Исследование влияния метода сжатия цифрового видеопотока систем видеонаблюдения на фрактальные свойства передаваемого в сети пакетного трафика Текст научной статьи по специальности «Компьютерные и информационные науки»

ИССЛЕДОВАНИЕ ВЛИЯНИЯ МЕТОДА СЖАТИЯ ЦИФРОВОГО ВИДЕОПОТОКА СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ НА ФРАКТАЛЬНЫЕ СВОЙСТВА ПЕРЕДАВАЕМОГО В СЕТИ ПАКЕТНОГО ТРАФИКА

Мещеряков Михаил Владимирович,

Инженер по планированию и оптимизации подключений корпоративных клиентов ЗАО Самара Телеком, ГК Вымпелком, Самара, Россия, [email protected]

Карташевский Вячеслав Григорьевич,

д.т.н., профессор, декан факультета телекоммуникаций и радиотехники ФГОБУ ВПО ПГУТИ, Самара, Россия, [email protected]

Ключевые слова: видеонаблюдение, система массового обслуживания, трафик, самоподобие, автокорреляционная функция.

Большинство систем охранного телевидения построено на основе сетей передачи данных с IP-маршрутизацией. Прежде чем передавать оцифрованные данные в сеть их подвергают сжатию. Существуют два подхода к сжатию видеокадров -внутрикадровое и межкадровое. Подход используемый в межкадровом сжатии, реализуемый кодеком MPEG-4, приводит к возникновению цикличности изменения параметров трафика на выходе кодека. Цикличность порождает существенные корреляционные связи отсчетов трафика, что в свою очередь указывает на фрактальные свойства трафика, передаваемого в пакетных сетях систем видеонаблюдения. В проведенном эксперименте на сети передачи данных системы видеонаблюдения с помощью программы-анализатора трафика сетей Ethernet -Wireshark, собран трафик. По полученной выборке рассчитана корреляционная функция трафика, рассчитано значение коэффициента Херста. Полученные результаты подтверждают существование фрактальных свойств анализируемого трафика. Проведен анализ вероятностных характеристик последовательностей интервалов времени и длин пакетов с использованием программы EasyFit. На основе анализа зарегистрированных последовательностей интервалов времени между поступлениями пакетов и интервалов времени обработки пакетов получены соответствующие плотности вероятностей рассматриваемых временных интервалов. Плотность вероятностей для интервалов времени между пакетами характеризуется распределением с "тяжелым хвостом". Совокупность проанализированных характеристик трафика (корреляционная функция, показатель Хэрста, плотности вероятностей рассмотренных интервалов времени) показывает, что трафик, порождаемый в системах видеонаблюдения в случае применения кодека MPEG-4, является самоподобным. Наличие выявленных корреляционных свойств трафика не позволяет проводить анализ систем видеонаблюдения методами классической теории массового обслуживания, основанной на постулате независимости рассматриваемых временных интервалов.

Для цитирования:

Мещеряков М.В., Карташевский В.Г. Исследование влияния метода сжатия цифрового видеопотока систем видеонаблюдения на

фрактальные свойства передаваемого в сети пакетного трафика // T-Comm: Телекоммуникации и транспорт. - 2015. - Том 9. - №10.

- С. 17-21.

For citation:

Meshcheryakov M.V., Kartashevskii V.G. Study of the method compressed digital video streams of video surveillance systems on the fractal

properties transferred in the network packet traffic. T-Comm. 2015. Vol 9. No.10, рр. 17-21. (in Russian).

Введение

Важным показателем функционирования оборудования в сетях пакетной передачи данных является скорость обработки (максимальная задержка, джиттер и другие характеристики). Для увеличения пропускной способности сетевого оборудования мало увеличить быстродействие исполнительной электроники, следующим и не менее важным этапом в работе над оптимизацией процесса обработки передаваемого трафика, является оценка его вероятностных характеристик и их учет в системе обработки пакетного трафика.

Исследования различных типов сетевого трафика за последние полтора десятка лет доказывают, что сетевой трафик является самоподобным (self-similar) или фрактальным (fractal) по своей природе [I]. «Самоподобие» представляет собой свойство процесса сохранять свое поведение и внешние признаки при рассмотрении в разном масштабе. Из этого следует, что используемые методы моделирования и расчета сетевых систем, основанные на использовании пуассоновских потоков, не дают полной и точной картины происходящего в сети.

Постановка задачи

В системах IP видеонаблюдения (СВН) наиболее популярным при сжатии видеопотока является кодек MPEG-4. Он предполагает изначальную передачу в сеть опорного (полного), а затем разностных кадров [4]. Так как расположенные рядом кадры незначительно отличаются друг от друга (поскольку движение является непрерывным), для защиты от ошибок передачи передают полный (опорный) кадр через фиксированное число промежуточных. [2] Это приводит к существованию значительной корреляции всего потока кадров.

Формально через показатель Хэрста установлена зависимость самоподобия потока данных от его корреляционных свойств [3]. Таким образом, при анализе трафика в СВН, используя классические методы теории массового обслуживания (ТМО), важно учитывать данный факт.

Необходимо практически оценить самоподобие потока пакетов, передаваемых от IP камеры к видеосерверу, математически описать полученные данные, а также на основании полученных результатов, выбрать теоретические инструменты дальнейшего анализа.

Постановка эксперимента

Рассмотрим СВН в составе:

1. Активные элементы:

• Цифровая IP-видеокамера

• Сервер хранения и обработки видеотрафика

2. Пассивные элементы:

• Линия передачи данных (UTP cat. 5е)

Основными показателями, характеризующими входной

трафик являются:

• длина передаваемого пакета

• временной интервал между пакетами, поступающими на сетевое устройство

Представим видеосервер как систему массового обслуживания (СМО), тогда для полного описания СМО

(рис. I) с ожиданием, необходимо указать вероятностные процессы, описывающие входящий поток требований, работу обслуживающего прибора и дисциплину обслуживания [3].

ВХОКОК поток

Очередь

Выборка на обспуж иван ке

-0

Рис. I, Система массового обслуживания с ожиданием

Входящий поток требований описывается распределением вероятностей промежутков времени между соседними требованиями. Время обслуживания одного пакета прямо пропорционально длине пакета. Исходя из этого, распределение вероятностей необходимого времени обслуживания входного потока совпадает с распределением вероятностей длины поступающих пакетов. Дисциплина обслуживания очереди для видеосервера в системах 1Р-видеонаблюдения - «первым пришел, первым ушел» -FIFO.

Для проведения эксперимента использовалось следующее оборудование (рис. 2):

1. Цифровая ¡р-видеокамера Edimax 1С-3010

2. ПК с сетевой картой Realtek RTL8168/81II выполняющий функции видеосервера

-Ethernet-

lP-Видеосервер IP-видеокамера

Рис. 2. Физическая схема проведения эксперимента

Предустановлены параметры IP видеокамеры:

• Разрешение 1280x1024 рх

• Кодек сжатия: MPEG-4

• Тип битрейт: Variable Bit Rate (VBR)

• Протокол передачи: TCP

Используемое программное обеспечение:

1. IPCam Surveillance Software - ПО для просмотра и обработки видеопотока

2. Wireshark Network Protocol Analyzer - программа-анализатор трафика для сетей Ethernet [3].

Сбор статистических данных

IP видеокамера осуществляет фиксацию снимаемого изображения матрицей, оцифровку в блоке АЦП, сжатие кодеком MPEG-4, упаковку цифрового потока в пакеты с помощью встроенного web-cepeepa, и передачу пакетов в сеть протоколом TCP.

На приемной стороне пакеты поступают на сетевой контроллер видеосервера (ПК), Для сборки пакетов использовалось ПО Wireshark. Wireshark копирует все пакеты поступающие на сетевую карту (рис. 3). Чтобы получить пакеты, идущие только от IP-камеры в направлении ПК, использовалась комбинация фильтров пакетов Беркли по полю адреса источника и получателя (ip.src == "адрес источника" and ip.dst == "адрес получателя") [5],

Пр

камера

Входной виде о поток

- w

Кодек ¡Выходной поток (Ц.^) MPEG-4 (пакеты)

IP аидеосервер

Устронсгво обрабопл и хранения

ГСетевон I кокгролпер ч-

Блок мониторинга

Wireshaik

Рис. 3. Логическая схема проведения эксперимента

Для анализа статистических свойств эксперимента использовалось порядка 100 ООО пакетов. Фиксируя отметки времени моментов поступления пакетов (tic) на вход сетевой карты, можно вычислить промежутки времени между поступлениями соседних пакетов: г, =tk -it ,

Информация о длине каждого пакета регистрируется непосредственно ПО Wireshark.

На основании полученных данных были рассчитаны значения коэффициентов автокорреляции на отрезке от О до 100 лагов для временных отрезков (/ ) и длин пакетов

[lt) по формуле:

и ___

У Í -Vr - .V, )<A-[ t --Yt+I )

Yi'it+i

где

_ Vv. _ У,,

к , "к* п-к

А =1,2.....100.

п-к

j

0,9 0,8 0,7 0.6

0,5 0,4 0,3

о, г 0,1 о

гМ

1/1 fll "t

V is n а щ u

Рис. 4. Значение коэффициентов автокорреляции для временных интервалов и длин пакетов

Для проверки корректности сделанных предположений были рассчитаны значения коэффициента автокорреляции по формуле, которая собственно и определяет свойства самоподобия анализируемого процесса:

где // - показатель Херста.

Значения показателя Хэрста были получены методом анализа RIS - статистики и составили соответственно для последовательности tk /7 = 0,52 и для последовательности ik - // = 0,79

Сравнение «теоретического» и «экспериментального» коэффициентов корреляции для представлено на

рис. 5. Данное сравнение подтверждает наличие самоподобных свойств у рассматриваемой последовательности.

i

0.9 0.S 0,7 0.6 0.S 0,4 0,3 0.2 0.1

Г&)

Графики коэффициентов корреляции представлены на рис. 4. На основе визуального рассмотрения графиков, вследствие медленного убывания корреляции (особенно для верхнего графика), можно предположить наличие самоподобных свойств у анализируемых случайных величин.

Й® И i

В <л Ol

Рис. 5. Сравнение значений автокорреляционной функции

Для анализа вероятностных характеристик последовательностей интервалов времени и длин пакетов было использовано ПО Easy Fit, позволяющее согласно критерию согласия Колмогорова - Смирнова [6] подобрать теоретическую функцию распределения для построенных гистограмм. При анализе последовательности временных интервалов для плотности вероятностей было получено распределение Парето (рис. 6). ар"

Ах) =

с параметрами

0 < X < +00

а = 0.25746 Р = 9,5507 ■ 10

Аналитическая функция плотности вероятностей длин пакетов (/,) имеет вид Бета-распределения (рис. 7):

_J__(x-0)"'>-.vf

В(£г„аг) [b-af^

где

В(«,,а2)= Jf*' ' dl,

Ö, =0,12578, a, = 0,02129. a — 51,64, Л = 1514,0.

DLfU О.И 0.12 CI, 14

I

I Эшкрщгжмтые 1шк-Pteifi 1

Ш.М 0,32 ii.OS

Рис. 6. Аппроксимации статистических данных временных интервалов ) аналитической функцией

Рис, 7. Аппроксимации статистических данных длин пакетов (Ц;) аналитической функцией Дх)

Для упрощения анализа СМО общего вида вместо Бета-распределения целесообразно использовать распределение смеси, основанное на разбиении анализируемой гистограммы на отдельные участки с последующим весовым суммированием локальных распределений.

Заключение

В ходе проведения эксперимента получены статистические характеристики трафика, передаваемого в СВН. На основе анализа зарегистрированных последовательностей интервалов времени между поступлениями пакетов и интервалов времени обработки пакетов {расчет коэффициентов корреляции, анализ показателя Хэрста, построение плотностей вероятностей) показано, что трафик, порождаемый в СВН в случае применения кодека МРЕС-4, является самоподобным.

Наличие выявленных корреляционных свойств трафика не позволяет проводить анализ СВН как классической СМО общего вида. Дальнейший анализ СМО требует обязательного учета корреляционных свойств обрабатываемого трафика, например, методами, предлагаемыми в работах [7, 8].

Литература

I. Шелухин О.И., Тенякшев A.M., Осин. А.В, Фрактальные процессы в телекоммуникациях. - М.: Радиотехника, 2003. - 480 с.

1. Karasaridis A., Hatzinakos D. On the Modeling of Network Traffic and Fast Simulation of Rare Events Using-stable Self-similar Processes // Proc. of IEEE SP Workshop on Higher-Order Statistics. - Banf, Canada, 1997. - See more at: http://www.tssonline.ru/amcles2/multiplay/povedenie-ip-trafika-v-sety a h n g n#s th as h. xd Qx rO Pz. d puf.

3. Клейнрок Л. Теория массового обслуживания. - М.: Машиностроение, 1979, - -432 с.

4. Ярышев. С.Н. Цифровые методы обработки видеоинформации и видеоаналитика. - СПб: СГ16ГУ ИТМО, 201 I. - 83 с.

5. Orebaugh A. Wireshark & Ethereal Network Protocol Analyzer Toolkit - Washington; Elsevier Science, 2007. - 448 c.

6. Вентцель EC. Теория вероятностей - M.: Высшая школа, 1999. - S75 с.

7. Карташевский ИВ. Электросвязь, № 12, 2014. - С. II.

8. Назаров А.Н., Сычев К.И. Модели и методы расчета показателей качества функционирования узлового оборудования и структурно-сетевых параметров сетей следующего поколения, -Красноярск: Изд-во ООО «Поликом», 201 I. - 491 с.

COMMUNICATIONS

STUDY OF THE METHOD COMPRESSED DIGITAL VIDEO STREAMS OF VIDEO SURVEILLANCE SYSTEMS ON THE FRACTAL PROPERTIES TRANSFERRED IN

THE NETWORK PACKET TRAFFIC

Meshcheryakov M.V.,

Engineer Planning and optimizing connections corporate clients ZAO Samara Telecom, VimpelCom Group,

[email protected]

Kartashevskii V.G.,

Professor, Dean of the Faculty of Telecommunications and Radio Engineering FGOBU VPO PGUTI, Russia, Samara,

[email protected]

Abstract

Most CCTV systems built on the basis of data networks with IP routing. Before transferring the digitized data to the network are subjected to compression. There are two approaches to compression of video - intraframe and interframe. The approach used in the inter-frame compression is implemented by the MPEG-4 codec, gives rise to cyclic variation of the parameters of traffic at the codec output. Cyclicity raises significant correlation counts traffic, which in turn points to the fractal properties of traffic over packet networks in video surveillance systems.

In the experiments on the data network surveillance system using the network traffic analyzer Ethernet - Wireshark, collected traffic. According to the obtained sample is calculated correlation function of the traffic, the calculated value of the coefficient Hirst. These results confirm the existence of fractal properties of the analyzed traffic. The analysis of the probability characteristics of successive intervals of time and length packets using software EasyFit. Based on the analysis for the sequences of time intervals between arrivals of packets and time intervals received packet processing corresponding probability density these time intervals. Probability density for time intervals between packets is characterized by the distribution of a "heavy-tailed". Set of analyzed traffic characteristics (correlation function, Hurst index, the probability density considered time intervals) shows that the traffic generated by video surveillance in the case of MPEG-4 codec, is self-similar. The presence of the identified correlation properties of the traffic does not allow for the analysis of surveillance systems by methods of classical queuing theory, based on the postulate of independence of these time intervals.

Keywords: CCTV, queuing, traffic self-similarity, the autocorrelation function.

References

1. Shelukhin O.I., Tenyakshev A.M., Osin. A.V. Fractal processes in telecommunications. Moscow. Radio, 2003. 480 p. (in Russian)

2. Karasaridis A.., Hatzinakos D. On the Modeling of Network Traffic and Fast Simulation of Rare Events Using-stable Self-similar Processes // Proc. of IEEE SP Workshop on Higher-Order Statistics. - Banf, Canada, 1997. See more at: http://www.tssonline.ru/ articles2/multiplay/povedenie-ip-trafika-v-setyahngn#sthash.xdQxrOPz.dpuf.

3. L. Kleinrock Queueing Theory. Moscow. Engineering, 1979. 432 p. (in Russian)

4. Yaryshev. S.N. Digital video processing methods and video analytics St. Petersburg: St. Petersburg State University of Information Technologies, 2011. 83 p. (in Russian)

5. Orebaugh A. Wireshark & Ethereal Network Protocol Analyzer Toolkit Washington: Elsevier Science, 2007. 448 p.

6. Wentzel E.S. Probability theory. Moscow Higher School, 1999. 575 p. (in Russian)

7. Kartashevskii I.V. Telecommunications, No.12, 2014. P. 11. (in Russian)

8. Nazarov A.N., Sychev K.I. Models and methods of calculation of the indicators of quality of functioning equipment units and structural parameters of the network of next generation networks. Krasnoyarsk: Publishing House Ltd. "Polycom", 2011. 491 p. (in Russian)