Исследование свойств сигнального трафика протокола SIP

Тип работы:
Реферат
Предмет:
ТЕХНИЧЕСКИЕ НАУКИ


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Исследование свойств сигнального трафика протокола SIP
Ключевые слова:
сигнальный трафик, протокол SIP, управление сетью, IP-коммуникация, VoIP, параметр Херста
Рассмотрены подходы к изучению трафика IP-коммуникаций, дан обзор работ в области исследования сигнального трафика современных сетей связи. Проведен статистический анализ трафика протокола SIP (Session Initiation Protocol), собранного на сети крупного отечественного оператора IP-телефонии. В результате анализа в трафике выявлены свойства самоподобия, учет которых позволит оптимизировать управление сетью на базе протокола SIP.
Росляков А. В. ,
д.т.н., профессор ПГУТИ
Кашин М. М. ,
аспирант ПГУТИ
Введение
С появлением в середине 90-х годов прошлого столетия технологии передачи голоса по пакетной сети на базе протокола IP (Voice over IB VoIP) началась новая эпоха в телекоммуникациях — эпоха IP-телефонии. В настоящее время технология VoIP считается базовой при построении сетей следующего поколения NGN (Next Generation Networks). Сейчас IP-телефония — это уже не просто услуга для голосового соединения двух абонентов. Она включает в себя видео вызовы, многоточечные конференции разного типа (видео, аудио, web), передачу сообщений, документов, контроль доступности абонентов, роуминг и др. В связи с указанными изменениями термины IP-телефония или
VoIP перестали точно отражать суть предоставляемых услуг и появился термин IP-коммуникации (IP-communication).
Однако новая технология привнесла и новые задачи при расчете параметров сети связи. В отличие от традиционной телефонии, в IP-коммуникациях передача любых сообщений осуществляется по сети с помощью технологии коммутации пакетов, что накладывает свои особенности на характер нагрузки, размер буферов узлов сети, длины очередей в этих буферах и т. д.
Одно из важных свойств, которыми обладает трафик сетей с коммутацией пакетов — это свойство самоподобия, то есть сохранения своей структуры в разные масштабы времени. Традиционные методы расчета и моделирования, основанные на пуассоновских моделях, предполагали, что все поступившие в исследуемую систему вызовы взаимно независимы и интервалы времени между приходом двух последующих сообщений распределены в соответствии с экспоненциальным законом. В тоже время самоподобный трафик обладает медленно убывающей автокорреляционной функцией, плотность распределения вероятности интервалов между моментами прихода двух последовательных сообщений подчиняются степенному (в частности Парето) закону. Из-за таких свойств самоподобного трафика традиционные методы расчета дают слишком оптимистичные решения и приводят к недооценке реальной загрузки сети.
Самоподобие было найдено в трафике разных уровней модели OSI — транспортного (TCP/UDP/SCTP), прикладного (FTP, Telnet, HTTP). Для этих видов трафика разработаны соответствующие методы расчета и прогнозирования нагрузки. В последнее время в связи с бурным внедрением сетей на базе протокола SIP (Session Initiation Protocol) возникла необходимость теоретических и практических исследований характера сигнального трафика с це-
лью управления и оптимальной маршрутизации сообщений в сети SIP
Анализ исследований трафика IP-коммуникаций
Существует два основных подхода к исследованию трафика IP-коммуникаций:
• на уровне вызовов-
• на уровне пакетов.
При использовании первого подхода весь трафик рассматривается как поток отдельных вызовов, поступающих на исследуемую систему. В данном случае задача исследователей сводится к определению того, насколько трафик IP-коммуникаций отличается от трафика традиционной телефонии и насколько эти отличия (если таковые имеются) изменяют основные параметры, применяемые при расчете и проектировании сетей IP-коммуникаций.
Второй подход основывается на том факте, что технология IP-коммуникаций базируется на принципах пакетной коммутации. Для упрощения исследование трафика IP-коммуникация на уровне пакетов проводят с учетом его декомпозиции на две основные составляющие:
• трафик сигнальных сообщений для установления, изменения и разрушения сеанса связи (сигнализация) —
• медиатрафик (голос, видео).
Каждый из этих типов трафика использует свои протоколы передачи, может передаваться по разным маршрутам, имеет разную структуру и имеет различные требования к качеству обслуживания QoS (Quality of Service), таким, как задержка, джиттер и потери пакетов.
Задача исследования трафика на уровне вызовов сводится к определению двух его основных характеристик:
• вероятностному закону распределения интенсивностей вызовов, поступающих на исследуемую систему-
• вероятностному закону распределения длительностей этих вызовов.
Большинство исследователей [1,2,3] сходятся во мнении что, распределение интенсивностей поступающих на систему вызовов достаточно точно описывается Пуассоновской моделью, в то время как распределение длительностей вызовов лучше описывается степенными законами, а не экспоненциальными, как это полагалось ранее в классических телефонных сетях. Конкретный вид степенного распределения зависит от масштаба и структуры сети.
Медиатрафик является очень чувствительным к таким параметрам QoS как задержка, джиттер, и менее чувствителен к небольшим потерям пакетов. Невыполнение требований QoS может привести к значительному ухудшению качества голосовой связи, воспринимаемого конечным пользователем. В связи с этим этот вид трафика получил наибольшее освещение в работах по изучению трафика IP-коммуникаций. Исследователи, изучавшие медиатрафик [4,5,6], дают различные предположения относительно аппроксимирующего распределения, его свойств и методов его моделирования, однако большинство из них сходится на нескольких выводах:
• традиционные модели (Пуассона), применяемые для описания телефонной нагрузки недостаточно точно описывают медиатрафик IP-коммуникаций-
• причинами различий исследованных моделей медиатрафика между собой могут быть различные реализации механизма определения голосовой активности VAD (Voice Active Detection), размер и тип исследуемой сети IP-коммуникаций, тип протокола сигнализации, дополнительные функции, выполняемые сетью, человеческий фактор и др. -
• функция распределения длительности периодов активности/неактивности (ON/OFF) источников медиатрафика протокола RTP имеет больше степенной характер, нежели экспоненциальный-
• агрегированный трафик от множества источников нагрузки на базе модели ON/OFF обладает самоподобными свойствами.
Сигнальный трафик в IP-сетях может передаваться с помощью различных протоколов, основными из которых являются SIFJ H. 323, MGCP, H. 248/MEGACO и SIGTRAN. В последнее время особую популярность приобрел протокол инициации сеансов SIP, что объясняет его использование в качестве основного протокола в сетях следующего поколения, стандартизируемых организациями ITU-T и IETF Данный тип сигнализации характеризуется относительно небольшой чувствительностью к параметрам QoS, однако, перегрузки в IP-сети могут привести к значительному увеличению времени
установления соединения или даже к невозможности его установить.
Трафик сигнализации IP-коммуникаций в основном исследовался на предмет расчета параметров QoS, таких как, средняя задержка установления соединения, вероятность неуспешного завершения установления соединения. В результате, для протокола SIP были разработаны специальные методики расчета таких параметров [10]. Так же были разработаны механизмы предотвращения перегрузок в сети сигнализации, однако, в их основе лежат простейшие методики, такие как, введение порогов обнаружения перегрузки буфера обработки сообщений, изменение таймеров ретрансляции, наращивание производительности оборудования [7, 2, 8, 9]. В целом всем работам в области исследования трафика SIP присущи следующие недостатки:
• подавляющее большинство работ используют искусственно созданный сигнальный трафик протокола SIP, который не в полной мере соответствует реальному трафику на сети-
• до сих пор не предложены математические модели, которые адекватно описывали бы трафик протокола SIP
В связи с этим представляет определенный теоретический и практический интерес исследование статистических свойств реального сигнального трафика протокола SIP, которое могло бы лечь в основу разработки более совершенного метода борьбы с перегрузками в сети. Поскольку трафик нижележащих уровней стека TCP/IP, а так же трафик медиа данных проявляют достаточно сильные свойства самоподобия, логично было бы предположить, что и трафик сигнализации обладает этими свойствами.
Статистический анализ сигнального трафика протокола SIP
Исходные статистические данные для анализа получены на сети одного из крупнейших российских операторов IP-телефонии. Узел, на котором собирались данные, в архитектуре протокола SIP представляет собой Full State Proxy/Registrar/Redirect, то есть SIP-прокси сервер, участвующий во всех фазах установления/разрушения вызова (голос, видео, факс), сервер регистрации и сервер переадресации. Данный узел реализует различные дополнительные виды обслуживания (ДВО):
• традиционные ДВО телефонной сети (удержание вызова, переадресация, ожидание вызова, 3-х сторонняя конференция и др.) —
• специфические ДВО для сетей на базе протокола SIP (регистрация одного номера за несколькими устройствами, обратный вызов занятого абонента, передачи сообщений и др.).
Абоненты, зарегистрированные на сервере, принадлежали как деловому сектору, так и сектору домашних абонентов. В качестве абонентских устройств использовались обычные аналоговые телефоны и цифровые телефоны с функцией передачи видео и текстовых сообщений. Все это делает сигнальный трафик очень разнообразным и не похожим, по своей структуре, на сигнальный трафик в традиционных телефонных сетях связи.
Полученные данные представляют собой временные метки прихода различных сообщений (методов) протокола SIP (типа INVITE, NOTIFY, OPTION и др.), взятые из сигнальной трассировки, сделанной с помощью программы WireShaik (Ex-Ethereal). Точность временных отчетов — до 1 • 10−6 с. Данные собирались в
течение недели 24 часа в сутки (рис. 1). В итоге
550 500 000 450 400 350 300 000 250 200 150 100 50 000-
10 000 15 000
25 000 30 000
45 000 50 000 55 000
Рис. 1. Исходный временной ряд Х числа сообщений SIP в течение недели
л
1 200 1 400 1 600 1 800 2 000
Рис. 2. Агрегированный ряд для уровня агрегации т = 10 секунд
Рис. 3. Агрегированный ряд Х& lt-2°1 для уровня агрегации т = 20 секунд
Рис. 4. Агрегированный ряд Х40 для уровня агрегации т = 40 секунд
Результаты оценки параметра Хёрста различными методами
Метол оценки Исходный ряд X Агрегированный ряд хт Агрегированный ряд х{20) Агрегированный ряд хт
Я/Я статистика 0,729 0,543 0,436 0. 298
94. 45% 88,01% 84,49% 78,05%
Дисперсионный анализ 0. 960 0,946 0,941 0. 932
77. 82% 57,90% 56,20% 56. 45%
Мериодограммный метол 0,658 1. 167 1. 339 1. 485
23. 63% 71. 00% 79,56% 84. 99%
Метол абсолютных 0,414 0. 115 0,052 0. 278
моментов 47. 22% 52,77% 54. 92% 57. 40%
Метол дисперсии остатков 0. 973 1. 188 1. 295 1. 409
95. 86% 96. 52% 98. 06% 97. 16%
Метод Эрби-Витча 0. 567 0. 637 0,677 0. 766
[0. 555−0. 5781 [0. 599−0. 674] 10. 620−0. 7341 [0. 674−0. 8581
Метод Виттла 0,678 0. 857 0. 931 0. 991
[0,668−0,688] [0. 828−0,8861 10. 890−0. 9731 [0. 932−1. 0501
Примечание: Для Р/Б статистики, дисперсионного анализа, периодограммного метода, метода абсолютных моментов и метода дисперсии остатков указаны в каждой ячейке таблицы оценка параметра Хёрста и коэффициент корреляции (в %), а для методов Арби-Витча и Виттла — среднее значение оценки параметра Хёрста и 95% доверительный интервал.
было получено около 5 • 106 временных отметок. На основании этих данных и проводился статистический анализ характера сигнального трафика SIP
Для начала временной ряд анализировался на предмет наличия в нем основных свойств самоподобного трафика:
— долговременная или медленно убывающая зависимость процесса проявляется, когда его автокорреляционная функция убывает гиперболически (по степенному закону) —
— 1//-шум проявляется, когда спектральная плотность области низких частот неограниченно возрастает, стремясь к бесконечности при стремлении частоты к нулю-
— & quot-тяжелохвостое"- распределение, в отличие от & quot-легкохвостых"- распределений, имеющих экспоненциальное, быстрое убывание & quot-хвоста"-, имеет медленное, гиперболическое убывание & quot-хвоста"--
— медленно убывающая дисперсия проявляется, когда дисперсия агрегированного процесса убывает медленнее, чем величина, обратная выборке агрегации (для достаточно больших значений выборок).
В результате исследования было выявлено, что временной ряд трафика сигнализации SIP обладает всеми вышеперечисленными свойствами.
Известно, что мерой самоподобия процесса может служить параметр Херста. Чем ближе параметр H к 1, тем больше процесс самопо-добен, то есть тем больше вероятность того, что если процесс возрастал/убывал в предыдущие промежутки времени, то он будет продолжать рост/убывание и дальше. В случае H = 0,5 можно говорить о полном отсутствии самоподобия, то есть приращения процесса на предыдущих шагах никак не повлияют на приращения в последующих шагах. В случае если значения параметра лежат в пределах 0 & lt- H & lt- 0,5, то вероятность того, что на следующем шаге процесс отклонится в сторону, противоположную той, в которую он отклонялся на предыдущем, тем выше, чем ближе параметр H к нулю. Для исходного временного ряда Х и агрегированных рядов Х& lt-10), Х& lt-20), Х40) с уровнями агрегации m = 10, 20 и 40 секунд соответственно (рис. 2−4) была произведена оценка показателя Херста различными методами: R/S статистики, дисперсионного анализа, периодограммным, абсолютных моментов, дисперсии остатков, оценок Эрби-Витча и Виттла. Результаты оценки параметра Хёрста различными методами приведены в таблице.
В результате оценки в среднем значение параметра Херста для исследуемого временного ряда находилось в пределах 0,6 & lt- H & lt- 0,8,
что позволяет сделать вывод о том, что исследуемый трафик действительно является самоподобным, то есть обладает долгой & quot-памятью"-.
Выводы
Анализ работ в области исследования трафика IP-коммуникация показал, что большая часть из них посвящена медиатрафику и недостаточное внимание уделяется изучению трафика сигнализации. Необходимость в таком исследовании обусловлена поиском путей оптимизации маршрутизации сообщений в сети на базе протокола SIP. В процессе анализ сигнального трафика SIP, собранного на действующей сети одного из крупнейших российских VoIP операторов, были проанализированы его основные статистических характеристики — автокорреляционная функция, дисперсия, спектральная плотность, функция плотности распределения. В результате было выявлено, что все эти характеристики обладают свойством самоподобия. Также были получены различными методами оценки показателя Херста, являющегося мерой степени самоподобия процесса. Полученные оценки подтвердили выдвинутое предположение о фрактальной структуре сиг-
нального трафика SIP
Как известно, одним из важнейших свойств самоподобных процессов является долговременная & quot-память"-, и, как следствие этого, имеется потенциальная возможность прогнозирования поведения процесса в будущем. Учитывая это свойство, в дальнейшем планируется разработать метод, который на основе прогноза сигнального трафика позволит изменять маршрут прохождения трафика и нагрузку на отдельные элементы сети сигнализации, и таким образом бороться с перегрузками в сети SIP
Литература
1. Duffy D. E Statistical Analysis of CCSN/SS7 Traffic Data from Working CCS Subnetworks/ D. E. Duffy, A. A. McIntosh, M. Rosenstein, W. Willinger// IEEE Journal on Selected Areas in Communications. — 1994. — Vol. 12, № 3. — P 544−551.
2. He Q Analyzing the Characteristics of VoIP Traffic [Электронный документ] / Q. He. — Режим доступа: library2. usask. ca/theses/available/etd-7 132 007−120 004/unrestricted/thesis. pdf — 08. 12. 2008
3. Duffy D. E Analyzing telecommunications traffic data from working common channel signaling subnetworks / D. E. Duffy, AA. Mcintosh, M. Rosenstein, W.
Willinger // Interface Foundation of North America. — 1993. — Vol. 25. — P 156−165.
4. Trang D. D. Fractal Analysis and Modeling of VoIP Traffic// D.D. Trang, B. Sonkoly, S. Molnar// Telecommunications Network Strategy and Planning Symposium. — 2004. — Issue № 1. — P123−130.
5. Jiang W. Analysis of On-Off Patterns in VoIP and Their Effect on Voice Traffic Aggregation/ W. Jiang, H. Schulzrinne// Ninth International Conference on Computer Communications and Networks. — 2000. — P. 82−87.
6. Осин А. В. Влияние самоподобности речевого трафика на качество обслуживания в телекоммуникационных сетях: автореф. дис. канд. тех. наук: 05. 12. 13: защищена 10. 11. 05 / А. В. Осин- МГУС. — Москва, 2005. — 20 с.
7. De Marco G. A Technique to Analyse Session Initiation Protocol Traffic / G. De Marco, G. Iacovoni// 11th ICPD. — 2005. — V2. — P 595 — 599.
8. Ohta M. Overload Control in a SIP Signaling Network/M. Ohta // ICISP apos — 2006. — P 11−12.
9. Иевлева Т. В. Обнаружение и предотвращение перегрузок оборудования Softswitch при регистрации SIP-телефонов / Т. В. Иевлева, С. В. Журавлев // Электросвязь. — 2007. — № 12.
10. Серебренникова Н. В. Эволюция нормирования параметров качества протокола SIP / Н. В. Серебренникова, А. Б. Хатунцев // Вестник связи. — 2009. — № 5. — С. 10−14.
Новая лаборатория компании КРОК & quot-Виртуальная модель современного предприятия& quot-
Компания КРОК объявила об открытии лаборатории решений управления бизнес-процессами и интеграции корпоративных приложений — & quot-Виртуальная модель современного предприятия& quot-.
& quot-За этот год мы значительно нарастили практический опыт реализации проектов по управлению бизнес-процессами и интеграции корпоративных приложений, а также стали партнерами практически всех ведущих производителей — лидеров в области BPM (Business Process Management), EAI и SOA. В нашей новой лаборатории мы готовы демонстрировать заказчикам, как применение данных технологий делает информационную инфраструктуру предприятия и бизнес-процессы более гибкими и прозрачными, сокращает затраты на их моделирование, внедрение и контроль, улучшает исполнительскую дисциплину и в результате — повышает конкурентоспособность предприятия& quot-, — сообщил Алексей Добровольский, директор по разработке ПО компании КРОК.
В лаборатории представлены решения классических вендоров, с которыми работает КРОК (IBM, EMC, Oracle, Microsoft), и новых партнеров по системам BPM и интеграции приложений:
• Lombardi Software — мировой лидер среди поставщиков систем для управления бизнес-процессами, согласно исследованиям Gartner и Forrester Research-
• Progress Software — производитель программных продуктов для разработки, развертывания, интеграции и управления бизнес-приложениями-
• Tibco Software — разработчик программных продуктов для интеграции корпоративных приложений, управления бизнес-процессами,
средств интеграции данных, управления и мониторинга сервисов предприятия-
• Azul Systems — разработчик и производитель аппаратно-программных платформ для исполнения бизнес-критичных приложений Java. Использование ускорителей Java в совокупности с другими аппаратными ускорителями (IBM DataPower, Cisco AON), предлагаемыми КРОК, позволяет создавать высоконагруженные интеграционные решения, преодолевать ограничения в масштабируемости и оптимизировать производительность критичных бизнес-процессов-
• Intalio — разработчик платформы управления бизнес-процессами Intalio BPMS. Единственная полная BPMS-платформа с открытыми исходными кодами.
& quot-Из всех интеграционных решений именно системы управления бизнес-процессами максимально ориентированы на бизнес, обеспечивая прозрачность и прогнозируемость процессов компании. Эти решения очень востребованы именно сейчас, когда все компании активно борются за эффективность. Очень важно, что теперь мы имеем возможность показать эти решения в действии& quot-, — отметил Игорь Никулин, директор департамента информационных технологий компании КРОК.
В рамках лаборатории реализована интеграция нескольких бизнес-приложений. Приложения и пользователи взаимодействуют в границах автоматизированного бизнес-процесса. Лаборатория позволяет наглядно продемонстрировать взаимодействие продуктов различных вендоров для эффективного решения задач предприятия.

ПоказатьСвернуть
Заполнить форму текущей работой