基于M2M业务的网络流量特性分析研究

引言

在物联网中，物联网将大量的“物”的信息融入网络的信息之中，使网络交换和传递的数据流在类别和数量上较之传统的互联网的数据流都有了较大的变化，可以预见在不远的将来，通信网络中用于连接物体的部分将会大大超过用于连接人的部分，成为下一代网络的主要组成部分。

物联网的联网对象多样化以及通信方式与现有的网络通信方式较大差别，对物联网的流量特性分析、流量建模及性能评价提出了新的挑战。本文以典型M2M业务为例，对其中业务进行分析，进而得到对应业务流量特征参数。在此基础上进行不同业务流量合成，以及不同业务的流量聚合,M2M/H2H流量聚合并以此分析其各自流量特性。

1网络的自相似性

众多的研究表明在互联网通信中，网络通信流量普遍具有自相似性，通常我们用Hurst参数来衡量网络自相似性的程度。当0.5<H<1时，说明流量具有自相似性，H的值越大,自相似性越强。若0<H<0.5,则流量缺乏或不具有自相似性,因此对Hurst参数准确的测量对于网络的自相似特性及变化的研究具有十分重要的意义。

目前估计Hurst参数的方法，可大致分为时域算法和频域算法两类。时域算法主要包括：R/S法、留数法、方差时间图法、绝对值法等，频域算法主要包括：whittle法和小波法。在本文中采用较为常用的R/S法来测量网络的Hurst参数。

2M2M典型业务特性分析与建模

物联网包含了了机器与机器、机器与人以及人与机器的通信，由3GPP文档可知，物联网应用主要包括七大类：安全、追踪、付费、健康、远程维护、计量/测量、消费设备国。而MTC终端拥有其独有的特征，如小数据传输、低移动性、时间控制、时间容忍等。本文以应用最为典型三类业务为例进行分析仿真。

2.1智能电网业务分析与建模

传统电网耗用了大量的人力财力，电网的智能化将是电网发展的必然。在我国智能电网建设中依据现场用电与计量的实际应用情况，用户一般可分为六大类：大型专变用户（A）、中小型专变用户（B）、三相一般工商业用户（C）、单相一般工商业用户（D）、居民用户（E）、公用配变考核计量点（F）［4］。目前电能信息采集系统中，各类业务应用关注不同的数据，按时效性质主要分为三种类型：一类数据，为实时或准实时性质的数据，如当前工况数据、15min间隔密度冻结的电压、电流、负荷、电量等;二类数据，为终端保存的历史性质的数据,如指定某日（月）的全日（月）范围内的冻结数据和统计数据,如上日电量、供电合格率统计等；三类数据：为特殊事件发生时的记录性数据，如停电记录等，这类事件发生的偶然性和随机性，决定了该类数据在系统中所占比重很低，对系统流量规模影响不大。

我们以业务上传最频繁也是数据量最大的一类数据进行仿真。按照六类用户的不同业务需求，根据国家电力行业标准中各终端特殊要求，可归类出六类用户典型一类数据大小，其终端数量如表1所列。

表1智能电网用户特征

由业务的时间特性可知：一类数据由整点开始每15min采集一次，并在开始后5min之内采集完成并完成上传。其中单个节点流量产生时间距采集开始时间服从均值为50的指数分布。由此，我们Matlab进行仿真，仿真时间为3600s,以得其流量。再将流量处理为0.01ms时间尺度的Packet级并保存到文本文件中。以R/S法测得流量的Hurst指数为0.901。在此基础上进行不同终端规模的仿真，并测量不同规模下业务流的自相似特性，图1所示是智能电网不同规模下的Hurst值。从仿真结果来看，智能电网业务流具有很强的自相似特性。

图1智能电网不同规模下Hurst值

2.2智能家居业务分析与建模

智能家居是物联网的又一重要应用，文中采用基于ZigBee的智能家居为例进行业务分析。在智能家居中传感器通信主要分为：心跳通信和触发通信两种［5］。大多数情况下,传感器定期采集参数传送给网关，网关经过整理转发给云端,主人可以通过电脑端或者手机端实时了解家庭内的情况，以上称为心跳通信。另一方面如遇突发状况则立即报告信息中心和手持移动终端进行示警这成为触发通信。一个典型家庭用户的网络心跳通信业务特性如表2所列。

表2智能家居业务特征

由于触发通信的概率非常低，这里不做模拟。根据业务特性，以3000户居民为例进行仿真，设定每个家庭业务起始时间服从（0,1800）的均匀分布，在每个家庭内部，传感器的起始时间服从均值为50的指数分布。

由仿真结果可知Hurst=0.559,因此智能家居产生流量具有弱自相似性。同理，进行不同终端规模的流量仿真得到Hurst指数随终端变化的曲线如图2所示，可以看出，其Hurst指数随着终端规模呈减小趋势。

2.3自动驾驶业务分析与建模

自动导航驾驶系统主要包括汽车的追踪、事故的检测与避免。可以提供汽车的定位追踪，方便车队管理并可以通过一系列的检测反馈帮助驾驶员提前预警，避免事故的发生［6］。汽车与系统交互主要包括两种：一种是传送长期规律性、低比特率的信息（GPS位置，速度，时刻）以告诉系统汽车的实时状态。在自动导航驾驶中，在高速行驶时汽车每一米（导航定位的分辨率）向服务器传送一个数据包，例如，汽车在100km/h速度时，汽车发送数据包的数量将是每秒约28个,发送间隔为36ms。由此可知自动驾驶业务模型如表。在建模中,假设终端数量100,每个终端通信起始时间服从（0,5）的均匀分布。通过对流量进行自相似性分析，Hurst=0.208,不具有自相似特性。在此基础上对不同终端规模下的业务流Hurst值如图3所示，表3所列是智能电网的业务特征。

2.4不同M2M业务的自相似特性

由以上结果可以看出，不同的M2M业务表现出不同的自相似特性，同时Hurst值随着终端规模的变化而具有不同的变化规律。由此可见M2M业务数据流的自相似性，与具体的业务特性有直接关系关。

3流量聚合

以物联网为特征的下一代网络采用M2M通信方式，既包含传统的人与人或人与计算机之间的通信，但更主要的是物与物之间的通信。因此十分必要研究研究物联网业务流之间以及他们与传统网络流的聚合特性。

3.1M2M业务之间的相互聚合

首先，将三种物联网业务流量聚合，再把上面得到的三种不同业务流量按照终端规模大小顺序依次分为10组进行聚合，再次测量聚合后流量的自相似特性，其Hurst随终端规模变化曲线如图 4 所示。

3.2 M2M 业务流与互联网流量聚合

仿真中采用的实际互联网流量采用贝尔实验室采集的经典数据 pAug.TL，其流量 Hurst=0.774，三种 M2M 业务流按照规模大小与互联网流量同时进行聚合的结果曲线如图 5 所示。可见聚合后的流量仍具有自相似特性，且自相似特性随着终端的增加而减小。

4 结 语

本文分析了 M2M 三种典型业务，并依据业务特性进行了分析建模、流量产生。利用 R/S 分析法对业务流的自相似特性进行了分析，可以看出不同 M2M 具有不用的自相似特性。将三类 M2M 业务聚合流量分析后发现，聚合流自相似特性随着规模的增加而呈现递减规律，到达一定规模后将不具有自相似性。在此基础上将 M2M 流量与实际互联网流量进行聚合，可以看出聚合流量仍具有自相似特性，但同样具有递减特性。

20211221_61c1b0f8c6d3b__基于M2M业务的网络流量特性分析研究