CN100536427C - 大文件业务光传输的自相似集群组包方法 - Google Patents

Abstract

一种大文件业务光传输的自相似集群组包方法，其特征在于，以数据包到达网络边缘节点的时间间隔和/或包长是否服从自相似分布为判决基础，将汇聚后的数据包区分为CLUSTER包和NON-CLUSTER包，放入不同的发送缓存器中发送。本发明从流媒体业务本身服从的数学模型出发，结合光网络未来的发展趋势，全面考虑了在业务到达网络边缘节点分别服从三种自相似数学模型的情况下的CLUSTER与NON-CLUSTER汇聚方法。充分利用流媒体、HDTV、Grid网格应用等业务大文件传输的特点，将在短时间内访问一对相同的网络入口和出口节点的大量业务流汇聚为CLUSTER，而也将单独的大数据包视为CLUSTER，并且采用时间门限满足业务对传输延迟的要求，从而极大降低了网络资源的重构率，极大降低了网络运营开销。

Description

大文件业务光传输的自相似集群组包方法

技术领域

本发明属于电子通信领域，涉及一种数据的传输方法，尤其是一种适用于流媒体、高清晰数字电视(HDTV)、互动多媒体以及Grid应用网格等大文件业务在高速光通信领域传输的自相似集群(CLUSTER)组包方法。

背景技术

从1999年起因特网上数据传送业务量超过了传送的语音业务量。现在数据传送以每年100％的速度增长而语音业务的增长率每年不足10％。因此网络传送的业务特征从以语音为主转变为以数据业务为主，传送载荷在任何时间刻度上都体现出突发包的自相似特性。基于以上事实，深入研究和理解自相似传送的特性对于制定网络控制和资源分配的策略有重要的意义。

网络边缘节点的业务到达过程是离散随机过程，此外自相似分布的重要特征是在任何时间尺度上都表现为突发性，因此将服从自相似分布的数据包称为突发数据包(BDP)。自相似分布的诺亚效应和约瑟夫效应会导致网络持续性的拥塞和重构，使网络资源的统计复用率大大降低，对通信网络造生“洪水效应”。而且自相似传送的长相关性(LRD)和重尾分布导致一些具有某些相同属性(如优先级、目的地址等)的突发包在较短的到达时间间隔内频繁地访问网络的一对入口和出口节点，使得突发包传送在网络的一对入口和出口节点变成突发集群。因此自相似传送已对现有网络的基础产生直接的威胁，使网络设计在网络流量工程、竞争冲突、资源配置等诸多方面遭遇挑战。

另一方面，近几年通过对网络自相似传送的众多研究和测量显示，很多应用程序的传送如以太网LAN、WWW、可变速率(VBR)的压缩视频、WAN、TCP和UDP等都具有自相似特征。一些参考文献研究表明集群对应用程序文件的传输起着重要的作用，如流媒体、HDTV、互动多媒体以及Grid应用网格等。随着流媒体传输应用的迅猛发展，如何在通信网络上高速有效地传输流媒体成为通信业界研究的热点和焦点。流媒体实现的关键技术就是流式传输。流式传输定义很广泛，现在主要指通过网络传送媒体(如视频、音频)的技术的总称。流式传输的实现需要缓存。因为Internet以包传输为基础进行断续的异步传输，对一个实时A/V源或存储的A/V文件一般都很大，在传输中它们要被分解为许多包，由于网络是动态变化的，各个包选择的路由可能不尽相同，故到达客户端的时间延迟也就不等，甚至先发的数据包还有可能后到。同时由于网络拥塞，会导致流媒体的播放间断，同时还会导致网络资源(交换机、路由器等)频繁配置，从而降低资源(如带宽等)的利用率并且增加了网络的阻塞率。目前主要采用在用户端设置高速缓存来解决上述问题，但这并不是解决的根本办法。

此外，随着密集波分复用技术(DWDM)的成熟，使得充分利用光纤的海量带宽(每根光纤可以超过10Tbps)成为可能，而光传送技术正在向超高速、智能化的全光互联方向发展，因此在光网络里如何为流媒体的传送提供高品质的服务具有重要的现实意义。而目前还没有一种针对大文件业务在光网络传输的有效的解决方案。

发明内容

针对上述问题，本发明的目的是提供一种适用于流媒体、HDTV、Grid网格应用等大文件业务在光网络传输的自相似集群(CLUSTER)组包方法。

根据本发明的目的，大文件业务光传输的自相似集群组包方法的关键在于：以数据包到达网络边缘节点的时间间隔和/或包长是否服从自相似分布作为判决基础，将汇聚后的数据包区分为CLUSTER包和NON-CLUSTER包，放入不同的发送缓存器中发送。因为，数据突发包到达时间间隔或突发数据长度的自相似分布是网络自相似特征的主要物理根源，所以只要确定上面两个变量的数学分布即可以精确描述业务到达网络边缘节点的情况。CLUSTER组包的特征是利用网络自相似业务流的“flooding”效应进行大文件传输。以下将针对到达网络边缘节点的业务服从不同的自相似分布情况，即到达的时间间隔和数据包大小分别服从自相似分布和同时服从自相似分布这三种情况，分别说明在每种情况下的自相似CLUSTER组包方法：

第一种情况：

在到达网络边缘节点的业务的数据包仅到达的时间间隔服从自相似分布而包长服从非自相似分布(可以为负指数分布、泊松分布、高斯分布等)的情况下，采用以包到达时间间隔判决为主，包长判决为辅的方式，根据自相似分布的数学特征计算出数据包平均到达的时间间隔E，并以E的倍数DT(DT＝N×E，N＞0)作为判决CLUSTER包的时间门限。数据业务到达网络入口节点后根据自相似特征(如相同的目的节点、优先级等，类似于转发等价类FEC)进入具有此特征的边缘节点缓存器中排队，同时各缓存器队列对其内部的数据包进行时间门限判决和包长判决。首先，按照包到达的先后次序计算队列中每个数据包与其前后相邻的数据包到达时间的间隔，并比较上述时间间隔与时间门限的大小，根据时间门限判决结果将队列中的包分为四类：第一类数据包满足其到达时间与前后相邻数据包到达时间的间隔均大于时间门限；第二类数据包是位于第一类数据包前的若干数据包汇聚后的包；第三类数据包是在队列内某个数据包仅与一个相邻数据包的到达时间间隔大于时间门限情况下，由此数据包前的若干数据包汇聚成的包(适用于此数据包比与其早到的相邻数据包的时间间隔大于时间门限的情况)或者由此数据包前和此数据包共同汇聚成的包(适用于此数据包比与其晚到的相邻数据包的时间间隔大于时间门限的情况)。第四类包是除去前三类包后队列内剩余的数据包，将继续留在队列内与即将到达队列的数据包一起再进行判决。然后对这第一、第二类数据包进行第二步包长判决。比较第一步判决产生的前两类数据包包长与根据不同的业务要求预先约定的CLUSTER包长门限的大小。若包长小于包长门限则判定此数据包为NON-CLUSTER包，并从缓存队列中移出到用于传送NON-CLUSTER的调度缓存队列中等待发送；数据包包长大于CLUSTER包长门限DS，则判定此数据包为CLUSTER，并将其发送到CLUSTER发送调度缓存器中等待发送。

图1所示为具有相同等价类(如相同的目的节点和优先级等)的突发数据包到达时间间隔服从自相似分布的示意图，横坐标t为突发包到达边缘节点的时刻；纵坐标Δt为突发包与相邻的前一个突发包到达时间的时间间隔；DT为时间判决门限。首先，根据与服从自相似分布的突发包到达时间间隔的数学模型相对应的分布函数F(x)(目前在全球通信研究领域普遍采用重尾(pareto)分布来描述自相似分布，因此本发明采用pareto分布来描述网络业务到达模型的自相似分布(但不排除使用其他具有相同功能或作用的模型来实现本发明所提供的方法)，和描述自相似程度的Hurst参数H，计算出突发包到达的平均时间间隔E，公式如下：

$F\left(x\right)=\left\{\begin{array}{cc}0& x\≤k\\ 1-{\left(\frac{k}{x}\right)}^a& x>k\end{array}\right.---1)$

$H=\frac{3-a}{2}---2)$

$E=\frac{\mathrm{ak}}{a-1}---3)$

其中，α为形状(shape)参数1＜α＜2，k为位置(location)参数

其次，选取DT＝N*E(N＞0)作为时间判决门限域值。突发包到达网络边缘节点后根据转发等价类进入具有某一类特征的汇聚缓存器中排队并进行组包时间门限判决。

如图1、2所示，当t1时刻与t1时刻之前的突发包到达时间间隔均小于判决门限DT，同时t2时刻到达的突发包P_t2分别与t1时刻到达的突发包P_t1和t3时刻到达的突发包P_t3的时间间隔DT1、DT2均大于时间门限DT，即DT1＞DT且DT2＞DT时，计算t1时刻以前(包括t1时刻)到达的包总包长PS1和t2时刻到达的包P_t2的包长PS2，并且分别比较PS1、PS2与预先约定的CLUSTER包长下限DS的大小，完成自相似的组包过程，将产生以下四种结果：

1.PS1＞DS且PS2＜DS，判定此队列中t1时刻与t1时刻前到达的突发包汇聚后的包为CLUSTER，并将其发送到CLUSTER发送缓存器中准备传送；突发包P_t2判定为NON-CLUSTER从汇聚缓存器中移出发送到NON-CLUSTER中准备传送。

2.PS1＜DS且PS2＞DS，与第一种情况相反，判定此队列中t1时刻与t1时刻前到达的突发包汇聚后的包为NON-CLUSTER，并将其发送到NON-CLUSTER发送缓存器中；突发包P_t2判定为CLUSTER从汇聚缓存器中移出发送到CLUSTER发送缓存器中。

3.PS1＜DS且PS2＜DS，此时将汇聚后的包与P_t2都判定为NON-CLUSTER并发送到NON-CLUSTER发送缓存器中。

4.PS1＞DS且PS2＞DS，与第三种情况相反，将汇聚后的包与P_t2都判定为CLUSTER并发送到CLUSTER发送缓存器中。

当t2时刻到达的突发包P_t2分别与t1时刻到达的突发包P_t1和t3时刻到达的突发包P_t3的时间间隔DT1、DT2，仅DT1＞DT或仅DT2＞DT时，则将t1时刻与t1时刻前到达的突发包(针对DT1＞DT情况)或者将t2时刻与t2时刻前到达的突发包(针对DT2＞DT情况)汇聚为一个包，并且比较与CLUSTER包长门限的大小，若大于包长门限判定为CLUSTER同时从汇聚缓存器中移出发送到CLUSTER发送缓存器中，反之判定为NON-CLUSTER并发送到NON-CLUSTER发送缓存器中。

这种组包算法既能够消除由于自相似传输导致网络的“flooding”效应，极大降低了流媒体由于分割为若干小包产生的网络资源重构率，又大幅度提高了流媒体等应用程序的大文件传输质量和网络资源的利用率。

第二种情况：

在到达网络边缘节点的业务的数据包仅数据包包长服从自相似分布而包到达时间间隔服从非自相似分布(可以为负指数分布、泊松分布、高斯分布等)的情况下，采取以包长判决为主，时间判决为辅的方式，根据自相似分布的数学特征计算出数据包包长分布的均值ES，并以DS＝N×ES(其中，N＞0)作为判决CLUSTER包的包长门限。与第一种情况时的组包过程类似，数据包到达网络入口根据转发等价类即其本身的自相似特征进入具有此类特征的汇聚缓存器排队。如果在预先约定的时间内缓存器内的数据包的总包长超过CLUSTER包长下限DS，则此缓存器队列中的数据包汇聚为CLUSTER，反之为NON-CLUSTER。

图3所示为具有相同等价类(如相同的目的节点和优先级等)的突发数据包包长服从自相似分布的示意图，横坐标t为突发包到达边缘节点的时刻；纵坐标s为突发包包长；DS为判决门限。与第一种组包方法类似，首先确定三个参数DS、PS和T。其中，包长判决门限DS根据DS＝N×ES(N＞0)选取，ES是根据自相似分布的数学模型由公式1)，2)，3)计算出突发包的平均包长；PS、T是用于描述每个具有某一自相似特征的队列状态参数，其中，PS代表当前时刻本队列内突发包的总包长；参数T代表业务对时延的要求，为预先确定的常量。

数据突发包到达网络边缘节点后进入与其自相似特征(即转发等价类)相同的汇聚缓存器中排队。通过比较在约定的时间段T内队列内突发包的总长度PS与DS的大小，进行CLUSTER组包判决。若PS＞DS判定在时间段T内到达的包汇聚后为CLUSTER包，反之则为NON-CLUSTER。

如图3、图4所示，在第一时间段T内，第N个汇聚缓存队列中突发包P_N1、P_N2、…P_Nm汇聚后的包C₁包长PS大于DS，则C₁为CLUSTER包并发送到CLUSTER发送缓存器中，同时将PS清零；在第二个时间段T-2T内，第M个汇聚缓存队列中突发包P_M1、…、P_Mn汇聚后的包C₂包长PS小于DS，则C₂为NON-CLUSTER包并发送到NON-CLUSTER发送缓存器中，同时将PS清零；在第三个时间段2T-3T内，缓存器队列中仅有一个突发包但是此包包长大于DS，则判定这个单一的突发包也为CLUSTER，这种情况尤其适合于HDTV等在线视频点播的文件传输。

通过仿真研究证明，这种组包算法极大降低了汇聚延时，因此非常适用于流媒体、HDTV等对实时性和服务质量(QOS)要求很高的的业务传输。

第三种情况：

在数据包到达网络边缘节点的时间间隔和包长均服从自相似分布的情况下，采取百分比判决式，时间门限γ由突发包到达的平均时间间隔的倍数DT＝N×E(N＞0)与业务对时延的要求T联合确定；包长门限为常数n(0.5＜n＜1)。如果在时间域值γ内，具有某一特征的缓存器中数据包的总包长与由预先根据重尾分布计算出的CLUSTER包长均值的倍数DS之比大于n，则此缓存器中数据包汇聚后发送到CLUSTER发送调度缓存器，反之将数据包汇聚后发送到NON-CLUSTER发送调度缓存器中。

与第二种组包方法不同之处在于：1)包长和时间联合判决的时间门限γ由突发包到达的平均时间间隔的倍数DT＝N×E(N＞0)与业务对时延的要求T联合确定，即 $\mathrm{\γ}=\frac{N*E}{T},$ (0.5＜γ≤1)；2)包长百分比η和当前时刻本队列内突发包的总包长PS作为描述队列状态的参数，并且满足0.5＜η≤1，其中DS与方法二相同，均为突发包长度的倍数。

如图5所示，首先根据数学模型和业务需求确定两个判决域值γ(时间门限)和η(包长比例门限)。汇聚缓存队列设置两个状态参数：汇聚时间参数Δt和当前时刻队列中数据突发包的总长度PS。对于具有某一自相似特征队列N来说，若其内的m个突发包P_N1、…、P_Nm同时满足

${\mathrm{\γ}}_N=\frac{\mathrm{\Δt}}{T}\≤\mathrm{\γ}$

${\mathrm{\η}}_N=\frac{\mathrm{PS}}{\mathrm{DS}}\≥\mathrm{\η}$

则判定突发包P_N1、…、P_Nm汇聚后为CLUSTER包并将CLUSTER包发送到CLUSTER发送缓存器中等待传送；反之，若突发包P_N1、…、P_Nm不能同时满足上述两个条件，判定它们汇聚后的包为NON-CLUSTER。

本发明的第三种组包算法适用的情况很有可能是未来光网络业务到达数学模型的最佳描述，并且综合考虑了业务本身对业务对时延的双重要求，可以提供面向用户和面向应用的高质量的服务。

本发明的技术效果在于：与目前流媒体组包方式相比，本发明从流媒体业务本身服从的数学模型出发，结合光网络未来的发展趋势，全面考虑了在业务到达网络边缘节点分别服从三种自相似数学模型的情况下的CLUSTER与NON-CLUSTER汇聚方法。本发明充分利用流媒体、HDTV、Grid网格应用等业务大文件传输的特点，将在短时间内访问一对相同的网络入口和出口节点的大量业务流汇聚为CLUSTER，而也将单独的大数据包视为CLUSTER，并且采用时间门限满足业务对传输延迟的要求。从而极大降低了网络资源的重构率，大大提高了资源利用率，保证了流媒体业务的高质量的传输，极大降低了网络运营开销。

附图说明

图1是数据包到达时间间隔服从自相似重尾分布的网络入口节点业务流示意图

图2是仅数据包达到时间服从重尾分布的网络边缘节点缓存器队列组包示意图

图3是数据包包长服从自相似重尾分布的网络入口节点业务流示意图

图4是仅数据包包长服从重尾分布的网络边缘节点缓存器队列组包示意图

图5是数据包到达时间和包长均服从重尾分布的网络边缘节点缓存器队列组包示意图

图6是本发明的自相似集群组包流程图

图7是CLUSTER包长仿真结果图

图8是CLUSTER与NON-CLUSTER包长均值仿真结果图

图9是CLUSTER与NON-CLUSTER汇聚延迟均值仿真结果图

具体实施方式

为了更加清楚地描述本发明的内容，以下通过具体的实施例来进一步描述本发明，但不构成对本发明的限制。

参照图6，本实施例的具体步骤如下：

1)确定业务源：分为获取业务服务等级和数学模型参数和获取业务自相似特征两部分。本实施例中的业务源包长服从自相似重尾分布、包到达时间间隔服从负指数分布，

其中，自相似重尾分布的位置参数k＝60,000,000；形状参数α＝1.4；服从负指数分布时间间隔的均值mean为7ms(本实施例中采用负指数分布的均值作为包长判决的时间门限，在类似情况下也可以采取其他方法选取，只要保证时间门限小于业务允许的最大汇聚延迟就可以)；另外，读取产生的业务数据包的目的地址并将其作为数据包的自相似特征；

2)选择组包方法：根据本业务源的类型，选择以包长为主要判决门限，时间判决为辅的组包方法；

3)计算H、E：利用公式2) $H=\frac{3-a}{2}$ 计算出Hurst参数H＝0.8；利用公式3) $E=\frac{\mathrm{ak}}{a-1}$ 计算出包长均值E＝210Mbit；

4)计算DS、DT、η、r：由包长均值选取包长判决门限DS＝N*E＝4*210＝840Mbit；根据视频传输对时延的要求，选取包到达的时间间隔的均值作为约定的时间门限DT＝7MS；

5)将数据包发送到与其自相似特征相对应的汇聚缓存器中排队；

6)更新状态参数PS、ΔT：由步骤2)和5)更新队列的状态参数PS和AT

其中 $\mathrm{PS}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\mathrm{Packet}\left(\mathrm{size}\right)$

$\mathrm{\ΔT}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\mathrm{Packet}\left(\mathrm{\Δt}\right)$

n为当前队列中的数据包的数目；

7)组包门限判决：由步骤2)、4)、6)对缓存器队列的数据包进行汇聚判决，如果在时间T内PS＞DS，判定n个数据包汇聚后的包为CLUSTER包，反之为非NON-CLUSTER；

8)分别将CLUSTER与NON-CLUSTER发送到相对应的发送缓存器中等待传送；

9)汇聚缓存队列状态参数清零：将队列状态参数PS和ΔT清零。

进行500小时的仿真后，结果如图7、8、9所示。

由图7可以看出包长均值为210Mbit的自相似业务源，采用此方法汇聚后的CLUSTER包的包长最大值可以达到2.2Gbit；由图8可以看出CLUSTER平均包长为943Mbit是NON-CLUSTER包的平均包长3倍是业务源包长均值的4.5倍；图9显示CLUSTER平均汇聚时间为2ms仅为NON-CLUSTER汇聚时延的0.23倍，是业务允许最高汇聚时延的0.3倍。因此证明此种方法不仅可以将小的数据流汇聚为大的数据包又避免了单独大数据包得差分，从而解决了具有相同属性的数据包重复路由引起的网络不断重构与资源利用率降低的问题；而且由于此方法可以获得很低的汇聚延迟，满足了业务对汇聚时延的要求，可以保证业务的高质量传输。

以上为本发明的实施方式，依据本发明公开的内容，本领域的普通技术人员能够显而易见的想到的一些雷同、替代方案，均应落入本发明保护的范围。

Claims (7)

1、一种大文件业务光传输的自相似集群组包方法，其特征在于，以数据包到达网络边缘节点的时间间隔和/或数据包包长是否服从自相似分布为判决基础，然后将汇聚后的数据包进行发送，其具体方法为：

1)对于仅到达的时间间隔服从自相似分布的数据包，采用以包到达时间间隔判决为主，包长判决为辅的方式进行判决，然后将汇聚后的数据包区分为CLUSTER包和NON-CLUSTER包，将CLUSTER包放入到CLUSTER缓存队列中等待发送，将NON-CLUSTER包放入到NON-CLUSTER缓存队列中等待发送；

2)对于仅包长服从自相似分布的数据包，采用以包长判决为主，包到达时间判决为辅的方式进行判决，然后将汇聚后的数据包区分为CLUSTER包和NON-CLUSTER包，将CLUSTER包放入到CLUSTER缓存队列中等待发送，将NON-CLUSTER包放入到NON-CLUSTER缓存队列中等待发送；

3)对于包长和到达时间间隔都服从自相似分布的数据包，采取百分比判决方式进行判决，然后将汇聚后的数据包区分为CLUSTER包和NON-CLUSTER包，将CLUSTER包放入到CLUSTER缓存队列中等待发送，将NON-CLUSTER包放入到NON-CLUSTER缓存队列中等待发送。

2、如权利要求1所述的自相似集群组包方法，其特征在于，对于仅到达的时间间隔服从自相似分布的数据包，采用以包到达时间间隔判决为主，包长判决为辅的方式，判决步骤包括：

1)根据自相似分布的数学特征计算出数据包平均到达的时间间隔E，并以E的倍数DT作为判决CLUSTER包的时间门限；

2)按照数据包到达的先后次序计算具有某一特征的缓存器中每个数据包与其前后相邻的数据包到达时间的间隔，并将其与时间门限逐一比较大小；所述特征包括：目的节点或优先级；

3)当发现某个数据包的到达时间与其前后两个相邻数据包到达时间的间隔均大于时间门限时，将此数据包的包长与设定的CLUSTER包长门限比较大小，同时将此数据包之前所有数据包所汇聚后的数据包的包长与设定的CLUSTER包长门限比较大小；当发现某个数据包的到达时间仅与其前相邻数据包到达时间的间隔大于时间门限时，将此数据包之前所有数据包所汇聚后的数据包的包长与设定的CLUSTER包长门限比较大小；当发现某个数据包的到达时间仅与其后相邻数据包到达时间的间隔大于时间门限时，将此数据包之前的所有数据包和此数据包所汇聚后的数据包的包长与设定的CLUSTER包长门限比较大小；

4)如果此数据包的包长大于设定的CLUSTER包长门限，将此数据包判定为CLUSTER包，并发送到CLUSTER缓存队列中等待发送，否则，将此数据包判定为NON-CLUSTER包，并发送到NON-CLUSTER缓存队列中等待发送；或者如果所汇聚后的数据包的包长大于设定的CLUSTER包长门限，则将所汇聚后的数据包判定为CLUSTER包，并发送到CLUSTER缓存队列中等待发送，否则，将所汇聚后的数据包判定为NON-CLUSTER包，并发送到NON-CLUSTER缓存队列中等待发送。

3、如权利要求1所述的自相似集群组包方法，其特征在于，对于仅包长服从自相似分布的数据包，采用以包长判决为主，包到达时间判决为辅的方式，判决步骤包括：

1)根据自相似分布的数学特征计算出数据包包长分布的均值ES，并以ES的倍数DS作为判决CLUSTER包的包长门限；

2)将在约定的时间段内到达具有某一特征的缓存器的数据包的总长度与包长门限比较大小，若其大于包长门限，则将该时间段内到达的数据包汇聚为CLUSTER包并发送到CLUSTER缓存队列等待发送，反之则汇聚为NON-CLUSTER包并发送到NON-CLUSTER缓存队列等待发送，所述特征包括：目的节点或优先级。

4、如权利要求1所述的自相似集群组包方法，其特征在于，对于包长和到达时间间隔都服从自相似分布的数据包，采取百分比判决式，时间门限由数据包到达的平均时间间隔的倍数DT＝N*E与业务对时延的要求T联合确定，即 $\mathrm{\γ}=\frac{N*E}{T},$ 其中N＞0，0.5＜γ≤1；包长门限为小于1的常数，如果在时间门限内，具有某一特征的缓存器中数据包的总长与预先根据自相似分布的数学特征计算出的CLUSTER包长均值的倍数之比大于该常数，则将此缓存器中数据包汇聚后发送到CLUSTER缓存队列，否则将其发送到NON-CLUSTER缓存队列，所述特征包括：目的节点或优先级。

5、如权利要求2或3或4所述的自相似集群组包方法，其特征在于，所述的自相似分布的数学特征采用重尾分布模型来确定。

6、如权利要求2所述的自相似集群组包方法，其特征在于，所述的E的倍数是整数倍或者是小数倍。

7、如权利要求3所述的自相似集群组包方法，其特征在于，所述的ES的倍数是整数倍或者是小数倍。

Images