準(zhǔn)確度依賴于所選取的區(qū)分特征。因此，面向QoS/業(yè)務(wù)類，依據(jù)QoS特征，提高HMM區(qū)分多媒體業(yè)務(wù)的性能，是執(zhí)行QoS/業(yè)務(wù)類水平映射等網(wǎng)絡(luò)操作所面臨的挑戰(zhàn)。

1 相關(guān)工作

由于區(qū)分特征選擇的合適與否，對提高流識別/分類算法的準(zhǔn)確度有重要影響，近年來，相關(guān)研究人員在識別/分類網(wǎng)絡(luò)業(yè)務(wù)時，對多種業(yè)務(wù)區(qū)分特征進(jìn)行研究，一般分為包水平特征和流水平特征。① 包水平特征：常用于微觀層次的細(xì)粒度測量，檢測每一個包的詳細(xì)信息，傳統(tǒng)的業(yè)務(wù)識別/分類方法常選取地址、端口、協(xié)議號和特定的應(yīng)用數(shù)據(jù)，但存在準(zhǔn)確度低和涉及隱私問題，而在典型的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法中，包大小和包到達(dá)時間間隔是使用最廣泛的區(qū)分特征[3-7]，但由于具有不同QoS需求的多媒體業(yè)務(wù)，在包大小分布上有高度相似性，且包到達(dá)時間間隔受網(wǎng)絡(luò)環(huán)境影響較大，面向QoS/業(yè)務(wù)類區(qū)分多媒體業(yè)務(wù)存在不足；② 流水平特征：用于宏觀層次的測量，需要聚集規(guī)則將包匹配到流。使用的特征包括單位時間內(nèi)流的數(shù)目、流的比特率、流大小和流持續(xù)時間。但很多特征區(qū)分的有效性不足，如Flash流大多會影響流計數(shù)的波動。

文獻(xiàn)[3-7]都是基于包水平特征區(qū)分業(yè)務(wù)。文獻(xiàn)[3]基于包水平信息，利用HMM模型識別P2P業(yè)務(wù)。PLGMM-HMM(Guassian Mixture Model Hidden Markov Model)分類算法[4]通過包間時間和載荷大小建立PLGMM-HMM，然后通過計算F-Measure值構(gòu)造評估函數(shù)和區(qū)分業(yè)務(wù)?；贖MM模型的包分類算法[5]將包大小的分布作為HMM的每個狀態(tài)。張劍等人提出基于密度的在線噪聲空間聚類算法[6]，使用包大小等參數(shù)對數(shù)據(jù)流進(jìn)行識別。文獻(xiàn)[7]認(rèn)為包大小和包間到達(dá)時間間隔是2個典型的描述業(yè)務(wù)流的參數(shù)，通過一個熵函數(shù)建立包大小的模型，完成業(yè)務(wù)流行為的特征分析。但實際數(shù)據(jù)分析表明，不同QoS需求的業(yè)務(wù)有相似的包大小，而同種類型業(yè)務(wù)的包大小分布也可能不同，包大小、包到達(dá)時間間隔作為區(qū)分特征，很難完全區(qū)分業(yè)務(wù)。相關(guān)文獻(xiàn)尚缺乏對上述特征的深入分析，具有局限性。

文獻(xiàn)[8-11]都是基于流水平特征區(qū)分業(yè)務(wù)。文獻(xiàn)[8]提出一種增強型遞歸流分類算法，使用了流水平的特征信息，但強調(diào)的是數(shù)據(jù)結(jié)構(gòu)沒有深入討論識別特征問題。文獻(xiàn)[9]基于流持續(xù)時間、平均包大小等統(tǒng)計量，采用基于業(yè)務(wù)流特征的機(jī)器學(xué)習(xí)識別方法，其基本思想是基于業(yè)務(wù)流特征，通過使用機(jī)器學(xué)習(xí)的方法對HTTP視頻應(yīng)用進(jìn)行分類。借助機(jī)器學(xué)習(xí)的行為算法(Behavioral Algorithm)[10]，利用Netflow記錄進(jìn)行業(yè)務(wù)分類。Netflow以流記錄(Flow-Records)的形式報告網(wǎng)絡(luò)業(yè)務(wù)的聚集信息。文獻(xiàn)[11]基于流水平，利用機(jī)器學(xué)習(xí)設(shè)計了準(zhǔn)確、可擴(kuò)展的業(yè)務(wù)識別系統(tǒng)。流水平特征需要聚集規(guī)則將包匹配到流，受到較多因素的影響，準(zhǔn)確描述很困難。

此外，文獻(xiàn)[12]綜合使用了包水平和流水平的信息，對游戲業(yè)務(wù)進(jìn)行區(qū)分，提出新的基于簡單決策樹的分類方法——可選擇決策樹(Alternative Decision Tree,ADT)，該方法利用了游戲應(yīng)用統(tǒng)計的業(yè)務(wù)特征。文獻(xiàn)[13]綜合使用流特征和行為特征區(qū)分P2P IPTV業(yè)務(wù)。文獻(xiàn)[14]以基于端口的方法為基礎(chǔ)，通過移動至應(yīng)用協(xié)議插入頭部的位置進(jìn)行驗證，只要驗證一個流中第一個包的少數(shù)幾個字節(jié)就能成功進(jìn)行業(yè)務(wù)分類。文獻(xiàn)[15]基于對文本信息和加密信息的觀察，提出利用連續(xù)比特的信息熵區(qū)分業(yè)務(wù)，但對連續(xù)比特的選取有較高要求，否則易受到網(wǎng)絡(luò)因素的影響，從而降低區(qū)分效果。

文獻(xiàn)[16]采用無監(jiān)督k均值和期望最大化算法，基于二者之間的相似性對網(wǎng)絡(luò)流量應(yīng)用進(jìn)行聚類。文獻(xiàn)[17]中創(chuàng)建了一個分布式支持向量機(jī)(SVMs)框架，使用Hadoop對網(wǎng)絡(luò)流量進(jìn)行分類。文獻(xiàn)[18]提出了一種基于冗余窗口的最優(yōu)特征子集發(fā)現(xiàn)算法進(jìn)行特征選擇，該算法利用生長算法發(fā)現(xiàn)相關(guān)特征，利用收縮算法剔除冗余特征，大大提高了算法的效率。文獻(xiàn)[19]介紹了一種在監(jiān)督環(huán)境下選擇區(qū)間值特征的新特征排序準(zhǔn)則，引入的特征排序準(zhǔn)則適用于單變量區(qū)間值數(shù)據(jù)，每個特性都使用建議的排名標(biāo)準(zhǔn)進(jìn)行評估并與一個分?jǐn)?shù)相關(guān)聯(lián)。文獻(xiàn)[20]采用序列前向選擇(SFS)、序列后向選擇(SBS)和加L-R特征選擇方法嵌入判別比(FDR)，對網(wǎng)絡(luò)流量進(jìn)行分類。文獻(xiàn)[21]利用小波前導(dǎo)多重分形模型(WLMF)從業(yè)務(wù)流中提取多重分形特征來描述業(yè)務(wù)流，將基于主成分分析的FS方法應(yīng)用于這些多重分形特征中，去除不相關(guān)和冗余的特征。

總而言之，盡管有很多對業(yè)務(wù)識別問題的研究，選擇的區(qū)分特征也很多，但由于多媒體新業(yè)務(wù)不斷出現(xiàn)，所采用的新技術(shù)使得傳統(tǒng)方法依然難以較好地解決識別問題，事實上目前尚沒有評估識別/分類方法準(zhǔn)確度的基準(zhǔn)，對其進(jìn)一步的分析研究依然很有必要。

2 業(yè)務(wù)流識別和QoS/業(yè)務(wù)類區(qū)分的問題描述及機(jī)理分析

可見業(yè)務(wù)流識別和QoS/業(yè)務(wù)類區(qū)分都是通過選取合適區(qū)分特征構(gòu)成規(guī)則C，將業(yè)務(wù)從業(yè)務(wù)集中區(qū)分出來，由于業(yè)務(wù)流識別是M維的分類問題，因此，很難在空間復(fù)雜度和時間復(fù)雜度上同時獲得最佳，而降低區(qū)分維數(shù)是降低解決問題復(fù)雜度的有效途徑。由于K?N，因此，可以利用QoS特征提高分類準(zhǔn)確度，有利于減少計算的時間和空間復(fù)雜度。

3 基于HMM模型的多媒體業(yè)務(wù)QoS類區(qū)分和聚集框架

如圖1所示，具體業(yè)務(wù)區(qū)分和聚集過程為：① 獲取區(qū)分特征。要求所選取的區(qū)分特征既容易獲得，又有利于提高業(yè)務(wù)區(qū)分的有效性。選取的區(qū)分特征可以通過標(biāo)準(zhǔn)網(wǎng)絡(luò)設(shè)備獲取，具有較好的通用性和實用性。而在眾多特征中選取有利于提高區(qū)分有效性的特征，需要選取當(dāng)前流行的多媒體業(yè)務(wù)，對主要的區(qū)分特征進(jìn)行分析，具有較好的典型性。② 基于HMM區(qū)分。基于HMM較好的識別效果，本文采用HMM進(jìn)行區(qū)分。重點是特征選擇，故選取典型的HMM進(jìn)行QoS類區(qū)分。針對每一個QoS類，本文選取其對應(yīng)的典型業(yè)務(wù)進(jìn)行訓(xùn)練，以獲得其相應(yīng)的HMM模型；③ 聚集業(yè)務(wù)流形成聚集流。由于屬于同一種QoS類的業(yè)務(wù)流，具有相同或相近的QoS要求，本文聚集具有相同或相近QoS要求的業(yè)務(wù)流，形成聚集流，并賦予全局唯一的標(biāo)簽；④ 完成映射。根據(jù)QoS空間的投影關(guān)系，確定標(biāo)簽對應(yīng)的聚集流所歸屬的QoS類，這是下一步工作。

圖1 基于HMM模型的多媒體業(yè)務(wù)流QoS類區(qū)分和聚集框架

4 典型特征分析及選擇

目前在通信業(yè)務(wù)中占據(jù)較大份額的多媒體業(yè)務(wù)具有較高的QoS要求。在典型的網(wǎng)絡(luò)中(如UMTS(Universal Mobile Telecommunication System)和 WiMAX2(Worldwide Interoperability of Microwave Access 2))都有相應(yīng)的QoS類支持區(qū)分服務(wù)。而目前典型的業(yè)務(wù)區(qū)分方法主要區(qū)分協(xié)議和應(yīng)用，對QoS保證考慮不足，忽略了QoS屬性的全局特性，即多媒體業(yè)務(wù)在不同網(wǎng)絡(luò)中流特征是變化的，但用戶接收的QoS由最差的網(wǎng)絡(luò)決定。因此，從QoS角度分析多媒體業(yè)務(wù)特征，基于QoS特征區(qū)分QoS類具有重要意義。

基于典型性和可實現(xiàn)性的考慮，本文在實驗室使用Wireshark捕獲4種多媒體業(yè)務(wù)：QQ、標(biāo)清流媒體(592*252)、高清流媒體(768*326)和游戲。QQ為目前流行的即時通信工具，標(biāo)清流媒體和高清流媒體是從優(yōu)酷視頻隨機(jī)獲得，游戲為歐美3D動態(tài)網(wǎng)游《時空裂痕》。這4種業(yè)務(wù)具有較高QoS需求，目前較流行，但是在不同QoS域中屬于不同的QoS類。如在UMTS中，QQ和游戲?qū)儆跁掝悾瑯?biāo)清流媒體與高清流媒體屬于流媒體類。在WiMAX2 中QQ屬于UGS(Unsolicited Grant Service)服務(wù)類，游戲?qū)儆贏GP(Adaptive Granting and Polling Service)服務(wù)類，標(biāo)清流媒體與高清流媒體屬于rtPS(Real-time Polling Service)服務(wù)類。捕獲數(shù)據(jù)時，接收端利用Wireshark分別獨立捕獲4種業(yè)務(wù)的數(shù)據(jù)流。捕獲數(shù)據(jù)過程中，發(fā)送端源端持續(xù)發(fā)送業(yè)務(wù)流。以下給出4種多媒體業(yè)務(wù)，在近10 min內(nèi)幾種典型特征的統(tǒng)計分布情況。

4種業(yè)務(wù)包大小分布?xì)w化后的分布情況如圖2所示。由圖2可知，高清流媒體業(yè)務(wù)(Streamchaoqing)和游戲在包大小分布的指標(biāo)上相近，小包和大包的分布較均衡。而QQ視頻業(yè)務(wù)中小于100 Byte的小包最多(達(dá)到近80%)，超過1 300 Byte的大包較少(不到5%)。標(biāo)清流媒體業(yè)務(wù)有超過85%的包大于1 300 Byte，在小于100 Byte的小包分布上，標(biāo)清流媒體業(yè)務(wù)與高清流媒體業(yè)務(wù)及游戲相近?？梢缘玫揭韵陆Y(jié)論：包大小在區(qū)分QQ和標(biāo)清流媒體業(yè)務(wù)時，具有較好的區(qū)分效果，但區(qū)分游戲和高清流媒體業(yè)務(wù)的效果較差。此外，標(biāo)清流媒體和高清流媒體在包大小分布具有較明顯的差異，盡管流媒體內(nèi)容相同(僅選取的分辨率不同)，也被歸為2個不同的類別。而在UMTS等網(wǎng)絡(luò)域中，流媒體常歸屬為同一種QoS類?？梢?，包大小特征不適合用于QoS類的區(qū)分。

圖2 4種典型業(yè)務(wù)的包大小分布

4種業(yè)務(wù)包到達(dá)時間間隔對數(shù)分布如圖3所示。由圖3可知，標(biāo)清和高清流媒體業(yè)務(wù)具有相近的到達(dá)時間間隔分布，且到達(dá)時間間隔高于QQ與游戲業(yè)務(wù)，這是由于QQ與游戲?qū)儆诮换ナ綄崟r業(yè)務(wù)，其對時間的QoS要求高于流媒體業(yè)務(wù)，符合各類型網(wǎng)絡(luò)QoS類的區(qū)分。此外，游戲的到達(dá)時間間隔明顯小于QQ業(yè)務(wù)，與WiMAX2中的QoS分類一致?？紤]到提供不同業(yè)務(wù)的服務(wù)器可能分布于不同網(wǎng)絡(luò)，數(shù)據(jù)包所走的路徑并不一樣，且在實際網(wǎng)絡(luò)中很難準(zhǔn)確獲得各業(yè)務(wù)流路徑信息。此外，網(wǎng)絡(luò)中存在分組丟失、亂序和重傳等因素，也影響了包到達(dá)時間間隔分布。因此，依據(jù)到達(dá)時間間隔分布區(qū)分具體業(yè)務(wù)具有局限性。鑒于業(yè)務(wù)的端到端QoS性能，由傳輸路徑上眾網(wǎng)絡(luò)節(jié)點中提供最低QoS指標(biāo)的節(jié)點決定，因此，執(zhí)行域間QoS類映射時，依據(jù)當(dāng)前的包到達(dá)時間間隔區(qū)分QoS類，較區(qū)分業(yè)務(wù)更為合理。

圖3 4種業(yè)務(wù)包到達(dá)時間間隔對數(shù)分布

4種業(yè)務(wù)歸化吞吐量對數(shù)分布如圖4所示。由圖4可知，高清流媒體業(yè)務(wù)的吞吐量波動較大，這是由于高清多媒體業(yè)務(wù)對帶寬要求較高，當(dāng)網(wǎng)絡(luò)負(fù)荷輕時，高清多媒體得以高速傳輸，此時有較大的吞吐量。但當(dāng)網(wǎng)絡(luò)負(fù)荷重時，高清流媒體服務(wù)處于等待狀態(tài)，此時吞吐量近乎為零。

圖4 4種業(yè)務(wù)歸化吞吐量對數(shù)分布

需要說明的是，在一定時間段內(nèi)，這種不穩(wěn)定的情況也影響了包大小分布的統(tǒng)計，在業(yè)務(wù)區(qū)分時需要考慮這一情況。標(biāo)清流媒體業(yè)務(wù)吞吐量較高清多媒體業(yè)務(wù)穩(wěn)定，這是由于標(biāo)清流媒體對帶寬要求低于高清流媒體業(yè)務(wù)。由于流媒體業(yè)務(wù)允許緩沖，可以看到其吞吐量在時間軸上出現(xiàn)斷續(xù)現(xiàn)象，當(dāng)吞吐量為零時，說明流媒體處于緩沖狀態(tài)。QQ和游戲業(yè)務(wù)的吞吐量較低、波動平穩(wěn)，這是由QQ和游戲業(yè)務(wù)對帶寬需求較低，但對延時要求較高的特點決定的。但從吞吐量指標(biāo)上，無法對QQ和游戲業(yè)務(wù)進(jìn)行區(qū)分。

在抖動方面，抖動也可以作為一個重要的區(qū)分特征。一般來說，QQ和游戲的抖動要求高于流媒體，游戲業(yè)務(wù)的抖動最小，標(biāo)清流媒體最大，且相對穩(wěn)定。而高清流媒體和QQ視頻的抖動分布相近，但也相對集中。

綜上可以得出不同特征在區(qū)分4種業(yè)務(wù)時的特點，如表1所示。

表1 4種業(yè)務(wù)在4個特征下的分布狀況

5 基于HMM的多媒體業(yè)務(wù)QoS類區(qū)分方法

首先將采集的業(yè)務(wù)流特征序列統(tǒng)計處理，將經(jīng)處理后得到的特征向量當(dāng)作觀測值，為每一類業(yè)務(wù)擬合一HMM；然后計算各類業(yè)務(wù)在不同模型下的產(chǎn)生概率；最后對特征進(jìn)行聚類劃分并構(gòu)造和訓(xùn)練各類應(yīng)用的分布模型。上述過程采用典型的基于HMM的流識別算法[4]，算法流程如圖5所示。

詳細(xì)描述如下：

① 初始化：依據(jù)特征分析結(jié)果，為每類業(yè)務(wù)設(shè)計一個HMM模型。

② 聚類分析：采用K均值(K-means)聚類算法對QoS特征進(jìn)行動態(tài)聚類。K均值算法選定初始聚類中心，按類內(nèi)距在特征空間距離最小，類間距在特征空間距離最大的原則進(jìn)行聚類。

④ 判決輸出：將提取的未知多媒體流QoS特征序列依次輸入每個HMM，分別計算各個模型產(chǎn)生該觀測序列的概率，然后根據(jù)最大似然準(zhǔn)則，選擇概率最大的模型作為最合適該觀測序列的模型。

6 仿真實驗

目前，盡管HMM在網(wǎng)絡(luò)業(yè)務(wù)流識別中已進(jìn)行較多的研究工作[3-5]，但區(qū)分的粒度不一致，區(qū)分特征有差異，區(qū)分目標(biāo)不相同，且由于沒有基準(zhǔn)的數(shù)據(jù)集可用，所使用的訓(xùn)練/測試數(shù)據(jù)集相差較大，且很難獲得，給算法性能評估帶來困難。鑒于本文主要關(guān)注基于QoS特征區(qū)分多媒體業(yè)務(wù)，所以使用Wireshark從實際網(wǎng)絡(luò)中捕獲幾種典型的多媒體業(yè)務(wù)數(shù)據(jù)，作為樣本流，用于評估本文所選特征和文獻(xiàn)[3-5]中所選取區(qū)分特征的識別性能。

由于游戲、即時通信和流媒體在目前網(wǎng)絡(luò)業(yè)務(wù)中占據(jù)較大的份額，本節(jié)選擇4類流行的多媒體業(yè)務(wù)：即時通信類、標(biāo)清類流媒體、高清類流媒體和游戲類業(yè)務(wù)，分別為它們建立HMM以識別其業(yè)務(wù)流，并與已有識別方法文獻(xiàn)[3-5]進(jìn)行比較。即時通信類由QQ和MSN業(yè)務(wù)組成，通過Wireshark在實驗室獲取。游戲類由《時空裂痕》和《三國》組成，由 Wireshark在實驗室獲取。標(biāo)清類流媒體和高清類流媒體則是從優(yōu)酷網(wǎng)站隨機(jī)獲得。

6.1 實驗環(huán)境及方法

校園網(wǎng)通過100 Mbit/s光纜與CERNET連接，測試主機(jī)的CPU為 AMD Athlon(tm) X2 DualCore QL-64，主頻2.1 GHz，內(nèi)存大小為1 GB。在校園網(wǎng)內(nèi)設(shè)置各應(yīng)用的客戶端，在測試階段分別獨立運行。運行Wireshark捕獲分組，得到包括前100 Byte應(yīng)用層數(shù)據(jù)在內(nèi)的分組信息。為了比較分析HMM的識別能力，使用人工結(jié)合Wireshark捕獲的分組信息和各業(yè)務(wù)客戶端運行信息，基于端口、特征字和業(yè)務(wù)流特征，以離線方式識別分組流所屬應(yīng)用，并假定人工分析的結(jié)果是正確的。

6.2 創(chuàng)建HMM

在校園網(wǎng)中采集樣本流并進(jìn)行人工識別，將已識別的流分為訓(xùn)練樣本和離線測試樣本，其統(tǒng)計信息如表2所示。針對樣本，依據(jù)經(jīng)驗，設(shè)置HMM的狀態(tài)數(shù)目為N=4，每個狀態(tài)對應(yīng)的觀測值數(shù)目M=3(高、中、低)，即對所有多媒體業(yè)務(wù)QoS特征抖動和吞吐量，利用K平均聚類算法聚成3類。利用訓(xùn)練集為不同業(yè)務(wù)類型構(gòu)造獨立的HMM。

表2 樣本統(tǒng)計信息

為了考察特征對QoS類區(qū)分的影響，分別采用上面特征分析中的不同特征組合進(jìn)行區(qū)分，結(jié)果如表3所示。

表3 本文方法與文獻(xiàn)[3-5]方法在區(qū)分QoS類有效性上的對比

由表3可知，在現(xiàn)有數(shù)據(jù)集下，本文選取的區(qū)分特征為吞吐量和抖動時，4種業(yè)務(wù)的區(qū)分準(zhǔn)確度較高，而現(xiàn)有方法選取區(qū)分特征為包大小和包到達(dá)時間間隔時，業(yè)務(wù)區(qū)分效果較差。

綜上可知，對基于QoS/業(yè)務(wù)類的應(yīng)用(如QoS/業(yè)務(wù)類水平映射、異構(gòu)網(wǎng)絡(luò)端到端QoS保證及網(wǎng)絡(luò)資源優(yōu)化等)，現(xiàn)有的業(yè)務(wù)流識別方法在特征選擇上區(qū)分效果不足，基于業(yè)務(wù)的QoS特征區(qū)分業(yè)務(wù)更為合理，這是因為QoS指標(biāo)直接影響用戶體驗，關(guān)系到業(yè)務(wù)能否被用戶接受，體現(xiàn)業(yè)務(wù)最本質(zhì)的要求。

7 結(jié)束語

目前，隨著新業(yè)務(wù)的大量出現(xiàn)和網(wǎng)絡(luò)吞吐量的急劇增加，QoS/業(yè)務(wù)類區(qū)分的緊迫性已愈來愈為人們所認(rèn)識，通過QoS/業(yè)務(wù)類區(qū)分來為相關(guān)網(wǎng)絡(luò)操作提供保證，是當(dāng)前網(wǎng)絡(luò)在市場和技術(shù)雙重驅(qū)動下的發(fā)展趨勢。本文提出從QoS特征角度區(qū)分典型應(yīng)用，實現(xiàn)業(yè)務(wù)類別的區(qū)分；基于新發(fā)現(xiàn)的QoS特征，設(shè)計了一種新的基于HMM的多媒體業(yè)務(wù)類區(qū)分方法。由于QoS/業(yè)務(wù)類區(qū)分是一個長期演進(jìn)、復(fù)雜而龐大的問題，相關(guān)研究也處于不斷發(fā)展的階段，一些其他關(guān)鍵問題，例如，統(tǒng)一的識別策略建立、業(yè)務(wù)流模式自學(xué)習(xí)等問題，還需要今后進(jìn)一步深入的研究。