馮光升，王慧強，馬春光，李冰洋，趙倩

(哈爾濱工程大學 計算機科學與技術學院，黑龍江 哈爾濱 150001)

1 引言

現(xiàn)行網(wǎng)絡系統(tǒng)的顯著問題是不能充分感知終端用戶的服務需求，不能根據(jù)網(wǎng)絡系統(tǒng)的內(nèi)外環(huán)境變化而有效、動態(tài)地改變終端用戶QoS，尤其是在網(wǎng)絡阻塞狀態(tài)下用戶的QoS水平會顯著降低。目前已經(jīng)初步提出了一些解決此類問題的方法，如DiffServ[1,2]，但是這些方法只能在發(fā)出服務請求之前確定優(yōu)先級，而無法根據(jù)內(nèi)外環(huán)境進行實時調(diào)整，導致網(wǎng)絡系統(tǒng)用戶的整體QoS水平受網(wǎng)絡狀態(tài)的影響過大。

一些研究認為可以通過動態(tài)配置策略決定網(wǎng)絡節(jié)點與其他節(jié)點的連接方式，從而以最優(yōu)化或次優(yōu)化的網(wǎng)絡結構來提高終端用戶的QoS水平[3]。這種觀點從網(wǎng)絡結構的角度出發(fā)，采用特定需求的自配置策略進行網(wǎng)絡結構的動態(tài)部署，在一定程度上解決了上述問題，然而其最大的缺點是應用范圍有限，僅能夠部署于特定網(wǎng)絡中，例如 peer-to-peer網(wǎng)絡[4]。而且網(wǎng)絡自配置策略離不開網(wǎng)絡環(huán)境、用戶需求等因素，對于如何充分利用用戶QoS和網(wǎng)絡環(huán)境進行自配置策略規(guī)劃還有待進一步研究。

另外一些研究認為路由算法及其動態(tài)配置特性是提高用戶QoS的關鍵技術之一，相應地也提出了許多具有自配置特性的路由算法、自配置方法等[5,6]。這些方法是在當前靜態(tài)網(wǎng)絡基礎上的一些重要改進，并在現(xiàn)行網(wǎng)絡環(huán)境下獲得了較好的應用效果。但是在下一代網(wǎng)絡環(huán)境下，這些方法存在一定的局限性，缺乏充分考慮下一代網(wǎng)絡的認知特性、網(wǎng)絡狀況和用戶QoS需求，僅是根據(jù)當前網(wǎng)絡狀況實施的一些優(yōu)化調(diào)整等。

還有一些學者認為 QoS動態(tài)自配置方法是根據(jù)用戶需求、數(shù)據(jù)流特性等方面進行網(wǎng)絡資源的合理劃分，是提高終端用戶QoS的有效手段。如文獻[7]提出了具有動態(tài)調(diào)整帶寬功能的d-QoS模型，該模型采用中斷機制，允許高優(yōu)先級的數(shù)據(jù)流優(yōu)先通過指定的網(wǎng)絡區(qū)域。這種做法以犧牲其他數(shù)據(jù)流的通過性為代價，并且在復雜網(wǎng)絡系統(tǒng)中如何確定數(shù)據(jù)流和用戶QoS需求的優(yōu)先級面臨著諸多挑戰(zhàn)[8]。

針對這些問題，學術界已著手研究如何在下一代網(wǎng)絡中融入認知元素以克服當前網(wǎng)絡的固有缺陷，于是提出了認知網(wǎng)絡的概念，其核心思想是網(wǎng)絡系統(tǒng)能夠感知內(nèi)外環(huán)境變化，實時調(diào)整網(wǎng)絡系統(tǒng)的配置，動態(tài)智能地適應環(huán)境并能指導未來的自主決策。認知網(wǎng)絡被認為是提高網(wǎng)絡整體及端到端系統(tǒng)的性能、簡化網(wǎng)絡管理的新途徑，是下一代通信網(wǎng)絡發(fā)展的必然趨勢[9]。本文在認知網(wǎng)絡的基礎上，綜合考慮用戶QoS和網(wǎng)絡狀況，采用效用函數(shù)表示用戶QoS，進而判定QoS優(yōu)先級并封裝形成認識分組。在認識分組的傳輸過程中，通過認知網(wǎng)絡節(jié)點的中斷管理方式對用戶QoS優(yōu)先級進行動態(tài)修正，從而使用戶群體感知到較好的服務質量。本文所提出的方法可以部署在認知網(wǎng)絡環(huán)境中，也可以部署在當前的網(wǎng)絡系統(tǒng)中，使網(wǎng)絡系統(tǒng)具有一定程度的認知特性，改善網(wǎng)絡系統(tǒng)中對用戶QoS優(yōu)先級判定的準確性，提高用戶的服務質量。

2 面向認知網(wǎng)絡的動態(tài)QoS自配置框架

本文提出了一種面向認知網(wǎng)絡的 QoS動態(tài)自配置方法。該方法首先利用經(jīng)濟領域和人工智能領域中的效用函數(shù)對不同級別的用戶需求及認知網(wǎng)絡系統(tǒng)狀態(tài)進行分析，得到用戶QoS的效用函數(shù)，在此基礎上獲得用戶QoS優(yōu)先級，然后將中斷策略引入到自配置框架中，以便在用戶服務過程中根據(jù)網(wǎng)絡狀況進行用戶QoS的動態(tài)調(diào)整，如圖1所示。

圖1 QoS動態(tài)自配置框架

2.1 用戶QoS的效用函數(shù)表示

認知網(wǎng)絡能夠根據(jù)用戶 QoS管理并優(yōu)化自身行為，但用戶QoS如何表示及如何翻譯為系統(tǒng)行為指令等問題將直接影響到用戶期望服務水平的實現(xiàn)與否。當前的做法是采用制定目標策略來解決這些問題，根據(jù)目標策略調(diào)整系統(tǒng)行為，以期將系統(tǒng)置于任何可行和可接受的狀態(tài)。這種調(diào)整目標實際上是一種對系統(tǒng)狀態(tài)進行估計所形成的集合，卻不能準確地建立用戶 QoS與系統(tǒng)目標之間的對應關系。由于效用函數(shù)可對特定系統(tǒng)狀態(tài)進行高層次抽象，能夠更加準確地刻畫系統(tǒng)狀態(tài)，因此本文采用效用函數(shù)表示用戶QoS，以準確確定不同級別的用戶QoS，并為達到該狀態(tài)提供策略指導，包括調(diào)節(jié)系統(tǒng)參數(shù)及范圍和重新分配資源及粒度等。

本文假設所有的效用函數(shù)都獨立于應用環(huán)境且共享一個通用的評價標準，因此任何終端用戶均具有一個用戶QoS效用函數(shù)，根據(jù)效用函數(shù)與評價標準的比較，能夠反映出相應的收益和懲罰。假設某用戶在應用環(huán)境i下的效用函數(shù)為

同時，假設 U?(R)是資源等級效用函數(shù)，指明了應用環(huán)境獲取每一種可能等級R的大小值。U?(R)可以通過來計算。假設 U?i(Ri)已經(jīng)給出，計算資源分配Ri*并最大化全局效用如下

其中，R代表所有可用資源。式(4)是一個NP-HARD離散資源分配問題，可以通過混合整數(shù)規(guī)劃方法來求解[10]。

2.2 用戶QoS的優(yōu)先級計算方法

計算QoS優(yōu)先級的常用方法是M-LWDF[11]，該方法考慮了用戶的排隊時延和平均信道條件（用吞吐量來衡量），較好地滿足用戶對分組丟失率的要求，但是由超級用戶產(chǎn)生的中斷率過高，并最終影響網(wǎng)絡系統(tǒng)用戶群體的滿意度。在認知網(wǎng)絡環(huán)境中，敏感時延的媒體業(yè)務流將占據(jù)80%以上[12]，根據(jù)惠普因特網(wǎng)與存儲系統(tǒng)實驗室Kelly等人[13]的研究，對于敏感時延的媒體業(yè)務數(shù)據(jù)流，可以采用時延（包括排隊時延和中斷時延）來代替吞吐量等指標，通過選擇合適的效用函數(shù)以保證網(wǎng)絡用戶群體的滿意度。鑒于此，本文提出一種新的用戶QoS優(yōu)先級計算方法，該方法以時延單一變量作為系統(tǒng)的優(yōu)化目標，以共享信道資源分配為目的，根據(jù)用戶QoS的效用函數(shù)設定用戶數(shù)據(jù)分組優(yōu)先權 'P。

由于沒有考慮網(wǎng)絡傳輸狀況，該優(yōu)先權級不能作為用戶數(shù)據(jù)分組的最終優(yōu)先級，因此有必要對用戶優(yōu)先級進行修正。為了防止時延超出可行的范圍，用障礙函數(shù)來構造用戶i的優(yōu)先級修正因子iδ。

其中，dmax為允許的最大時延，di(n)為當前n時刻的時延，φi為可調(diào)節(jié)的懲罰因子。懲罰因子越大，對即將超時時延的補償就越大，優(yōu)先級就越高。假設根據(jù)用戶 QoS效用函數(shù)排序所得到的優(yōu)先級為Pi'，則用戶數(shù)據(jù)流的實際優(yōu)先級Pi修正為

為了保證不頻繁地發(fā)生優(yōu)先級重計算，在用戶數(shù)據(jù)分組中的數(shù)據(jù)段部分封裝了數(shù)據(jù)流的類型，對于具有分組丟失優(yōu)先級的實時數(shù)據(jù)流采用優(yōu)先級校正，而其他的數(shù)據(jù)流仍按照用戶QoS的效用函數(shù)計算其優(yōu)先級。綜上，數(shù)據(jù)流的優(yōu)先級可表示為：i具有分組丟失優(yōu)先級 (7)其他

2.3 數(shù)據(jù)流中斷機制

根據(jù)2.1節(jié)和2.2節(jié)，在用戶QoS轉化為效用函數(shù) U(S,D,δ)并計算出資源分配 R*之后，如果不考慮網(wǎng)絡狀態(tài)，那么就很可能達不到用戶所期望的QoS水平。為解決這個問題，本文利用認知網(wǎng)絡的主動特性，在用戶服務或者服務請求數(shù)據(jù)分組中除了包含數(shù)據(jù)分組頭中的基本信息（源/目的IP地址、源/目的端口、協(xié)議等）外，還封裝了特定用戶程序和專有數(shù)據(jù)。當這類用戶數(shù)據(jù)分組經(jīng)過認知節(jié)點時，允許在這些節(jié)點上執(zhí)行用戶或應用程序指定的計算，以達到用戶期望QoS水平的目的。這些封裝了特定用戶信息的數(shù)據(jù)分組稱為認識分組。同時在認知節(jié)點上也部署一個公共接口函數(shù)，使認識分組中的相關代碼能夠被該公共接口函數(shù)執(zhí)行。因此，傳統(tǒng)網(wǎng)絡節(jié)點的作用也隨之發(fā)生變化，普通網(wǎng)絡節(jié)點被認知節(jié)點替代，并允許在這些認知節(jié)點上執(zhí)行認識分組所包含的特定計算，傳統(tǒng)的網(wǎng)絡也從被動地承載數(shù)據(jù)轉化為主動地計算引擎。為在網(wǎng)絡的認知節(jié)點上執(zhí)行計算行為，必須有合適的機制，保障認知節(jié)點能夠從傳輸普通數(shù)據(jù)分組切換到執(zhí)行指定計算的模式。認識分組的相關代碼可能對節(jié)點的安全性構成威脅，然而認知節(jié)點可采用“沙箱技術”通過建立虛擬空間運行認識分組中的代碼，這樣一來，即使發(fā)生安全攻擊，運行結果也被限制在虛擬空間內(nèi)，不會對認知節(jié)點本身構成威脅。因此，本文在操作系統(tǒng)中斷機制的基礎上提出認知節(jié)點的中斷管理思想解決上述問題。

2.2 節(jié)給出了用戶QoS優(yōu)先級P的計算方法，

由于終端用戶在請求服務時刻就在數(shù)據(jù)分組中封裝了服務的優(yōu)先級，因此網(wǎng)絡中的數(shù)據(jù)分組可根據(jù)優(yōu)先級進行分類排序，形成具有先后順序的數(shù)據(jù)流，這些認識分組可通過任何正在使用的協(xié)議機制向前傳輸。當一個認知節(jié)點接收到一個認識分組時，內(nèi)部中斷就會產(chǎn)生，認識分組中的程序代碼發(fā)起 QoS重配置請求，重配置動作在認知節(jié)點上進行，從而使那些具有高優(yōu)先級的數(shù)據(jù)流順利通過網(wǎng)絡。這種中斷機制類似于操作系統(tǒng)中超級用戶進程的中斷機制，其中的資源都是優(yōu)先分配給超級用戶進程，其他的進程則被暫停。

在執(zhí)行中斷服務程序的過程中，當一個路徑被動態(tài)路由機制選中，之前路徑上的數(shù)據(jù)分組在超時時刻被移除。這種機制允許認知節(jié)點可與任何路由機制進行協(xié)作，如靜態(tài)路由、動態(tài)路由等。具有優(yōu)先級的認識分組流經(jīng)認知節(jié)點時，該分組的優(yōu)先級首先被審查，以確定所申請級別的可用性。如果該級別被占用，將用一個較低的級別進行替代。當具有優(yōu)先級的數(shù)據(jù)流轉發(fā)結束后，隊列將從系統(tǒng)中移除。隊列長度會因當前數(shù)據(jù)流優(yōu)先級的數(shù)目不同而不同。一旦所有的優(yōu)先級數(shù)據(jù)流完成轉發(fā)，節(jié)點的工作模式就由中斷模式轉變?yōu)槠胀Ｊ健?/p>

2.4 自配置方法的部署要求

本文所提出的動態(tài) QoS自配置方法可以部署在當前的IP網(wǎng)絡中，使其具有認知網(wǎng)絡的特性或者部分特性，以解決當前網(wǎng)絡環(huán)境對用戶QoS配置支持不足的問題。通常情況下，需要在普通IP網(wǎng)絡的關鍵節(jié)點和瓶頸鏈路上部署認知節(jié)點，在終端用戶上部署效用函數(shù)及評估標準。這樣可以保證關鍵節(jié)點和瓶頸鏈路對具有指定 QoS的數(shù)據(jù)分組進行處理，包括優(yōu)先級校正，按順序轉發(fā)等。

任何一個認識分組均含有代碼段和數(shù)據(jù)段，其中網(wǎng)絡的認知節(jié)點能夠識別認識分組中的代碼段，并觸發(fā)中斷從而執(zhí)行這些代碼。普通網(wǎng)絡節(jié)點忽略了認識分組中的代碼段，將認識分組認為是普通數(shù)據(jù)分組。這種配置要求保證了認知節(jié)點能夠與普通網(wǎng)絡節(jié)點共存和互操作，從而可以在保證用戶QoS的同時，改善網(wǎng)絡節(jié)點對數(shù)據(jù)流的主動處理能力，提高傳輸性能。

3 QoS動態(tài)自配置算法

QoS動態(tài)自配置算法包括3部分：第1部分屬于終端用戶數(shù)據(jù)分組的封裝與發(fā)送，是形成認識分組的過程；第2部分為認識分組經(jīng)過網(wǎng)絡的認知節(jié)點而觸發(fā)中斷的過程，主要包括：用戶QoS優(yōu)先級的校正和認識分組的轉發(fā)；第3部分是服務提供者獲得用戶數(shù)據(jù)分組中的效用函數(shù)，并封裝到服務數(shù)據(jù)分組中以形成新的認識分組。如圖2～4所示。

圖 2 算法 1∶ Configure_User_Package

圖 3 算法 2∶ Dynamic_Configure_QoS

圖 4 算法 3∶ Configure_Service_Package

算法1～3使各個模塊共同作用，首先對每一個服務水平空間Si和需求空間Di計算資源分配R*；然后對R*中每一種資源分配Ri計算出效用函數(shù)值；然后根據(jù)效用函數(shù)值對每個終端用戶的服務請求分配優(yōu)先權P；最后根據(jù)優(yōu)先權級別對服務請求數(shù)據(jù)分組進行排序，以此作為在網(wǎng)絡中優(yōu)先轉發(fā)和獲得優(yōu)先服務的根據(jù)。服務請求數(shù)據(jù)分組和服務數(shù)據(jù)分組在轉發(fā)過程中，將會通過中斷機制對優(yōu)先級進行修正，以保證具有低分組丟失、高優(yōu)先級的數(shù)據(jù)流順利通過網(wǎng)絡。

本文提出的QoS動態(tài)自配置算法相對于已有算法的改進在于采用效用函數(shù)計算用戶QoS的優(yōu)先級，不僅保證能夠獲得期望的QoS水平，還保證用戶數(shù)據(jù)分組在網(wǎng)絡節(jié)點上能按優(yōu)先級轉發(fā)，防止因網(wǎng)絡堵塞等原因造成的用戶 QoS水平下降。同時考慮了網(wǎng)絡狀態(tài)，采用中斷機制和優(yōu)先級修正策略保證具有低分組丟失率、高優(yōu)先級的數(shù)據(jù)流順利通過網(wǎng)絡。

4 仿真結果與分析

首先結合具體實驗環(huán)境對上述各式和算法進行具體化。一方面，由于應用環(huán)境的任務目標具有針對性和特定性，如認知網(wǎng)絡中實驗敏感型數(shù)據(jù)流占據(jù)80%以上，因此時延指標占有絕對性的權重優(yōu)勢；另一方面，考慮到求解的復雜性，現(xiàn)有研究內(nèi)容通常采用單值形式對Ui，Si，Di進行描述[14]。本文延用這個結論，對服務質量Ui進行化簡：

式(9)中，Ui(Si, δi)由應用環(huán)境的水平和優(yōu)先級修正因子來確定。

因為2.2節(jié)中以時延單一變量作為系統(tǒng)的優(yōu)化目標，且 Si中的Ci由系統(tǒng)唯一確定，也可以省略，因此可以把Si用平均響應時間來替代。在只考慮時延的條件下對于Ui的選取，可以歸結為對函數(shù)族Γ(x)中各參數(shù)的選取[15]，函數(shù)族Γ(x)的表達式如下：

通過其中參數(shù)的選取，使得在響應時間較短時具有較高的效用值，而當接近某一臨界點時，效用值劇減，最后接近于0。本文把Ui的值域定義為(0,1)區(qū)間，令β的取值可令Ui能出現(xiàn)在0～1之間變化的條件，γ值使得效用值符合臨界點跳變的現(xiàn)象，α根據(jù)仿真實驗統(tǒng)計獲得。自變量平均響應時間與因變量Ui的函數(shù)關系如圖5所示。

圖5 響應時間與效用值的關系

4.1 仿真環(huán)境及過程

在服務提供方和接收方處理能力一定的前提下，用戶獲得的服務水平通常受網(wǎng)絡傳輸狀態(tài)尤其是瓶頸鏈路的影響。因此本實驗主要考慮瓶頸鏈路的問題而忽略非瓶頸鏈路的影響。本文采用開源網(wǎng)絡仿真工具NS2搭建如圖6所示的拓撲結構，其中節(jié)點C1和C2是部署在網(wǎng)絡瓶頸鏈路上的認知節(jié)點，其帶寬是10Mbit/s，其他鏈路帶寬為100Mbit/s；節(jié)點S1、S2、S3和S4是服務提供方，節(jié)點S是服務的匯聚節(jié)點和分配節(jié)點；節(jié)點U1、U2、…、U20為服務請求節(jié)點也是服務接收方，節(jié)點U為服務請求的匯聚節(jié)點和分配節(jié)點，負責封裝用戶QoS的優(yōu)先級與中斷服務程序；節(jié)點 U'、U'子節(jié)點、U''及 U''子節(jié)點均為網(wǎng)絡上的普通節(jié)點，傳輸?shù)臄?shù)據(jù)分組也是普通數(shù)據(jù)分組，主要用途是對具有優(yōu)先級的服務請求和服務進行干擾，從而驗證本文所提出方法的有效性。

圖6 模擬拓撲圖

實驗使用高質量視頻傳輸?shù)碾娨晹?shù)據(jù)流作為節(jié)點S到U1、U2、…、U20數(shù)據(jù)流樣本。如果忽略服務請求的數(shù)據(jù)流，則該電視數(shù)據(jù)流是一種單項的 VBR流，因此將模擬其為time-sensitive類型的流量。實驗中，U '的子節(jié)點為sink節(jié)點，U''的子節(jié)點為FTP source節(jié)點，將其間的數(shù)據(jù)流模擬為non time-sensitive類型的流量，這2種類型的流量均通過數(shù)據(jù)流發(fā)生器產(chǎn)生。節(jié)點的優(yōu)先級初始化為，但是節(jié)點U5和U6不允許分組丟失，且U5的丟失分組優(yōu)先級低于 U6。也就是在瓶頸鏈路發(fā)生堵塞時，節(jié)點的優(yōu)先級通過中斷服務程序校正為：仿真實驗中涉及的其他主要參數(shù)：5～40s時，節(jié)點服務請求發(fā)送速率為0.2Mbit/s，節(jié)點的發(fā)送速率為 1Mbit/s；25～40s時，節(jié)點的發(fā)送速率為 0.23Mbit/s，的發(fā)送速率為0.23Mbit/s。

為了便于結果的比較，在仿真環(huán)境中部署了 2種類型的隊列：DiffServ模式下的CBQ (class-based queue)和中斷模式下的 PQ(priority queue)，其中CBQ被用來表示不同DiffServ類別間的帶寬劃分和共享，PQ模式采用本文提出的QoS優(yōu)先級動態(tài)自配置方法。

4.2 結果分析

圖7給出了DiffServ和PQ 2種模式下瓶頸鏈路的帶寬占用對比情況：一種是只有DiffServ模式，沒有中斷機制，另一種是PQ模式，具有中斷機制。兩者在整個模擬過程中占用的帶寬幾乎一致，但本文所提出的方法帶寬占用率略高于DiffServ方法，原因是在用戶的服務請求分組內(nèi)封裝了少量代碼。其中前5s沒有做任何的連接請求，5～40s發(fā)起服務請求并獲得服務，25～40s加入U'到U''得數(shù)據(jù)傳輸，造成帶寬使用達到上界，并有丟失分組現(xiàn)象發(fā)生。

圖7 帶寬占用情況對比

實驗中，采用傳統(tǒng)數(shù)據(jù)分組中的8bit區(qū)分服務標志比特來表示是認知分組還是普通數(shù)據(jù)分組，并以此代替對IP數(shù)據(jù)分組結構的修改。考慮到實際環(huán)境中，數(shù)據(jù)分組所經(jīng)過的網(wǎng)絡節(jié)點是未知的，不能保證所有節(jié)點均能對包含的代碼進行識別和執(zhí)行，所以，實驗對認知網(wǎng)絡中的代碼部分進行了簡化處理，其中僅用2byte的數(shù)據(jù)來指明優(yōu)先級和效用值，而不包括執(zhí)行代碼。為了對2種模式下帶寬占用情況進行對比，實驗采用Cpd進行帶寬比較計算，其中Pt代表t時刻PQ模式所占據(jù)的帶寬大小，Dt代表t時刻DiffServ模式所占據(jù)的帶寬大小，T表示觀察區(qū)間[0，45]。經(jīng)計算，PQ模式帶寬占用率比DiffServ約高1.03%。

以式(12)作為衡量用戶滿意度的標準，其中 Ei表示用戶期望獲得服務的時間，Ai代表用戶i實際獲得服務的時間，Pi代表用戶 i的優(yōu)先級。2種模式下的用戶滿意度對比如圖8所示。

圖8 用戶滿意度對比情況

由于本文所提出的方法充分考慮了網(wǎng)絡傳輸情況，當發(fā)生堵塞導致數(shù)據(jù)流丟失分組時，優(yōu)先考慮丟失分組級別情況。在25～40s時的認知分組引發(fā)中斷，認知節(jié)點將重新計算數(shù)據(jù)流優(yōu)先級，所以在發(fā)生鏈路堵塞時能夠有效地保持或小幅度地降低用戶滿意度，但仍比 DiffServ下的用戶滿意度高10%左右，其他時段兩者的滿意度基本一致。雖然DiffServ模式也可以通過優(yōu)先級來保證數(shù)據(jù)流的順利轉發(fā)，但是DiffServ對數(shù)據(jù)流的分類模式是靜態(tài)的，不能根據(jù)用戶QoS的變化進行動態(tài)調(diào)整。

為了進一步測試用戶滿意度情況，實驗中對以下3種情況進行對比分析。

1) PQ1模式：只有瓶頸鏈路C1和C2為認知節(jié)點；

2) PQ2模式：所有非終端網(wǎng)絡節(jié)點為認知節(jié)點；

3) BE(best efforts)模式：所有網(wǎng)絡節(jié)點為普通節(jié)點，采用最為常見的BE模式提供服務。

實驗結果如圖9所示。PQ1模式下比其他2種模式下的用戶滿意度均有不錯的性能提升；當網(wǎng)絡系統(tǒng)中不存在擁塞現(xiàn)象時，PQ2模式比BE模式的用戶滿意度略高一些，然而當網(wǎng)絡中發(fā)生擁塞現(xiàn)象時，PQ2的用戶滿意度下降很快，甚至低于BE模式。在PQ1模式下對用戶QoS優(yōu)先級調(diào)整計算的節(jié)點只是網(wǎng)絡系統(tǒng)中的瓶頸鏈路節(jié)點，而其他節(jié)點不參與計算，不會引起網(wǎng)絡狀態(tài)惡化；在 PQ2模式下，由于所有非終端節(jié)點均為認知節(jié)點，這些節(jié)點都會以中斷方式參與用戶 QoS優(yōu)先級的調(diào)整計算，致使網(wǎng)絡系統(tǒng)平均時延增大，發(fā)生擁塞和丟失分組的概率相應增加，網(wǎng)絡整體性能隨之下降，因而導致用戶滿意度的下降，甚至低于BE模式下的用戶滿意度。

圖9 2種模式下用戶滿意度對比情況

由以上分析可以得出如下結論：

1) 所有網(wǎng)絡節(jié)點參與計算并不一定能提高用戶對網(wǎng)絡服務的滿意度，必須在參與計算節(jié)點數(shù)量、位置與系統(tǒng)性能之間取得平衡，也就是效用最大化；

2) 在瓶頸鏈路部署認知節(jié)點可以有效提高用戶滿意度。由于PQ是一種基于現(xiàn)有資源的QoS等級劃分，在實際的數(shù)據(jù)分組傳輸過程中，網(wǎng)絡資源是動態(tài)變化的，因此需要根據(jù)網(wǎng)絡資源狀況對QoS等級進行調(diào)整。由于數(shù)據(jù)分組在傳輸過程中會經(jīng)歷大量的網(wǎng)絡節(jié)點和網(wǎng)絡鏈路，如果QoS等級的動態(tài)調(diào)整太頻繁，將會造成網(wǎng)絡性能下降，因此在瓶頸鏈路上部署認知節(jié)點是合理的。

5 結束語

本文提出了一種面向認知網(wǎng)絡的用戶 QoS動態(tài)自配置方法，充分考慮了下一代網(wǎng)絡的認知特性，通過效用函數(shù)將用戶QoS進行表示和優(yōu)先級區(qū)分，并采用中斷策略對用戶QoS優(yōu)先級進行動態(tài)修正，從而解決了網(wǎng)絡阻塞狀態(tài)下對用戶QoS支持不足的問題，使網(wǎng)絡用戶群體在當前網(wǎng)絡條件下感知最優(yōu)的服務質量。本文所提出的方法亦可以部署在現(xiàn)行網(wǎng)絡中，改善對用戶QoS等級判定不準確的問題，從而有效地提高用戶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]. Eski?ehir, 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] 林闖, 王元卓, 任豐原. 新一代網(wǎng)絡QoS研究. 計算機學報, 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.