ns-3 虚拟现实突发流量框架实现与建模分析

通常视频压缩利用帧内和帧间技术。I 帧类似静态图片，P 帧利用时间相关性，B 帧利用前后帧知识。H.264 标准定义了图片组（GoP）。流量跟踪显示 GoP 不是确定性的，较低的目标数据速率下 GoP 往往更大。由于映射策略专有，我们只能观察总体趋势。

流量模型

本节描述如何建模帧大小和帧间周期。

建模帧周期性

为了生成真实的帧周期，需要帧周期的分布、参数、连续周期相关性以及当前帧大小与周期的相关性。为简化模型，假设帧大小和周期独立，随机过程不相关。在所有测量中，Logistic 分布通常是最适合的。

因此，我们将帧周期建模为独立同分布的 Logistic 随机变量 X ~ Logistic(μ, s)，概率密度函数为： $$ f(x; \mu, s) = \frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})^2} $$ 其中 μ 是位置参数，s > 0 是尺度参数，E[X] = μ，std(X) = sπ/√3。

鉴于预期周期和经验周期的一致性，设置 E[X] = μ = 1/F。为了建模标准差，需处理获取的数据。对于足够强大的渲染服务器，标准偏差应与帧速率成反比。

图 2a 显示了 30 和 60 FPS 下的平均标准差。30 FPS 时为 2.7855 ms，60 FPS 时为 1.3646 ms，比率约为 2.04。这表明 IFI 的标准偏差几乎随帧速率减半而加倍。虽然数据不足以稳健泛化，但表明更高的帧速率 F 产生较低的 IFI 标准差 d，遵循逆定律：d = c/F。计算平均值 c = 0.0827。

建模帧大小

我们提出用混合高斯模型（GMM）建模视频帧大小分布，即 V(S) ~ GMM(μ(S), σ²(S))。

显然，均值较低的拟合正态变量与 P 帧相关，均值较高的与 I 帧相关。为了推广模型，GMM 参数应扩展到任意目标数据速率。从获取的流量轨迹 GMM 开始，I 帧和 P 帧的平均帧大小通过线性模型概括，标准差通过幂律拟合。

由于接近零的目标数据速率要求视频帧也接近零，强制线性拟合无截距。即 μ_I(S) = s_I * S, μ_P(S) = s_P * S, σ_I(S) = a_I * S^b_I, σ_P(S) = a_P * S^b_P。

为了使模型更鲁棒，首先用随机初始条件对 GMM 进行 50 次拟合，选择最佳模型，然后按拟合优度加权参数的线性拟合。为了提高可靠性，使用经验数据率作为自变量而非目标数据率。

图 2b 显示 GMM 均值在 S 域中由线性模型很好地拟合，得到参数 s_I = 1.1764 和 s_P = 0.9008。拟合斜率得出 w_P = 0.64。另一方面，GMM 标准差拟合较噪，得到参数 a_I = 26.2065, b_I = 0.5730, a_P = 9.0399, b_P = 0.6251。这表明平均帧大小 S 与 GMM 标准差之间存在近似平方根关系。

帧大小独立于混合模型抽取，而不是模拟 GoP，因为不同目标数据速率下发现了不同的 GoP。

ns-3 实现

为了在模拟网络上正确建模和测试 VR 流量性能，ns-3 中实现了一个灵活的应用程序框架并公开提供。该框架基于 ns-3.33 版本。

提出的框架允许用户通过 BurstyApplication 发送分为多个数据包的数据包突发，然后在可能的情况下，通过 BurstSink 在接收器处重新聚合。由于数据包突发的生成至关重要，定义了一个通用的 BurstGenerator 接口。用户可以扩展该接口实现任意生成器。每个片段都包含一个新的 SeqTsSizeFragHeader，其中包括关于片段和当前突发的信息。

突发应用

受获取的流量跟踪启发，BurstyApplication 定期发送被分割为多个较小片段的数据突发。突发统计信息的生成被委托给扩展 BurstGenerator 接口的对象。还实现了 BurstyHelper 以简化生成和安装。

每个片段携带 SeqTsSizeFragHeader，它是 SeqTsSizeHeader 的扩展，添加了片段序列号和组成突发的片段总数等信息。设置所需的 FragmentSize 后，应用程序将计算生成的碎片数量。

跟踪会通知用户何时发送片段和突发，同时跟踪发送的数量，便于直接计算高级度量。

突发生成器接口

通用 bursty 应用程序可能显示极其不同的行为。例如，应用程序可以以确定的方式周期性地发送数据，或者突发大小或周期可以是随机的。为了适应最广泛的可能性，定义了 BurstGenerator 接口。扩展类必须定义两个纯虚函数：

1. HasNextBurst：确保突发生成器能够生成新的突发大小和下一个周期；
2. GenerateBurst：生成当前突发以及下一个周期（如果存在）的大小。

三个扩展类被提出：

• Simple Burst Generator：受 OnOffApplication 启发，将当前突发大小和下一个周期定义为通用 RandomVariableStreams。局限性在于生成的随机变量的相关性。
• VR Burst Generator：第 3 节中提出的模型的直接实现，其中突发模拟视频帧。可以选择目标数据速率和帧速率。为了生成帧大小和下一个周期，在 ns-3 中加入了 LogisticRandomVariable 和 MixtureRandomVariable。
• Trace File Burst Generator：用户可能希望在 ns-3 中重现流量跟踪。引入了 TraceFileBurstGenerator，利用 CsvReader 解析文件。StartTime 属性允许控制使用文件的哪一部分。

突发接收器

对于已开发的 bursty 框架，提出了对现有 PacketSink 的修改，称为 BurstSink。这个新的应用程序希望从配备了 Bursty 应用程序的用户那里接收数据包，并尝试将片段重新聚合成数据包。

创建 BurstSink 的原因有两个：强调此框架对 UDP 而非 TCP 套接字的依赖，以及在片段和突发级别上跟踪接收。应用程序实现了一个简单的尽力而为聚合算法，假设突发传输持续时间比下一个周期短得多，且所有片段都需要来重新聚合突发。如果后续突发的片段在前一个突发的所有片段之前收到，则丢弃前一个突发。

模型验证与用例

本节介绍获取的虚拟现实轨迹与拟议模型之间的比较，以及一个示例用例。

模型验证

图 3 和图 4 显示了模拟分布和获取的交通轨迹之间的比较。IFI 标准差是松配合的，CDF 显示了模型与两个采集轨迹示例之间的相当大的偏差。这是可以预期的，尽管我们模型的目标是概括实际应用程序的行为。

图 4 显示了不同帧速率和目标数据速率下帧大小的 CDF。该模型对 30 FPS 的数据进行了整体拟合。另一方面，60 FPS 的数据显示了与模型不同的行为。第一种解释是，60 FPS 记录道的经验数据率始终高于目标记录道。尽管如此，我们的模型仍然能够捕获总体分布。

图 5 中的端到端结果显示，除了延迟的第 95 个百分位外，模型和经验数据之间具有良好的一致性。注意片段统计和突发统计之间的差异也很重要。对于 VR 等需要接收整个突发信号以获取所需信息的应用，测量突发级性能至关重要。

用例示例

为了举例说明所提出模型的用途，我们讨论了一个可能感兴趣的场景，其中我们测试了 IEEE 802.11ac 网络在多大程度上可以支持密集的虚拟现实流量。

在图 6 中，展示了多个用户在 Wi-Fi 网络中以 50 Mbps 的目标速率运行 VR 应用程序的场景的模拟结果。固定目标数据速率 R = 50 Mbps，平均视频帧大小 S 和帧速率 F 将具有相同的比率，从而使 30 FPS 流的帧大小是 60 FPS 流的两倍。对于具有固定信道容量的网络，这将转化为延迟也将加倍。

从图 6a 可以看出，平均突发延迟低于规定的最大可容忍延迟 5-9 ms，对于以 30 和 60 FPS 速度传输的最多 8 个用户。相反，如果应授予良好的整体体验质量，95% 延迟的相同界限将只允许系统中最多 5 个用户使用 30 FPS 流，或 7 个用户使用 60 FPS 流。

结论

在本文中，我们提出了一个简单的虚拟现实交通模型，基于超过 90 分钟的交通记录。该模型虽然简单，忽略了二阶统计，但它标志着为这种新颖而独特的流量类型量身定制的网络分析和优化的起点，将更现实的流量模型引入 ns-3。

针对突发应用程序提出的 ns-3 框架是公开的、开源的，以及提出的流量模型的实现和实验获得的实际流量跟踪。我们还试图将该模型推广到任意目标数据速率和帧速率。未来的工作将侧重于提高这种方法的质量和通用性，考虑二阶统计，并在几个虚拟现实应用程序上进行更多的采集。