保证无线异构网络端到端QoS需求,同时兼容现有网络业务和未来需求,是下一代网络的一个研究热点。QoS映射是保证异构网络端到端QoS的有效方法。该文提出一种基于聚集流的QoS映射方法(QoS Mapping Technology based on Flow Aggregate,QMT-FA),该方法在现有物理网络上建立虚拟的流处理层,在流处理层,原网络中的QoS参数被映射执行器透明封装,映射执行器根据网络情况决定是原样转发还是解聚集。通过建立基于高维的聚集流映射空间,屏蔽了多级网络间映射累积误差影响终端网络QoS指标,保证了异构网络端到端QoS;基于聚集流的QoS映射方法具有较好的可扩展性和伸缩性,能应用于现有的各种异构网络系统和应用业务。最后,通过数值和仿真分析验证了该方法的有效性。
准确、高效的业务流识别与分类是保障多媒体通信端到端QoS(Quality of Service)、执行相关网络操作的前提。但多媒体通信业务构成复杂、具有较严格的QoS约束,且在包/流水平统计特征多样性,业务统计特征有效选取直接关系到识别和分类方法的有效性。在介绍相关研究成果的基础上,文中从业务特征角度对现有技术进行分类,进而对比各类方法的性能,同时在探讨当前业务流识别方法存在对新业务识别准确度不高、实时性不足等问题的基础上,结合跨域QoS类映射弹性需求的特点,给出跨域QoS类映射中多媒体业务识别架构。整个架构的目标是准确、高效地识别多媒体流,为聚集流的形成做好前期准备,为保障高效的端到端QoS提供技术支撑。最后,总结了发展趋势和面临的挑战。
多媒体业务在异构网络传输过程中,由于现有的QoS(Quality of Service)类映射方法存在灵活性不足的问题,从而降低了系统端到端效能。针对这个问题,该文在深入分析当前的QoS类映射方法基础上,结合用户QoE(Quality of Experience)特点,借助于网络微积分理论,构建了QoS类映射的数学分析模型,并进行了理论分析。基于该数学分析模型,该文从用户QoE角度提出了具有弹性的QoS类映射方法(Elastic QoS Class Mapping Method,EQCMM),该方法根据当前网络资源的使用情况,通过灵活地调整QoS类映射,充分利用网络现有资源,提高了端到端带宽资源的利用率,改善了系统端到端的效能。最后,通过仿真验证了该方法的有效性。
