网络带宽的测量研究和实现

网络带宽的测量研究与实现
-基于包速度模型的网络带宽测量研究及
应用
第一章引言
可用带宽测量的研究背景和意义
最近几年来网络规模不断扩大，网络流量急剧增加，尤其是实时业务和多媒体应用等新业务的不断增加，例如远程教学，视频会议、视频点播、视频监控等质量服务（QoS）敏感的网络应用，这些应用对网络传输提出了一组性能气宇的要求，主要包括带宽、延迟、丢包率等。

为了向用户提供靠得住的端到端(End to end)服务质量保证，网络应用必需取得实时的网络性能来评估当前网络对应用的支持程度。

网络测量是开展服务质量敏感应用、提供服务质量保证的前提条件。

但是，目前对网络测量技术的研究明显滞后于网络及其应用的快速进展。

研究网络性能测量技术是了解网络行为、进行网络控制、实施服务质量保证、提高网络性能的基础和重要环节，因此具有十分重要的意义。

网络带宽测量的研究对于提高仿真系统性能，有着超级重要的作用。

通过带宽测量，了解广域网带宽资源情形，从而指导广域网实时仿真系统的数据传送和带宽分派，提高广域网实时仿真系统性能。

在广域网环境下的散布交互仿真系统中，网络带宽测量技术的研究有助于大幅度提高带宽利用率并降低仿真数据的延迟。

在测量可用带宽时，必需要保证测量的准确性、非干扰性(测量的探测速度不能影响到正常的业务流)和快速性。

很多因素给可用带宽的实际测量造成了困难，例如链路的可用带宽随时在转变，而且由于网络技术存在着不同性，端与端
之间需要协同工作，业务流量利用不同的传输协议，背景流量存在多样性，各类路由器具有各自的特点等。

如何对可用带宽进行快速有效地测量，取得高精度的测量结果，已成为下一代网络关键技术研究的热点。

国内外研究现状
对网络行为观测与研究的系统讨论源于一次有关Interact统计与测量分析的研讨会(ISMA)，是在1996年初美国应用联网研究国家实验室(NLANR)与Beloote 在美国NSF支持下召开的。

在此以后，依托于美国加州大学圣迭戈分校超级计算中心(SDSC)的C．AIDA(Internet数据分析联合会)对网络测量的相关理论和方式展开了系统性的研究。

IM也成立了专门的工作小组IPPM(IP Performance Metrics)来制定IP网络的运行参数。

与国外相较，国内对可用带宽测量技术的研究起步晚一些，但此刻已经有很多大学和公司对带宽测量都进行了不同程度的研究。

其中北京邮电大学网络与互换国家重点实验室比较早就开始了关于IP网络带宽测量的研究；其后不久，国防科技大学运算机学院也开始针对网络带宽测量进行了较深切的研究；而北京交通大学电子信息工程学院则针对网络带宽的主动测量技术也做了研究；除此之外中山大学、解放军理工大学、中国科学院、清华大学、同济大学、华中科技大学、北京航天航空大学等国内许多重点院校都对可用带宽测量进行了研究。

可用带宽测量的应用前景和面临的挑战
评价网络性能有很多指标，包括网络容量、丢包率、可用带宽、延时、背景流量等。

随着网络的飞速进展，网络应用加倍关心的是自己能够利用的带宽，即
可用带宽。

在过去的十几年中，研究者们一直不懈地尽力提高端到端的可用带宽测量算法的精度和速度，但是，可用带宽本身具有动态转变的特性，受到很多因素的影响，可用带宽测量面临诸多挑战：
1）背景流量的突发特性：造成了可用带宽的动态性，给测量带来了专门大困难，需要采用必然的技术缓和背景流量的突发性给测量结果造成的误差。

2）可用带宽测量技术的实际应用性：即要求可用带宽测量准确性和可操作性，而且测量时刻短，开销低，从而能在实际网络应用程序中集成，达到测量可用带宽的真正目的。

3）多瓶颈链路模型的可用带宽测量：现有的可用带宽测量技术都是基于单瓶颈链路模型，用于多瓶颈链路环境时，测量结果就会出现必然的误差。

4）时刻精度问题：现有的可用带宽测量技术都是基于时刻信息统计分析，因此，最小时刻粒度(时刻精准度)是限制可用带宽测量精度的一个超级重要的因素。

若是最小时刻粒度比测量的距离还大，那么可取得的时刻距离就是最小时刻粒度；若是最小时刻粒度比两个包的时刻距离大，就以为这两个包同时抵达。

第二章网络带宽测量相关理论研究
本章介绍了运算机网络带宽测量的相关理论和典型的带宽测量的工具。

第一，介绍了带宽测量的技术分类包括主动测量和被动测量。

然后介绍了带宽测量算法的性能评价标准，并分析了带宽测量的趋势。

最后，介绍了几种经典的可用带宽测量工具和算法。

最后介绍了带宽测量相关领域的一系列概念，包括链路带宽，端到端瓶颈带宽，带宽利用率，和端到端可用带宽。

带宽测量技术分类
依据不同的划分标准，可对带宽测量技术进行如下分类：依照是不是向网络内部注入探测包，可分为主动测量(Active Measurement)和被动测量(Passive Measurement)，如图所示。

按测量进程是不是需要节点路由器的协作，带宽测量技术分为链路带宽测量和端到端的路径带宽测量方式；依照不同的测度，带宽测量可分为链路带宽(Link Capacity)、路径带宽(Path Capacity)和链路可用带宽(Available Bandwidth)测量技术。

图 带宽测量分类
1．主动测量和被动测量
主动测量：通过发送测量包来获取网络性能数据。

主动测量能够取得用户感兴趣的端到端的网络状况和网络行为，具有灵活方便、可操作性强等长处。

主动量通过度析探测数据包和响应数据包来获取相应的性能参数。

主动测量大体结构如图所示，探测流的源端称为发送端，目的端称之为接收端。

主动测量结构包括两部份：发送端的监测设备和接收端的监测设备。

图 主动测量组件结构
被动测量：利用接入网络的探针来记录和统计链路上数据包的网络特性。

被动测量没必要发送主动测量包，也不会占用网络带宽，对网络影响较小，能够取得更为准确的测量结果。

被动测量如图所示：
带
宽
测
量 主动测量 端到端 逐跳 瓶颈带宽 可利用带宽 链路带宽
被
动
测
量
图被动测量方式示用意
由于被动测量利用网络的探针来测量网络的链路，如此必然要有大量的现实测量工具和网络测量的权限。

相对于被动测量主动测量加倍受到青睐，因为主动测量操作起来加倍方便，加倍经济，加倍方便操作。

2. 端到端带宽测量和链路带宽测量
端到端带宽测量是对源、目的节点两头之间的网络路径的带宽参数进行测量，包括端到端的瓶颈带宽测量和端到端的可用带宽测量；而链路带宽测量主如果测量网络路径上各段链路的带宽参数，着重于测量链路的带宽值。

3. 链路带宽测量、路径带宽测量和可用带宽测量
链路带宽测量是对某条链路的最大发送速度的测量；路径带宽是最窄链路的物理带宽；可用带宽表示在网络路径中有背景流量存在的情形下，网络路径还能给端到端之间提供的最大吞吐量。

可用带宽是随链路状态和已有网络负载状态动态转变的，反映了某时刻段内路径发送数据的真正能力，在实际中更具有指导意义。

端到端带宽测量工具
VPS、Packet Pair、PGM和PRM 模型别离用于测量链路带宽、瓶颈带宽、可利用带宽，VPS、Packet Pair由于测量的是链路或路径的大体带宽，它们要求尽可能避免竞争流的影响所以采用了发送单个包或包对多次测量的方式；而PGM和PRM模型测量的是可利用带宽。

虽然这些模型不同，但其实它们又是彼
此联系的，它们大体都采用了带宽和延迟的关系来取得测量指标的值，对数据的处置存在相似性。

1）变包测量模型
变包测量模型（variable packet size，VPS）最初由和Steve Bellovin，Van Jacobson在其测量工具pathchar中提出用以测量链路带宽。

它假设传输延迟和包大小成线性关系；路由器只进行存储转发；所有连接是单通道的；而且链路上的通信没有引发测试包排队。

基于这一模型的典型工具有：Pathchar、Clink、Pchar、pipechar 等。

2）包对模型
包对（packet pair）是指两个等长的背靠背的测量数据包，基于这一模型的典型工具有Bprobe、Nettimer、Pathrate、Sprobe等。

3）包距离模型
包距离模型（The probe gap model，PGM）通过度析两个相邻数据包抵达接收端时的时刻距离来测量可利用带宽。

它假设窄链路和紧链路在同一名置，数据包发送时的初始时刻距离为a，受网络中竞争流插包的影响，那个距离会变大，从而数据包抵达接收端时的时刻距离a能够用一个关于网络中竞争流的函数表示，能够据此测量可利用带宽，基于这一模型的典型工具有IGI, and Delphi Spruce等。

4）包速度模型
包速度模型（The probe rate model , PRM）基于自感应的拥塞原理测量可利用带宽：当数据包的发送速度小于可利用带宽时，数据包抵达接收端时的接收速度就会等于发送速度；反之，当发送速度大与可利用带宽速度时，数据包在网络中就会发送排队产生延迟，接收速度将会小于发送速度，因此能够通过观察这种速度的转变来测量可利用带宽。

基于这一模型的典型工具有Pathload，TOPP，ITP 等。

Pathload及ITP利用了负载周期流法（Self-Loading Periodic Streams ，SLoPS）测量可利用带宽，自大载周期流指的是由多个大小相同的测量包组成的序列，它在源端以必然的速度发送周期流到目的端而且按照目的端的反馈信息调整发送速度，在目的端观测包延迟的转变来测量可利用带宽，而且对统计数据采用二进制的方式进行处置。

它需要收发两头彼此配合，提供的结果是一个可利用
带宽的范围，范围的中间值表示的是平都可利用带宽。

相关概念
由于对于带宽的各类指标国际上尚未统一的概念，各类文献中提到的也不尽相同，因此有必要先对各类指标给予说明。

链路带宽：即链路容量，指的是链路在物理设计上能够达到的最大数据传输速度，一般是一个固定值。

瓶颈带宽：两个节点之间路径上的最小的链路带宽，它表示一条路径的最大传输速度。

对于大多数网络来讲，两个主机之间的瓶颈带宽不会改变，也不受网络流量的影响。

若是{}01,...SD n L l l l =表示一条从源端S 到目的端D 的通路，n 表示路径的跳数，i l 表示第i 条链路 , i b 表示i l 的链路带宽，那么通路SD L 的瓶颈带宽SD B 可用如下公式表示:
0,1,2,min(...,)SD n B b b b b = （1） 链路的可利用带宽：链路上未被竞争流占用的剩余带宽。

按公式 1，若是i U (0≤i U ≤1)表示i L 的利用率，链路i L 的可利用带宽i A =i B (1-i U )。

通路的可利用带宽：一条路径中最小的链路可利用带宽。

通路SD L 的可利用带宽SD A 可用如下公式表示：
0,1,2,min(...,)SD n A a a a a = （2） 窄链路：瓶颈带宽所在的链路。

紧链路：通路的可利用带宽所在的链路。

瓶颈带宽表示的是一个连接传输数据的速度的上限，可利用带宽表示的是一个连接实际传输数据的速度，可利用带宽不可能超过瓶颈带宽，而且受瓶颈带宽和通路流量的限制，可是由于可利用带宽受网络中已有流量的影响，窄链路和紧链路并非必然在同一名置，因此瓶颈带宽和通路的可利用带宽并无必然的联系。

如图，瓶颈带宽是1b ，而通路的可利用带宽是3a 。

图中阴影部份表示网络中的已
有流量，i b 表示第i 条链路的链路带宽，i a 表示第i 条链路的可利用带宽。

图 可利用带宽和瓶颈带宽
总结
本章节介绍和分析了现有的带宽测量方式，如主动测量和被动测量的测量方式；测量技术，如超级常见的：VPS 、Packet Pair 、PGM 和 PRM 模型别离用于测量链路带宽、瓶颈带宽、可利用带宽，最后介绍了运算机网络测量的一些基础知识，为下一章次的子课题的研究提供必然得知识背景，下一章将着重介绍本人的子课题研究：基于包速度模型的网络带宽测量的算法及其他内容。

第三章基于包速度模型的算法分析和算法实现
在第二章的网络带宽测量的工具中介绍到：包速度模型基于自感应的拥塞原理测量可利用带宽。

基于这一模型的典型工具有Pathload，TOPP，ITP等。

自感应拥塞理论
自感应拥塞理论依赖于一个事实，那就是路由器将通过它们的网络数据包以一种先进先出的方式缓存在排队队列中。

若是数据包抵达的速度超过数据包流出的速度，则数据包会在相应的队列上进行排队，同时，在它们的传输进程中引入了排队时延。

按照自感应拥塞理论，若是咱们向网络中注入探测包的速度大于网络的可用带宽，节点处的拥塞就会致使排队的出现。

如此，排队时延会使得数据包的传输延迟增大；相反，若是探测流量小于路径的可用带宽，数据包的延迟中则不包括排队延迟。

所以，咱们能够通过改变注入流量的速度，进而取得使得数据包传输延迟增大的最小值，将其做为可用带宽的估量值。

基于自感应拥塞理论的算法分析
这一节主要介绍基于自感应拥塞伦伦的三种常见工具的算法分析：Pathload 、TOPP 和ITP 测量方式的算法分析。

基于Pathload 的SLoPS(Self-loading periodic stream)测量方式
SLoPS 是最近出现的一种测量端到端可用带宽的一种方式。

在SLoPS 测量算法中，发送方以必然的速度R 周期性地发送必然数量(K-100)的等长的数据包 (即一个“periodic packet stream ")给接收方。

通过在接收方监测探测数据包的单向延迟来获取发送方到接收方的网络可用带宽。

这种测量算法基于如此一种理论：若是探测流量超过传输路径的可用带宽时，探测数据包将在路径的某个节点( tight link 处)被排队，从而致使传输时延的增加；而若是探测流量小于传输路径的可用带宽时，探测数据包的传输则不包括排队时延，传输时延不会增加。

如此可用带宽就可以够通过拥塞刚发生时的探测流量估量出来。

SLoPS 算法的实现简单描述如下。

假设发送方到接收方由H 段链路组成，i=1 , 2 , ... , H ，链路i 的链路带宽为i C 。

若是以为路径中的背景流量维持不变，而且链路i 可用带宽为i A ，则链路i 的带宽利用率()/i i i i u C A C =-。

发送方到接收方的端到端可用带宽由可用带宽最小的链路决定，即:
1,2,...min min (1)i i i i n
A A C u ===- 在SLoPS 算法中，忽略传输路径上的传播时延( propagation delay )，因为以为它不影响各数据包的单向时延的差值，如此端到端的单向延迟由传输时延和排队时延组成。

假设发送方以必然的速度0R 周期性地发送K 个数据包给接收方，每一个数据包的长度是L 字节，也即是数据包的发送周期0/T L R =。

因此，第K 个数据包从发送方到接收方的单向延迟：
11()()k n
n k k i i i i i i i q L L D d C C C ===+=+∑∑ 其中，k i q 表示当数据包k 抵达链路i 时，链路i 上排队的数据总量，用/k k i i i d q C =来表示第k 个数据包在链路i 上的排队时延，两个相临的数据包k
和k + 1的单向延迟差值：
111
()()k n
n k k k k i i i i i q D D D d C +==∆∆=-==∆∑∑
上式告知咱们数据包单向延迟的差值由排队时延决定。

若是0R A >则K 个数据包由发送方到接收方的单向时延会逐渐增加；若是0R A <则这K 个数据包的单向时延维持相同。

咱们能够用图表示这两种不同情形。

在前面己经讨论过，可用带宽是一个随时刻转变的量。

在利用SLoPS 算法测量的进程中，可用带宽也可能发生转变。

当发觉单项延迟没有呈现明显的增加或呈现不增加的趋势时，SLoPS 算法探测到这种转变。

在这种情形下，这种方式报告一个灰色区域，而那个灰色区域便与测量进程中的可用带宽的转变联系。

如图所示。

图 当R 大于可用带宽时，单向延迟不断增大；而R 小于可用带宽时，单向
延迟不会增大
TOPP(Trains of Packet Pairs)测量方式
Melaner 提出一种基于分组串技术的网络可用带宽的测量算法，Trains of Packet Pairs (TOPP)。

TOPP 算法通过在源主机和目的主机之间发送一系列的分组对来测量端到端的可用带宽，分组对之间的距离逐渐减小。

典型的探测包序列如图所示，其中ta > tb > tc 。

图 TOPP 算法典型探测包序列
下面简要分析TOPP 算法的大体原理。

假设从目的主机发送一个分组对( packet pair)，分组大小为L 字节，两个分组之间的发送间隙为s ∆，则探测分组对的注入0/S R L =∆。

若是0R 大于端到端的可用带宽A ，则分组对中的第二个分组会在传输路径上可用带宽最小的链路上被排队。

如此，两个分组抵达接收方的间隙会增大，因此在接收方测量取得的0m R R >。

而若是0R 小于端到端的可用带宽A ，则TOPP 算法以为探测分组会以与发送方相同的速度抵达接收方，也就是说0m R R =。

为了更清楚的解释TOPP 算法，咱们概念一条只包括一条链路的路径，其带宽为C ，可用带宽为A ，平均背景流量c R C A =-。

以逐渐增加的流量0R 发送若干分组对，若是0R > A ,则在接收方测到的流量： 00
m C R R C R R =+ 即： 00C m R R R R C
+= TOPP 算法将使得0m R R ≈。

的最大的0R 看做是端到端的可用带宽A 。

从上式中还能够估算出链路带宽C ，如图所示。

图传输路径只包括一条链路时测得的可用带宽随注入流量的转变关系
tc s ∆tb s ∆ta
ITP 算法
通过仔细分析不难发觉，若是咱们仅仅以为探测流量大于可用带宽时，传输时延会因为排队时延的引入而增加；而探测流量小于可用带宽时，数据包的传输时延不会受到排队时延的影响，则网络中真实的流量情形被大大的简化了。

事实上，由于突发性背景流量的影响，即便在探测流量逐渐增大的情形下，探测数据包的排队时延也不单单是简单呈现单调递增的趋势。

在TOPP 算法的实测进程中发觉，若是传输路径由多条链路组成，则0R 相对于0/m R R 的曲线图中可能出现多次斜率的转变，而这种转变是由数据包在可用带宽大于端到端可用带宽A 的链路上的排队造成的。

因此，随着探测流量速度的不断增加，数据包传输路径上的排队时延和探测流量速度的关系如图所示。

图 排队时延特征图
从图中，咱们发觉随着单位时刻内发送的数据包的不断增加，排队时延并非呈简单的递增趋势。

排队时延随时刻转变的曲线图包括若干个偏移。

开始的几个偏移都以排队时延回到0而结束。

这是因为这时探测流量小于链路的瓶颈带宽 (min C =min {i C })，在没有背景流量情形下，拥塞队列取得释放，从而排队时延减小到0。

而最后一个偏移却是以排队时延逐渐增加而结束，因为这时探测流量大于链路的瓶颈带宽，探测数据包逐渐填满传输路径上的拥塞队列。

按照以上对算法的分析，咱们提出一种改良的算法，这种算法的大体原理类似于pathload 和TOPP ，基于自感应拥塞理论。

它运用分组串技术，因此咱们把它称为Improved Trains of Packet (ITP) 。

ITP 算法具有以下特点:
1）成立在自感应拥塞理论的基础上，与其它基于这种理论的测试算法的主要不同在于利用一个数据包之间间距呈指数级减小的探测序列，具有很高的效率。

一个数据包数量为N 的探测序列，有N-1个距离，而一样要取得这么多的距离，一个数据包对的探测序列需要发送2(N-1)个探测数据包。

而且，通过呈指数转变的距离，取得范围为[G1, G2]探测速度，只需要发送log(G2)-log(G1)个数据包。

2）利用探测数据包的时延的相对差值进行测量，不需要在发送主机和接收主机之间实现时钟同步。

3）相较其他利用数据包对或数据包序列的测量算法，更好的利用了延迟之间的关联关系，具有更好的准确性。

ITP 算法概述
第一，咱们给出端到端可用带宽的概念。

对于一条路径{}012,,...n P a a a a = ( 源点为0a ，依次通过节点121,...n a a a -,宿点为n a ) 其中连接1i a -到i a 的为链路i ，在时刻点 a 和 b 之间，进入链路i 的流量( 包括探测流量和背景流量)为
[],i A a b 。

则咱们将时刻点t -τ到t 之间，路径P 的端到端可用带宽概念为B[t-τ, t ]，而且[][],,min()i i i i i A t p t p B t t C τττ-++-=-，其中，i C 表示链路i 的带宽，i p 表示数据包从源主机达到链路i 所需要的最短时刻。

这里最短时刻包括传播时延和传输时延。

而事实上，数据包在传输进程中，除有传输时延和传播时延之外，还有排队时延。

所以，在时刻[],t t τ-内发送的探测数据包抵达路由器i 时已在时刻范围[],i i t p t p τ-++之外，并非能准确的测量[],B t t τ-。

可是，若是τ取一个较大的值( >>RTT )，排队时延的影响就变得超级小了。

然后，咱们给出探测数据包序列的一些相关属性。

从源主机往目的主机发送若干分组序列 ( packet train )，每一个分组序列由若干数据包组成，每一个数据包的长度为P ，将每两个相邻的数据包时刻间距的比值概念为分散因子( spread
factor) γ。

典型的探测数据包序列如图所示。

将第m 个序列中的第k 个数据包的排队延迟表示为m k q ，第k 个数据包和第k + l 个数据包发送的时刻距离概念为
m
k ∆，则发送第k 个数据包时的瞬时流量/m m k k P
P =∆。

对于每一个数据包序列来讲，m
k ∆和m k P 都是相同的，所以在以后的讨论中，咱们去掉它们的上标。

图 ITP 算法探测数据包序列图
ITP 算法利用排队延迟与时刻关系的特征图(图，取得对应于每一个数据包
的可用带宽()()1,m m k k B t t +⎡⎤⎣⎦
的估量值()m k E 。

咱们通过计算它们的平均值取得对应于每一个分组序列的带宽()()1,m m n B t t ⎡⎤⎣⎦的估量值()m D
1()()111N m m k k k N k k E D -=-=∑∆=∑∆
最后咱们通过计算()m D 的均值，取得在时刻段[],t t τ-之间端到端的可用带宽[],B t t τ-的估量[],t t ρτ-。

偏移的划分
为了更准确的计算()m k E , ITP 算法将排队延迟随时刻转变的特征曲线图分若干个偏移。

所谓一个偏移，即是指持续几个0m k q >的数据包组成的一段区域。

通常，偏移由突发性背景流量致使。

开始的几个偏移最后都会以排队时延为0的数
据包结束。

这是因为探测序列的流量小于可用带宽，使得暂时排队的数据包在背景流量消失的情形下能够马上得以释放。

最后一个偏移会包括探测序列上排队时延不断增大的的数据包，这是因为这时探测流量已经大于网络可用带宽，使得数据包这是因为这时探测流量已经大于网络可用带宽，使得数据包不断填入中间路由器的等待序列中。

按照自感应拥塞理论，咱们以为当排队时延呈现增大趋势时，意味着现在可用带宽小于分组串发送的瞬时流量，而排队时延呈现减小趋势时，意味着可用带宽不小于分组串发送的瞬时流量，即：
若
()1,,m m m k k k k q q E R +>=>= 式（3-1） 若()1,,m m m k k k k q q E R +<<= 式（3-2） 对于任何网络中传输的数据包，式( 3-1 )都是成立的，可是式 ( 3-2 )却不是在任何情形下都成立的。

例如，若是数据包k 和数据包k+l 的发送时刻相隔很长(如1小时)，则1m m k k q q +<己经不能够反映出m k E 和k R 之间的关系。

因为，在这种情形下，数据包k 和数据包k + l 不能致使网络的阻塞，它们只是别离提供了在两个时刻点上排队时延的独立样本算了。

为了能利用式( 3–2 )来估量m k E ，咱们将排队延迟随时刻转变的特征曲线图分若干个偏移部份。

促使咱们划分偏移的原因其实十分简单，那就是若是m k q 增大，而且持续几个数据包排队延迟的值都大于0，那么这些数据包处于同一个忙碌周期的可能性就超级大.所谓忙碌周期是指排队队列不为空闲的一段持续的时刻。

在这种情形下，式( 3-2 )是有效的。

实际测量中，咱们不必然明白发送方和接收方的时钟漂移，再加上机械噪声的影响，使得咱们不可能做到简单的利用0m k q >来探测偏移。

所以，在I T P 算法中，咱们利用相邻两个数据包的相对排队延迟的差值来划分排队延迟的特征曲线图上的偏移部份。

具体的做法描述如下:
事实上，咱们的目标是找到一个偏移起始的数据包i 和终止的数据包j 。

将
每一个知足()()1m m i i q q +<的数据包i 作为一个偏移的可能的起点。

概念一个偏移的
终点为知足式( 3 -3 )的继数据包i 后的第一个数据包。

其中，F 被称作衰减因子。