基于M2M業(yè)務的網絡流量特性分析研究

引言

在物聯網中，物聯網將大量的“物”的信息融入網絡的信息之中，使網絡交換和傳遞的數據流在類別和數量上較之傳統(tǒng)的互聯網的數據流都有了較大的變化，可以預見在不遠的將來，通信網絡中用于連接物體的部分將會大大超過用于連接人的部分，成為下一代網絡的主要組成部分。

物聯網的聯網對象多樣化以及通信方式與現有的網絡通信方式較大差別，對物聯網的流量特性分析、流量建模及性能評價提出了新的挑戰(zhàn)。本文以典型M2M業(yè)務為例，對其中業(yè)務進行分析，進而得到對應業(yè)務流量特征參數。在此基礎上進行不同業(yè)務流量合成，以及不同業(yè)務的流量聚合,M2M/H2H流量聚合并以此分析其各自流量特性。

1網絡的自相似性

眾多的研究表明在互聯網通信中，網絡通信流量普遍具有自相似性，通常我們用Hurst參數來衡量網絡自相似性的程度。當0.5<H<1時，說明流量具有自相似性，H的值越大,自相似性越強。若0<H<0.5,則流量缺乏或不具有自相似性,因此對Hurst參數準確的測量對于網絡的自相似特性及變化的研究具有十分重要的意義。

目前估計Hurst參數的方法，可大致分為時域算法和頻域算法兩類。時域算法主要包括：R/S法、留數法、方差時間圖法、絕對值法等，頻域算法主要包括：whittle法和小波法。在本文中采用較為常用的R/S法來測量網絡的Hurst參數。

2M2M典型業(yè)務特性分析與建模

物聯網包含了了機器與機器、機器與人以及人與機器的通信，由3GPP文檔可知，物聯網應用主要包括七大類：安全、追蹤、付費、健康、遠程維護、計量/測量、消費設備國。而MTC終端擁有其獨有的特征，如小數據傳輸、低移動性、時間控制、時間容忍等。本文以應用最為典型三類業(yè)務為例進行分析仿真。

2.1智能電網業(yè)務分析與建模

傳統(tǒng)電網耗用了大量的人力財力，電網的智能化將是電網發(fā)展的必然。在我國智能電網建設中依據現場用電與計量的實際應用情況，用戶一般可分為六大類：大型專變用戶（A）、中小型專變用戶（B）、三相一般工商業(yè)用戶（C）、單相一般工商業(yè)用戶（D）、居民用戶（E）、公用配變考核計量點（F）［4］。目前電能信息采集系統(tǒng)中，各類業(yè)務應用關注不同的數據，按時效性質主要分為三種類型：一類數據，為實時或準實時性質的數據，如當前工況數據、15min間隔密度凍結的電壓、電流、負荷、電量等;二類數據，為終端保存的歷史性質的數據,如指定某日（月）的全日（月）范圍內的凍結數據和統(tǒng)計數據,如上日電量、供電合格率統(tǒng)計等；三類數據：為特殊事件發(fā)生時的記錄性數據，如停電記錄等，這類事件發(fā)生的偶然性和隨機性，決定了該類數據在系統(tǒng)中所占比重很低，對系統(tǒng)流量規(guī)模影響不大。

我們以業(yè)務上傳最頻繁也是數據量最大的一類數據進行仿真。按照六類用戶的不同業(yè)務需求，根據國家電力行業(yè)標準中各終端特殊要求，可歸類出六類用戶典型一類數據大小，其終端數量如表1所列。

表1智能電網用戶特征

由業(yè)務的時間特性可知：一類數據由整點開始每15min采集一次，并在開始后5min之內采集完成并完成上傳。其中單個節(jié)點流量產生時間距采集開始時間服從均值為50的指數分布。由此，我們Matlab進行仿真，仿真時間為3600s,以得其流量。再將流量處理為0.01ms時間尺度的Packet級并保存到文本文件中。以R/S法測得流量的Hurst指數為0.901。在此基礎上進行不同終端規(guī)模的仿真，并測量不同規(guī)模下業(yè)務流的自相似特性，圖1所示是智能電網不同規(guī)模下的Hurst值。從仿真結果來看，智能電網業(yè)務流具有很強的自相似特性。

圖1智能電網不同規(guī)模下Hurst值

2.2智能家居業(yè)務分析與建模

智能家居是物聯網的又一重要應用，文中采用基于ZigBee的智能家居為例進行業(yè)務分析。在智能家居中傳感器通信主要分為：心跳通信和觸發(fā)通信兩種［5］。大多數情況下,傳感器定期采集參數傳送給網關，網關經過整理轉發(fā)給云端,主人可以通過電腦端或者手機端實時了解家庭內的情況，以上稱為心跳通信。另一方面如遇突發(fā)狀況則立即報告信息中心和手持移動終端進行示警這成為觸發(fā)通信。一個典型家庭用戶的網絡心跳通信業(yè)務特性如表2所列。

表2智能家居業(yè)務特征

由于觸發(fā)通信的概率非常低，這里不做模擬。根據業(yè)務特性，以3000戶居民為例進行仿真，設定每個家庭業(yè)務起始時間服從（0,1800）的均勻分布，在每個家庭內部，傳感器的起始時間服從均值為50的指數分布。

由仿真結果可知Hurst=0.559,因此智能家居產生流量具有弱自相似性。同理，進行不同終端規(guī)模的流量仿真得到Hurst指數隨終端變化的曲線如圖2所示，可以看出，其Hurst指數隨著終端規(guī)模呈減小趨勢。

2.3自動駕駛業(yè)務分析與建模

自動導航駕駛系統(tǒng)主要包括汽車的追蹤、事故的檢測與避免?？梢蕴峁┢嚨亩ㄎ蛔粉?，方便車隊管理并可以通過一系列的檢測反饋幫助駕駛員提前預警，避免事故的發(fā)生［6］。汽車與系統(tǒng)交互主要包括兩種：一種是傳送長期規(guī)律性、低比特率的信息（GPS位置，速度，時刻）以告訴系統(tǒng)汽車的實時狀態(tài)。在自動導航駕駛中，在高速行駛時汽車每一米（導航定位的分辨率）向服務器傳送一個數據包，例如，汽車在100km/h速度時，汽車發(fā)送數據包的數量將是每秒約28個,發(fā)送間隔為36ms。由此可知自動駕駛業(yè)務模型如表。在建模中,假設終端數量100,每個終端通信起始時間服從（0,5）的均勻分布。通過對流量進行自相似性分析，Hurst=0.208,不具有自相似特性。在此基礎上對不同終端規(guī)模下的業(yè)務流Hurst值如圖3所示，表3所列是智能電網的業(yè)務特征。

2.4不同M2M業(yè)務的自相似特性

由以上結果可以看出，不同的M2M業(yè)務表現出不同的自相似特性，同時Hurst值隨著終端規(guī)模的變化而具有不同的變化規(guī)律。由此可見M2M業(yè)務數據流的自相似性，與具體的業(yè)務特性有直接關系關。

3流量聚合

以物聯網為特征的下一代網絡采用M2M通信方式，既包含傳統(tǒng)的人與人或人與計算機之間的通信，但更主要的是物與物之間的通信。因此十分必要研究研究物聯網業(yè)務流之間以及他們與傳統(tǒng)網絡流的聚合特性。

3.1M2M業(yè)務之間的相互聚合

首先，將三種物聯網業(yè)務流量聚合，再把上面得到的三種不同業(yè)務流量按照終端規(guī)模大小順序依次分為10組進行聚合，再次測量聚合后流量的自相似特性，其Hurst隨終端規(guī)模變化曲線如圖 4 所示。

3.2 M2M 業(yè)務流與互聯網流量聚合

仿真中采用的實際互聯網流量采用貝爾實驗室采集的經典數據 pAug.TL，其流量 Hurst=0.774，三種 M2M 業(yè)務流按照規(guī)模大小與互聯網流量同時進行聚合的結果曲線如圖 5 所示?？梢娋酆虾蟮牧髁咳跃哂凶韵嗨铺匦裕易韵嗨铺匦噪S著終端的增加而減小。

4 結 語

本文分析了 M2M 三種典型業(yè)務，并依據業(yè)務特性進行了分析建模、流量產生。利用 R/S 分析法對業(yè)務流的自相似特性進行了分析，可以看出不同 M2M 具有不用的自相似特性。將三類 M2M 業(yè)務聚合流量分析后發(fā)現，聚合流自相似特性隨著規(guī)模的增加而呈現遞減規(guī)律，到達一定規(guī)模后將不具有自相似性。在此基礎上將 M2M 流量與實際互聯網流量進行聚合，可以看出聚合流量仍具有自相似特性，但同樣具有遞減特性。

20211221_61c1b0f8c6d3b__基于M2M業(yè)務的網絡流量特性分析研究