凌 敏，羅 影，袁 亮，靳傳學(xué)

(1.成都航空職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院，四川 成都 610100；2.電子科技大學(xué) 信息與通信工程學(xué)院，四川 成都 611731；3.成都航空職業(yè)技術(shù)學(xué)院 信息中心，四川 成都 610100；4.成都盤(pán)灃科技有限公司，四川 成都 610100；5.電子科技大學(xué) 通信抗干擾技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，四川 成都611731)

近年來(lái)車(chē)載自組織網(wǎng)絡(luò)發(fā)展迅速，它依靠諸如互聯(lián)網(wǎng)、新一代無(wú)線(xiàn)通信、云計(jì)算、邊緣計(jì)算等前沿信息技術(shù)，通過(guò)有效的數(shù)據(jù)處理與分發(fā)來(lái)提供可靠的車(chē)載通信。車(chē)聯(lián)網(wǎng)的高效利用可減少交通事故、交通擁堵、駕駛時(shí)間、油耗等，促進(jìn)智慧城市發(fā)展[1-2]。車(chē)聯(lián)網(wǎng)允許用戶(hù)通過(guò)交換特定交通信息來(lái)了解周?chē)h(huán)境的信息和可能發(fā)生的堵塞，其中車(chē)聯(lián)網(wǎng)的網(wǎng)絡(luò)流量受城市交通布局、出行時(shí)間以及交通事故等因素的影響隨時(shí)間變化。車(chē)聯(lián)網(wǎng)絡(luò)架構(gòu)在為智慧交通帶來(lái)便利的同時(shí)，也存在許多待解決的技術(shù)問(wèn)題。其中，車(chē)輛的交通數(shù)據(jù)由大量分布式基礎(chǔ)設(shè)施生成，并通過(guò)網(wǎng)絡(luò)傳輸?shù)皆朴?jì)算服務(wù)器。這些交通數(shù)據(jù)的處理不具備可擴(kuò)展性和高效性，當(dāng)來(lái)自車(chē)輛傳感器的數(shù)據(jù)量過(guò)多時(shí)會(huì)影響處理時(shí)延[3]。同時(shí)，大量的數(shù)據(jù)向云服務(wù)器進(jìn)行傳輸代價(jià)非常昂貴，需要消耗大量的帶寬和能量，造成車(chē)聯(lián)網(wǎng)網(wǎng)絡(luò)阻塞等問(wèn)題。因此，對(duì)車(chē)聯(lián)網(wǎng)流量的研究十分重要，通過(guò)流量分析與估計(jì)可以減少網(wǎng)絡(luò)負(fù)載壓力，更快更好地實(shí)現(xiàn)城市交通調(diào)度，促進(jìn)交通智能化，有效地提高城市交通效率，減少或預(yù)防交通事故的發(fā)生。

車(chē)聯(lián)網(wǎng)絡(luò)中部分?jǐn)?shù)據(jù)僅由設(shè)備本身使用，或者在設(shè)備覆蓋范圍內(nèi)處理，不需要轉(zhuǎn)移到云計(jì)算，特別是一些對(duì)時(shí)間敏感的應(yīng)用，例如車(chē)聯(lián)網(wǎng)終端中的交通燈控制和無(wú)人駕駛應(yīng)用等[4]。由于應(yīng)用程序的數(shù)據(jù)生成點(diǎn)遠(yuǎn)離云計(jì)算中心，因此數(shù)據(jù)傳輸時(shí)間是一個(gè)巨大的挑戰(zhàn)。車(chē)聯(lián)網(wǎng)中的大多數(shù)終端用戶(hù)設(shè)備通常資源匱乏，因此可以利用邊緣計(jì)算服務(wù)器處理網(wǎng)絡(luò)邊緣收集的數(shù)據(jù)，提供可靠的計(jì)算能力，減少請(qǐng)求時(shí)間和網(wǎng)絡(luò)帶寬浪費(fèi)[5-7]。在5G車(chē)聯(lián)網(wǎng)應(yīng)用場(chǎng)景中，基站(BS)和邊緣服務(wù)器的聯(lián)動(dòng)能夠支持大量交通設(shè)備入網(wǎng)，可以處理大量終端和應(yīng)用程序的請(qǐng)求，例如緩存、多媒體等。邊緣計(jì)算是一種開(kāi)放式平臺(tái)，它在靠近數(shù)據(jù)源的一側(cè)集成了網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)和應(yīng)用程序的核心功能，為設(shè)備提供了更多的計(jì)算能力和服務(wù)。邊緣計(jì)算的應(yīng)用在邊緣推出，具有更快的網(wǎng)絡(luò)服務(wù)響應(yīng)，滿(mǎn)足行業(yè)對(duì)實(shí)時(shí)業(yè)務(wù)、安全和隱私保護(hù)的需求。因此，在智慧交通網(wǎng)絡(luò)中融入邊緣計(jì)算，打造一種通用平臺(tái)，根據(jù)客戶(hù)需求提供多種車(chē)聯(lián)應(yīng)用是車(chē)聯(lián)網(wǎng)發(fā)展的趨勢(shì)[8-10]。

傳統(tǒng)的車(chē)聯(lián)網(wǎng)數(shù)據(jù)流以大批量快速傳輸?shù)皆?，但不具備可擴(kuò)展性和高效性，無(wú)法處理實(shí)時(shí)性要求高的海量數(shù)據(jù)[11]。同時(shí)，傳輸大數(shù)據(jù)是昂貴的，將消耗大量的帶寬、能量和時(shí)間[12]。因此，有必要設(shè)計(jì)一個(gè)有效的數(shù)據(jù)處理架構(gòu)。如今，隨著車(chē)載終端數(shù)量和智能性的大幅增加，越來(lái)越多的應(yīng)用需要處理大量的計(jì)算任務(wù)。相比從云計(jì)算服務(wù)器請(qǐng)求計(jì)算資源，利用邊緣計(jì)算融入車(chē)聯(lián)網(wǎng)絡(luò)可以減少部分請(qǐng)求的延遲和帶寬，但也有一些請(qǐng)求和內(nèi)容在云計(jì)算服務(wù)器和邊緣計(jì)算服務(wù)器之間遷移。邊緣計(jì)算通常與數(shù)據(jù)源端的許多終端相結(jié)合，并提供基礎(chǔ)計(jì)算服務(wù)。部分應(yīng)用程序和數(shù)據(jù)仍然需要云計(jì)算中心的某些服務(wù)，例如數(shù)據(jù)的長(zhǎng)期存儲(chǔ)、大區(qū)域范圍的數(shù)據(jù)計(jì)算等[13]?；谶吘売?jì)算要求嚴(yán)格的實(shí)時(shí)性，細(xì)粒度、高精度的車(chē)聯(lián)網(wǎng)絡(luò)流量估計(jì)是車(chē)聯(lián)網(wǎng)絡(luò)技術(shù)應(yīng)用的本質(zhì)要求，對(duì)智慧交通網(wǎng)絡(luò)流量工程建設(shè)有著非凡的意義。網(wǎng)絡(luò)流量的測(cè)量發(fā)展到現(xiàn)在已經(jīng)取得實(shí)質(zhì)性的成果，目前有許多方法可以測(cè)量網(wǎng)絡(luò)流量，例如NetFlow，sFlow，但是這需要硬件支持和遠(yuǎn)程監(jiān)控代理軟件。因此，通過(guò)軟件定義網(wǎng)絡(luò)的思想和邊緣計(jì)算技術(shù)來(lái)實(shí)現(xiàn)萬(wàn)物互聯(lián)成為一種應(yīng)用趨勢(shì)。軟件定義網(wǎng)絡(luò)(SDN)將數(shù)據(jù)和控制平面分開(kāi)，并將網(wǎng)絡(luò)控制與決策集中[14]?；谲浖x網(wǎng)絡(luò)的網(wǎng)絡(luò)提供低延遲和高帶寬服務(wù)，具有靈活性和可編程性。在邊緣-云計(jì)算架構(gòu)中，除了數(shù)據(jù)收集和通信之外，新架構(gòu)還需要仔細(xì)考慮存儲(chǔ)、訪(fǎng)問(wèn)和分析技術(shù)。在新架構(gòu)中，網(wǎng)絡(luò)不僅僅用于轉(zhuǎn)發(fā)數(shù)據(jù)，還需要處理數(shù)據(jù)，如存儲(chǔ)、計(jì)算和分析等?；谲浖x網(wǎng)絡(luò)的通信層根據(jù)認(rèn)知無(wú)線(xiàn)電和信道分配策略提供選擇策略，可實(shí)現(xiàn)低延遲和高帶寬通信。在測(cè)量方法的選擇上，目前主要有主動(dòng)測(cè)量與被動(dòng)測(cè)量?jī)煞N方法。用于動(dòng)態(tài)測(cè)量網(wǎng)絡(luò)流量的主動(dòng)監(jiān)控技術(shù)在網(wǎng)絡(luò)中引入了額外的開(kāi)銷(xiāo)，而被動(dòng)方法在流量測(cè)量方面缺乏準(zhǔn)確性。因此，如何減小流量測(cè)量誤差，提高流量估計(jì)精度是網(wǎng)絡(luò)流量工程中最值得研究的技術(shù)。在實(shí)際應(yīng)用中，面對(duì)靈活的網(wǎng)絡(luò)流量變化，基于合理的流量估計(jì)策略，提高流量測(cè)量精度，是車(chē)聯(lián)網(wǎng)絡(luò)流量估計(jì)的一項(xiàng)重要研究?jī)?nèi)容。

在車(chē)聯(lián)網(wǎng)絡(luò)數(shù)據(jù)采集方面，軟件定義網(wǎng)絡(luò)提供了兩種通過(guò)OpenFlow協(xié)議收集流量統(tǒng)計(jì)數(shù)據(jù)的機(jī)制，即基于拉取和基于推送[15]?；诶〉臋C(jī)制是收集統(tǒng)計(jì)信息的主動(dòng)方法，無(wú)需額外的硬件或軟件，需要控制器向基于OpenFlow的交換機(jī)發(fā)送指令?？刂破鞒绦蜃x取狀態(tài)消息并將其發(fā)送到基于OpenFlow的交換機(jī)以收集流統(tǒng)計(jì)信息或端口統(tǒng)計(jì)信息[16-17]。HUANG等[18]提出并實(shí)現(xiàn)了一個(gè)基于軟件定義網(wǎng)絡(luò)的移動(dòng)邊緣云框架，該框架同時(shí)兼容ETSI和3GPP架構(gòu)。它提供了所需的數(shù)據(jù)平面靈活性和可編程性，可以根據(jù)網(wǎng)絡(luò)部署和條件實(shí)時(shí)改進(jìn)延遲。該文獻(xiàn)針對(duì)戰(zhàn)術(shù)無(wú)線(xiàn)網(wǎng)絡(luò)中的帶寬、服務(wù)差異化和靈活性，提出了基于軟件定義網(wǎng)絡(luò)的移動(dòng)邊緣云(MEC)架構(gòu)，同時(shí)該架構(gòu)可以對(duì)動(dòng)態(tài)的戰(zhàn)術(shù)無(wú)線(xiàn)網(wǎng)絡(luò)做出最佳的策略。HUO等[19]利用數(shù)據(jù)包級(jí)統(tǒng)計(jì)數(shù)據(jù)，在軟件定義網(wǎng)絡(luò)中設(shè)計(jì)了一種可擴(kuò)展、準(zhǔn)確、快速的測(cè)量方案，并提出了一種可以估算鏈路利用率的低延遲負(fù)載感知雙層測(cè)量平臺(tái)。文獻(xiàn)[20]采用插值優(yōu)化的方法對(duì)軟件定義網(wǎng)絡(luò)流量測(cè)量結(jié)果進(jìn)行插值恢復(fù)，提高流量估計(jì)的精度。文獻(xiàn)[21-23]中的方案試圖對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)流量問(wèn)題展開(kāi)研究，但是，網(wǎng)絡(luò)中的流量測(cè)量都面臨測(cè)量誤差不可預(yù)測(cè)的問(wèn)題。

通過(guò)分析上述研究的不足，筆者提出了一種新的測(cè)量方案，構(gòu)建了一種新的云-邊緣計(jì)算車(chē)聯(lián)網(wǎng)絡(luò)流量測(cè)量體系架構(gòu)方案。本方案中直接測(cè)量網(wǎng)絡(luò)流量的一些數(shù)據(jù)，并預(yù)測(cè)細(xì)粒度的網(wǎng)絡(luò)流量。然后，筆者提出了一種優(yōu)化模型來(lái)減少預(yù)測(cè)的細(xì)粒度測(cè)量誤差，并提出一種啟發(fā)式算法來(lái)尋找模型的最優(yōu)解。筆者的主要工作如下：

(1) 與以前的網(wǎng)絡(luò)測(cè)量方法相比，研究了基于軟件定義網(wǎng)絡(luò)的智慧交通網(wǎng)絡(luò)流量的測(cè)量。將流量的測(cè)量開(kāi)銷(xiāo)和精度作為智慧交通網(wǎng)絡(luò)優(yōu)化的核心。為了獲得低開(kāi)銷(xiāo)和高精度的測(cè)量結(jié)果，提出數(shù)據(jù)流的粗粒度流量和鏈路的細(xì)粒度流量。

(2) 提出基于最小估計(jì)誤差的目標(biāo)函數(shù)來(lái)優(yōu)化測(cè)量結(jié)果。由于目標(biāo)函數(shù)是NP難(NP-hard)問(wèn)題，設(shè)計(jì)一種啟發(fā)式算法來(lái)獲得細(xì)粒度流量測(cè)量的最優(yōu)解。

(3) 為了驗(yàn)證所提出的算法的優(yōu)越性能，搭建了仿真驗(yàn)證平臺(tái)，并進(jìn)行了一系列的仿真實(shí)驗(yàn)。

1 網(wǎng)絡(luò)流量估計(jì)方法

車(chē)聯(lián)網(wǎng)中大量的服務(wù)經(jīng)常從云計(jì)算請(qǐng)求資源，需要網(wǎng)絡(luò)測(cè)量方法優(yōu)化資源消耗，例如負(fù)載平衡、路徑規(guī)劃和異常檢測(cè)?；谲浖x網(wǎng)絡(luò)的流量測(cè)量比傳統(tǒng)網(wǎng)絡(luò)流量測(cè)量更容易，且更靈活。在本節(jié)中，筆者提出了一種基于軟件定義網(wǎng)絡(luò)的車(chē)聯(lián)網(wǎng)流量測(cè)量架構(gòu)。

1.1 系統(tǒng)模型

作為一種新型網(wǎng)絡(luò)，車(chē)聯(lián)網(wǎng)絡(luò)由裝備在移動(dòng)車(chē)輛上的節(jié)點(diǎn)和固定的道路基礎(chǔ)設(shè)施組件組成。車(chē)聯(lián)網(wǎng)中邊緣計(jì)算設(shè)備通常需要協(xié)同處理車(chē)輛傳感器節(jié)點(diǎn)和基礎(chǔ)交通設(shè)施傳輸過(guò)來(lái)的數(shù)據(jù)。同時(shí)，智慧交通網(wǎng)絡(luò)還實(shí)時(shí)添加或刪除一些邊緣節(jié)點(diǎn)。常見(jiàn)的網(wǎng)絡(luò)測(cè)量具有很高的局限性。軟件定義網(wǎng)絡(luò)的集中控制器可以提供網(wǎng)絡(luò)結(jié)構(gòu)的統(tǒng)一視圖，快速響應(yīng)邊緣節(jié)點(diǎn)的添加和刪除，集中式流量工程更有效。調(diào)整端到端流量路徑以實(shí)現(xiàn)網(wǎng)絡(luò)資源的有效利用，軟件定義網(wǎng)絡(luò)控制器可以快速聚合網(wǎng)絡(luò)資源，從而實(shí)現(xiàn)均勻分配。

軟件定義網(wǎng)絡(luò)提供主動(dòng)和被動(dòng)兩種測(cè)量方法?？刂破鲉?dòng)主動(dòng)測(cè)量方法將測(cè)量數(shù)據(jù)包注入網(wǎng)絡(luò)，方便靈活收集交換機(jī)回復(fù)的信息，控制器可根據(jù)需要主動(dòng)測(cè)量網(wǎng)絡(luò)流量。被動(dòng)測(cè)量方法是通過(guò)觀(guān)察測(cè)量，觸發(fā)開(kāi)關(guān)以收集統(tǒng)計(jì)信息并將其發(fā)送到控制器。被動(dòng)測(cè)量沒(méi)有額外的成本，但缺點(diǎn)是不靈活。在智慧交通網(wǎng)絡(luò)架構(gòu)中，網(wǎng)絡(luò)連接車(chē)載終端、邊緣計(jì)算設(shè)備和云計(jì)算中心，網(wǎng)絡(luò)中存在多個(gè)小流量，因此主動(dòng)測(cè)量方法更適合邊緣-云計(jì)算車(chē)聯(lián)網(wǎng)絡(luò)中的流量測(cè)量。從邏輯上講，所有交換設(shè)備都直接連接到控制器；在物理上，有兩種模式可以部署控制器，即帶內(nèi)和帶外。在帶外模式下，控制器與傳輸網(wǎng)絡(luò)隔離，所有交換機(jī)經(jīng)專(zhuān)用線(xiàn)路連接控制器；在帶內(nèi)模式下，控制指令由其他交換機(jī)經(jīng)專(zhuān)業(yè)虛擬鏈路通過(guò)網(wǎng)絡(luò)傳輸。

筆者提出的基于軟件定義網(wǎng)絡(luò)的車(chē)聯(lián)網(wǎng)流量測(cè)量架構(gòu)，首先采用粗粒度測(cè)量，然后使用估計(jì)和優(yōu)化方法以較低的測(cè)量開(kāi)銷(xiāo)恢復(fù)細(xì)粒度測(cè)量。這些測(cè)量組件安裝在控制器中，并與其他現(xiàn)有軟件定義的測(cè)量框架兼容。所提出的測(cè)量關(guān)鍵技術(shù)包括粗粒度測(cè)量、流量矩陣構(gòu)造、插值和優(yōu)化。通過(guò)收集基于OpenFlow的流統(tǒng)計(jì)信息，可以獲得軟件定義網(wǎng)絡(luò)中基于流的粗粒度測(cè)量；流量矩陣由鏈路負(fù)載、流量和路由矩陣組成，反映了網(wǎng)絡(luò)中流的特征，在流量工程中得到了廣泛的研究；插值是數(shù)據(jù)恢復(fù)的常用方法，被廣泛用于解決復(fù)雜問(wèn)題。用戶(hù)和應(yīng)用程序通過(guò)新穎測(cè)量方案提供的應(yīng)用程序接口(Application Programming Interface，API)執(zhí)行許多測(cè)量任務(wù)，例如鏈路利用率、流量大小分布和異常檢測(cè)，用于支持邊緣計(jì)算車(chē)聯(lián)網(wǎng)中感知道路交通、道路狀況，檢測(cè)交通事故、危險(xiǎn)駕駛等重要事件。

1.2 流量矩陣建設(shè)

源-目的(OD)流量是指網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間的流量。為描述源-目的對(duì)之間的網(wǎng)絡(luò)流量分布，考慮一種簡(jiǎn)單的拓?fù)浣Y(jié)構(gòu)。網(wǎng)絡(luò)中有5個(gè)具有計(jì)算和存儲(chǔ)功能的交換機(jī)，形成網(wǎng)狀網(wǎng)絡(luò)。這5個(gè)交換機(jī)連接到多個(gè)邊緣主機(jī)、車(chē)載終端或數(shù)據(jù)中心。然后，在不同的鏈接中抽象源-目的對(duì)來(lái)構(gòu)建流量矩陣。具有網(wǎng)絡(luò)中每個(gè)源-目的對(duì)的矩陣的網(wǎng)絡(luò)中的流量為

(1)

根據(jù)式(1)，可以獲得業(yè)務(wù)矩陣和標(biāo)記矩陣的列向量：

X=[x11x12…x21x22…xNN]T。

(2)

通過(guò)直接測(cè)量無(wú)法獲得網(wǎng)絡(luò)中的源-目的流量，需要根據(jù)測(cè)量的鏈路流量和網(wǎng)絡(luò)路由矩陣進(jìn)行計(jì)算，并構(gòu)建一個(gè)線(xiàn)性的表達(dá)式來(lái)反映流量矩陣的映射關(guān)系：

Y=AX，

(3)

其中，Y是表示鏈路流量的列向量，X也是表示流量矩陣的列向量，A是路由矩陣。

源-目的流量的解決方案是典型的反轉(zhuǎn)問(wèn)題。由于實(shí)際網(wǎng)絡(luò)中鏈路的數(shù)量遠(yuǎn)小于源-目的流的數(shù)量，因此路由矩陣的行向量?jī)A向于具有高度的相似性，即A不滿(mǎn)秩。面向源-目的流的計(jì)算問(wèn)題是一個(gè)欠定、病態(tài)系統(tǒng)的逆問(wèn)題求解問(wèn)題。

1.3 自回歸移動(dòng)平均模型

在車(chē)聯(lián)網(wǎng)絡(luò)中，邊緣計(jì)算設(shè)備通過(guò)網(wǎng)絡(luò)和車(chē)載終端以及云服務(wù)器連接和傳輸數(shù)據(jù)。網(wǎng)絡(luò)中的流量模型表示為時(shí)間序列模型，有時(shí)間相關(guān)性。自回歸移動(dòng)平均(ARMA)模型可以用于預(yù)測(cè)時(shí)間序列，是由自回歸(AR)模型和移動(dòng)平均(MA)模型組成的。然而，自回歸移動(dòng)平均模型應(yīng)用更為廣泛，并且相較自回歸和移動(dòng)平均模型來(lái)說(shuō)預(yù)測(cè)錯(cuò)誤率更低。

流量可以隨著時(shí)間形成隨機(jī)序列。隨機(jī)序列的相關(guān)性反映了原始數(shù)據(jù)的連續(xù)性。由于自回歸模型能夠及時(shí)展示流量的相關(guān)性，所以一個(gè)車(chē)聯(lián)網(wǎng)絡(luò)流的流量序列x1，x2，…，xt能夠被表示為

(4)

其中，xt是預(yù)測(cè)對(duì)象的觀(guān)測(cè)值，Zt是誤差，βi(i=1，2，…，p)是自回歸系數(shù)，p是序列。由于預(yù)測(cè)對(duì)象xt受自身變化的影響，誤差Zt是白噪聲且是隨機(jī)序列，所以隨機(jī)誤差的移動(dòng)平均模型[20]可以表示為

xt=β1xt-1+β2xt-2+…+βpxt-p+εt+α1εt-1+α2εt-2+…+αqεt-q，

(5)

圖1 用于預(yù)測(cè)流量的自回歸移動(dòng)平均算法模型

其中，α表示移動(dòng)平均模型序列系數(shù)，q表示移動(dòng)平均模型序列個(gè)數(shù)。

ARMA(p，q)模型能夠準(zhǔn)確地確定順序p和q，從而準(zhǔn)確地預(yù)測(cè)流量，再結(jié)合常用的排序標(biāo)準(zhǔn)來(lái)確定順序p和q。最廣泛使用的是AIC標(biāo)準(zhǔn)(A-Information Criterion)。AIC標(biāo)準(zhǔn)是擬合精度和階數(shù)的加權(quán)函數(shù)，使AIC函數(shù)最小的模型被認(rèn)為是最優(yōu)的模型。

在基于軟件定義網(wǎng)絡(luò)邊緣計(jì)算的車(chē)聯(lián)網(wǎng)網(wǎng)絡(luò)中，使用基于拉取的模式來(lái)收取OpenFlow交換機(jī)中的粗粒度網(wǎng)絡(luò)流量統(tǒng)計(jì)信息，利用ARMA(p，q)模型來(lái)填充每個(gè)網(wǎng)絡(luò)流的流量。自回歸移動(dòng)平均的流程圖如圖1所示，其中數(shù)據(jù)處理部分主要通過(guò)時(shí)序分析剔除野點(diǎn)，提高模型估計(jì)的精度。

算法1使用自回歸移動(dòng)平均估計(jì)流的流量。

輸入：初始化設(shè)置，流的數(shù)量為M，粗粒度的流量測(cè)量矩陣為X。

過(guò)程：

① form=1 toM：

② 利用式(7)和式(8)獲取p和q的階數(shù)值；

③ 估計(jì)系數(shù)α和β的值；

④ 計(jì)算誤差值Zt=εt+α1εt-1+α2εt-2+…+αqεt-q；

⑥ end for。

筆者提出的自回歸移動(dòng)平均網(wǎng)絡(luò)流量估計(jì)方案的具體算法可用公式表示為

(6)

利用算法1，可獲得流量矩陣中每個(gè)流的細(xì)粒度估計(jì)結(jié)果。但是，流量的估計(jì)結(jié)果與實(shí)際流量有很大誤差。在邊緣車(chē)聯(lián)網(wǎng)絡(luò)流量中，鏈路負(fù)載反映了網(wǎng)絡(luò)中整體的流量傳輸情況。因此，使用基于拉取的方法發(fā)送請(qǐng)求消息以獲得網(wǎng)絡(luò)中的細(xì)粒度鏈路負(fù)載。網(wǎng)絡(luò)中的細(xì)粒度的流量可以表示成

(7)

其中，A是路由矩陣。

為了降低估算結(jié)果和實(shí)際流量結(jié)果的偏差，構(gòu)造一個(gè)帶有約束條件的優(yōu)化目標(biāo)函數(shù)來(lái)估計(jì)網(wǎng)絡(luò)流量值。目標(biāo)函數(shù)如下所示：

(8)

1.4 人工魚(yú)群算法

人工魚(yú)群算法利用了水中的魚(yú)可以根據(jù)個(gè)體搜索和跟蹤其它魚(yú)類(lèi)來(lái)找到食物源這一思路，模擬了魚(yú)群向水中食物區(qū)域移動(dòng)時(shí)的覓食行為。通過(guò)模擬每條魚(yú)的行為，尋找每條魚(yú)的局部最優(yōu)，最終實(shí)現(xiàn)魚(yú)群的全局最優(yōu)值。其中，人工魚(yú)(AF)是一種抽象虛擬化的魚(yú)實(shí)體，它封裝了自己的數(shù)據(jù)和一系列的行為，能夠接受環(huán)境刺激信息并產(chǎn)生出相應(yīng)的行為。其所在的環(huán)境中包含問(wèn)題的解決方案空間和其它人工魚(yú)的狀態(tài)。它在下一刻的行為取決于它自己的狀態(tài)和環(huán)境，它也通過(guò)自己的活動(dòng)來(lái)影響環(huán)境，從而影響其它人工魚(yú)的活動(dòng)。

人工魚(yú)的外部感知是通過(guò)視覺(jué)實(shí)現(xiàn)的。人工魚(yú)模型使用如下方法來(lái)實(shí)現(xiàn)人工魚(yú)的虛擬視覺(jué)：

Xv=X+dvisualR(·)，

(9)

(10)

其中，X是人工魚(yú)的當(dāng)前狀態(tài)；dvisual是人工魚(yú)的視距；R(·)是一個(gè)隨機(jī)函數(shù)，它產(chǎn)生一個(gè)0到1之間的隨機(jī)數(shù)；S是步長(zhǎng)。

人工魚(yú)的4種基本行為如下。

(1) 覓食行為。覓食行為用來(lái)表示每條魚(yú)向食物靠近的過(guò)程。通常通過(guò)視覺(jué)感知或食物濃度來(lái)確定人工魚(yú)活動(dòng)的方向。

首先設(shè)置人工魚(yú)的當(dāng)前狀態(tài)，并在其感應(yīng)范圍內(nèi)隨機(jī)選擇另一個(gè)狀態(tài)。如果獲得的狀態(tài)的目標(biāo)函數(shù)大于當(dāng)前狀態(tài)，則通過(guò)新選擇獲得更近一步的狀態(tài)；否則，重新選擇新?tīng)顟B(tài)以確定是否滿(mǎn)足條件。在選擇若干次后，選擇最優(yōu)的滿(mǎn)足條件作為下一步活動(dòng)的基準(zhǔn)。如果仍未滿(mǎn)足條件，則繼續(xù)隨機(jī)移動(dòng)一步。從而，整個(gè)覓食行為可以表示如下：

人工魚(yú)Xi隨機(jī)選擇其視野中的狀態(tài)Xj，且

Xj=Xi+dvisuanlR(·)。

(11)

然后，計(jì)算目標(biāo)函數(shù)值fi和fj的值Xi和Xj。如果發(fā)現(xiàn)Xj比Xi更優(yōu)，Xi向這個(gè)方向移動(dòng)一個(gè)步長(zhǎng)，并且新?tīng)顟B(tài)為

(12)

否則，Xi繼續(xù)去選擇其視野中的Xj來(lái)判定前進(jìn)方向是否滿(mǎn)足條件。在反復(fù)嘗試數(shù)次之后，仍然不滿(mǎn)足前進(jìn)條件，就會(huì)執(zhí)行隨機(jī)行為。

(2) 集群行為。大量的人工魚(yú)聚集在一起，共同覓食和躲避捕食者，這是魚(yú)群在進(jìn)化過(guò)程中形成的一種生活方式。每個(gè)人工魚(yú)通過(guò)探索當(dāng)前鄰居中的同伴數(shù)量并計(jì)算同伴的中心位置，將新獲得的中心位置的目標(biāo)函數(shù)與當(dāng)前位置的目標(biāo)函數(shù)進(jìn)行比較。如果中心位置的目標(biāo)函數(shù)優(yōu)于當(dāng)前位置并且不是非常擁擠，則當(dāng)前位置向中心位置移動(dòng)一步；否則，執(zhí)行覓食行為。魚(yú)群遵循兩條規(guī)則：盡可能地移動(dòng)到鄰近同伴的中心，并避免過(guò)度擁擠。集群行為可以被表示如下：

人工魚(yú)Xi搜索當(dāng)前視野d≤dvisual中的同伴數(shù)量nf和中心位置Xc。如果Xc/nf>δXi，則表明合作同伴中心的位置更優(yōu)而且不那么擁擠，這時(shí)Xi向合作同伴的中心位置移動(dòng)一步； 否則，將終止覓食過(guò)程。

(13)

其中，Xc是同伴的中心位置，δ表示擁塞因子。

(3) 追隨行為。當(dāng)一條魚(yú)或幾條魚(yú)找到食物時(shí)，它們附近的其它魚(yú)將隨之而來(lái)，導(dǎo)致其余魚(yú)離得更遠(yuǎn)。當(dāng)最佳位置的目標(biāo)函數(shù)值大于當(dāng)前位置的目標(biāo)函數(shù)值并且不是非常擁擠時(shí)，當(dāng)前位置的魚(yú)向最佳鄰居魚(yú)移動(dòng)一步；否則，執(zhí)行覓食行為。追隨行為可以表示為算法2。

算法2使用人工魚(yú)群算法優(yōu)化細(xì)粒度的網(wǎng)絡(luò)流量。

過(guò)程：

② while True：

③ 執(zhí)行prey()，swarm()，follow()的過(guò)程

⑤ break；

⑥ else

⑧ 更新公告板B，

⑨ end。

⑩ end while。

人工魚(yú)Xi在當(dāng)前視野(dijδXi，則表明最佳同伴不太擁擠，Xj向同伴移動(dòng)一步；否則，執(zhí)行覓食行為。

(14)

(4) 隨機(jī)行為。Move(·)是覓食行為的默認(rèn)行為，這意味著人工魚(yú)在視野內(nèi)隨機(jī)移動(dòng)。當(dāng)發(fā)現(xiàn)食物時(shí)，它會(huì)朝著食物增加的方向快速移動(dòng)。該算法描述了人工魚(yú)Xi隨機(jī)移動(dòng)一步并達(dá)到新?tīng)顟B(tài)：

(15)

公告板：公告板是記錄最佳人工魚(yú)個(gè)體狀態(tài)的地方。在執(zhí)行一次迭代之后，每個(gè)人工魚(yú)將其當(dāng)前狀態(tài)與公告板中記錄的狀態(tài)進(jìn)行比較。如果它優(yōu)于公告板中的狀態(tài)，則更新公告板中的狀態(tài)為自身的狀態(tài)；否則，公告板的狀態(tài)保持不變。當(dāng)整個(gè)算法的迭代結(jié)束時(shí)，公告板的值是最佳解決方案。

AFSA算法詳細(xì)過(guò)程如算法2所示。對(duì)于邊緣計(jì)算車(chē)載網(wǎng)絡(luò)中的流量，每個(gè)流可以用一個(gè)人工魚(yú)表示。在A(yíng)FSA模型中，行為評(píng)估是反映人工魚(yú)自主行為的一種方式。選擇最佳行為和更好的方向是解決優(yōu)化問(wèn)題的關(guān)鍵。為了解決優(yōu)化問(wèn)題，需要評(píng)估操作結(jié)束得到的值，并選擇一個(gè)最佳方案執(zhí)行，人工魚(yú)的默認(rèn)行為是覓食行為。

2 仿真分析

圖2 車(chē)聯(lián)網(wǎng)絡(luò)拓?fù)涞姆抡鎴?chǎng)景

為評(píng)估所提出的測(cè)量方案的性能，搭建了一個(gè)軟件定義網(wǎng)絡(luò)測(cè)試平臺(tái)，并用python編寫(xiě)了測(cè)量模塊。利用Ryu作為控制器，用Mininet對(duì)車(chē)載終端、交換機(jī)、邊緣處理器及其鏈路進(jìn)行仿真，并在Mininet中使用Open vSwitch對(duì)基于openflow的交換機(jī)進(jìn)行仿真。在基于openflow的交換機(jī)中，流通過(guò)源IP、目標(biāo)IP、源MAC、目標(biāo)MAC和端口來(lái)匹配流表中的流條目，從而生成從一臺(tái)處理器到另一臺(tái)處理器的多流。Iperf作為一個(gè)數(shù)據(jù)生成工具，它可以生成大量的數(shù)據(jù)來(lái)仿真真實(shí)的數(shù)據(jù)流量，并為網(wǎng)絡(luò)中的每個(gè)鏈路填充鏈路負(fù)載。為簡(jiǎn)化實(shí)驗(yàn)，仿真了一個(gè)由7個(gè)基于openflow的交換機(jī)、7個(gè)處理器和1個(gè)Ryu控制器組成的網(wǎng)格拓?fù)浣Y(jié)構(gòu)，如圖2所示。將測(cè)量模塊編程導(dǎo)入控制器，調(diào)用周期采樣模塊，通過(guò)OpenFlow協(xié)議向交換機(jī)發(fā)送讀取狀態(tài)信息。

2.1 仿真指標(biāo)

為驗(yàn)證所提出測(cè)量方案的性能，引入了一些常見(jiàn)的誤差評(píng)價(jià)指標(biāo)，如絕對(duì)誤差(AE)和相對(duì)誤差(RE)。絕對(duì)誤差反映了實(shí)際流量與測(cè)量結(jié)果之間的偏差。絕對(duì)誤差越小，測(cè)量越準(zhǔn)確。相對(duì)誤差是測(cè)量絕對(duì)誤差與實(shí)際值的比值，反映測(cè)量的可信度。絕對(duì)誤差和相對(duì)誤差可以表示為

(16)

(17)

2.2 仿真評(píng)估

圖3 測(cè)量網(wǎng)絡(luò)流量的不同方法的曲線(xiàn)

為了驗(yàn)證所提算法的性能，首先構(gòu)建一個(gè)車(chē)聯(lián)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，如圖2所示，并使用Iperf生成TCP包來(lái)填充網(wǎng)絡(luò)中從源主機(jī)到目標(biāo)主機(jī)的每個(gè)鏈接，使用提出的測(cè)量方案來(lái)測(cè)量所有的流量。通過(guò)對(duì)網(wǎng)絡(luò)流量的采集，發(fā)現(xiàn)在智慧城市通信網(wǎng)絡(luò)中，每個(gè)流量的數(shù)據(jù)具有相似的特征，如圖3所示，因此隨機(jī)選取一條流量f作為討論的例子。本方案使用自回歸移動(dòng)平均和AFSA模型來(lái)估計(jì)和優(yōu)化細(xì)粒度網(wǎng)絡(luò)流量，因此使用ARAF來(lái)表示所提出的測(cè)量方案。然后，將筆者所提方案與即細(xì)粒度測(cè)量(采樣間隔為1s的周期采樣)(FG)以及主成分分析(PCA)和SNRG等方案進(jìn)行了比較。圖3顯示出不同估計(jì)方法下的網(wǎng)絡(luò)流量。注意到ARAF、PCA、SNRG都反映了流f1的變化。其中，PCA的波動(dòng)幅度比其他方法大得多，而SNRG、FG和筆者所提的ARAF算法的性能接近實(shí)際流量。

圖4和圖5分別給出不同方法的絕對(duì)誤差和相對(duì)誤差。FG是一種細(xì)粒度測(cè)量方法，它還具有ARAF大于細(xì)粒度測(cè)量方法的聲發(fā)射。圖4和圖5表明網(wǎng)絡(luò)流量波動(dòng)是顯著的，ARAF、SNRG和PCA的絕對(duì)誤差都超過(guò)了1 MB/s。原因之一是通信量具有隨機(jī)性，估計(jì)方法在估計(jì)過(guò)程中不能反映高斯噪聲，但兩者都能反映通信量波動(dòng)的趨勢(shì)。不同流量的測(cè)量值有相似的趨勢(shì)，ARAF、SNRG測(cè)量方法的相對(duì)誤差小于0.3，主成分分析的相對(duì)誤差最大。并將主成分分析法的絕對(duì)誤差和相對(duì)誤差值與所提出的方法和細(xì)粒度測(cè)量方法進(jìn)行了比較，所提方法的絕對(duì)誤差和相對(duì)誤差均小于主成分分析方法，但大于細(xì)粒度方法。

圖4 不同測(cè)量方法的絕對(duì)誤差

圖5 不同方法的相對(duì)誤差

在圖6中分別比較了不同測(cè)量方法下的相對(duì)誤差的累積分布函數(shù)。可以看出，所提方法相比于PCA方法和SNRG方法在誤差方面表現(xiàn)的更好。由于FG方法為細(xì)粒度測(cè)量，測(cè)量開(kāi)銷(xiāo)巨大，所以不適用于靈活的車(chē)聯(lián)網(wǎng)絡(luò)流量估計(jì)。筆者提出的ARAF方法使用粗粒度的測(cè)量結(jié)果來(lái)幫助自回歸移動(dòng)平均模型獲得細(xì)粒度的測(cè)量結(jié)果，并使用AFSA算法來(lái)降低估計(jì)誤差，因此估計(jì)效果最接近最優(yōu)。圖7顯示了4個(gè)不同方法的車(chē)聯(lián)網(wǎng)絡(luò)流量測(cè)量的空間相對(duì)誤差。從圖中可以看出，筆者所提ARAF算法的測(cè)量結(jié)果的穩(wěn)定性相比SNRG和PCA要好得多，與細(xì)粒度采樣方案FG測(cè)量結(jié)果的平穩(wěn)性比較接近，但是略差于FG測(cè)量方案。從圖6和圖7可以看出，筆者所提出的ARAF測(cè)量方案是可行的。

圖6 相對(duì)誤差的累積分布函數(shù)圖

圖7 空間相對(duì)誤差圖

3 結(jié)束語(yǔ)

筆者研究了智慧交通的車(chē)聯(lián)網(wǎng)絡(luò)流量估計(jì)問(wèn)題，提出了一種基于軟件定義網(wǎng)絡(luò)的車(chē)聯(lián)網(wǎng)絡(luò)流量測(cè)量方法。該方案分為兩個(gè)主要階段：第1階段，采用抽樣方法對(duì)基于openflow的交換機(jī)中鏈路和流量的統(tǒng)計(jì)信息進(jìn)行采集，得到粗粒度的測(cè)量結(jié)果；第2階段采用自回歸移動(dòng)平均模型對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)，利用AFSA方法對(duì)細(xì)粒度估計(jì)結(jié)果進(jìn)行優(yōu)化，降低測(cè)量誤差。最后，通過(guò)仿真驗(yàn)證了筆者提出的測(cè)量結(jié)構(gòu)和方案，仿真結(jié)果表明該測(cè)量方法是有效的。