侯世武+谭献海

摘 要：随着物联网的发展，网络中的流量组成发生了很大变化。通常用Hurst参数大小来表示网络流量的自相似程度。为了研究物联网业务的流量特性，文章通过Matlab对几种典型物联网业务进行建模仿真，并对流量数据进行了自相似特性分析，表明不同的物联网业务具有不同的流量特性。聚合流量的自相似特性和组成流量的业务有关，没有自相似特性的业务聚合之后仍没有自相似特性，具有自相似特性的业务聚合之后仍具有自相似特性。聚合流量的自相似参数随着没有自相似业务的增加而减小，随着具有自相似特性业务的增加而增加，最后趋于稳定。

关键词：物联网；流量特性；Hurst参数；聚合流量

中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2017）06-00-03

0 引 言

物聯网作为下一代移动通信产业，发展十分迅速。物联网业务具有不同于互联网业务的特性，包括业务种类多样、小数据通信且上行占优、终端数量巨大、仅终端发起、时延控制、会话时间较短、终端移动性低等[1]，与传统的互联网业务大不相同。

网络流量在不同的密度下具有不同的流量特性。稀疏流的聚合不会在短时间内产生较大的突发流，密集流的聚合可以在短时间内产生较大的突发流量，而流量的突发性是造成网络长相的重要因素[2]。同时网络流量在不同时间尺度上表现出不同的流量特性，在大时间尺度（1 s及以上）上表现出的平稳性以及自相似特性已经在很多网络中得到了验证。文献[3]通过对骨干网的研究发现流量在小时间尺度上表现出非长相关性。文章通过对四种典型物联网业务进行建模仿真，分析了单个业务流量和聚合业务流量在不同密度和不同时间尺度下网络流量的自相似特性。

1 网络流量特性

Leland等人[4]发现网络流量具有长相关和突发性的特点，长相关特性反映了网络流量的自相关特性，表明自相关系数衰减较慢[5，6]。通常用Hurst（H）参数表示网络的自相似程度，H>0.5表明具有自相似特性，H<0.5则表明没有自相似特性。 自相似对网络的队列长度、时延、丢包率等性能具有很大的影响，因此对Hurst参数的研究对未来网络规划设计具有重大意义[7]。本文用R/S方法计算网络流量的Hurst参数。在规划网络时，应充分考虑网络流量的自相似、长相关和分型特性对网络性能造成的影响。

2 典型物联网业务

2.1 远程医疗

远程医疗是未来医疗重点发展的方向，通过计算机技术、遥感、遥测、遥控技术等实现远程诊疗。病人通过佩戴多个传感器设备来记录身体健康指标，经网络将这些数据传输到数据控制中心。远程医疗业务模型见表1所列[8]。

根据表1分别计算在10 ms、50 ms、100 ms和1 000 ms四种不同时间尺度上，不同终端规模产生不同流量密度的网络流量的自相似特性，如图1所示。

由图1可知，在相同时间尺度下，随着流量密度的增加，网络流量没有自相似特性，且比较稳定。在相同流量密度下，时间尺度越小，网络流量的自相似特性越强。医疗业务的高频周期性导致网络流量比较平稳，突发性较小，因而网络流量不具有自相似特性。

2.2 智能农业

物联网技术为现代农业生产管理技术开辟了新的思路，并将在农业领域得到广泛应用。物联网设置的多种传感器节点包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度、二氧化碳浓度等[2]，通过低功耗自组织网络的无线通信技术实现传感器数据的可靠传输。

2008年，美国Crossbow公司开发了基于无线通信网络的农业监控系统，每一分钟采集一次数据，业务模型见表2所列。

仿真时，假设每户12英亩土地，260个传感器，每户业务流量开始时间服从参数为（0，1 800）的均匀分布，各户传感器产生流量时间服从参数为50的指数分布。根据表2分别计算在10 ms、100 ms、1 000 ms和10 000 ms四种不同时间尺度上，不同终端规模产生不同流量密度的网络流量的自相似特性，如图2所示。

由图2可知，在小时间尺度上，网络流量具有自相似特性，但在时间尺度比较大时，网络流量没有自相似特性。在相同时间尺度下，随着流量密度的增加，网络流量的自相似特性很平稳，说明农业业务的流量随着流量密度的增加变化不大。

2.3 自动售货

自动售货业务是现代零售业重要的组成部分，大大方便了人们的购物，节约了时间。自动售货机需要将销售数据、缺货信息和设备故障等传输到后台，以便进行统计、补货和维修等。自动售货机的业务特性见表3[8]所列。

仿真在10 ms、50 ms、100 ms和1 000 ms四种不同时间尺度上不同流量密度的网络流量的自相似特性如图3所示。

由图3可知，自动售货业务在不同时间尺度不同流量密度的情况下，业务的自相似参数值在0.5上下浮动，排除算法误差取平均值0.5，可推测业务具有很弱的自相似特性。

2.4 自动驾驶

自动驾驶指在汽车上安装传感器感知车辆周围信息，运用车辆自身的控制系统控制车辆的方向和速度，从而实现自动驾驶，提高驾驶安全性和生命安全性[3]。汽车和后台服务系统进行的交互主要分为以下两种：

（1）长期规律性、低比特的信息（GPS位置、速度、时刻）用来监测汽车的实时状态。

（2）突发性事件触发，如遇红灯或出现车祸时，系统和汽车之间进行紧急通信。

在V2V（Vehicle-to-Vehicle）通信中数据包大小为149 B。本文以149 B恒定大小来模拟自动驾驶业务。自动驾驶业务特性见表4[8]所列。

由图4可知，自动驾驶业务在小时间尺度上不具有自相似特性，在大时间尺度上具有比较弱的自相似特性。在相同时间尺度上，随着流量密度的增加，网络流量的自相似特性上下波动。在相同的流量密度下，时间尺度越大，网络流量的自相似特性越强。

3 聚合流量特性

3.1 自动驾驶和远程医疗聚合

物联网业务种类繁多，不同的业务聚合之后，流量之间会相互影响，因此聚合流量的特性可能会发生变化。由之前的分析可知，自动驾驶和远程医疗业务没有自相似特性。分析两种不具有自相似特性的业务聚合后，聚合流量的流量特性。

选取自动驾驶业务的数量分别为200、1 000、2 000，然后在自动驾驶业务数量分别为200、1 000和2 000的基础上不断增加远程医疗业务，分析随着远程医疗业务的增加，聚合流量在10 ms、100 ms、500 ms和1 000 ms四种不同时间尺度上不同流量密度下聚合流量的流量特性。自动驾驶业务的数量分别选为500、1 000、1 500、2 000、2 500、3 000、3 500、4 000和4 500。不同時间尺度下驾驶和医疗业务聚合流量特性如图5所示。

由图5可知，在不同数量自动驾驶业务下，随着远程医疗业务的增加，网络流量仍没有自相似特性，因而不具有自相似特性的业务聚合之后仍然不具有自相似特性。

3.2 智能农业和自动售货业务聚合

由前述分析可知，智能农业和自动售货业务具有自相似特性。分析两种具有自相似特性的业务聚合后，聚合流量的流量特性。

选取智能农业业务的数量分别为500，2 000，4500，然后在固定数量自动驾驶业务的基础上不断增加远程医疗业务数量1 000，2 000，3 000，4 000，5 000，6 000，7000，8000，9 000，分析随着远程医疗业务的增加聚合流量在10ms、100ms、500 ms和1 000 ms时间尺度下的流量特性。不同时间尺度下驾驶和医疗业务聚合流量特性如图6所示。

由图6可知，在不同数量智能农业业务下，随着自动驾驶业务的增加，网络流量依然具有自相似特性，因而具有自相似特性的业务聚合之后仍具有自相似特性。

3.3 远程医疗和智能农业聚合

远程医疗业务不具有自相似特性，而智能农业业务具有自相似特性，两种业务在不同流量密度下的Hurst参数比较稳定。固定远程医疗业务数量为1 000，分析在10 ms、50 ms、100 ms和1 000 ms四种时间尺度下不断增加智能农业后聚合流量的流量特性，如图7所示。固定智能农业数量为2 000，分析在10 ms、50 ms、100 ms和1 000 ms四种时间尺度下不断增加医疗业务之后聚合流量的流量特性，如图8所示。

由图7可知，在不同时间尺度上随着智能农业业务的增加，聚合流量的自相似特性逐渐增加，由不具有自相似到具有自相似特性，最后稳定到一个值。由图8可知，在不同时间尺度上随着远程医疗业务的增加，网络由具有自相似特性到不具有自相似特性，最后稳定于一个值。

4 结 语

文章通过对四种典型业务进行建模分析，发现不同的物联网业务具有不同的自相似特性，相同的业务在不同流量密度与不同时间尺度下具有不同的流量特性。流量聚合时，不具有自相似特性的业务聚合之后仍没有自相似特性，具有自相似特性的业务聚合之后仍有自相似特性，聚合流量的自相似特性随着不具有自相似流量的增加而减小，随着具有自相似特性流量的增加而增加。

参考文献

[1] 3GPP TS 22.368.Service Requirements for Machine Type Communications [S].2012

[2]林青家，陈涤，刘允才.网络流量的小尺度特性分析[J].电子测量与仪器学报，2007，21（3）：92-97.

[3] ZL Zhang， VJ Ribeiro，S Moon，et al.Small-Time Scaling Behaviors of Internet Backbone Traffic：An Empirical Study[J].IEEE INFOCOM，2003 （3）：1826-1836.

[4] Leland W E， Taqqu M S， Willinger W， et al.On the self-similar nature of Ethernet traffic （extended version） [J].IEEE/ACM Transactions on Networking，1994，2（1）：1-15.

[5] Willinger Walter，Taqqu M S，Sherman Robert，et al.Self-Similarity through High-variability： Statistical Analysis of Ethernet LAN Traffic at the Source Level[J].Conference on Appilications，1995， 25（4）：71-86.

[6] KM Sunggop， LEE Ju Yong， SUNG Dan Keun.A Shifted GammaDistribution Model for Long-Dependent Internet Traffic[J].IEEE Communications Letters， 2003，7（3）：124-126.

[7]王西锋.网络流量的特性分析与预测研究[D].西安：西北大学，2007.

[8]赵继波.M2M流量特性分析[D].成都：西南交通大学，2014.

[9]文黎明，龙亚兰.物联网在农业上的应用[J].现代农业科技，2010（15）：54.

[10]孟海华，江洪波，汤天波.全球自动驾驶发展趋势与现状[J].华东科技，2014（9）：68-70.