搜索
第32卷第6期电子与信息学报Vol.32No.62010年6月JournalofElectronics&InformationTechnologyJun.2010一种基于QoS的QoE到SLA映射方法倪萍廖建新朱晓民万里(北京邮电大学网络与交换技术国家重点实验室北京100876)(东信北邮信息技术有限公司北京100083)摘要：该文提出一种算法IQoE2QoS(ImprovedQoEtoQoS)，采用模糊理论的方法计算QoE到QoS的映射。该算法有3重目标：从大量的经验数据中通过计算互信息量方式总结被统计指标之间的关联程度。在大量经验数据的基础上通过多指标模糊判定理论将用户感知映射到应用层用户QoS参数。考虑了用户的QoE和QoS的双向映射，并且阐述了得到的QoE如何自然映射到SLA(ServiceLevelAgreement)。通过仿真表明，IQoE2QoS算法对用户体验的分类准确度是线性回归算法的2到3倍。关键词：网络管理；用户感知；服务质量；机器学习；模糊理论；业务等级协商中图分类号：TP393.07文献标识码：A文章编号：1009-5896(2010)06-1463-06DOI:10.3724/SP.J.1146.2008.01486AMethodofQoEmappedtoSLABasedonQoSNiPingLiaoJian-xinZhuXiao-minWanLi(StateKeyLaboratoryofNetworkingandSwitchingTechnology,BeijingUniversityofPostsandTelecommunications,Beijing100876,China)(EBUPTInformationTechnologyCo.,Ltd,Beijing100083,China)Abstract:InthispaperanalgorithmcalledIQoE2QoS(ImprovedQoEtoQoS)ispresented.ThisalgorithmfocusonQoEhowtomaptoQoSbasedonfuzzytheory.IQoE2QoSpresentedhasthreetargets:itcangivetheassociationdegreeamongindicationsthroughcalculatingtheentropyinlargedatasets.ItspurposeistotranslateuserperceptionacquiredfromlargeexperiencedatasetsintopiecesofmetricswhichcanbeusedinlowerlevelQoS.Inthispaper,apropositionnotonlyillustratingthemappingbetweenQoEandQoSbutalsothemappingbetweenQoEandSLAisproposed.EmulationshowsthatIQoE2QoScanimproveclassificationaccuracytwotothreetimesthanlineregressionalgorithm.Keywords:Networkmanagemeut;QualityofExperience(QoE);QualityofService(QoS);Machinelearning;Fuzzytheory;Servicelevelagreement1引言在目前的大多数反映用户体验的研究集中在物理层、节点层、网络层以及端到端之间的两两映射，应用层和用户层的映射较少[1]。例如在文献[2]中是从ATM层到IP层映射的讨论。文献[3]中对业务的KPI(KeyPerformanceIndicator)到KQI(KeyQualityIndicator)的映射进行了研究，但是其指标之间的关联性设定靠高级专家经验值设定，然后利用AHP(AnalyticHierarchyProcess)算法计算其置信度以验证经验值的可信度。文献[4]利用传感器网2008-11-14收到，2010-04-15改回国家杰出青年科学基金(60525110)，国家973计划项目(2007CB307100，2007CB307103)，新世纪优秀人才支持计划(NCET-04-0111)和电子信息产业发展基金资助课题通信作者：倪萍niping@ebupt.com络得到用户的QoE和底层网络指标参数，然后利用粗糙集理论进行映射，同本文所提算法具有很高的相似性，但是在文献[4]中并没有考虑到如何在QoE的基础上映射到SLA(ServiceLevelAgreement)，因为在映射到SLA时需要解决知识爆炸问题和对未知知识进行预先归类的能力。在文献[5]中展示了从网络层到传输层QoS参数映射方法，文献[6]中主要是对应用层QoS参数到网络层QoS的参数映射，阐述了具体应用对网络层QoS参数值的需求，但是没有考虑到用户的感知参数，即QoE(QualityofExperience)。文献[7,8]中对用户业务的感知进行了讨论，通过实验阐述了应用层同用户层的关系，但是没有给出用户层QoS指标所对应的用户感知映射算法。文献[9]中研究了QoE和QoS的关联模型，给出了他们之间的关系模型，但是仅仅是关系模型，1464电子与信息学报第32卷并没有给出QoE和QoS之间确定的模式关系。文献[10]研究了端到端之间通过叠加网络布局优化的方式来提高用户的QoE，但是并没有用户的参与来说明用户的使用感受得到高的满意度，只是证明了网络性能的提高。另一类研究集中在心理学领域，并且提出了一些心理学测量方法来估计用户的QoE[11]，文献[12]提出对用户层的QoE进行心理学方法测试，并且利用多元回归分析[13]的方法将应用层参数映射到用户层参数，但是预测准确度较低，这由本文的实验对比结果可知。文献[14]主要强调的是通过同用户协商的方式确定网络服务质量同用户感知之间的映射，因为其定义有一定模糊性，很难清楚定义出不同用户享受的等级服务范围。文献[15]定义了不同业务的不同网络指标的范围值，但是只是孤立的指标范围值，没有考虑指标之间的关联约束条件。文献[16,17]描述了SLA的协商流程，但是并没有给出这个SLA是如何同用户协商的，只研究了服务器之间的协商和映射关系。文献[18]提出了一种’see-what-I-see’的测试方法，然后评估系统丢包率，延迟等参数同视频质量的关系，但是只是一种简单的评估，没有对整个数据集进行进一步的分析以得到丢包率、延迟同用户QoE的关系。本文利用已知学习集计算经验指标范围值之间的相关性，同时对于QoE本身的模糊性采用模糊理论通过有监督学习的方式将应用层需要的QoS映射到用户层的QoE，利用解模糊化重新将QoE映射回应用层QoS，从而实现双向映射，本文在进行QoE到QoS映射时考虑了QoE到SLA之间的自然过度映射，为用户提供了具有强说服力、高可信度、易理解的SLA模式。结构图如图1所示。本文集中于图1中QoE层和应用层QoS之间的映射研究并且在这个基础上如何自然映射到SLA。在图1中，QoE和应用层QoS之间实现了双层映射，然后会由应用层将QoS参数向下传递，以便下层实现，在应用层QoS参数向下映射后通常由可区分服务[19,20]的方式保证参数的实现，QoE到SLA的映射图1QoS,QoE,SLA关系图主要在OoS到QoE的映射基础上完成。本文利用世纪前线()的测试直通车进行测试以便说明本文的IQoE2QoS算法，在世纪前线直通车中定义了如表1所示网络状况应用层指标。表1用户感知指标定义试连次数(try)延迟(delay)丢包率(loss)用户满意度(S)注：表中用户满意度为类别标志(try,delay,loss)，即为相应用户满意度的指标集合。2IQoE2QoS算法在IQoE2QoS算法中，首先需要计算各个指标之间的关联度，通常来说用户满意度对某个指标的变化越敏感越代表此指标对用户满意度的分类越重要，即相对于其他指标权重越大。本文利用信息论中的互信息量来计算单个指标同用户满意度的互信息量，互信息量越高代表用户满意度分类对本指标的值变化越不敏感[21]，即本指标相对其他指标的权重越小。2.1指标权重计算指标关联度计算的主要目的是计算出相应指标对于分类来说所携带的信息量。即哪些指标对于分类信息来说信息熵较大。这里指标权重计算主要是为2.3节中的未知模式分类和模糊判定理论的应用做准备。设在某类服务中指标集为12{,,,III=}mI，对于数值连续性指标进行离散化。对于每个指标iI的属性取值离散化后得到语言参数集合12{,,,}iiiinIaaa=则根据文献[22]计算平均互信息量如式(1)所示。(,)()(|)iiISIHSHSI=−(1)(,)iISI表示iI所能提供的对于分类信息S的信息量大小，(|)iHSI指在指标iI下，对分类存在的不确定性，即相对于用户满意度指标S的不确定性。根据式(1)可以得到(,)iISI，归一化后得到指标权重为12(,)(,)(,)(,)iinISIwISIISIISI=+++。本文采用MOS(MeanOpinionScore)[22]对用户感知质量进行评价。结合世纪前线()的测试直通车进行测试。对测试数据以50ms为周期、以0.05为单元统计MOS值的分布情况，作出折线图如图2，图3，图4所示。从图2中可以看出，在0到200ms之间大多数第6期倪萍等：一种基于QoS的QoE到SLA映射方法1465图2延迟数据统计图图3丢包率统计图图4试连次数统计图满足MOS=5的满意度，200到500ms之间的MOS=4，MOS=3，MOS=2没有较明确的数值量化变化值，在500ms以后，MOS值明显下降，根据图2的延迟数据统计将延迟分为3级，如式(3)所示。对单个指标根据图2，图3，图4得到经验离散化如式(2)-式(4)所示。同时本文在仿真部分对try,delay,loss所得到的统计经验分类点进行了重新划分，并且得到了不同的准确度对比曲线，从而确定这里定义的统计分界点的可信度。1,0try3try2,3try53,5try⎧⎪≤≤⎪⎪⎪⎪=≤⎨⎪⎪⎪⎪⎪⎩(2)1,0delay200delay2,200delay5003,delay500⎧⎪≤⎪⎪⎪⎪=≤⎨⎪⎪⎪⎪⎪⎩(3)1,0loss10%loss2,10%loss40%3,loss40%⎧⎪≤≤⎪⎪⎪⎪=≤⎨⎪⎪⎪⎪⎪⎩(4)式中，用1，2，3代表不同指标不同范围的好坏程度，则三元组(try,delay,loss)的组合方式为3×3×3＝27种方式，2.2多指标模糊判定理论的应用利用表1的指标，根据式(2)-式(4)进行相关矩阵的构建，在上面的例子中因为每个指标有3种离散化值，所以构建的矩阵个数为应为3×3×3=27个，覆盖所有的指标组合。这里标号矩阵1到27，其中矩阵元素是在学习集中某个指标某个范围内属于某类别的统计个数。对每个指标组合构建模糊映射，设指标组合：(try,delay,loss)iii为第i个离散化后指标组合，则在各类别中包含tryi的个数表示如下：12345try{try,try,try,try,try}iiiiii=，其中tryij表示单因素tryi属于类j的个数，归一化表示为1tryi112345trytrytrytrytrytryiiiiii=++++，同理可得其他归一化结果，生成模糊映射矩阵如表2所示。表2模糊矩阵表类别指标12345tryi1tryi2tryi3tryi4tryi5tryidelayi1delayi2delayi3delayi4delayi5delayilossi1lossi2lossi3lossi4lossi5l