CC BY
12MEANS OF COMMUNICATION EQUIPMENT. Iss. 3 (143). 2018
Н. В. Васильев
кандидат технических наук
О. В. Забродин А. И. Яшин
доктор технических наук ПАО «Интелтех»
АВТОМАТИЗИРОВАННЫЙ ПРОГРАММНЫЙ КОМПЛЕКС ОЦЕНКИ КАЧЕСТВА ОБСЛУЖИВАНИЯ В ТЕЛЕКОММУНИКАЦИОННОЙ СЕТИ
АННОТАЦИЯ. Предложенный в статье автоматизированный программный комплекс оценки качества обслуживания отличается использованием в процессе принятия решения о состоянии ^-соединения вектора измеренных односторонних задержек и основан на статистическом моделировании характера поведения односторонних задержек в каждом из состояний. Определение текущего состояния соединения, соответствующего субъективному восприятию качества связи оператором осуществляется на основе байесовской классификации измеренного вектора односторонних задержек по классификатору, в котором каждый класс представлен своим распределением вероятностей с устанавливаемым набором параметров.
КЛЮЧЕВЫЕ СЛОВА: статистическое моделирование, управление качеством.
Введение
В последние несколько лет в телекоммуникационном мире произошла очередная революция, связанная с коммерческим выходом сетей с коммутацией пакетов на рынок, как классических услуг связи, так и мультимедийных. Требования к доставке информации (пакетов) через сеть для этих услуг существенно отличаются от требований, предъявляемых обычными услугами передачи данных. Как следствие, возникает необходимость обеспечения качества передачи информации, т. е. предоставление гарантий передачи информации с требуемыми параметрами качества обслуживания. Для оценки качества обслуживания используются субъективные и объективные оценки. Примером субъективных оценок может служить MOS (Mean Opinion Score — усредненная субъективная оценка). К числу объективных оценок относят одностороннюю задержку, вариацию задержки (джиттер) и ширину полосы пропускания. Для объективных оценок принята шкала классов обслуживания, однако
использовать ее в автоматизированных системах мониторинга не представляется возможным в связи со сложным поведением данных характеристик, требующих принятие решения не по единичному значению, а на основе вектора измерений. Указанное противоречие делает актуальной задачу отображения набора объективных характеристик качества обслуживания в субъективное восприятие пользователем качества связи. В работе описана попытка создания комплекса, позволяющего автоматизировать задачу субъективной оценки качества обслуживания в телекоммуникационной сети.
Структура и состав программного комплекса
Предложенный в работе программный комплекс (ПК) осуществляет оценку QoS на основе односторонней задержки (OWD — One Way Delay), которая является одним из ключевых показателей, характеризующих качество передачи речевой и видео — информации. Функциональная схема программного комплекса показана на рис. 1.
Рис. 1. Функциональная схема программного комплекса
Методологически, при эксплуатации подсистемы выделяется 2 этапа:
этап обучения классификатора состояния соединения, предполагающий анализ динамики соединения при различных нагрузках и построение модели поведения;
этап контроля состояния, предполагающий использование построенной на первом этапе модели для оценки текущего состояния.
В соответствии с данными этапами в программном комплексе выделяется 2 компонента: компонент анализа обучающих выборок, реализующий первый этап;
компонент контроля состояния соединений. Этап обучения классификатора, реализуется компонентом программным (КП) «Анализ обучающих выборок» и состоит из следующих последовательных шагов:
задание перечня возможных состояний соединения;
создание эталонных обучающих выборок для каждого из состояний (на основе эталонной нагрузки на соединение). Предобработка полученных данных;
построение гистограммы обучающей выборки каждого состояния. Аппроксимация гистограммы на основе ЕМ-алгоритма (определение параметров распределения вероятностей (ПРВ) для каждого состояния);
загрузка ПРВ каждого состояния в базу конфигурации КП «Контроль состояния соединений».
Этап контроля состояния состоит из следующих последовательных шагов:
измерение текущих значений односторонних задержек соединения;
вычисление вероятностей принадлежности измеренных величин каждой из ПРВ, полученных на этапе обучения классификатора состояний;
сравнение полученных вероятностей с заданным пороговым значением. Превышение одной из вероятности означает, что соединение перешло в состояние, описываемое вероятностью;
генерация события в случае изменения состояния соединения.
Рассмотрим данные этапы более подробно.
Этап задания перечня возможных состояний соединения. При задании перечня возможных состояний можно руководствоваться, например, рекомендациями приказа Мининформсвязи РФ от 27.09.2007 № 113.
Создание эталонных обучающих выборок. Для каждой тестовой нагрузки на соединение формируется множество п последовательных значений задержки Y = (уь. .. , уп). Каждое у1 можно представить как выражение:
Уг = X + С (1)
где х1 — задержка маршрутизации, связанная с обработкой пакета в очередях маршрутизаторов, а с — внутренняя задержка, связанная с распространением сигнала в неизменной физической среде.
Последовательность измеренных задержек маршрутизации будем обозначать X. Имея измеренный вектор односторонних задержек Y и внутреннюю задержку с, вектор задержек маршрутизации X можно представить как:
х = (хъ хп) =
= (У1 — С, У2 — с, • .., Уп — с). (2)
МЕАА ОБ СОММИШСАТЮМ Iss. 3 (143). 2018
В качестве внутренней задержки была использована минимальная измеренная односторонняя задержка:
c = тт (у,).
у,. 4
(3)
Этап аппроксимации. Предполагается, что на основе полученных измерений будет построена статистическая модель в виде функции плотности вероятности/(х | 9) распределения значений односторонних задержек (9 — совокупность параметров). В качестве базовых распределений были использованы гамма-распределение, распределение Рэлея и дискретное распределение. Дискретное распределение было использовано в случае, если получаемые непрерывные ПРВ не давали удовлетворительной сходимости по критерию хи-квадрат. Кроме этого, во многих случаях для моделирования наблюдаемых данных не достаточно одного исходного распределения вероятностей. Тогда необходимо предположить, что распределение исходных данных представляет собой линейную суперпозицию различных распределений вероятностей и параметры 9 могут быть восстановлены методом максимизации ожидания (ЕМ-метод).
В алгоритме ЕМ [1] можно выделить шаг ожидания (Е-шаг) и шаг максимизации (М-шаг). Процедура выполняется до тех пор, пока набор параметров смешанной модели или логарифмическая функция правдоподобия, т. е. логарифм вероятности того, что точки данных были сгенерированы смешанной моделью с текущим набором параметров, не будет меньше установленной на входе алгоритма величины, или не будет исчерпано установленное число итераций.
В целом, процедура выглядит следующим образом.
1. Вход. Алгоритм ЕМ принимает в качестве входных аргументов набор точек данных Х= X, х2,. .. , хп) и необходимое для моделирования количество компонентов К.
2. Инициализация. Набор параметров 9к компонентов должен быть инициализирован допустимыми значениями. В качестве оценки параметров, можно использовать значения, вычисленные на основе среднего и дисперсии выборки. Производится также первоначальная оценка логарифмической функции правдоподобия.
3. Е-шаг. Идея Е-шага состоит в том, что на основе промежуточного вектора параметров мо-
дели 9, делается вывод о вероятности принадлежности каждой точки данных к каждому компоненту. Таким образом, этот шаг связан с вычислением вероятности = Р (С = к | х) с помощью теоремы Байеса:
= Р (С = к | х ,) =
Р(С = к)Р(х | С = к) "К :
X Р(С = т)Р(х | С = т)
т=1
ПкР (Х|9к) ,
X ПтР(Х|9т )
т=1
(4)
где Пк — априорная вероятность того, что С = к, а 1гк — соответствующая апостериорная вероятность после наблюдения х .
Иными словами, Чц^ — вероятность того, что измерение х1 было создано компонентом к. Ниже приведены выражения Чк для гамма-распределения и распределения Рэлея, соответственно:
_ = (Х|а к ,вк) .
Чк „к | .
X т=1 Пт° (Х|ат, Рт )
Ч1к ="
ПкК( Уi| У2,ск )
X т=1 Пт^( Уг\у2т,Ст )
(5)
4. М-шаг. На шаге М производится вычисление параметров 9к каждого компонента к на основе полученных на ^-шаге весов Чк. Выражения для гамма-распределения:
а к =
3 - и + (и - 3)2 + 24и 12и
где и а log
Еп
вк =ак=пкЛ—' Х,=1 Чгк х
(ХчкЪ^ Хчк logх
(6)
ХЧк ) ХЧк
Для распределения Рэлея:
Еп 2 ,=1 Ч1к ик
У к =—±п-
2Х,=1 Ч,к
Оценка параметров производится на основе метода максимального правдоподобия, описанного ранее. В качестве функции правдоподобия принимается логарифм Р (X | ):
I (9) = 1п Р (X19) = = Е 1п (Е птР (хг-|9т)
i=1 1т=1
Выражения для гамма-распределения и распределения Рэлея соответственно равны:
I (9) = 1п Р (X19) =
п ( К
= Е1п 1 ЕПmG(X 1« т ,вт ) i=1 =1
I (9) = 1п P (7|9) =
K ( K
= Е 1п {Е^^ Уi\v2m, ^ )
m=1 =1
Результирующее правило обновления для пк идентично для любого типа смешанных моделей и может быть определено как:
1 п N
ч = п Е ** = -п-, (Ю) п i=1 п
где — — ненормализованный вес компонента
п
к: =Е Ък.
i=1
5. Проверка сходимости. После каждой комбинации Е- и М-шагов, производится оценка логарифмической функции правдоподобия I (9). В случае удовлетворения критерия сходимости, возвращается матрица параметров 9 = = (91, 92, ..., 9К) Т, в противном случае выполняются шаги Е и М.
Одним из замечательных свойств этого алгоритма является то, что на каждой итерации увеличивается логарифм функции правдоподобия и, следовательно, качество оценок параметров на каждой итерации. Кроме того, может быть доказано получение алгоритмом ЕМ локального максимума правдоподобия. В этом смысле максимизация ожидания в своем роде схожа с методом градиентного поиска.
Проведенные исследования показали, что однопараметрическое несмещенное распределение Рэлея или гамма-распределение не являются
достаточными для моделирования поведения OWD. Одним из выходов является приближение характеристик групп пакетов (медианы, максимума и минимума) отдельными гамма-распределениями. Поведение OWD наиболее адекватно описывается смешанным гамма-распределением. Удовлетворительные результаты оценки параметров распределения были получены при 100 итерациях алгоритма EM.
Реализация алгоритма
Рассмотрим реализацию описанного алгоритма в компоненте анализа обучающих выборок. Для обеспечения взаимозаменяемости и расширяемости реализация классов распределений вероятностей, используемых в алгоритме, осуществлена с использованием шаблона проектирования стратегия [2]. Он определяет семейство алгоритмов, инкапсулирует каждый из них и делает их взаимозаменяемыми. Стратегия позволяет изменять алгоритмы независимо от клиентов, которые ими пользуются. Базовый интерфейс Distribution определяет семейство классов распределений и требует от каждого класса иметь два метода:
метод вычисление значения плотности распределения вероятностей;
метод вычисления значения функции распределения вероятностей.
Классы, реализующие, ЕМ-алгоритм, также используют шаблон «Стратегия». В классах определены два метода:
восстановление параметров распределений вероятностей по выборке;
вычисление хи-квадрат для проверки соответствия теоретического закона распределения выборочному, полученному в форме гистограммы.
Контроль состояния. Рассмотрим второй этап методики и реализующий его КП «Контроль состояния соединения». Распознавание состояния соединения подразумевает решение задачи классификации полученного вектора измеренных задержек X = (xlv .. , xn), т. е. отнесение его к одному из предопределенных классов Q...Q. Каждый класс производительности Ck характеризуется плотностью распределения вероятностей f (х | k), которая описывает поведение задержки маршрутизации (получены на предыдущем этапе). Пусть C = 1,. .. , M — случайная величина для обозначения класса Ck, генерирующего наблюдаемый тип поведения
MEANS OF COMMUNICATION EQUIPMENT. Iss. 3 (143). 2018
трафика. Пусть X — описывает наблюдаемый тип поведения. Тогда каждый из классов Ck представлен плотностью распределения вероятностей P (XI C = к). Вероятность P ^ = к IX) того, что полученный набор данных X был произведен Ck, называют апостериорной вероятностью Ck. Ее можно определить через теорему Байеса:
P(C = k | X) =
P (X|C = k )P (C = k) P (X)
P (X|C = k )P (C = k) yJiP (x | c=i )P (C=i)'
(11)
где P (X | C = k) — ПРВ класса Ck, P (C = k) является априорной вероятностью появления данных класса Ck, P (X) — вероятность генерации X любым классом.
На основании апостериорных вероятностей P (C = k | X), X должен быть отнесен к одному из классов Ck. Правило принятия решения об отнесении выборки измерений к одному из классов может быть выражено как X ~ Ck ^ k = argmax;- P(C = i | X), т. е. Хпринад-лежит к классу Ck, если апостериорная вероятность P (C = k | X) максимальна.
Исходя из основных функций компонента контроля состояния, в состав были включены следующие модули.
1. Модуль сбора данных, ответственный за получение измерений характеристик соединения (односторонней задержки). Главным элементом этого модуля является диспетчер проверок канала. В процессе функционирования в соответствии с сигналами таймера, диспетчер осуществляет назначение заданий потокам-исполнителям из пула, обеспечивая опрос соединения. Указанные потоки после извлечения перемещаются в пул для исполнения. При выполнении операции опроса поток, в соответствии с заданной спецификацией, осуществляет обращение к объекту-коллектору, обеспечивающему выполнение операции опроса.
2. Модуль хранения данных, ответственный за сохранение полученных измерений в базе данных и предоставление данных другим модулям. Модуль обеспечивает представление собранных данных в виде иерархической структуры. Контейнером верхнего уровня для собираемых данных выступает класс Collection Set. Он содержит список ресурсов, каждый из которых хранит
идентификатор узла, на котором он располагается, идентификаторы адресов конечных точек, между которыми происходит измерение, и хэш-таблицу для хранения результатов мониторинга. Ключом в хэш-таблице является тип группы атрибутов, а значением — имя группы измерений. Подобная структура позволяет, в дальнейшем, производить многопараметрическую оценку качества по нескольким группам измерений (например, включая джиттер и полосу пропускания).
3. Модуль обработки данных, ответственный за классификацию состояния канала связи на основе полученных измерений и генерацию события, соответствующего этому состоянию. Для реализации модуля обработки был использован шаблон проектирования посетитель (Visitor) [2]. Применение данного шаблона хорошо сочетается с древовидным представлением данных измерений задержек. Обработку осуществляет классификатор-посетитель, реализующий интерфейс Collection Set Visitor. Классификатор вычисляет вероятности соответствия полученных значений каждому из возможных состояний соединения. Определение оценки состояния соединения на основе измеренных данных осуществляется при помощи объектов класса Thresholding Visitor (количество объектов равно числу состояний). Thresholding Visitor получает вектор вычисленных вероятностей и осуществляет сравнение их с порогом, заданным в конфигурации. Если соответствующее порогу значение вероятности превысило порог, то определяется, в каком состоянии находился канал связи до этого, и сравнивается с текущим состоянием. В случае, когда произошла смена состояния, происходит генерация события смены состояния с последующей его записью в базу данных.
Испытание программного комплекса
Тестирование компонентов ПК осуществляется на стенде, моделирующем два взаимодействующих узла связи, каждый из которых содержит в своем составе:
граничный маршрутизатор;
пользовательское терминальное оборудование, представленное IP-телефонами;
средства измерения (точки измерений односторонней задержки), агент измерений (осуществляет предобработку и преобразование данных);
средства контроля, представленные автоматизированным комплексом оценки качества обслуживания;
вспомогательные средства (генератор тестовой нагрузки на сеть).
В качестве тестовой нагрузки (для целей обучения и для целей исследования эффективности) был использован генератор нагрузки 1Х1А. Используемые параметры были согласованы с пользовательским восприятием качества голосовой связи (по 1Р-телефону). В процессе ис-
следований деградации качества обслуживания выявлялись в 87 % случаев.
Заключение
В работе была показана и практически реализована возможность оценки качества обслуживания в автоматическом режиме за счет отображения набора объективных характеристик качества обслуживания (односторонней задержки) в субъективное восприятие пользователем качества связи, используемое на стадии обучения.
ЛИТЕРАТУРА
1. Holleczek Peter. Statistical Analysis of IP Delay Measurements as a basis for Network Alert Systems. Proceedings of the 2009 IEEE international conference on Communications (Proceeding ICC'09), IEEE Press Pis-cataway, NJ, USA, 2009, pages 1185-1190.
2. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж.
Приемы объектно-ориентированного проектирования. Паттерны проектирования. СПб., Питер, 2007, 366 с.
