1、基于ON/OFF源模型的OBS匯聚算法研究，自相似性，ON/OFF源模型，光突發交換，匯聚算法通過對大量網絡業務流量的測量和分析，人們認識到互聯網的網絡流量呈現長相關、自相似性。自相似業務使得網絡的性能惡化(排隊延遲和丟包率增加)，自相似程度越高，網絡性能惡化得越厲害。光突發交換(OBS)是光波長交換(OCS)和光分組交換(OPS)的折衷產物，他綜合了兩者的優點，克服了兩者的一些缺點，因此成為了國際上的研究熱點。突發匯聚算法是OBS機制的關鍵技術之一1-2。本文主要基于ON/OFF模型生成的自相似流對幾種常見OBS匯聚通過對大量網絡業務流量的測量和分析，人們認識到互聯網的網絡流量呈現長相關、自

2、相似性。自相似業務使得網絡的性能惡化(排隊延遲和丟包率增加)，自相似程度越高，網絡性能惡化得越厲害。光突發交換(OBS)是光波長交換(OCS)和光分組交換(OPS)的折衷產物，他綜合了兩者的優點，克服了兩者的一些缺點，因此成為了國際上的研究熱點。突發匯聚算法是OBS機制的關鍵技術之一1-2。本文主要基于ON/OFF模型生成的自相似流對幾種常見OBS匯聚算法在網絡流量自相似方面的影響進行研究。2 ON/OFF模型由于互聯網本身的特點，很難精確地描述匯聚的互聯網業務流量。過去一直假定IP包的到達過程是泊松過程，但測量顯示IP包的到達時間間隔不服從負指數分布，而且也不是獨立分布的，大部分時候1P包連

3、續到達，具有突發性、長范圍相關性和自相似性，所以以泊松流來模擬突發交換網邊緣節點處的輸入流并不準確，必須采用長相關、自相似的業務流量模型才能比較真實地反映現實網絡中的業務流量。ON/OFF模型能夠比較精確地解釋自相似業務流的產生原因。可以通過疊加大量獨立的ON/OFF源來生成自相似業務流。該模型假定數據源在發送數據和不發送數據的兩種狀態之間交替變化，發送數據期間稱為ON狀態，不發送數據稱為OFF狀態，在ON狀態時數據源以固定速率發送數據。ON狀態和OFF狀態持續時間的分布直接影響所產生的業務流量的真實可靠性，ON與OFF為獨立分布。在微觀上具有重尾特性的分布能在宏觀上產生明顯的長相關、自相似性

4、。Pareto分布F(x)=1-1/(x)是重尾分布。當1<a2時，無窮多的這種ON/OFF源疊加便生成Hurst參數H=(3一)/2的自相似業務量。參數H(Hurst參數)是自相似模型的惟一參數，他描述了時間序列的自相關程度。H參數的取值范圍為(05H0是一連續隨機過程，X(t)表示在時間0，t)內傳輸的字節數，為測量時間間隔，Xk=X(k)一X(k一1)，k1)，考慮聚集過程如下：如果：式中(m)(j)(j為X(m)kd的自相關函數，H為Hurst參數。3匯聚算法OBS的匯聚算法主要考慮時間門限和長度門限兩個方面，存在以下幾種常見的匯聚算法。31 固定匯聚時間(FAP)算法邊緣OBS

5、節點將一固定匯聚時間內到達的IP包匯聚成突發包，同時產生控制包。32 固定突發長度(FBL)算法邊緣OBS節點在突發長度達到某一固定域值時將所有IP包匯聚成突發包，同時產生控制包。33 最小突發長度最大匯聚時間(MBMAP)算法邊緣OBS節點在突發長度達到某一最小突發長度或者匯聚時間超時時將所有IP包匯聚成突發包，同時產生控制包。 4仿真模型本文主要就匯聚算法與業務流自相似程度的關系進行仿真。以OPNET為仿真工具，疊加53個ON/OFF源生成自相似流。在ON期間，產生數據包；在OFF期間，不產生數據包。ON與OFF獨立。ON服從Pareto分布，=11；OFF服從指數分布，mean=01。仿

6、真網絡結構圖如圖1所示。5仿真結果分析通過仿真對邊緣OBS節點匯聚前后的Hurst參數進行比較，以確定匯聚算法對網絡自相似的影響。對Hurst參數的估計采用時間方差法(VT)。即：其中，H=1k/2,m為時間的聚合度：如圖2所示，采用固定匯聚時間（FAP）算法情況下，仿真匯聚時間取從10 s1 ms之問的20個時間值，H參數值隨匯聚時間值增大而逐步減小。如圖3所示，采用固定突發長度(FBL)算法情況下，仿真突發長度門限值取為1l100倍的分組平均長度，H參數值保持在075左右，說明H參數值基本不受突發長度值影響。如圖4所示，采用最小突發長度最大匯聚時間(MBMAP)算法情況下，仿真突發長度取為15100倍的分組平均長度，匯聚時間分別固定在000040 s，O000 79 s，0001 2 s時，H參數值保持在075左右，說明H參數值基本不受該匯聚算法的影響。6 結 語光突發交換的不同匯聚算法對網絡業務