凌 敏,張文金,袁 亮,熊繼平

(1.成都航空職業(yè)技術(shù)學(xué)院 汽車工程學(xué)院,成都610100;2.成都盤灃科技有限公司,成都610100;3.浙江師范大學(xué) 物理與電子信息工程學(xué)院,浙江 金華321004)

隨著移動(dòng)通信、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)發(fā)展的飛速發(fā)展,4G移動(dòng)通信技術(shù)已經(jīng)得到普及,5G移動(dòng)通信系統(tǒng)的部署也在不斷加快,移動(dòng)應(yīng)用的場(chǎng)景呈多樣化,移動(dòng)終端接入數(shù)量、業(yè)務(wù)類型和業(yè)務(wù)量等也呈指數(shù)級(jí)增長(zhǎng),網(wǎng)絡(luò)中海量的數(shù)據(jù)對(duì)通信系統(tǒng)在接入能力、計(jì)算能力、傳輸帶寬和時(shí)延等提出了更高的要求。5G通信網(wǎng)絡(luò)定義了增強(qiáng)移動(dòng)寬帶(EMBB,enhanced mobile broadband)、高可靠低時(shí)延連接(uRLLC,ultra reliable and low latency communication)、大規(guī)模物聯(lián)網(wǎng)(m MTC,massive machine type of communication)三大應(yīng)用場(chǎng)景,能夠在時(shí)延、帶寬、接入量等方面根據(jù)用戶的不同需求提供差異化的服務(wù)[1]。根據(jù)IDC(internet data center)的數(shù)據(jù)統(tǒng)計(jì),到2020年接入到網(wǎng)絡(luò)中的終端數(shù)量將達(dá)到500億,海量的數(shù)據(jù)終端接入到網(wǎng)絡(luò)中,必將給網(wǎng)絡(luò)架構(gòu)帶來了巨大的挑戰(zhàn)。

物聯(lián)網(wǎng)利用傳感器將設(shè)備的信息進(jìn)行數(shù)據(jù)化,通過數(shù)據(jù)的綜合處理以實(shí)現(xiàn)設(shè)備的智能化管理。為了處理和分析海量的物聯(lián)網(wǎng)數(shù)據(jù),云計(jì)算平臺(tái)能夠?qū)崿F(xiàn)對(duì)物聯(lián)網(wǎng)海量的數(shù)據(jù)進(jìn)行動(dòng)態(tài)的處理、融合和深層次分析等[2-3]。在物聯(lián)網(wǎng)中,傳感設(shè)備產(chǎn)生海量數(shù)據(jù)通過網(wǎng)絡(luò)將數(shù)據(jù)匯聚到云計(jì)算平臺(tái),大量的數(shù)據(jù)匯聚和傳輸將會(huì)消耗大量的網(wǎng)絡(luò)資源,同時(shí)也會(huì)對(duì)云計(jì)算平臺(tái)的計(jì)算能力和存儲(chǔ)能力提出更高的要求。云計(jì)算平臺(tái)中的服務(wù)器CPU和內(nèi)存都具有很高的處理能力,且運(yùn)行速度遠(yuǎn)高于網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)乃俣?此時(shí),數(shù)據(jù)在物聯(lián)網(wǎng)網(wǎng)絡(luò)中的傳輸時(shí)延將會(huì)成為云計(jì)算的瓶頸。由于大量的物聯(lián)網(wǎng)應(yīng)用,對(duì)物聯(lián)網(wǎng)網(wǎng)絡(luò)的帶寬和時(shí)延具有很高的要求,提高網(wǎng)絡(luò)的傳輸能力和數(shù)據(jù)處理能力是物聯(lián)網(wǎng)目前所有解決的瓶頸問題。

在物聯(lián)網(wǎng)中,有些數(shù)據(jù)僅在很小的范圍內(nèi)使用,不需要實(shí)時(shí)地轉(zhuǎn)移到云計(jì)算平臺(tái)進(jìn)行處理,特別是對(duì)于一些對(duì)時(shí)間敏感的應(yīng)用,例如無人駕駛、設(shè)備控制等,隨著邊緣計(jì)算、霧計(jì)算等技術(shù)應(yīng)運(yùn)而生[4]。邊緣計(jì)算(edge computing)是在靠近數(shù)據(jù)源一側(cè)對(duì)數(shù)據(jù)進(jìn)行傳輸、計(jì)算、存儲(chǔ)和應(yīng)用等處理功能于一體的開放平臺(tái),能夠極大提升網(wǎng)絡(luò)的服務(wù)能力。邊緣計(jì)算相對(duì)于云計(jì)算中心更加靠近應(yīng)用程序的數(shù)據(jù)生成終端,能夠極大地降低傳輸?shù)臅r(shí)延。邊緣計(jì)算通過對(duì)數(shù)據(jù)進(jìn)行初步的計(jì)算和篩選,極大地緩解網(wǎng)絡(luò)傳輸數(shù)據(jù)的壓力,提高數(shù)據(jù)價(jià)值和傳輸質(zhì)量,然后再將處理后的數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)皆朴?jì)算平臺(tái),將提高網(wǎng)絡(luò)通信效率[5-7]。

在面向邊緣計(jì)算的物聯(lián)網(wǎng)核心網(wǎng)絡(luò)中,邊緣計(jì)算節(jié)點(diǎn)和云計(jì)算中心之間、邊緣計(jì)算節(jié)點(diǎn)之間仍然需要傳輸和交換大量的數(shù)據(jù),網(wǎng)絡(luò)架構(gòu)如圖1所示,目前網(wǎng)絡(luò)數(shù)據(jù)傳輸仍是物聯(lián)網(wǎng)目前所要面臨和必須解決的一個(gè)關(guān)鍵問題。物聯(lián)網(wǎng)中隨著接入設(shè)備的多樣化和大量新應(yīng)用的不斷涌現(xiàn),可擴(kuò)展和靈活性是物聯(lián)網(wǎng)網(wǎng)絡(luò)應(yīng)該具備的基本能力,能夠根據(jù)業(yè)務(wù)的類型和用戶的需求靈活的調(diào)整網(wǎng)絡(luò)資源配置,滿足用戶的動(dòng)態(tài)需求[8-9]。為了提高網(wǎng)絡(luò)的靈活性,降低網(wǎng)絡(luò)管理的復(fù)雜度,尤其是針對(duì)應(yīng)用程序開發(fā)和服務(wù)提供商,因此,具備可編程能力的軟件定義網(wǎng)絡(luò)(SDN,software defined networking)能夠滿足物聯(lián)網(wǎng)網(wǎng)絡(luò)架構(gòu)的需求。SDN是一種新型的網(wǎng)絡(luò)架構(gòu),它通過將制定流量轉(zhuǎn)發(fā)策略的控制平面(control plane)與負(fù)責(zé)數(shù)據(jù)轉(zhuǎn)發(fā)的數(shù)據(jù)平面(data plane)進(jìn)行解耦,實(shí)現(xiàn)網(wǎng)絡(luò)的可編程、可擴(kuò)展。在面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,基站收集服務(wù)范圍內(nèi)的接入節(jié)點(diǎn)數(shù)據(jù),然后再邊緣計(jì)算服務(wù)器上進(jìn)行計(jì)算[10-12]。邊緣服務(wù)器節(jié)點(diǎn)之間以及邊緣服務(wù)器和云計(jì)算中心之間通過網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)更高層次、更深層度的數(shù)據(jù)融合和處理,為人們提供更多種類的便民服務(wù)[13]。隨著大數(shù)據(jù)分析技術(shù)和人工智能技術(shù)的廣泛應(yīng)用,數(shù)據(jù)的集中式和智能化處理能夠深度挖掘數(shù)據(jù)中的信息,提高數(shù)據(jù)的使用價(jià)值,這也是智慧城市主要的發(fā)展方向。

網(wǎng)絡(luò)流量測(cè)量在物聯(lián)網(wǎng)網(wǎng)絡(luò)管理和提高物聯(lián)網(wǎng)服務(wù)質(zhì)量中起著非常重要的作用,越來越多的網(wǎng)絡(luò)流量測(cè)量方法被相繼提出。在SDN架構(gòu)的網(wǎng)絡(luò)中,根據(jù)測(cè)量方式的不同通常被分為主動(dòng)測(cè)量和被動(dòng)測(cè)量?jī)煞N方式[14]。被動(dòng)測(cè)量主要利用SDN架構(gòu)中常用OpenFlow協(xié)議的PacketIn和Flow Removed消息;而主動(dòng)測(cè)量主要利用OpenFlow協(xié)議中統(tǒng)計(jì)信息的Request和Reply消息。物聯(lián)網(wǎng)網(wǎng)絡(luò)流量在不同密度下具有不同的特性。網(wǎng)絡(luò)流量在不同的密度下具有不同的流量特性,在匯集網(wǎng)絡(luò)的流量中具有稀疏性,通過匯聚的流量在邊緣計(jì)算平臺(tái)上進(jìn)行處理和計(jì)算;而在物聯(lián)網(wǎng)網(wǎng)絡(luò)中,經(jīng)過匯集的數(shù)據(jù)流將會(huì)產(chǎn)生大量的突發(fā)流,網(wǎng)絡(luò)中流量的相關(guān)性與網(wǎng)絡(luò)流量的突發(fā)性有關(guān)。在面向邊緣計(jì)算的SDN物聯(lián)網(wǎng)網(wǎng)絡(luò)架構(gòu)中,被動(dòng)測(cè)量利用流表設(shè)置的Hard_timeout和Idle_timeout定時(shí)器超時(shí)向控制器發(fā)送Flow Removed消息對(duì)物聯(lián)網(wǎng)的網(wǎng)絡(luò)流量進(jìn)行被動(dòng)測(cè)量,這種測(cè)量方式靈活性非常差。FlowSense將特定周期時(shí)間內(nèi)觸發(fā)PacketIn消息但沒觸發(fā)Flow Removed消息的流量定義為活躍流量,通過累加活躍流量在周期時(shí)間內(nèi)的傳輸速率來估算當(dāng)前鏈路的帶寬利用率主動(dòng)測(cè)量算法通過周期地從相關(guān)交換機(jī)采集流量數(shù)據(jù)來估算鏈路資源利用率[15]。He等[16]提出了一種基于Open Flow的低開銷和高精度的SDN測(cè)量框架,通過自適應(yīng)的調(diào)整采樣頻率來測(cè)量網(wǎng)絡(luò)中流量的速率。Huo等[17]提出一種基于SDN的細(xì)粒度的測(cè)量和車聯(lián)網(wǎng)通信流量建模方法。關(guān)于網(wǎng)絡(luò)流量測(cè)量還有許多相關(guān)的研究,如流量分析、流量預(yù)測(cè)、流量特性分析等[18-20]。

圖1 面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)架構(gòu)示意圖Fig.1 Schematic diagram of IoT network architecture based on edge computing

上述測(cè)量方法都是在SDN的架構(gòu)下對(duì)網(wǎng)絡(luò)中的流量進(jìn)行測(cè)量,然而在面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,經(jīng)過匯聚的網(wǎng)絡(luò)流量相對(duì)于初始的網(wǎng)絡(luò)流量已將發(fā)生了巨大的變化,因此,網(wǎng)絡(luò)流量的特性也有所改變。未來應(yīng)對(duì)智慧城市發(fā)展的需要,需要多網(wǎng)絡(luò)的中流量進(jìn)行低開銷、高精度的網(wǎng)絡(luò)流量測(cè)量,因此如何在低開銷的情況下提高網(wǎng)絡(luò)流量的測(cè)量精度,是物聯(lián)網(wǎng)網(wǎng)絡(luò)流量測(cè)量所要應(yīng)對(duì)的一個(gè)問題?；诖?文中針對(duì)面向邊緣計(jì)算的物聯(lián)網(wǎng)中提出了基于采用粗粒度測(cè)量和插值優(yōu)化的方法對(duì)網(wǎng)絡(luò)中的流量進(jìn)行測(cè)量。

1 測(cè)量方案和架構(gòu)

在面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)管理中,例如負(fù)載平衡,路由規(guī)劃和異常檢測(cè),不僅需要精確的測(cè)量結(jié)果,還需要基于用戶需求的動(dòng)態(tài)調(diào)整測(cè)量的粒度。為了獲得具有低測(cè)量開銷的高精度測(cè)量結(jié)果,文中提出了一種輕量級(jí)高精度的面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)測(cè)量方案,具體架構(gòu)如圖2所示。

1.1 測(cè)量架構(gòu)

文中提出了一種新的輕量級(jí)測(cè)量架構(gòu)如圖2所示。測(cè)量過程分為粗粒度測(cè)量、細(xì)粒度數(shù)據(jù)填充與優(yōu)化2個(gè)階段。首先,SDN架構(gòu)中的控制器將會(huì)根據(jù)用戶或應(yīng)用程序的測(cè)量需求對(duì)測(cè)量方案進(jìn)行分析和配置,然后通過調(diào)用測(cè)量API并在控制器中設(shè)置其采樣要求,例如測(cè)量粒度和持續(xù)時(shí)間。同時(shí),控制器還將通過測(cè)量配置確定采樣的對(duì)象,如數(shù)據(jù)流采樣、交換機(jī)采樣等。測(cè)量模塊根據(jù)采樣需求生成采樣請(qǐng)求消息,并通過Open Flow協(xié)議將其發(fā)送給所選定的交換機(jī)。當(dāng)目標(biāo)交換機(jī)都收到消息時(shí),交換機(jī)會(huì)收集流量和端口的統(tǒng)計(jì)信息,并將它們打包成reply消息并返回給控制器。在SDN網(wǎng)絡(luò)中,控制器利用鏈路發(fā)現(xiàn)協(xié)議(LLDP,Link Layer Discovery Protocol)能夠掌握全局拓?fù)渲械逆溌泛投丝谛畔?另外,控制器根據(jù)交換機(jī)在新流到達(dá)數(shù)據(jù)包時(shí)產(chǎn)生的Packet_In消息對(duì)流的轉(zhuǎn)發(fā)路徑和轉(zhuǎn)發(fā)規(guī)則的記錄結(jié)果,獲得網(wǎng)絡(luò)中流的路由信息?；趶目刂破髦蝎@得的拓?fù)湫畔ⅰ⒙酚尚畔⒁约按至６鹊臏y(cè)量結(jié)果,構(gòu)建能夠表達(dá)網(wǎng)絡(luò)流量特征的流量矩陣。

圖2 面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)測(cè)量框架Fig.2 IoT network measurement framework based on edge computing

利用通過采樣獲得的粗粒度網(wǎng)絡(luò)流量值,根據(jù)用戶或應(yīng)用的要求在對(duì)網(wǎng)絡(luò)流量進(jìn)行插值,并采用智能優(yōu)化的方法減少測(cè)量誤差。在面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,根據(jù)任務(wù)的需求開發(fā)相應(yīng)的測(cè)量組件并安裝到控制器中執(zhí)行,用戶和應(yīng)用程序可以通過API調(diào)用這些模塊。新的測(cè)量架構(gòu)中的模塊與SDN控制器中的其他現(xiàn)有模塊相互兼容。由于所有這些模塊都是基于流的測(cè)量,最關(guān)鍵的部分就是網(wǎng)絡(luò)流量統(tǒng)計(jì)數(shù)據(jù)的收集。文中根據(jù)用戶的需求采用主動(dòng)流量測(cè)量的方法,讀取基于OpenFlow交換機(jī)中的網(wǎng)絡(luò)流量統(tǒng)計(jì)數(shù)據(jù),該測(cè)量方案可以通過降低測(cè)量的粒度來減少網(wǎng)絡(luò)測(cè)量的開銷?？刂破鲝慕粨Q機(jī)獲取到的統(tǒng)計(jì)信息,此過程獨(dú)立于控制任務(wù)的制定和任務(wù)分配過程。通過在測(cè)量的粗粒度流量矩陣中插入許多離散值來獲得細(xì)粒度插值測(cè)量結(jié)果,這種測(cè)量方法比傳統(tǒng)的網(wǎng)絡(luò)流量測(cè)量方法更加靈活易用。

1.2 物聯(lián)網(wǎng)網(wǎng)絡(luò)流量矩陣

在基于SDN架構(gòu)的物聯(lián)網(wǎng)核心網(wǎng)絡(luò)中,控制器利用鏈路層發(fā)現(xiàn)協(xié)議來獲取網(wǎng)絡(luò)中的所有交換機(jī),端口和鏈路等信息。控制器發(fā)送鏈路層發(fā)現(xiàn)協(xié)議LLDP探測(cè)報(bào)文到OpenFlow交換機(jī),并收集交換機(jī)返回的消息,收集鏈路狀態(tài),傳輸延遲,路徑丟失和網(wǎng)絡(luò)全局視圖等信息。文中采用流量矩陣來描述面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中的流量特性。

在物聯(lián)網(wǎng)網(wǎng)絡(luò)中,數(shù)據(jù)流通過Open Flow交換機(jī)相互交換數(shù)據(jù)。流(flow)就是從源節(jié)點(diǎn)到目的節(jié)點(diǎn)的數(shù)據(jù)包序列,在網(wǎng)絡(luò)中有n個(gè)邊緣計(jì)算服務(wù)器,所以總共有N=n2個(gè)源 目的(OD,origin destination)節(jié)點(diǎn)對(duì),網(wǎng)絡(luò)的流量矩陣為

式中:m表示源節(jié)點(diǎn);n表示目的節(jié)點(diǎn)。假如網(wǎng)絡(luò)中有M條鏈路,采用向量Y=[L1,L2,…,L M]T代表網(wǎng)絡(luò)中的鏈路負(fù)載。流量矩陣可表示為X=[x1,x2,…,x N]T。在網(wǎng)絡(luò)中,路由矩陣是一個(gè)由二進(jìn)制變量進(jìn)行表示的矩陣,其中每一個(gè)變量都表示流和鏈路之間的相關(guān)性。文中采用a mn表示流m是否通過鏈路n。a mn=1表示流m通過鏈路n;a mn=0表示流m不通過鏈路n。因此,鏈路負(fù)載可以被流表示為

構(gòu)造鏈路負(fù)載與流量之間的關(guān)系矩陣為

式中,使用變量Y表示交換機(jī)之間每條鏈路上網(wǎng)絡(luò)的鏈路負(fù)載,A表示鏈路和流之間的相關(guān)矩陣,因此,式(3)可以寫為

在面向邊緣計(jì)算的物聯(lián)網(wǎng)中,控制器通過發(fā)送和接收LLDP報(bào)文來獲取網(wǎng)絡(luò)的全局視圖并存儲(chǔ)在控制器中。因此,路由矩陣A可以直接從控制器中讀取,并且通過讀取交換機(jī)的統(tǒng)計(jì)信息獲得粗粒度的流量矩陣。

當(dāng)用戶或應(yīng)用程序請(qǐng)求度量網(wǎng)絡(luò)流量時(shí),控制器生成請(qǐng)求消息并將其發(fā)送到交換機(jī)。然后,被選中的交換機(jī)收集數(shù)據(jù)包和端口統(tǒng)計(jì)信息,并將它們返回給控制器,但是控制器要處理大量的數(shù)據(jù),這對(duì)控制器來說將是一個(gè)巨大的挑戰(zhàn)。網(wǎng)絡(luò)中的流量一般具有高密度、高動(dòng)態(tài)性等特點(diǎn)。細(xì)粒度流量測(cè)量不僅需要很小的測(cè)量間隔,而且還將消耗大量的帶寬用于傳輸測(cè)量相關(guān)的報(bào)文,因此細(xì)粒度流量測(cè)量對(duì)于網(wǎng)絡(luò)來說將會(huì)產(chǎn)生巨大的負(fù)荷。然而,在SDN網(wǎng)絡(luò)中,具有低開銷的基于流的細(xì)粒度流量測(cè)量是很難實(shí)現(xiàn)的。為此,文中提出一種低開銷的細(xì)粒度網(wǎng)絡(luò)流量測(cè)量方法,該方法需要對(duì)網(wǎng)絡(luò)流量進(jìn)行粗粒度的測(cè)量,并利用插值方法恢復(fù)細(xì)粒度的流量測(cè)量。由于鏈路負(fù)荷和流量滿足映射關(guān)系式(4),利用流量矩陣和鏈路流量的測(cè)量值,通過優(yōu)化插值結(jié)果,找到細(xì)粒度流量測(cè)量值。

文中所提的測(cè)量框架中,需要測(cè)量SDN架構(gòu)的物聯(lián)網(wǎng)網(wǎng)絡(luò)中粗粒度的流量數(shù)據(jù)?？刂破鞲鶕?jù)用戶或應(yīng)用程序的請(qǐng)求制定測(cè)量規(guī)則,并向被選中的OpenFlow交換機(jī)發(fā)送測(cè)量請(qǐng)求消息。有許多方法可以測(cè)量鏈路和流量的傳輸速率,在傳統(tǒng)方法中,sFlow和Netflow需要硬件支持并安裝測(cè)量代理軟件來測(cè)量每條流的流量和鏈路負(fù)載,但是SDN架構(gòu)中提供了更加方便的網(wǎng)絡(luò)流量測(cè)量方法?？刂破髦恍枰騉pen Flow交換機(jī)讀取中數(shù)據(jù)包和端口的統(tǒng)計(jì)信息,并不需要額外的軟硬件支持,因此,基于流的物聯(lián)網(wǎng)網(wǎng)絡(luò)流量測(cè)量非常靈活和方便。

1.3 隨機(jī)粗粒度抽樣

在面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,從源節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的網(wǎng)絡(luò)流量是隨時(shí)間波動(dòng)的,可以用時(shí)間相關(guān)的向量x n(t)表示,它類似于信號(hào)在自由空間中傳播。然而,存儲(chǔ)所有網(wǎng)絡(luò)設(shè)備的流量記錄信息將消耗大量的存儲(chǔ)空間和計(jì)算資源,在實(shí)踐中網(wǎng)絡(luò)設(shè)備只提供有限的空間,所以采用抽樣方法只需要獲取和存儲(chǔ)少量的信息就可以解決數(shù)據(jù)存儲(chǔ)的問題。文中將介紹獲取流和鏈路瞬時(shí)流量的采樣方法。流和鏈接的采樣序列分別用{x n(k),k∈Z}和{y m(k),k∈Z}表示,因此,流的采樣流量序列可以表示為

式中,t k表示采樣時(shí)刻。其次,流量采樣的另一個(gè)問題是如何重建與實(shí)際流量近似的流的流量x n(t)。流的流量重構(gòu)方法有插值法、矩陣填充法等。在這里,將采用插值的方法對(duì)粗粒度的網(wǎng)絡(luò)流量進(jìn)行數(shù)據(jù)填充。

在OpenFlow交換機(jī)中,流量的統(tǒng)計(jì)記錄與流表項(xiàng)匹配的數(shù)據(jù)包和字節(jié)數(shù),并記錄流表項(xiàng)的持續(xù)時(shí)間。然后,可以使用統(tǒng)計(jì)數(shù)據(jù)來計(jì)算流量和鏈接的速度?？刂破鞲鶕?jù)用戶或應(yīng)用程序測(cè)量鏈路中的流量或數(shù)據(jù)流量的要求,在短時(shí)間內(nèi)發(fā)送兩條請(qǐng)求消息。使用t1和t22個(gè)檢查點(diǎn)來表示短時(shí)間間隔。檢查點(diǎn)t1,控制器向交換機(jī)發(fā)送一些請(qǐng)求消息,然后等待包含統(tǒng)計(jì)信息S1和流條目持續(xù)時(shí)間T1的應(yīng)答消息。在短暫的等待時(shí)間內(nèi)控制器在檢查點(diǎn)t2發(fā)送其他請(qǐng)求消息,然后等待返回的統(tǒng)計(jì)信息S2和流條目持續(xù)時(shí)間T2。在測(cè)量間隔期間增加的字節(jié)數(shù)為ΔS t。對(duì)于流條目的持續(xù)時(shí)間,假設(shè)它比測(cè)量間隔長(zhǎng)得多,因此短間隔ΔT t中的數(shù)據(jù)速率可以寫成

當(dāng)測(cè)量間隔足夠小時(shí),考慮ΔR t為采樣點(diǎn)t處的傳輸速率。通過收集端口和流量的統(tǒng)計(jì)信息,利用式(6)計(jì)算t時(shí)刻的鏈路負(fù)載和數(shù)據(jù)流的流量,然后根據(jù)式(4)建立流量矩陣。

當(dāng)需要了解更多關(guān)于網(wǎng)絡(luò)中數(shù)據(jù)傳輸信息時(shí),可以使用抽樣方法來測(cè)量網(wǎng)絡(luò)中的流量,抽樣間隔越小越好。但是對(duì)于細(xì)粒度流量測(cè)量方法,高頻率的發(fā)送采樣報(bào)文將會(huì)導(dǎo)致網(wǎng)絡(luò)在控制器和交換機(jī)之間傳輸大量的請(qǐng)求消息和應(yīng)答消息,嚴(yán)重影響交換機(jī)和控制器的性能以及增加網(wǎng)絡(luò)負(fù)荷。因此,應(yīng)采用有效的測(cè)量方法,在不影響測(cè)量性能的前提下,減少控制器與交換機(jī)之間統(tǒng)計(jì)信息的傳輸。基于采樣的粗粒度流量測(cè)量方法是一種有效的解決方案。

2 流量矩陣填充和優(yōu)化方法

采樣法是在一定的時(shí)間間隔內(nèi)周期獲取流量和鏈路負(fù)荷。由于網(wǎng)絡(luò)中的流量是隨機(jī)變化的,文中將考慮采用均勻抽樣的方法獲取SDN架構(gòu)中物聯(lián)網(wǎng)網(wǎng)絡(luò)的流量值。獲取網(wǎng)絡(luò)流量以后,通過使用插值方法,恢復(fù)細(xì)粒度的網(wǎng)絡(luò)流量值,常用的數(shù)據(jù)插值方法包括三次樣條插值、最近鄰值插值、平均值插值等。三次樣條插值是信號(hào)處理中廣泛用于填充離散采樣點(diǎn)的一種最光滑的逼近方法,其函數(shù)可表示為

式中:c0,c1,c1和c3均為待定系數(shù);f(x)為插值結(jié)果;x為插補(bǔ)點(diǎn)相關(guān)結(jié)果。對(duì)于流量和鏈路負(fù)載的粗粒度離散采樣,文中采用三次樣條插值來恢復(fù)細(xì)粒度測(cè)量。此時(shí)獲得的細(xì)粒度測(cè)量與網(wǎng)絡(luò)中的實(shí)際流量之間存在著巨大的差距,由于網(wǎng)絡(luò)中的流量具有相關(guān)性,且網(wǎng)絡(luò)流量的在短時(shí)間內(nèi)具有相關(guān)性。因此,文中將考慮利用網(wǎng)絡(luò)中對(duì)網(wǎng)絡(luò)流量的約束值對(duì)網(wǎng)絡(luò)流

量插值結(jié)果進(jìn)行優(yōu)化,以減少插值結(jié)果的誤差。通過填充兩個(gè)粗粒度采樣點(diǎn)之間的離散值,得到了流n的細(xì)粒度流量測(cè)量x n,因此插值測(cè)量得到的鏈路m上的鏈路負(fù)荷為被測(cè)鏈路m的實(shí)際路段負(fù)荷為Y m,因此插值結(jié)果與實(shí)際流的流量之間的差值可以寫成通過利用約束條件構(gòu)造了一個(gè)目標(biāo)函數(shù)對(duì)其進(jìn)行優(yōu)化,具有多約束的優(yōu)化目標(biāo)函數(shù)可表示為

式中:約束條件C1表示鏈路負(fù)載與流量之間的約束,即Y m表示鏈路m的負(fù)載;約束條件C2中,L m為鏈路m上的最大負(fù)荷,即鏈路m上的總估計(jì)流的流量不能超過鏈路最大流量負(fù)荷;約束條件C3表示了鏈路負(fù)載非負(fù);約束條件C4表示路由因子,即流量與鏈路之間的相關(guān)系數(shù)。通過求解等式(8)中的最優(yōu)化模型,可獲得更精確的流量測(cè)量結(jié)果。

由目標(biāo)函數(shù)(8)中的約束C1可知,鏈路負(fù)荷與流量關(guān)聯(lián)矩陣A有m行N列m≤N。在SDN架構(gòu)的網(wǎng)絡(luò)中,交換機(jī)轉(zhuǎn)發(fā)大量的實(shí)時(shí)性比較到的數(shù)據(jù),網(wǎng)絡(luò)中任意2個(gè)源 目的節(jié)點(diǎn)之間的對(duì)數(shù)遠(yuǎn)遠(yuǎn)大于網(wǎng)絡(luò)中鏈路的數(shù)據(jù),即M?N。因此,路由矩陣A是一個(gè)欠定的矩陣,即滿足約束條件的解有無窮多組。文中將利用梯度下降的方法對(duì)目標(biāo)函數(shù)進(jìn)行求解,求解算法如表1所示,最終獲得最優(yōu)的網(wǎng)絡(luò)流量結(jié)果。

表1 面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)流量測(cè)量方法Table 1 IoT network traffic measurement method based on edge computing

在表1的算法中,控制器從交換機(jī)中獲取鏈路負(fù)載和流的流量,并用流量矩陣描述它們之間的關(guān)系。假設(shè)在2個(gè)采樣點(diǎn)之間插入k個(gè)點(diǎn),插補(bǔ)過程的復(fù)雜度為O(k)。為減小細(xì)粒度流量測(cè)量與實(shí)際流量之間的差距,優(yōu)化過程的復(fù)雜度為O(kn),其中n為各插值點(diǎn)優(yōu)化的復(fù)雜度,即算法1的復(fù)雜度是O(k(1+n))。

3 仿真分析

為了評(píng)估測(cè)量體系結(jié)構(gòu)的性能和提出的測(cè)量方案,文中建立一個(gè)基于SDN架構(gòu)的物聯(lián)網(wǎng)網(wǎng)絡(luò)流量測(cè)量平臺(tái),該平臺(tái)使用Ryu作為控制器,并使用Mininet模擬具有交換機(jī)、主機(jī)和鏈路的網(wǎng)絡(luò)?；贠pen Flow的Mininet網(wǎng)絡(luò)中的交換機(jī)采用Open vSwitch進(jìn)行模擬,并將源IP、目的IP、源MAC地址、目的MAC地址作為流的匹配項(xiàng),對(duì)數(shù)據(jù)包進(jìn)行轉(zhuǎn)發(fā)。

為了測(cè)量網(wǎng)絡(luò)中的數(shù)據(jù)流量,文中構(gòu)建一個(gè)簡(jiǎn)單的校園網(wǎng)網(wǎng)絡(luò)拓?fù)?如圖3所示。在此拓?fù)渲?將攝像頭作為數(shù)據(jù)源,將主機(jī)作為目的端,網(wǎng)絡(luò)中的交換機(jī)都是Open Flow交換機(jī)。因此,對(duì)于每個(gè)主機(jī)與攝像頭之間都有一個(gè)數(shù)據(jù)流,同時(shí)網(wǎng)絡(luò)中也有很多其他的數(shù)據(jù)流,圖3中僅畫出5條數(shù)據(jù)流進(jìn)行展示。對(duì)于網(wǎng)絡(luò)中的所有鏈接,控制器利用LLDP協(xié)議獲取全局的網(wǎng)絡(luò)視圖,在網(wǎng)絡(luò)中的鏈路均采用雙工傳輸模式。在面向邊緣計(jì)算的SDN網(wǎng)絡(luò)中利用Iperf模擬數(shù)據(jù)流,并利用所開發(fā)的測(cè)量模塊對(duì)網(wǎng)絡(luò)測(cè)量性能進(jìn)行測(cè)試。通過采集到的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分析,在此文章將隨機(jī)選擇2條流量進(jìn)行分析,以下以數(shù)據(jù)流F1和F2作為例進(jìn)行討論。

圖3 模擬物聯(lián)網(wǎng)網(wǎng)絡(luò)的拓?fù)鋱DFig.3 Simulation of the topology of the IoT network

在測(cè)量過程中,控制器根據(jù)用戶的需求生成采樣的時(shí)間間隔;然后控制器生成采樣請(qǐng)求的request信息并將請(qǐng)求消息發(fā)送到被選中的交換機(jī)中去讀取交換機(jī)中的統(tǒng)計(jì)信息,然后控制器等待Open Flow交換機(jī)返回的統(tǒng)計(jì)消息,并由數(shù)據(jù)接收模塊對(duì)Reply的數(shù)據(jù)包進(jìn)行處理。接著,控制器中的流量填充模塊將執(zhí)行數(shù)據(jù)插值和目標(biāo)優(yōu)化算法并獲得細(xì)粒度的網(wǎng)絡(luò)流量數(shù)值。在文中所執(zhí)行的仿真實(shí)驗(yàn)中,并采用不同的采樣粒度對(duì)網(wǎng)絡(luò)流量進(jìn)行測(cè)量結(jié)果的對(duì)比分析。細(xì)粒度網(wǎng)絡(luò)流量測(cè)量即采用非常小的測(cè)量周期獲取網(wǎng)絡(luò)中數(shù)據(jù)流的統(tǒng)計(jì)信息,采樣的粒度越小,網(wǎng)絡(luò)流量的測(cè)量結(jié)果越準(zhǔn)確。在實(shí)驗(yàn)中,文中將使用所提方法按不同的采樣周期對(duì)網(wǎng)絡(luò)流量進(jìn)行粗粒度采樣,并對(duì)利用文中所提算法進(jìn)行細(xì)粒度的網(wǎng)絡(luò)流的恢復(fù);其中,FM、F1和F2均采用文中所提的測(cè)量方法,它們的粗粒度采樣間隔分別為60、120和300 ms;另外,文中還將采用主成分分析法(PCA,principal component analysis)對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果與文中所提方法進(jìn)行對(duì)比和分析。為了評(píng)價(jià)文中所提算法的性能,將對(duì)絕對(duì)誤差(AE,absolute error)、相對(duì)誤差(RE,relative error)等進(jìn)行分析。絕對(duì)誤差和相對(duì)誤差能夠反映實(shí)際流量和測(cè)量結(jié)果之間的偏差。另外,將對(duì)網(wǎng)絡(luò)流量測(cè)量結(jié)果的均方根誤差(RMSE,root mean square error)進(jìn)行分析。RMSE能夠反映網(wǎng)絡(luò)流量測(cè)量結(jié)果的精度和算法的穩(wěn)定性。用變量EAEn、EREn和ERMSEn分布表示AE、RE和RMSE的測(cè)量誤差。因此,EAEn、EREn和ERMSEn可以表示為

式中:x n表示在流時(shí)間段中提出的方案中第n條流在第i個(gè)時(shí)刻所測(cè)量的流量值是第n條流的實(shí)際流量值表示第n條流的K個(gè)測(cè)量結(jié)果的平均值。

圖4繪制了文中所提算法的測(cè)量結(jié)果FM、F1、F2和PCA方法的測(cè)量結(jié)果曲線對(duì)比。發(fā)現(xiàn)它們都能反映流量的流量趨勢(shì)。在圖5和圖6中,比較了細(xì)粒度的RE和AE流量測(cè)量、建議的方案和PCA方法。細(xì)粒度流量測(cè)量的采樣間隔為1個(gè)時(shí)隙,并分別生成了該方法的采樣間隔為60和120個(gè)時(shí)隙。圖5和圖6分別表示不同測(cè)量方案測(cè)量的相對(duì)誤差和絕對(duì)誤差。從圖4中可以看出,大多數(shù)流量通過約束條件估計(jì)后獲得的。比較AE和使用PCA方法提出的方法的RE,從圖中可以發(fā)現(xiàn),該方法的測(cè)量AE和RE均小于PCA,這主要是由于隨機(jī)采樣方法使用實(shí)際采樣點(diǎn)以調(diào)節(jié)誤差,并通過估算獲得PCA方法的所有測(cè)量,所提出的方法比PCA方法具有更多的信息來估計(jì)網(wǎng)絡(luò)中的流量。另外,從圖中還可以發(fā)現(xiàn)兩者的AE和RE的所有這些方法是穩(wěn)定的有類似趨勢(shì),表明提出的測(cè)量方法是可行和有效的。

圖4 不同測(cè)量方案的網(wǎng)絡(luò)流量測(cè)量結(jié)果對(duì)比Fig.4 Comparison of network traffic measurement results of different measurement schemes

圖5 測(cè)量結(jié)果的絕對(duì)誤差對(duì)比Fig.5 Absolute error comparison of measurement results

圖6 測(cè)量結(jié)果的相對(duì)誤差對(duì)比Fig.6 Relative error comparison of measurement results

在圖7中,將不同方法的測(cè)量值與實(shí)際流量進(jìn)行比較,對(duì)角線與實(shí)際流量進(jìn)行比較。從圖7中可以發(fā)現(xiàn)細(xì)粒度的效果是最好的,而PCA是最差的。和隨機(jī)抽樣方案提出與下采樣預(yù)期優(yōu)于較大的采樣預(yù)期,這主要是由于流量的隨機(jī)波動(dòng)和間隔。因此,在FM測(cè)量方案性能仍優(yōu)于PCA方法。

圖7 網(wǎng)絡(luò)流的測(cè)量值與實(shí)值的對(duì)比Fig.7 Comparison of measured and real values of network flow

在圖8和圖9中,比較了不同方法的RE和REMS的累積分布函數(shù)圖(CDF,cumulative distribution function)。在圖8中可以發(fā)現(xiàn),相對(duì)錯(cuò)誤誤差細(xì)粒度測(cè)量和方案提出,方法F1在相對(duì)誤差為20%時(shí)大于90%,在相對(duì)誤差為20%時(shí),4種方法均大于60%左右,因此細(xì)粒度測(cè)量方法和建議采用方案F1,用于準(zhǔn)確測(cè)量網(wǎng)絡(luò)中的流量。圖9比較RMES的CDF不同的方法。x軸是相對(duì)RMSE,y軸是RMSE的概率。流量的RMSE這里主要用于反映測(cè)量誤差的可度性。圖9表明文中所提出方案要比PCA方法穩(wěn)定。從圖8～圖9中可以發(fā)現(xiàn)大多數(shù)測(cè)量點(diǎn)的測(cè)量誤差均在10%～40%之間。

圖8 網(wǎng)絡(luò)流測(cè)量結(jié)果的相對(duì)誤差的CDF圖Fig.8 CDF of relative error of network traffic measurement results

圖9 網(wǎng)絡(luò)流測(cè)量結(jié)果的RMSE的CDF圖Fig.9 CDF of RMSE of network traffic measurement results

4 結(jié) 語

流量測(cè)量的精度和粒度對(duì)網(wǎng)絡(luò)交通工程產(chǎn)生了巨大的影響。研究了面向邊緣計(jì)算的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,采用SDN網(wǎng)絡(luò)架構(gòu)情況下的網(wǎng)絡(luò)流量測(cè)量方法。提出的測(cè)量體系結(jié)構(gòu)由兩部分組成:第一部分,控制器對(duì)網(wǎng)絡(luò)流量進(jìn)行粗粒度的采樣,并從控制器中獲得網(wǎng)絡(luò)拓?fù)浜途W(wǎng)絡(luò)路由矩陣,然后構(gòu)建流量矩陣;第二部分,控制器執(zhí)行插值和優(yōu)化過程,獲得細(xì)粒度流量測(cè)量結(jié)果。最后,構(gòu)建了一個(gè)軟件仿真驗(yàn)證平臺(tái)來驗(yàn)證所提出的流量測(cè)量方法。仿真結(jié)果表明,該方案是有效和可行的。