天地一体化网络由天基网络、空基网络及地基网络等空间网络互联融合而成，其中，地基网络包括高速铁路（简称：高铁）专网、船舶专网、民航专网。

高铁专网作为铁路信息化公共基础平台，不仅要承载通信专业的移动通信业务，还要承载非通信专业的铁路运调、票务、营运、供电等业务，以及面向铁路旅客的服务类业务。随着天地一体化网络的高速发展，为增强高铁通信的可靠性，迫切需要研究流量资源的分配方式。目前，国内外尚缺少针对基于天地一体化网络的高铁专网业务的深入研究。

本文对天地一体化网络的高铁专网业务进行分析，进行流量建模，通过分析高铁核心业务系统（重点是高铁核心控制类业务及旅客服务类业务），抽象其中具有代表性的业务传输内容、报文到达间隔等特征，完成核心高铁业务流量建模，为后续的流量预测、网络资源分配、流量监管等工作奠定基础。

1   研究背景

1.1   天地一体化信息网络

天地一体化信息网络^[1]贯穿海洋远边疆、太空高边疆、地基网络新边疆，是信息时代掌握全球资源的战略性公共信息基础设施。天基网络由天基骨干网与天基接入网组成，天基骨干网是由 6 颗与地球相对静止的卫星构成的双环状网络，天基接入网由120 颗、分布在12 个轨道面的低轨卫星构成；空基网络由各类民用、军用飞行器组成；地基网络则由地面互联网、地基节点网等组成。

天地一体化网络中的天基网络与高铁、船舶、民航等地面专网均相对孤立，且具有异质、异构的组网机制和通信协议，在网络的移动性、可扩展性、安全性、业务服务质量（QoS， Quality of Service）等方面也存在着明显差异，导致天基网络无法直接实现与各类地面专网的高效互联，难以跨越多个异构网络进行信息共享和资源整合，易形成信息孤岛并影响专网用户的服务质量。因此，亟需研究如何在保证服务质量的前提下更合理地分配网络资源。

1.2   高铁专网

天基网络作为高铁专网的辅助，是高铁业务通信的基础^[2-3]，高铁专网根据通信和使用场景的不同，以列车为中心，分为4种网络。（1）列车网络：主要包括列车通信网（TCN，Train Communication Network）和辅助资源计算机网（ARCNET，Auxiliary Resource Computer Network）；（2）车—地通信网：包括轨道电路、查询应答器、铁路综合数字移动通信系统（GSM-R，Global System for Mobile Communications-Railway）、铁路宽带移动通信系统（LTE-R，Long Term Evolution-Railway）、轨道电缆等；（3）车—车通信网：包括超短波直接通信、GSM-R、LTE-R；（4）地面通信网：包括基础网、移动通信网、业务网3部分，能为铁路的运营提供基本的语音、数据、图像的通信等。

1.3   高铁专网业务

高铁应用于专网的业务种类繁多，现有的高铁应用业务分为3个领域、10个主要应用方面和38个重要应用系统。由于网络资源有限，不可能全部通过天地一体化网络来传输。比较可行的做法是将天地一体化网络作为一种新的通信手段，或作为现有系统通信方法的备份手段，当现有通信网络不通时，改走天地一体化网络。适合通过天地一体化网络传输的高铁业务应是那些与高铁营运安全密切相关的核心业务。

本文选择与高铁运营密切相关的5类核心业务进行建模与研究，包括列车控制、调度指挥、紧急救援、旅客服务及行车安全监控与灾害防护。其中，旅客服务属于非控制类业务，其余属于控制类业务。

2   高铁专网核心业务分析

本文重点分析控制类业务中的列车控制业务和非控制类业务中的旅客服务类业务。

2.1   列车控制业务分析

列车运行控制系统^{[4- 5]}（简称：列控系统）是用于控制列车运行速度，保证行车安全和提高运输能力的控制系统。本文基于CTCS-3列控系统进行研究^[6]，其结构可进一步划分为地面子系统和车载子系统。列控系统的信息流向如图1所示。

图  1  列控系统信息流向示意

下载: 全尺寸图片 幻灯片

由图1可知，列控系统信息流向可从4个部分进行研究，列控车载子系统、列控地面子系统、车站联锁及行车指挥中心（CTC，Centrailized Traffic Control）。

列控车载子系统可实现与地面安全传输信息、计算列车运行速度和运行距离等功能。列控车载子系统在运行中反馈给列控地面子系统的车辆信息包括车辆基本信息、位置信息及速度信息。

列控地面子系统包括无线闭塞中心（RBC，Radio Block Center）、临时限速服务器(TSRS，Temporary Speed Restriction Server)、轨道电路、列控中心(TCC，Train Control Centers)、应答器。TCC接收轨道电路的信息，并通过联锁系统传送给RBC；RBC根据轨道电路、联锁进路等信息生成行车许可发给列车，行车指挥中心发送临时限速命令信息给临时限速服务器，临时限速服务器向TCC传递临时限速命令，集中管理临时限速。

CTCS-3级列控系统中实现车地系统通信有3种方式，包括轨道电路、应答器及GSM-R无线通信。其中，轨道电路传输行车许可、线路参数、进路信息及列车数据信息；应答器传输定位信息、线路参数、进路参数、临时限速等信息，满足行车指挥中心等其他系统的需求。列控系统业务数据内容如表1所示。

表  1  列控系统业务数据内容

数据包名称	数据来源	数据包内容
列车状态包	轨道电路	列车向地面传递列车位置确认信息及其他列车数据
行车许可包	轨道电路	列车运行的起始命令，此命令包含列车运行的距离、速度等信息，允许列车到达的最远位置及相关的线路数据信息
线路参数包	应答器/轨道电路	向列车提供线路坡度、线路速度、轨道区段等线路参数
控制命令包	TCC	控制列车行驶速度、进站等命令
临时限速包	应答器	当由于施工、天气等原因对列车运行速度进行限制时，向列车提供临时限速信息

下载: 导出CSV 

| 显示表格

2.2   高铁旅客服务类业务分析

高速列车的旅客服务流量大且集中，以娱乐性的网络流量为主，业务发生源主要为智能手机、平板电脑和笔记本电脑等。因此，旅客服务类业务多属于移动互联网业务。本文对移动互联网业务进行建模，依据QoS标准，划分4类常见的旅客服务类业务，分别为：传统互联网业务、即时通信业务、流媒体业务和P2P（Peer to Peer）业务。

3   高铁专网业务建模

高铁专网业务建模包括控制类业务和旅客服务类业务2个方面。控制类业务分析与流量建模方面，由于，相关的研究尚少，能参考的内容不多，本文采用纯流量分析的方法进行建模。从业务的实现原理及流程出发，分析每一类业务的信息传输内容及流向，抽象每一类传输报文的报文种类、到达时间间隔、报文长度等参数，据此构建控制类业务流量模型。旅客服务类业务分析与流量建模方面，高铁旅客服务与一般的互联网服务相似，相关研究较多，本文采用理论分析与实际流量拟合相结合的方法开展旅客服务类业务分析与流量建模。以已有的网络流量建模研究成果，初步确定旅客服务类业务的流量模型，再通过实际网络流量进行拟合验证。

3.1   高铁控制类业务建模

由对列控系统业务信息传递的分析可知，列控系统数据可分为周期性和随机性2种类型。

3.1.1   周期性业务模型

轨道电路和应答器传输的数据（如列车信息、线路参数、行车许可）是规律的，其数据包长度与发送时间间隔固定。本文根据这2个参数建立周期性业务模型为^[7]

其中，$ R $ 是周期性数据；$ N $是数据编号；$ L $ 是数据长度（单位：byte）；$ T $ 是发送时间间隔（单位：ms）；信息包类型总数为36，$i=1,\cdots ,36$。

以报文传输内容为分类依据，列控系统周期性业务模型（部分）如表2所示。

表  2  列控系统周期性业务模型（部分）

数据包类型	发送方向	包大小/byte	时间间隔/ms
列车信息包	列控车载子系统→RBC	45	100
线路参数包	RBC→列控车载子系统	28	10
线路参数包	TCC→列控车载子系统	28	10
控制命令包	TCC→列控车载子系统	28	50

下载: 导出CSV 

| 显示表格

3.1.2   随机性业务模型

随机性业务是指由外界触发产生，由触发概率决定的业务。Poisson分布适合描述单位时间内随机事件发生的次数。以临时限速包为例，临时限速命令由RBC发送给列控车载子系统。假设在任何时间段内，工作人员发出临时限速命令的概率为$ P $，且发出命令与前后业务的产生没有任何关系，则认为列车在单位时间内需要限速的次数服从Poisson分布

其中，$ P $ 代表工作人员发出临时限速命令的概率；$ X\left(t\right) $ 代表命令发出次数 $ n $ 与时间 $ t $ 之间的函数关系，$ n $=0,1,2,···；$ \lambda $ 代表随机性业务发生的频率。每次发送限速命令的时间间隔可以由Poisson分布推导，得出单次操作的时间间隔服从指数分布。假设发出限速命令的时间间隔为 $ t $，则每次限速命令的发出时间间隔为

由上式推导的随机性业务模型如表3所示。

表  3  列控系统随机性业务模型

数据包类型	发送方向	包大小/byte	时间间隔
临时限速包	RBC\TCC →列控车载子系统	16	$ f\left(x\right)=\left\{\begin{array}{c}{\lambda e}^{-\lambda x},x > 0\\ 0 ,x\le 0\\ \lambda =800\;\rm s\end{array}\right. $
行车许可包	RBC→列控车载子系统	14	$ f\left(x\right)=\left\{\begin{array}{c}{\lambda e}^{-\lambda x},x > 0\\ 0 ,x\le 0\\ \lambda =100\;\rm ms\end{array}\right. $
行车状态包	列控车载子系统→RBC	42	$ f\left(x\right)=\left\{\begin{array}{c}{\lambda e}^{-\lambda x},x > 0\\ 0 ,x\le 0\\ \lambda =100\;\rm ms\end{array}\right. $

下载: 导出CSV 

| 显示表格

3.2   高铁旅客服务类业务建模

考虑到旅客服务类流量数据涉及用户隐私，较难获取，本文利用实验室局域网模拟列车上网环境，使用WireShark收集2021年6月2日9：00~17：00期间产生的流量数据，并与公开流量数据集的部分数据进行整合，作为旅客服务类研究数据。

通过数据拟合实验获得4类业务报文到达时间间隔所对应的概率分布模型拟合参数，并引入回归评价指标R²和均方根误差作为拟合算法的检验标准，旅客服务业务模型如表4所示。

表  4  旅客服务类业务模型

信息包名	参数名称	服从分布	概率密度函数及参数
传统互联网业务	数 据 包 长 度	对数正态分布	$ \dfrac{1}{\mathrm{x}\sqrt{2\mathrm{\pi }\mathrm{\alpha }}}{\mathrm{e}}^{\dfrac{{\left(\mathrm{l}\mathrm{n}\mathrm{x}-\mathrm{\beta }\right)}^{2}}{2{\mathrm{\alpha }}^{2}}},\mathrm{\alpha }\approx 246.721,\mathrm{\beta }\approx 62.020 $
即时通信业务		帕累托分布	$ \dfrac{\mathrm{k}{\mathrm{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{k}}}{{\mathrm{X}}^{\mathrm{k}+1}},\mathrm{k}\approx 5.559 $
流媒体业务		帕累托分布	$ \dfrac{\mathrm{k}{\mathrm{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{k}}}{{\mathrm{X}}^{\mathrm{k}+1}},\mathrm{k}\approx 1.201 $
P2P业务		韦布尔分布	$ \mathrm{a}\mathrm{b}{x}^{b-1}{e}^{-a{x}^{b}}，a\approx 0.564,b\approx 0.584 $
传统互联网业务	时 间 间 隔	幂律分布	$ \mathrm{c}{x}^{-a-1}，c\approx 1.266e-5,a\approx -1.191 $
即时通信业务		帕累托分布	$ \dfrac{\mathrm{k}{\mathrm{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{k}}}{{\mathrm{X}}^{\mathrm{k}+1}},\mathrm{k}\approx 1.5268\mathrm{e}-4 $
流媒体业务		幂律分布	$ \mathrm{c}{x}^{-a-1}，c\approx 2.355e-6,a\approx -1.382 $
P2P业务		幂律分布	$ \mathrm{c}{x}^{-a-1}，c\approx 2.864e-5,a\approx -1.134 $

下载: 导出CSV 

| 显示表格

4   高铁流量特性分析与建模

本节对列车控制、调度指挥、紧急救援、行车安全监控与灾害防护及旅客服务类业务5类核心业务流量特性进行分析与建模。

4.1   数据集构造

本文利用Matlab软件，依据流量模型产生控制类业务流量，包括4类高铁控制类业务的周期性流量和随机性流量；同时将实验室捕获的数据与在网上获取公开数据集Bellcore聚合得到旅客服务业务数据；将控制类业务与旅客的服务类业务流量数据聚合得到高铁专网业务流量数据集，并命名为HSRB-Flow，其包含100 000条数据，作为本文研究的数据来源。

4.2   高铁专网业务流量直观分析

高铁专网业务流量（简称：流量）数据曲线如图2所示。从图2中可初步观察流量的变化趋势^[8-9]。图2（a）和图2（b）的横坐标为时间，间隔分别为1 s和5 s；纵坐标为数据包长度（单位：kB），二者的流量不随规模大小、拓扑结构及时间尺度的改变而改变，局部和整体的流量结构存在自相似性，初步判断流量具有自相似性；此外，两图中均存在某些时刻数值突然攀升的情况，说明流量具有突发性；流量每间隔一定时间会重复，因此，还具有周期性。

图  2  不同时间间隔合成流量曲线

下载: 全尺寸图片 幻灯片

图  3  仿真流量与alpha-stable自相似分布拟合结果

下载: 全尺寸图片 幻灯片

4.3   高铁专网业务流量建模

高铁专网业务流量具有自相似性和突发性，本文采用alpha-stable自相似模型^[10-11]对其进行建模。alpha-stable自相似的特征函数为^[12]

其中，

$ \alpha $ 为特征指数，表示分布中突发的程度；$ \beta $ 为偏斜参数，控制分布的尾部变化情况；$ \sigma $ 为尺度参数，表示分布的偏差值；$ \mu $ 是位置参数，表示分布的中值。本文采用分位数法计算流量在alpha-stable自相似分布的参数，拟合比较仿真流量与alpha-stable自相似分布的概率密度曲线，拟合结果如图3所示，其中，横坐标为数据包长度，纵坐标为概率密度。

由图3可看出，蓝色的流量数据概率密度曲线很接近红色的alpha-stable自相似分布的概率密度曲线，且流量数据尾部具有明显的重尾化特征。两者大部分数据的概率密度相等，虽存在部分差异，但由于整体概率密度的数量级非常小，因此，同一流量值对应的两种概率密度的差异不大，从直观角度判定可使用alpha-stable自相似分布描述流量的自相似性与突发性。

为更准确地观察数据分布模式，本文通过Q-Q（Quantile-Quantile）图^[13]来判断给定流量数据是否符合分布拟合结果，如图4所示。图4中，横坐标表示alpha-stable自相似分布的分位数，纵坐标表示高铁专网业务流量数据的分位数。分析图4可知绝大部分数据点都处在一条近似直线上，尾部最后几个数据点有偏差，但仍处在95％的置信偏差区间内，因此，可认为在可接受偏差范围内；个别数据偏差较大，占整体比例太少，可忽略不计。综上，可认为流量服从alpha-stable自相似分布。

图  4  Q-Q图展示

下载: 全尺寸图片 幻灯片

5   结束语

本文研究适合通过天地一体化网络传输的高铁业务流量建模及其应用的关键技术问题，在分析高铁营运安全密切相关的核心业务的基础上，抽象高铁业务组成、业务特征等。以列车控制业务和旅客服务业务为例，通过分析系统结构及信息流向对高铁专网业务进行建模，在业务建模的基础上构造数据集，分析验证高铁专网业务流量的周期性、自相似性及突发性等，是后续流量预测及空天地一体化网络资源分配等关键问题解决的基础。