面向6G VR業務的數據測量方法及基于到達曲線的業務基本特征研究

高月紅 王小琦 洪霄

（北京郵電大學信息與通信工程學院）

摘要：虛擬現實（Virtual Reality，VR）是未來6G時代的一個重要應用場景，但由于傳統業務模型已無法精準刻畫其業務的特征，我們提出了一種基于測量的VR業務數據采集與分析建模方案。考慮到不同VR業務之間的差異性，選取VR 3D全景視頻與在線游戲兩種業務展開研究，分別分析了上行和下行業務流的基本特征，包括數據速率、數據包長度和包間隔的概率分布等。此外，依托業務流累積到達過程和網絡演算理論提出了一種普適的確知到達曲線建模方案，并基于測量數據推導了確知到達曲線的參數取值。

0 引言

隨著網絡與通信技術的飛速發展，新型的網絡應用和業務不斷涌現。VR技術是一種能夠創造逼真的三維視覺、觸覺、聽覺等多種感官體驗的虛擬世界技術。VR技術可以廣泛應用于文化娛樂、醫療健康、教育、社會生產等眾多領域，人們將不受時間、空間的限制，打通虛擬場景與真實場景的界限，實現沉浸化的業務體驗[1]。目前，VR業務不斷向著超高清、3D、沉浸式實時交互的方向推進，將能夠助力各行各業的數字化轉型[2]。IMT-2030（6G）推進組也對包含VR技術在內的多種擴展現實技術提出了沉浸式云上系統的新暢想[3]。由此可見，VR是未來6G時代的一個重要應用場景，研究其業務特征對于服務質量保障的提升有重要意義。然而，VR、在線直播、在線會議等新業務的數據流量呈現出新的行為特征且互不相同。一些傳統的業務模型，如泊松流量模型，已經無法精準刻畫這些新業務的流量特征。因此，對真實網絡中數據流量的分析、精準擬合以及流量行為特征提取成為流量模型建立的重要理論基礎支撐。此外，不同的業務類型所要求的服務質量（Quality of Service，QoS）也不盡相同[4]。了更好地保證QoS要求，需要對每種業務類型的特征進行研究和建模[5]。與此同時，對業務模型的研究以及對業務特征的挖掘也能夠為網絡規劃、網絡優化等方面提供數據支撐。

目前學術界對業務模型的研究主要分為兩個方向：基于傳統理論的業務數學模型研究，包括ON/OFF模型[6]、馬爾科夫調制的泊松模型（Markov Poisson ，MMPP）[7]，以及基于機器學習與神經網絡的流量預測模型研究，例如，差分自回歸滑動平均模型（Auto- Moving Average Model，ARIMA）[8-9]、長短期記憶網絡模型（-Term Memory，LSTM）[10]。然而，基于傳統理論的數學模型應用范圍受限，很難應用于其他新型業務的流量刻畫。基于機器學習與神經網絡等方法雖然可以用于流量預測，但它們沒有給出能夠表征流量行為特征的模型，也就無法建立分析框架進行QoS分析。由此，基于真實網絡測量的業務特征挖掘與業務模型研究對于一些新型業務而言十分必要。

學術界已有的基于測量的業務模型研究相對較少。Gao等人提出了一種基于測量的業務數據采集方案和處理方法[11]，分析了網頁在線視頻業務不同分辨率設置下的業務流特征。而目前學術界對VR業務模型基于實際網絡測量的研究仍處于空白階段。因此，本文選擇對VR業務的流量特征進行研究，基于對真實網絡業務流的測量與數據采集，選取VR 3D全景視頻業務和VR游戲業務兩種典型VR業務場景進行研究。由于在線業務通常是雙向的，即包含上行和下行兩個方向的數據傳輸，本文對所選取的兩個VR典型業務的雙向流的業務特征分別進行了分析。

3GPP（3rd Project）標準組織也對VR業務模型進行了一些標準化探討。3GPP的技術報告38.838 文件從視頻幀角度，將下行VR業務的視頻幀數據長度的概率分布建模為截斷高斯分布，將上行VR業務視頻幀數據長度的概率分布建模為均勻分布[12]。此外，值得注意的是，除了以視頻幀為分析角度外，3GPP同時也從IP數據包角度對VR業務進行過分析討論。在本文研究中，我們選擇從IP數據包的角度進行分析。

本文依托真實網絡設備和真實VR業務，提出了一種基于真實網絡測量的VR業務數據采集與分析處理方案，并利用網絡演算理論[13-14]對VR業務進行建模，該方案可以擴展應用到其他業務場景中。本文的組織結構如下：第一部分介紹了VR業務傳輸系統模型以及數據采集方案；第二部分詳細分析了兩種VR業務上行和下行鏈路業務流的基本特征，包括數據速率、數據包長度、數據包時間間隔等指標的統計結果；第三部分從累積到達過程的角度，基于網絡演算理論給出了一種到達曲線建模方案，并基于該方法分別對兩種VR業務進行了建模分析；第四部分對本文進行了總結。

1 業務傳輸系統模型

為了研究VR設備發送以及接收的數據流的業務特征，即上行和下行數據流，需要首先搭建數據采集與測量環境。本文采用如圖1所示的測試系統捕獲VR業務上行和下行的IP數據包。其中，VR頭戴式顯示器（Head-Mounted Display，HMD）通過連接計算機的熱點而連接到互聯網之中。流f1和f3為上行數據流，流f2和f4為下行數據流，且f1包含f3，f2包含f4。本文所研究的重點為VR業務特征，因此需要捕獲流f3和f4中的IP數據包來進行分析。

圖1 業務傳輸系統模型

本研究使用網卡監控軟件來捕獲所有數據包。是一個廣泛使用的網絡協議分析器，具有豐富的功能，如實時捕獲和離線分析，支持包括Windows和Linux在內的多個平臺，擁有強大的顯示過濾器，并能夠讀寫不同的捕獲文件格式等。因此，在本研究中，數據采集所需的計算機需要安裝有軟件，并具備熱點功能。VR頭戴式顯示器與計算機熱點連接后，VR設備與遠端服務器的上下行數據傳輸都將通過計算機中對應的虛擬網卡。因此，在計算機上利用軟件捕獲經過計算機虛擬網卡的數據包，即捕獲到了VR設備與遠端服務器之間傳輸的全部數據包。值得注意的是，在數據采集過程中需要確保沒有其他設備連接到該計算機的同一個熱點上，這樣捕獲到的數據包才是完全的VR業務數據。真實數據采集與測量環境如圖2所示。

圖2 數據采集與測量環境

具體而言，整個數據采集過程包括以下步驟。

（1）連接VR設備到計算機的熱點上。

（2）打開計算機的，選擇VR設備連接的虛擬網卡。

（3）運行VR設備中的待測試業務，并同時運行計算機中的，開始捕獲數據包。

（4）一段時間后，停止中的數據包捕獲，并保存。

（5）對不同VR業務場景，重復步驟（3）和（4）。

2 VR業務基本特征分析

我們使用前文所述的測量系統分別對VR 3D全景視頻業務以及VR游戲業務的數據流進行了測量采集。考慮到雙向數據流所展現出的不同特性，本文對VR設備發出的數據流和VR設備接收到的數據流分別進行了分析和討論，即分別對上行數據和下行數據進行統計分析，具體包含以下指標。

（1）業務流：數據包總數、總數據量、平均速率。

（2）數據包長度：最小值、最大值、平均值、概率分布統計。

（3）數據包時間間隔：最小值、最大值、平均值、概率分布統計。

2.1 VR 3D全景在線視頻業務測量結果與分析

針對VR 3D全景視頻業務，測試人員分別對1080P、2K、4K三種分辨率設置下同一個3D全景視頻進行了測量，并對上行和下行業務分別進行了分析。由于目前3D全景視頻資源較少，視頻時長也較短，因此本研究選取了一個300 s的3D全景視頻進行測試分析。本小節將分別對數據業務的基本特征、數據包長度與時間間隔的概率分布統計進行分析介紹。

2.1.1 數據速率和其他基本特征

表1統計比較了不同分辨率的3D全景視頻業務上行和下行的數據包個數、總數據量、平均數據速率以及數據包長度和時間間隔等指標。從統計分析的結果可以看出，下行數據量遠遠高于上行數據量。這是因為在線3D全景視頻的觀看主要是從遠端服務器下載視頻內容，由此就造成了相較于上行數據，鏈路中傳輸的更多是下行方向的視頻業務數據。此外，更高的分辨率也會帶來更多的數據量傳輸和更高的平均數據速率。對于數據包長度，我們發現不同分辨率的上行和下行數據包長度的最大值和最小值分別保持一致。同時，上行和下行數據包長度的均值也分別在同一個較小的范圍內波動，如上行數據包長度均值在0.519 8~0.547 2 kbit范圍內，下行數據包長度均值在11.658~11.740 kbit范圍內。對于數據包時間間隔，可以發現隨著分辨率的提高，數據包到達或者離開計算機的時間間隔在逐漸減小，說明高分辨率下數據包的傳輸更快。

表1 不同分辨率下的VR 3D全景視頻業務測量結果

2.1.2 數據包長度與時間間隔的概率分布統計

本小節將進一步分析數據包長度和時間間隔的概率密度分布。上行和下行兩個方向數據包長度的概率分布如圖3所示。從圖中可以看出，其概率分布較為集中。例如，在圖3（a）中，三種分辨率的上行數據包長度為0.432 kbit的概率均超過44%；在圖3（b）中，下行數據包長度等于11.952 kbit的概率均超過95%。表2對上述概率分布進行了詳細匯總。從中也可以看出，下行數據包長度要大于上行數據包長度，因為并沒有過多的上行數據傳輸需求，這對于視頻業務而言是不難理解的。此外，最大數據包長度受到以太網最大傳輸單元（Maximum Unit，MTU）的限制。

圖3 VR 3D全景視頻業務數據包長度的概率分布統計

表2 VR 3D全景視頻業務數據包長度分布概率

上行和下行兩個方向數據包時間間隔的概率分布如圖4所示，可以看出數據包時間間隔的分布也是相對集中的。在圖4（a）中，三種分辨率的上行數據包時間間隔在0 μs時均達到83%以上。值得注意的是，“0 μs”表示相鄰數據包之間的時間間隔小于1 μs，因為1 μs是可以區分的最小時間單位。在圖4（b）中，下行數據包時間間隔在14~25 μs之間的概率約為88%。

圖4 VR 3D全景視頻業務數據包時間間隔的概率分布統計

2.2 VR在線游戲業務測量結果與分析

由于目前VR在線游戲的種類較為單調，本研究選擇對一個典型的射擊游戲業務進行測量與分析，同樣分為上行和下行兩個方向進行研究。我們捕獲了不間斷游戲1 000 s的射擊游戲業務IP數據包，然后對上行和下行的數據業務的基本特征、數據包長度與時間間隔概率統計進行分析。

2.2.1 數據速率和其他基本特征

表3統計比較了在線游戲業務上行和下行的數據包個數、總數據量、平均數據速率以及數據包長度和時間間隔等業務特征指標。從統計結果可以看出，上行數據量遠遠高于下行數據量，與上一小節中在VR線視頻觀看業務的統計結果相反。這是因為在線3D全景視頻的觀看主要需要從遠端服務器下載視頻內容。對于固定場景的射擊游戲業務而言，更多的數據傳輸產生在從用戶端向遠端服務器傳輸擊打位置的信息等，而游戲畫面場景相對固定，不需要反復傳輸，因此也就造成了下行鏈路較低的數據量。此外，對于數據包長度與時間間隔，可以發現上行數據包長度均值大于下行數據包長度均值，且上行數據包時間間隔遠小于下行數據包時間間隔。由此可見，對于本研究所選擇的在線射擊游戲業務而言，數據傳輸更多地發生在上行鏈路上。

表3 VR 游戲業務測量結果

2.2.2 數據包長度與時間間隔的概率分布統計

下面進一步分析在線游戲業務數據包長度和時間間隔的概率密度分布。上行和下行兩個方向數據包長度的概率分布如圖5所示，可以看出其概率分布也較為集中。其中，上行數據包長度在3.472~4 kbit范圍內的概率為78.53%，下行鏈路0.432 kbit長度的數據包占到了全部下行數據包的53.16%。從概率分布圖上也可看出，下行數據包的長度要普遍小于上行數據包的長度，這與上一小節中分析的VR在線視頻觀看業務相反。這是因為本研究選取的射擊游戲業務更多的是要從用戶端向遠端服務器傳輸擊打位置的信息等,游戲畫面場景相對固定，下行的數據傳輸量相對較小。

圖5 VR游戲業務數據包長度的概率分布統計

上行和下行兩個方向數據包時間間隔的概率分布如圖6所示。概率分布統計顯示，上行數據鏈路有77.25%的數據包間隔為0 μs，表示兩個報文之間的時間間隔小于1 μs的數據包占到了77.25%，因為1 μs是可以區分的最小時間單位。對這一現象的解釋說明需要進一步觀察其累積到達過程，本文將在3.2.2小節中對此進行詳細說明。下行數據包時間間隔的分布較為分散，在概率分布圖上最為突出的數據包時間間隔的是16 μs，對應的概率為3.814%，時間間隔小于90 μs的占到下行總量的26.69%。

圖6 VR游戲業務數據包時間間隔的概率分布統計

3 累積到達過程與到達曲線

從前文的分析中可以看出，雖然數據包長度、數據包時間間隔等方面可以幫助分析VR業務特征，但是并不能全面的、直觀的反映業務流的產生規律。因此，本章將從累積到達過程角度對業務特征進行分析，并利用網絡演算理論對其進行建模。本章將首先簡要介紹網絡演算與到達曲線相關概念與定義，然后基于測量數據，提出一個適合于本研究場景的到達曲線建模方案，最后分別對3D全景視頻和在線游戲兩種VR業務的累積到達過程和相對應的到達曲線進行分析，給出相應的參數取值。

3.1 網絡演算與到達曲線

網絡演算是一種新的應用于計算機網絡的排隊系統理論，在1991年由R.L.Cruz[13-14]發起，經過30年的發展，現已發展為確知網絡演算和隨機網絡演算兩個分支。在這兩個分支中，建模和分析都是基于兩個概念：到達曲線和服務曲線。到達曲線用來描述業務流量到達的過程，服務曲線用來描述系統的服務過程。本文重點研究的是業務流量的建模，因此首先對到達曲線進行介紹。

業務流量可以從不同的角度對其進行建模，例如數據包長度的分布和數據包到達間隔的分布。在網絡演算中，用業務流的累積到達過程A(t)來建模，函數A(t)為左連續函數，且滿足t≥0，A(0)=0。對任意0≤s≤t，用A(s,t)=A(t)-A(s)來表示在時間間隔(s,t]內到達的總數據量。特別地，將A(0,t)簡寫為A(t)，表示從0到t到達系統的總數據量。

我們定義集合F為非負廣義遞增函數的集合，對任意函數f∈F，滿足

F={f(·):?0≤x≤y,0≤f(x)≤f(y)} （1）

其中，對任意xf(x)=0。由累積到達過程的定義可知，A(t)∈F。

對一個業務流的累積到達過程而言，如果在時間間隔(s,t]內累積到達的數據量A(s,t)的確定上邊界函數為α(t-s)，則該業務流有確知到達曲線。圖7給出了到達過程與確知到達曲線之間關系的示意圖。確知到達曲線的詳細定義如下[15]。

圖7 累積到達過程與確知到達曲線之間的關系說明

（定義：確知到達曲線）若業務流具有確知到達曲線α∈F，則對所有0≤s≤t，其到達過程A(t)滿足

A(t)-A(s)≤α(t-s) （2）

或者，等效地滿足A(s,t) ≤ α(t-s)。

對到達曲線建模的關鍵是累積到達過程，而累積到達過程的刻畫需要捕獲目標業務流中的每個數據包，并采集它們的到達或者離開計算機的時間和對應的數據包長度。基于采集到的數據包長度與時間，下一小節將介紹一種基于實測數據的到達曲線建模方法，并能夠得到其精確的數學表達式。

3.2 到達曲線分析方法

基于網絡演算理論，我們可以利用累積到達過程建模出業務流的到達曲線。首先對到達過程進行擬合，找到線性擬合曲線的斜率ρ，然后將曲線上移σ直至超過累積到達過程，這樣就得到了確知到達曲線，

A(t)≤ρt+σ （3）

由定義可知，到達曲線并不唯一，但到達曲線越接近真實的累積到達過程越好。因此，在確定不同業務場景的A（t）時，選用最小的σ來刻畫到達曲線。對VR 3D全景視頻觀看業務和在線視頻業務的累積到達過程與到達曲線建模參數結果統計，總結在下一小節中。

3.3 累積到達過程分析與到達曲線建模

上一小節給出了到達曲線的分析方法，接下來我們將利用這一方法，基于累積到達過程的統計結果分別對VR 3D全景視頻業務和在線游戲業務的到達曲線進行建模。

3.3.1 VR 3D全景視頻業務

通過對VR 3D全景視頻業務累積到達過程統計結果的觀察，可以發現，1080P、2K、4K三個清晰度上下行業務流均可用包含兩段線性函數的分段函數進行擬合。對于不同的分辨率設置而言，到達曲線不是唯一的，但越接近真實的累積到達過程越好。基于測量數據，各分辨率到達曲線的參數取值匯總在表4中。如圖8，繪制了各分辨率上下行VR 3D全景視頻業務累積到達過程與到達曲線，我們能夠很直觀地看出到達曲線刻畫的是累積到達過程的上邊界。此外，上行數據量遠小于下行數據量，且隨著視頻分辨率的提升，上下行總數據量也在隨之增加。

表4 VR 3D全景視頻業務到達曲線參數匯總

圖8 VR 3D全景視頻業務累積到達過程與到達曲線

3.3.2 VR 在線游戲業務與VR

3D全景視頻業務流累積到達過程所展現出的分段特性不同，本研究所選擇的在線射擊游戲業務上下行的累積到達過程的擬合曲線呈現出線性函數的特點，不具備分段的特性。利用3.2小節的分析方法，可以得出上下行到達曲線的具體參數取值，結果匯總如表5所示。

表5 VR在線游戲業務到達曲線參數匯總

圖9繪制了VR游戲業務累積到達過程與到達曲線。對比上行和下行的累積到達過程，尤其是從局部放大圖窗中的小時間尺度觀察角度來看，上下行業務流的到達均呈現出階段性數據突發的特點。上行業務流的數據突發間隔比下行業務流的突發間隔更小，由此就不難解釋2.2.2小節中所發現的，對上行業務流數據包間隔的統計結果中小于1 μ的高達77.25%這一現象。

圖9 VR游戲業務累積到達過程與到達曲線

4 結束語

VR是未來6G時代的一個重要應用場景，研究其業務特征對于服務質量保障的提升有重要意義，但傳統的業務模型已經無法精準刻畫這種新業務的流量特征。因此，本文提出了一種基于測量的VR業務數據采集與分析處理方案，并利用網絡演算理論建模了VR業務的確知到達曲線。考慮到不同VR業務之間的區別，本文選取VR 3D全景視頻與VR在線游戲兩種業務進行研究。對VR業務的基本特征分析包含上行和下行兩個方向的數據速率以及數據包長度和包間隔的概率分布統計等。此外，基于對累積到達過程的統計，本文借助網絡演算理論提出了一個普適的業務建模方案，并分別給出了兩種VR業務上行和下行業務流到達曲線的精確數學表達式。通過對統計結果分析發現，不同的VR業務呈現出不同的業務特征。3D全景視頻業務的上行數據量遠小于其下行數據量，而本研究所選擇的VR射擊游戲業務則呈現出上行數據量多于下行數據量的情況。不同的分辨率設置也會導致不同的業務特征，觀看同一3D全景視頻相同的時間，隨著視頻分辨率的提升，其上行和下行數據量均有增加。此外，VR游戲類型的不同也會導致差異化的業務特征，在未來的研究中將會對這一點展開更加詳細的分析討論。

參考文獻

[1] IMT-2030 (6G)推進組. 6G網絡架構愿景與關鍵技術展望白皮書[R], 2021.

[2] IMT-2030 (6G)推進組. 6G典型場景和關鍵能力白皮書[R], 2022.

[3] IMT-2030 (6G)推進組. 6G總體愿景與潛在關鍵技術白皮書[R], 2021.

[4] MAO S, PANWAR S S. A survey of and their in quality of service [J]. IEEE Surveys & , 2006,8(3):2-20.

[5] JHA SK, HASSAN M. QoS[M]. DBLP, 2002.

[6] QIAN Y, GUAN X, JIANG M, et al. and traffic by hybrid [J]. China , 2015(10):147-157.

[7] 蘇寧, 荊濤, 廖鳳華. 蜂窩移動網中基于MMPP業務輸入模型的系統性能分析[J]. 信息通信, 2007, 20(3): 26-29.

[8] MADAN R, P. network traffic: A time series using DWT, ARIMA and RNN[C]//2018:1-5.

[9] SHU Y, YU M, YANG O, et al. traffic and using aRIMA models[J]. IEICE on , 2003, E88B(10).

[10] ZHANG L, ZHANG H, TANG Q, et al. LNTP: An end-to-end online model for network traffic[J]. IEEE Network, 2021.

[11] GAO Y, WANG X, JIANG J, et al. Basic and arrival curve for two-way traffic of online video [C]//7th IEEE on Network and Digital Content (IC-NIDC). IEEE, 2021:240-244.

[12] 3GPP. Study on XR ( Reality) for NR: TR 38.838[R]. 3rd Project: Group Radio Access Network, 2021.

[13] CRUZ R L. A for network delay, part I : network in [J]. IEEE on Theory, 1991(37):114-131.

[14] CRUZ R L. A for network delay, part II : network [J]. IEEE on Theory, 1991(37):132-141.

[15] JIANG Y, YONG L. network [M]. London, 2009.

以上文字來源于《信息通信技術與政策》2022年第9期