Моделирование процессов обработки потоков IP-пакетов с различными типами информационных составляющих на основе глубокого анализа трафика Текст научной статьи по специальности «Компьютерные и информационные науки»

СИСТЕМЫ УПРАВЛЕНИЯ ТЕЛЕКОММУНИКАЦИЯМИ

УДК 62-503.56

А. К. Канаев, М. А. Сахарова

Петербургский государственный университет путей сообщения

Императора Александра I

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ОБРАБОТКИ ПОТОКОВ IP-ПАКЕТОВ С РАЗЛИЧНЫМИ ТИПАМИ ИНФОРМАЦИОННЫХ СОСТАВЛЯЮЩИХ НА ОСНОВЕ ГЛУБОКОГО АНАЛИЗА ТРАФИКА

Сетевой трафик обладает свойством самоподобия, которому присущи особенности, выявление влияния которых на передачу IP-пакетов в сети передачи данных становится актуальной задачей. В связи с изменением характеристик трафика возможно появление перегрузок в промежуточных узлах сети передачи данных и снижение качества передачи данных. Для поддержания QoS наибольшее распространение получили механизмы управления интенсивностью трафика в сети передачи данных при применении DiffServ контроля скорости передачи (Traffic Shaping) и ограничения трафика (Traffic Policing). Рассмотрено несколько методов управления QoS, основными из которых являются технология DiffServ, применение VLAN и VPN, однако использование таких методов влечет увеличение затрат, дополнительные трудности для администрирования и управления, что в современных условиях недопустимо. В статье будет приведен один из способов моделирования процессов обработки потоков IP-пакетов, который может быть использован для управления и прогнозирования самоподобного трафика.

самоподобный трафик, качество обслуживания, DPI.

Введение

Самоподобный трафик носит случайный характер и характеризуется изменением интенсивности потоков данных в разное время суток, а также непредсказуемостью характера и темпа работы пользователей в сети пере-

85

дачи данных (СПД). Существенное изменение перечисленных характеристик трафика может приводить к возникновению перегрузок и снижению качества обслуживания (QoS). В связи с этим для эффективного управления и, возможно, прогнозирования трафика необходим анализ процессов с применением методов имитационного моделирования. Для поддержания QoS наибольшее распространение получили механизмы управления интенсивностью трафика в СПД при применении DiffServ-контроля скорости передачи (Traffic Shaping) и ограничения трафика (Traffic Policing). Однако приведенные механизмы обладают рядом существенных недостатков, которые можно устранить, совершенствуя указанные механизмы.

1 Особенности трафика

В 1993 г. исследователи W. Leland, M. Taqqu, W. Willinger и D. Wilson доказали, что трафик обладает свойством самоподобия [1]. Можно выделить следующие особенности самоподобного трафика [2]:

• неоднородность (характеризуется наличием в сети нескольких типов данных);

• случайный характер и нестационарность (обусловлены изменением интенсивности потоков данных в разное время суток и непредсказуемостью характера и темпа работы пользователей в СПД);

• наличие дифференцированных требований к качеству передачи данных разных типов.

До сих пор остается множество вопросов и нерешенных задач в области расчета параметров и моделирования самоподобного трафика, например:

• нет строгой теоретической базы;

• нет единой общепризнанной модели самоподобного трафика;

• нет методики расчета параметров и показателей качества систем распределения информации при влиянии эффекта самоподобия;

• нет алгоритмов и механизмов, обеспечивающих качество обслуживания в условиях самоподобного трафика.

Имеющийся теоретический расчет параметров системы распределения информации известными методами дает необоснованные результаты. Известные алгоритмы обработки трафика недостаточно эффективны.

2 Модели для имитации самоподобного трафика

Сегодня есть множество способов моделирования самоподобного трафика [3]. Вот основные из них.

86

Модели на основе динамического моделирования Маркова (DMM) представляют собой автоматы с конечным числом состояний, а результатом модели является набор вероятностей появления символов.

Модели с использованием нечеткой логики основаны на настройке функций принадлежности по параметрам нечетких множеств, используемых в правилах, веса правил и на настройке операций. В некоторых работах использование нечеткой модели временного ряда позволяет эффективно моделировать и прогнозировать работу сложной технической системы.

Нейросетевые модели позволяют решить задачу аппроксимации функций нескольких переменных по обучающей выборке путем погружения временного ряда в многомерное пространство.

Авторегрессионные модели (AR) широко применяются для моделирования и предсказания благодаря свойству длительной памяти самоподобных процессов. Как разновидности таких моделей используются модели ARMA (процесс скользящего среднего), ARIMA (интегральный процесс скользящего среднего) и FARIMA (фрактальный интегральный процесс скользящего среднего).

Модели на основе классических систем массового обслуживания, как правило, удачно описывают трафик с пуассоновскими потоками. Однако такая модель, как М/G/ro способна создать приблизительно самоподобный трафик путем управления поведением «хвоста» произвольного распределения обслуживания пользователей, создавая тем самым долговременную зависимость.

Перечисленные методы моделирования самоподобного трафика направлены на конкретный тип передаваемых данных. Это говорит о том, что данные модели не могут претендовать на универсальность их применения. Такие модели не могут адекватно описать реальные процессы, происходящие при передаче данных различных типов. Однако эта задача может быть решена путем совершенствования или объединения различных моделей для описания процессов передачи данных.

Решение задачи моделирования процессов обработки пакетов тесно связано с вопросами нормирования параметров QoS в СПД.

3 Требования к параметрам качества передачи потоков IP-пакетов

Укрупненную классификацию сетевого трафика можно представить следующими классами:

Real-time - трафик приложений реального времени (передача голосовых и видеоданных). Такой трафик считается критичным к потерям пакетов, задержкам и вариации задержки;

Business-critical - трафик корпоративных информационных систем, критичный к задержкам и потерям;

87

Best-effort - трафик (интернет-трафик (http), ftp, e-mail), некритичный к задержкам и потерям пакетов.

Определение требований к параметрам качества передачи трафика зависит от требований к QoS пользователей СПД.

Качество обслуживания - это обобщенный полезный эффект от обслуживания, который определяется степенью удовлетворения пользователя как от полученной услуги, так и от самой системы обслуживания [4].

Нормы на показатели качества обслуживания рекомендуется разделять на две группы [5]:

• которые могут меняться в процессе эксплуатации и поэтому должны контролироваться;

• которые не меняются в процессе эксплуатации и поэтому могут не контролироваться.

Параметры QoS можно разделить на 3 группы (табл. 1):

1) сервис-ориентированные, непосредственно связанные с определением качества услуги;

2) сетеориентированные, непосредственно связанные с определением уровня сетевого совершенства;

3) сервис/сетенезависимые, не связанные с определением качества услуги или уровня сетевого совершенства.

Группы параметров QoS

Таблица 1

Сетеориентированные Сервис-ориентрованные Сервис/сетенезависимые

PDULRmax PDUTDmax RPmax

PDUSLBRmax PDUDVmax MTTPmax

PDUERmax Рmах (PDUTDmax)

PDUSRmax Pmin (PDUDVmax)

K, завmax TPDUUmax

K, зав0max

Кг min

Требования к параметрам QoS при предоставлении услуги транспортирования пакетов по каналам сети IP представлены в табл. 2 [4].

Среди методов управления QoS основными являются технология DiffServ, применение VLAN и VPN, однако использование таких методов влечет увеличение затрат, дополнительные трудности для администрирования и управления, что в современных условиях недопустимо. В управлении про-

88

Таблица 2

Требования к параметрам QoS при предоставлении услуги транспортирования пакетов по каналам сети IP

Сете- ориентиро -ванные параметры обслуживания Характеристика параметра Класс обслуживания

0 1 2 3 4 5

max IPDV Допустимая верхняя граница вариации задержек пакетов 50 мс 50 мс н/о н/о н/о н/о

max IPTD Допустимая верхняя граница величины задержек пакетов 100 мс 400 мс 100 мс 400 мс 1 с н/о

max IPLR Допустимая верхняя граница вероятности потерь пакетов 1Х10-4 1Х10-4 1Х10-4 1Х10-4 1Х10-4 н/о

max IPER Допустимая верхняя граница количества пакетов с ошибками 1х10-6 1х10-6 1Х10-6 1Х10-6 1х10-6 н/о

цессами обработки потоков IP-пакетов в СПД будет обеспечиваться требуемое QoS. Для решения этой задачи рассматривается применение технологии Deep Packet Inspection (DPI).

4 Моделирование трафика в среде Matlab

При моделировании самоподобного трафика можно рассмотреть следующую ситуацию в выходном порту маршрутизатора. На рис. 1 представлен процесс передачи разнородных данных в выходном порту маршрутизатора.

Входящий поток данных, формируемый разнородными типами данных, поступающих от группы пользователей сети, делится на два потока с применением устройств, релизующих технологию DPI.

DPI - технология накопления статистических данных для проверки и фильтрации сетевых пакетов по их содержимому. В отличие от брандмауэров, DPI анализирует не только заголовки пакетов, но и полное содержимое трафика от второго уровня модели OSI и выше. Эта технология часто используются провайдерами для контроля трафика. При помощи заданных параметров к QoS DPI может управлять скоростью передачи отдельных пакетов. При использовании DPI у администратора появляется возможность распределить ресурсы пропускной способности между различными приложениями.

В рассматриваемом случае входящий поток данных делим на два потока в зависимости от скорости передачи данных, а именно - с постоянной

89

(ConstantBitRate, CBR) и с переменной (VariableBitRate, VBR) скоростью (рис. 1).

Входящий поток данных

Рис. 1. Динамическая модель процесса передачи разнородных данных в выходном порту маршрутизатора

Приложения с потоковым трафиком порождают равномерный поток данных, который поступает в сеть с постоянной битовой скоростью (рис. 2а).

Приложения с пульсирующим трафиком отличаются высокой степенью непредсказуемости (рис. 2б). В результате трафик характеризуется переменной битовой скоростью.

90

Динамическая модель процессов обработки потоков IP-пакетов в СПД представлена на рис. 3. В Matlab с помощью блоков SignalBuilder и Signal-Builder1 смоделированы потоки данных, передаваемых с CBR и VBR, соответственно (рис. 4). Блок Subtract1 и Subtract выполняет функцию математического вычисления разности или суммы, результаты работы этих блок представлены на рис. 5. Наблюдаемый исходящий поток данных объемом V (t) представлен на экранах осциллографов V (t) и X (2Y) Graph на рис. 6.

а б

Рис. 4. Потоки передаваемых данных с CBR (а) и VBR (б)

91

а

б

Рис. 5. Наблюдаемые результаты суммирования двух потоков на экранах осциллографов CBR+VBR (а) и X (2Y) Graph1 (б)

а

б

Рис. 6. Наблюдаемый исходящий поток данных объемом V (t) на экранах осциллографов V (t) (а) и X (2Y) Graph (б)

Заключение

Таким образом, при применении технологии DPI можно разделить входящий поток IP-пакетов на два, характеризующиеся разными требованиями показателей QoS, что подразумевает разные механизмы его обеспечения. Это достигается за счет того, что не на все передаваемые пакеты накладываются механизмы ограничения трафика. За счет этого IP-пакетам, содержащим определенную информацию, будет гарантирована доставка согласно QoS.

Библиографический список

1. Структура телетрафика и алгоритм обеспечения качества обслуживания при влиянии эффекта самоподобия : автореф. дис. ... канд. техн. наук / В. В. Петров. - Москва, 2005. - 20 с.

92

2. Сети ЭВМ и телекоммуникации : учеб. пособие / Т. И. Алиев. - Санкт-Петербург : СПбГУ ИТМО, 2011. - 400 с.

3. Подходы к моделированию самоподобного трафика / А. И. Костромицкий, В. С. Волотка // Восточно-Европейский журнал передовых технологий. - 2010. - № 4/7 (46). - С. 46-49.

4. Сети передачи данных / Г. Ф. Коханович, В. М. Чуприн. - Киев : МК-Пресс, 2006. - 272 с.

5. Руководящий документ отрасли РД.45.128-2000. Сети и службы передачи данных. - 71 с.

© Канаев А. К., Сахарова М. А., 2014

93