技术领域本发明涉及一种描述网络分组损失率边界的方法，尤其是基于多数据流在融合环境下计算分组损失率边界的方法，属于电子通讯领域。
背景技术：
众所周知，在信息通信领域中，基于线性异或网络编码允许网络中的一个或多个节点，将其由不同路径接收到的多个分组，通过线性的信息处理融合成一个单独的编码数据包来接续传输，这一思想完全颠覆了以往数据传输技术，由此彻底改变了传统基于存储转发模式的信息处理理念，能够达到网络信息论中所计算的理论最大吞吐量，于是在工业界和学术界成为了所共同关注的研究方向，并加以广泛应用。但是，现实网络中，数据量所变现出的突发性特征，以及在信息传输和处理过程中的不确定性特征，这些特性都使得经过网络编码融合后的分组处理起来变得异常复杂，而难以对其进行模型搭建和分析计算，与此同时，基于数据流融合操作的新应用新技术都依赖于对这种性能的深刻认识（如流媒体通信、VoIP、视频会议、在线游戏），特别是在网络资源日益紧张的今天，针对这种关键性能之一的分组损失率刻画，对于网络配置和服务质量保证而言显得更加至关重要（如连接允许控制、分组调度算法、流量管理功能）。建立一种基于多数据流在线性网络编码融合机制下的分组损失率边界模型，不仅有利于细致刻画网络服务质量，并且能够打破对缓存容量的理想化假设，使之更贴切于实际应用。目前常见的有关分组损失率问题的求解都或多或少存在一些缺陷：（1）采用马尔可夫模型分析比较直观，但会因为状态空间爆炸而难以计算出确切值，并且融合后的数据流对于马尔可夫基本特性不再保持（如，无记忆性、多个输入流为泊松过程），而相关的分组损失率问题均是基于这类特性来计算的；（2）利用最小加代数来描述分组损失率边界，可以得到一般求解结果，但界限过于松弛，并且难以刻画经过多跳后的性能情况，所给出的结论是一种最保守情况下（最坏情况）的资源配置方案，即使这种情况下的分组损失率边界已经非常紧致，但由于最保守情况发生的概率很小，使得性价比过低，适用面窄；（3）利用数据包的积压模型计算分组损失率，由于此种方法是在缓存为无限大的无损系统中得到的近似结果，因此在实际应用中会产生较大的误差；（4）基于缓存溢出的原理对工作负载的分组损失率进行估计，这种方法通过计算一个缓存队列为Q的系统溢出概率对目标值加以估计，其缺点是工作负载的分组损失率与缓存溢出概率之间的差值一般难以量化；（5）利用复合服务曲线计算分组损失率，这种方法需要在特定的调度算法系统中有效，因此应用范围很小。
技术实现要素：
本发明的目的是为了解决以往技术的不足，特别提出了一种利用随机到达曲线和随机服务曲线，来对多数据流基于线性网络编码融合机制下的分组损失率进行刻画的方法。本发明通过对数据流融合过程中的编码节点进行建模，进而对分组损失率边界进行分析。这种方法从根本上对缓存无限大这一理想假设进行了突破，构造了一个多数据流融合编码机制下直接分析分组损失率边界的理论模型，特别就目前广泛应用的多服务系统而言，不仅能够提高随机服务质量保证，而且能够通过获得统计复用增益来提高网络资源利用率，从而减少网络服务配置中的开支和不确定性。本发明的技术方案为：一种利用随机到达曲线和随机服务曲线，对多数据流在编码融合机制下的分组损失率进行描述的方法，其特征在于包括以下步骤。（1）基于缓存容量为有限条件下的数据包积压分析。（2）建立用于分析分组损失率边界的编码数据流到达曲线模型和服务曲线模型。（3）针对编码节点，考虑数据流融合机制情况下，利用（2）中所述的编码数据流到达曲线和服务曲线，对经过该节点融合后的数据流进行模型搭建。（4）以（3）中所述的节点模型为基础，同时考虑编码机会的概率，得到多数据流融合编码机制下分组损失率边界结果。进一步地，所述步骤（1）的数据包积压分析的具体过程为：对编码节点来说，从数据包进入到缓存空间开始，一旦进入该节点的数据包个数大于该编码节点所处理的数据包的能力，则会产生数据量积压，因此使得数据包出现滞留，其数值是两者之差。进一步地，所述步骤（2）的数据流到达曲线和服务曲线建立的具体过程为：（a）在基于边界流量累计中心到达曲线，其概率的表达形式为，式子中的是一种概率表示，t，s，x是满足和的变量，是时段内到达节点的数据包的个数，是到达过程的到达曲线，是满足递减特性的到达过程的边界函数。通过离散分布簇极值将数据流的边界值特性映射为融合数据流的到达曲线；（b）基于严格随机服务曲线，其概率的表达形式为，其中是网络节点在时段能够提供的服务能力，是服务过程的服务曲线，是服务过程的边界函数，计算得到离开服务器的随机曲线边界函数为卷积运算之后的结果，服务曲线为反卷积运算之后的结果。进一步地，所述步骤（3）的多数据流融合编码节点模型建立的具体过程为：（a）考虑输入数据流个数为2，（b）考虑输入数据流个数为n，n的取值大于2，计算得到所定义的输入数据流到达过程的边界函数均为各个输入流的卷积和，而到达曲线的选择是各个输入流到达曲线的上边界。进一步地，所述步骤（4）的多数据流融合下分组损失率边界计算的具体过程为：（a）数据流完全融合机会的含义是来源于不同输入数据流在经过编码节点时，能够完全编码融合于一条数据流，即来自不同流的数据包积压量融合为一条虚拟数据流到达服务器，再接受服务，（b）与完全融合机会相反，最小融合机会的含义是到达的多个数据流之间无编码融合机会，到达服务器接受服务的仅仅是各个数据流之间的简单叠加，（c）数据流完全融合机会下的分组损失率边界，其边界函数为各个输入数据流边界子函数的代数和，编码融合后的到达曲线为各个输入数据流到达曲线中的上限边界，（d）数据流最小融合机会下的分组损失率边界，其边界函数为各个输入数据流边界子函数的卷积和，编码融合后的到达曲线仍为各个输入数据流到达曲线中的上限边界。所述的多数据流融合下分组损失率边界，与以下参量有关：包括系统缓存容量、到达节点的数据流曲线，而当这些参量确定后，则网络的分组损失率与到达流形成映射关系，然后，再由此种映射关系可以对目标系统的服务能力加以配置，从而可以提高系统资源的利用率，并且避免了因按最保守情况配置所造成的资源浪费。本发明具有如下显著优点：在基于融合编码的多数据流网络性能分析（主要针对分组损失率这一性能）方法中，首创使用了累计流量中心到达曲线和严格随机服务曲线，分别对多数据流的到达过程和服务过程进行建模，体现出两种不同的随机过程的各自关注的行为和特征，并且考虑因缓存队列有限而产生的数据包溢出现象，更加符合网络实际应用中的分析原则，再针对多数据流编码融合服务过程中的特点，对计算中所需的融合叠加特性、融合单流服务特性、以及融合服务保证特性加以理论推导，体现出用户对分组损失率这一网络关键服务质量的需求。首次将分组损失率性能建模中的数据流到达过程和服务过程符号化，使得本发明能够适应网络中多数据流的突发性，以及信息处理的随机性，在本发明所建模型的指导下，能够更高效的将多数据流编码融合技术应用到实际网络中。首次在编码机会概率的范畴研究分组损失率边界，不仅刻画了最大融合机会下的分组损失率边界，同时也对无融合机会情况下的分组损失率边界加以刻画，使得本发明模型架构不失一般性。首次分析计算了多数据流融合机制下的网络分组损失率统计模型，给出了到达过程的边界函数、到达曲线与服务过程的边界函数、服务曲线、缓存容量（用Q表示缓存容量，即存在于缓存空间中数据包的个数）、融合机会这些关键参量之间的理论关系与分布，使得本发明能够更加优化的配置网络资源。附图说明图1是本发明在多数据流编码融合机制下的分组损失率边界建模方法操作流程图。图2是基于缓存容量为Q的流量积压分布图。图3是两个数据流融合的示意图。图4是n个数据流融合的示意图。具体实施方式为使本发明的目的、内容、优越性更加清晰，以下通过说明文件的附图并结合基于线性异或（XOR）编码网络的交换机为实施例子对本发明进行更为详尽的论述。本发明是一种基于多数据流融合服务下，对分组损失率进行分析的一种方法，它是在缓存存在溢出的实际背景下，首先分析流量积压的分布特点，再建立多数据流的到达模型与服务模型，重点包括到达模型的到达曲线和边界函数的表达，以及服务模型的随机服务曲线与边界函数表达，再以此为基础证明关键的数据流融合性质，即融合叠加特性、数据流融合服务特性、融合服务质量保证特性，然后对基于网络编码融合服务机制下的编码节点进行具体分析，基于以上所证明的融合叠加特性、数据流融合服务特性、融合服务质量保证特性，分两个阶段对节点的到达过程的边界函数和到达曲线加以推导，并且从完全融合机会和无融合机会两种情况出发，运用代数学理论建立多数据流融合服务下的系统分组损失率边界性能与相关参量之间的对应关系：即系统缓存容量、到达节点数据流曲线、服务能力、服务质量，从而得到多数据流融合服务下的网络服务质量保证关键性能——分组损失率。参见图1，介绍本发明在多数据流融合编码服务机制下，关于分组损失率边界这一网络服务质量保证关键性能刻画方法的各个具体操作步骤。步骤1、建立多数据流编码融合到达模型，确定到达曲线和边界函数的形式。由于本发明的目的是建立多数据流编码融合机制下分组损失率模型，因此不必过多考虑交换机的各项固有特征，以说明基于融合机制服务背景为主，化繁杂为简洁，在宏观层面上突出体现交换机的编码融合功能即可，增强其实用性。该步骤中建立的到达过程表示为概率，，式中到达曲线（为递增函数），并且其边界函数满足（为递减函数）。步骤2、建立多数据流编码融合的随机服务模型，并确定其服务过程的边界函数和服务曲线。该步骤建立的随机服务过程用概率表示为，，其服务器能提供随机服务曲线，并且具有边界函数为。参见图2，设定缓存长度为Q，则在任意时刻t，缓存空间中的积压数据包为，，为非负值，因此进一步对min{