面向6G,VR业务的数据测量方法及基于到达曲线的业务基本特征研究

高月红 王小琦 洪霄

(北京邮电大学信息与通信工程学院，北京 100876)

随着网络与通信技术的飞速发展，新型的网络应用和业务不断涌现。VR技术是一种能够创造逼真的三维视觉、触觉、听觉等多种感官体验的虚拟世界技术。VR技术可以广泛应用于文化娱乐、医疗健康、教育、社会生产等众多领域，人们将不受时间、空间的限制，打通虚拟场景与真实场景的界限，实现沉浸化的业务体验[1]。目前，VR业务不断向着超高清、3D、沉浸式实时交互的方向推进，将能够助力各行各业的数字化转型[2]。IMT-2030(6G)推进组也对包含VR技术在内的多种扩展现实技术提出了沉浸式云上系统的新畅想[3]。由此可见，VR是未来6G时代的一个重要应用场景，研究其业务特征对于服务质量保障的提升有重要意义。然而，VR、在线直播、在线会议等新业务的数据流量呈现出新的行为特征且互不相同。一些传统的业务模型，如泊松流量模型，已经无法精准刻画这些新业务的流量特征。因此，对真实网络中数据流量的分析、精准拟合以及流量行为特征提取成为流量模型建立的重要理论基础支撑。此外，不同的业务类型所要求的服务质量(Quality of Service，QoS)也不尽相同[4]。为了更好地保证QoS要求，需要对每种业务类型的特征进行研究和建模[5]。与此同时，对业务模型的研究以及对业务特征的挖掘也能够为网络规划、网络优化等方面提供数据支撑。

目前学术界对业务模型的研究主要分为两个方向：基于传统理论的业务数学模型研究，包括ON/OFF模型[6]、马尔科夫调制的泊松模型(Markov Modulated Poisson Processes，MMPP)[7]，以及基于机器学习与神经网络的流量预测模型研究，例如，差分自回归滑动平均模型(Auto-regressive Integrated Moving Average Model，ARIMA)[8-9]、长短期记忆网络模型(Long Short-Term Memory，LSTM)[10]。然而，基于传统理论的数学模型应用范围受限，很难应用于其他新型业务的流量刻画。基于机器学习与神经网络等方法虽然可以用于流量预测，但它们没有给出能够表征流量行为特征的模型，也就无法建立分析框架进行QoS分析。由此，基于真实网络测量的业务特征挖掘与业务模型研究对于一些新型业务而言十分必要。

学术界已有的基于测量的业务模型研究相对较少。Gao等人提出了一种基于测量的业务数据采集方案和处理方法[11]，分析了网页在线视频业务不同分辨率设置下的业务流特征。而目前学术界对VR业务模型基于实际网络测量的研究仍处于空白阶段。因此，本文选择对VR业务的流量特征进行研究，基于对真实网络业务流的测量与数据采集，选取VR 3D全景视频业务和VR游戏业务两种典型VR业务场景进行研究。由于在线业务通常是双向的，即包含上行和下行两个方向的数据传输，本文对所选取的两个VR典型业务的双向流的业务特征分别进行了分析。

3GPP(3rd Generation Partnership Project)标准组织也对VR业务模型进行了一些标准化探讨。3GPP的技术报告38.838文件从视频帧角度，将下行VR业务的视频帧数据长度的概率分布建模为截断高斯分布，将上行VR业务视频帧数据长度的概率分布建模为均匀分布[12]。此外，值得注意的是，除了以视频帧为分析角度外，3GPP同时也从IP数据包角度对VR业务进行过分析讨论。在本文研究中，我们选择从IP数据包的角度进行分析。

本文依托真实网络设备和真实VR业务，提出了一种基于真实网络测量的VR业务数据采集与分析处理方案，并利用网络演算理论[13-14]对VR业务进行建模，该方案可以扩展应用到其他业务场景中。本文的组织结构如下：第一部分介绍了VR业务传输系统模型以及数据采集方案；
第二部分详细分析了两种VR业务上行和下行链路业务流的基本特征，包括数据速率、数据包长度、数据包时间间隔等指标的统计结果；
第三部分从累积到达过程的角度，基于网络演算理论给出了一种到达曲线建模方案，并基于该方法分别对两种VR业务进行了建模分析；
第四部分对本文进行了总结。

为了研究VR设备发送以及接收的数据流的业务特征，即上行和下行数据流，需要首先搭建数据采集与测量环境。本文采用如图1所示的测试系统捕获VR业务上行和下行的IP数据包。其中，VR头戴式显示器(Head-Mounted Display，HMD)通过连接计算机的热点而连接到互联网之中。流f1和f3为上行数据流，流f2和f4为下行数据流，且f1包含f3，f2包含f4。本文所研究的重点为VR业务特征，因此需要捕获流f3和f4中的IP数据包来进行分析。

图1 业务传输系统模型

本研究使用网卡监控软件Wireshark来捕获所有数据包。Wireshark是一个广泛使用的网络协议分析器，具有丰富的功能，如实时捕获和离线分析，支持包括Windows和Linux在内的多个平台，拥有强大的显示过滤器，并能够读写不同的捕获文件格式等。因此，在本研究中，数据采集所需的计算机需要安装有Wireshark软件，并具备热点功能。VR头戴式显示器与计算机热点连接后，VR设备与远端服务器的上下行数据传输都将通过计算机中对应的虚拟网卡。因此，在计算机上利用Wireshark软件捕获经过计算机虚拟网卡的数据包，即捕获到了VR设备与远端服务器之间传输的全部数据包。值得注意的是，在数据采集过程中需要确保没有其他设备连接到该计算机的同一个热点上，这样Wireshark捕获到的数据包才是完全的VR业务数据。真实数据采集与测量环境如图2所示。

图2 数据采集与测量环境

具体而言，整个数据采集过程包括以下步骤。

(1)连接VR设备到计算机的热点上。

(2)打开计算机的Wireshark，选择VR设备连接的虚拟网卡。

(3)运行VR设备中的待测试业务，并同时运行计算机中的Wireshark，开始捕获数据包。

(4)一段时间后，停止Wireshark中的数据包捕获，并保存。

(5)对不同VR业务场景，重复步骤(3)和(4)。

我们使用前文所述的测量系统分别对VR 3D全景视频业务以及VR游戏业务的数据流进行了测量采集。考虑到双向数据流所展现出的不同特性，本文对VR设备发出的数据流和VR设备接收到的数据流分别进行了分析和讨论，即分别对上行数据和下行数据进行统计分析，具体包含以下指标。

(1)业务流：数据包总数、总数据量、平均速率。

(2)数据包长度：最小值、最大值、平均值、概率分布统计。

(3)数据包时间间隔：最小值、最大值、平均值、概率分布统计。

2.1 VR 3D全景在线视频业务测量结果与分析

针对VR 3D全景视频业务，测试人员分别对1080P、2K、4K三种分辨率设置下同一个3D全景视频进行了测量，并对上行和下行业务分别进行了分析。由于目前3D全景视频资源较少，视频时长也较短，因此本研究选取了一个300 s的3D全景视频进行测试分析。本小节将分别对数据业务的基本特征、数据包长度与时间间隔的概率分布统计进行分析介绍。

2.1.1 数据速率和其他基本特征

表1统计比较了不同分辨率的3D全景视频业务上行和下行的数据包个数、总数据量、平均数据速率以及数据包长度和时间间隔等指标。从统计分析的结果可以看出，下行数据量远远高于上行数据量。这是因为在线3D全景视频的观看主要是从远端服务器下载视频内容，由此就造成了相较于上行数据，链路中传输的更多是下行方向的视频业务数据。此外，更高的分辨率也会带来更多的数据量传输和更高的平均数据速率。对于数据包长度，我们发现不同分辨率的上行和下行数据包长度的最大值和最小值分别保持一致。同时，上行和下行数据包长度的均值也分别在同一个较小的范围内波动，如上行数据包长度均值在0.519 8～0.547 2 kbit范围内，下行数据包长度均值在11.658～11.740 kbit范围内。对于数据包时间间隔，可以发现随着分辨率的提高，数据包到达或者离开计算机的时间间隔在逐渐减小，说明高分辨率下数据包的传输更快。

表1 不同分辨率下的VR 3D全景视频业务测量结果

2.1.2 数据包长度与时间间隔的概率分布统计

本小节将进一步分析数据包长度和时间间隔的概率密度分布。上行和下行两个方向数据包长度的概率分布如图3所示。从图中可以看出，其概率分布较为集中。例如，在图3 (a)中，三种分辨率的上行数据包长度为0.432 kbit的概率均超过44%；
在图3 (b)中，下行数据包长度等于11.952 kbit的概率均超过95%。表2对上述概率分布进行了详细汇总。从中也可以看出，下行数据包长度要大于上行数据包长度，因为并没有过多的上行数据传输需求，这对于视频业务而言是不难理解的。此外，最大数据包长度受到以太网最大传输单元(Maximum Transmission Unit，MTU)的限制。

表2 VR 3D全景视频业务数据包长度分布概率

图3 VR 3D全景视频业务数据包长度的概率分布统计

上行和下行两个方向数据包时间间隔的概率分布如图4所示，可以看出数据包时间间隔的分布也是相对集中的。在图4(a)中，三种分辨率的上行数据包时间间隔在0 μs时均达到83%以上。值得注意的是，“0 μs”表示相邻数据包之间的时间间隔小于1 μs，因为1 μs是Wireshark可以区分的最小时间单位。在图4 (b)中，下行数据包时间间隔在14～25 μs之间的概率约为88%。

图4 VR 3D全景视频业务数据包时间间隔的概率分布统计

2.2 VR 在线游戏业务测量结果与分析

由于目前VR在线游戏的种类较为单调，本研究选择对一个典型的射击游戏业务进行测量与分析，同样分为上行和下行两个方向进行研究。我们捕获了不间断游戏1 000 s的射击游戏业务IP数据包，然后对上行和下行的数据业务的基本特征、数据包长度与时间间隔概率统计进行分析。

2.2.1 数据速率和其他基本特征

表3统计比较了在线游戏业务上行和下行的数据包个数、总数据量、平均数据速率以及数据包长度和时间间隔等业务特征指标。从统计结果可以看出，上行数据量远远高于下行数据量，与上一小节中在VR线视频观看业务的统计结果相反。这是因为在线3D全景视频的观看主要需要从远端服务器下载视频内容。对于固定场景的射击游戏业务而言，更多的数据传输产生在从用户端向远端服务器传输击打位置的信息等，而游戏画面场景相对固定，不需要反复传输，因此也就造成了下行链路较低的数据量。此外，对于数据包长度与时间间隔，可以发现上行数据包长度均值大于下行数据包长度均值，且上行数据包时间间隔远小于下行数据包时间间隔。由此可见，对于本研究所选择的在线射击游戏业务而言，数据传输更多地发生在上行链路上。

表3 VR 游戏业务测量结果

2.2.2 数据包长度与时间间隔的概率分布统计

下面进一步分析在线游戏业务数据包长度和时间间隔的概率密度分布。上行和下行两个方向数据包长度的概率分布如图5所示，可以看出其概率分布也较为集中。其中，上行数据包长度在3.472～4 kbit范围内的概率为78.53%，下行链路0.432 kbit长度的数据包占到了全部下行数据包的53.16%。从概率分布图上也可看出，下行数据包的长度要普遍小于上行数据包的长度，这与上一小节中分析的VR在线视频观看业务相反。这是因为本研究选取的射击游戏业务更多的是要从用户端向远端服务器传输击打位置的信息等，游戏画面场景相对固定，下行的数据传输量相对较小。

图5 VR 游戏业务数据包长度的概率分布统计

上行和下行两个方向数据包时间间隔的概率分布如图6所示。概率分布统计显示，上行数据链路有77.25%的数据包间隔为0 μs，表示两个报文之间的时间间隔小于1 μs的数据包占到了77.25%，因为1 μs是Wireshark可以区分的最小时间单位。对这一现象的解释说明需要进一步观察其累积到达过程，本文将在3.2.2小节中对此进行详细说明。下行数据包时间间隔的分布较为分散，在概率分布图上最为突出的数据包时间间隔的是16 μs，对应的概率为3.814%，时间间隔小于90 μs的占到下行总量的26.69%。

图6 VR 游戏业务数据包时间间隔的概率分布统计

从前文的分析中可以看出，虽然数据包长度、数据包时间间隔等方面可以帮助分析VR业务特征，但是并不能全面的、直观的反映业务流的产生规律。因此，本章将从累积到达过程角度对业务特征进行分析，并利用网络演算理论对其进行建模。本章将首先简要介绍网络演算与到达曲线相关概念与定义，然后基于测量数据，提出一个适合于本研究场景的到达曲线建模方案，最后分别对3D全景视频和在线游戏两种VR业务的累积到达过程和相对应的到达曲线进行分析，给出相应的参数取值。

3.1 网络演算与到达曲线

网络演算是一种新的应用于计算机网络的排队系统理论，在1991年由R. L. Cruz[13-14]发起，经过30年的发展，现已发展为确知网络演算和随机网络演算两个分支。在这两个分支中，建模和分析都是基于两个概念：到达曲线和服务曲线。到达曲线用来描述业务流量到达的过程，服务曲线用来描述系统的服务过程。本文重点研究的是业务流量的建模，因此首先对到达曲线进行介绍。

业务流量可以从不同的角度对其进行建模，例如数据包长度的分布和数据包到达间隔的分布。在网络演算中，用业务流的累积到达过程A(t)来建模，函数A(t)为左连续函数，且满足t≥0，A(0)=0。对任意0≤s≤t，用A(s,t)=A(t)-A(s)来表示在时间间隔(s,t]内到达的总数据量。特别地，将A(0,t)简写为A(t)，表示从0到t到达系统的总数据量。

我们定义集合F为非负广义递增函数的集合，对任意函数f∈F，满足

F={f(·):∀0≤x≤y,0≤f(x)≤f(y)}

(1)

其中，对任意x<0，f(x)=0。由累积到达过程的定义可知，A(t)∈F。

对一个业务流的累积到达过程而言，如果在时间间隔(s,t]内累积到达的数据量A(s,t)的确定上边界函数为α(t-s)，则该业务流有确知到达曲线。图7给出了到达过程与确知到达曲线之间关系的示意图。确知到达曲线的详细定义如下[15]。

图7 累积到达过程与确知到达曲线之间的关系说明

(定义：确知到达曲线)若业务流具有确知到达曲线α∈F，则对所有0≤s≤t，其到达过程A(t)满足

A(t)-A(s)≤α(t-s)

(2)

或者，等效地满足A(s,t)≤α(t-s)。

对到达曲线建模的关键是累积到达过程，而累积到达过程的刻画需要捕获目标业务流中的每个数据包，并采集它们的到达或者离开计算机的时间和对应的数据包长度。基于采集到的数据包长度与时间，下一小节将介绍一种基于实测数据的到达曲线建模方法，并能够得到其精确的数学表达式。

3.2 到达曲线分析方法

基于网络演算理论，我们可以利用累积到达过程建模出业务流的到达曲线。首先对到达过程进行拟合，找到线性拟合曲线的斜率ρ，然后将曲线上移σ直至超过累积到达过程，这样就得到了确知到达曲线，由定义可知，到达曲线并不唯一，但到达曲线越接近真实的累积到达过程越好。因此，在确定不同业务场景的A(t)时，选用最小的σ来刻画到达曲线。对VR 3D全景视频观看业务和在线视频业务的累积到达过程与到达曲线建模参数结果统计，总结在下一小节中。

A(t)≤ρt+σ

(3)

3.3 累积到达过程分析与到达曲线建模

上一小节给出了到达曲线的分析方法，接下来我们将利用这一方法，基于累积到达过程的统计结果分别对VR 3D全景视频业务和在线游戏业务的到达曲线进行建模。

3.3.1 VR 3D全景视频业务

通过对VR 3D全景视频业务累积到达过程统计结果的观察，可以发现，1080P、2K、4K三个清晰度上下行业务流均可用包含两段线性函数的分段函数进行拟合。对于不同的分辨率设置而言，到达曲线不是唯一的，但越接近真实的累积到达过程越好。基于测量数据，各分辨率到达曲线的参数取值汇总在表4中。如图8，绘制了各分辨率上下行VR 3D全景视频业务累积到达过程与到达曲线，我们能够很直观地看出到达曲线刻画的是累积到达过程的上边界。此外，上行数据量远小于下行数据量，且随着视频分辨率的提升，上下行总数据量也在随之增加。

表4 VR 3D全景视频业务到达曲线参数汇总

图8 VR 3D全景视频业务累积到达过程与到达曲线

3.3.2 VR 在线游戏业务

与VR 3D全景视频业务流累积到达过程所展现出的分段特性不同，本研究所选择的在线射击游戏业务上下行的累积到达过程的拟合曲线呈现出线性函数的特点，不具备分段的特性。利用3.2小节的分析方法，可以得出上下行到达曲线的具体参数取值，结果汇总如表5所示。

表5 VR 在线游戏业务到达曲线参数汇总

图9绘制了VR 游戏业务累积到达过程与到达曲线。对比上行和下行的累积到达过程，尤其是从局部放大图窗中的小时间尺度观察角度来看，上下行业务流的到达均呈现出阶段性数据突发的特点。上行业务流的数据突发间隔比下行业务流的突发间隔更小，由此就不难解释2.2.2小节中所发现的，对上行业务流数据包间隔的统计结果中小于1 μ的高达77.25%这一现象。

图9 VR 游戏业务累积到达过程与到达曲线

VR是未来6G时代的一个重要应用场景，研究其业务特征对于服务质量保障的提升有重要意义，但传统的业务模型已经无法精准刻画这种新业务的流量特征。因此，本文提出了一种基于测量的VR业务数据采集与分析处理方案，并利用网络演算理论建模了VR业务的确知到达曲线。考虑到不同VR业务之间的区别，本文选取VR 3D全景视频与VR在线游戏两种业务进行研究。对VR业务的基本特征分析包含上行和下行两个方向的数据速率以及数据包长度和包间隔的概率分布统计等。此外，基于对累积到达过程的统计，本文借助网络演算理论提出了一个普适的业务建模方案，并分别给出了两种VR业务上行和下行业务流到达曲线的精确数学表达式。通过对统计结果分析发现，不同的VR业务呈现出不同的业务特征。3D全景视频业务的上行数据量远小于其下行数据量，而本研究所选择的VR射击游戏业务则呈现出上行数据量多于下行数据量的情况。不同的分辨率设置也会导致不同的业务特征，观看同一3D全景视频相同的时间，随着视频分辨率的提升，其上行和下行数据量均有增加。此外，VR游戏类型的不同也会导致差异化的业务特征，在未来的研究中将会对这一点展开更加详细的分析讨论。