Aufgabe eines reservierungsbasierten QoS-Systems ist die Garantie spezifischer Übertragungsparameter für Datenflüsse in Umgebungen mit begrenzten Ressourcen. Zu diesem Zweck muss das System verschiedene Anforderungen gegeneinander abwägen und eine Ressourcenzuteilung maximalen Wertes für die Nutzer finden. In existierenden Lösungen leidet die Ressourcenzuteilung unter eine Informationslücke: die Netzwerkschicht betrachtet einzelne Datenströme ohne Kenntnis ihrer Beziehungen in höheren Schichten. Durch diese Lücke kann es zur Zuteilung von Ressourcen an nicht nutzbare Reservierungen kommen, die auf andere, nicht aktive Ströme angewiesen sind. Dies resultiert in einer Verschwendung von Ressourcen, welche anderweitig besser zur Erbringung von Diensten genutzt werden könnten. Die vorliegende Arbeit schlägt ein QoS-System der Netzwerkschicht vor, welches Kenntnis über die existierenden Pfadbeziehungen besitzt. Diese werden als Ausdrücke der Aussagenlogik formuliert, in denen die Zustände der reservierten Pfade als Boolesche Variablen repräsentiert werden. Durch Auswertung der entsprechenden Ausdrücke kann der Optimierungsprozess verschwendete Ressourcen erkennen und vermeiden. Das Optimierungsproblem ist eine Instanz des Rucksackproblems mit Nebenbedingungen. Durch Umwandlung in ein Mixed Integer Linear Program können durch existierende Algorithmen wie Branch-and-Cut optimale Ressourcenzuteilungen in vertretbarer Zeit berechnet werden. Die vorliegenden Ergebnisse zeigen, dass die Optimierung ohne Kenntnis der Pfadbeziehungen in bestimmten Szenarien bis zu 75% der zugeteilten Ressourcen verschwendet. Eine Lösung dieses Problems erlaubt eine wesentlich effizientere Nutzung begrenzter Ressourcen und damit den Transport einer deutlich großen Zahl an Anwendungssitzungen. Zusammen mit einem netzseitigen Ressourcenmanagement, welches Reservierungen pausieren und fortsetzen kann, ist dieser Ansatz besonders für stark veränderliche Netze mit langen Übertragungsverzögerungen geeignet. Das Netz findet autonom eine optimale Ressourcenzuteilung, ohne die begrenzten Ressourcen durch zusätzliche Signalisierung zu belasten.
The goal of a reservation-based QoS system is to guarantee specific transmission parameters to data flows especially in a resource-constrained environment. To do so, it has to balance different requests and find a resource allocation maximizing the overall value to its users. Traditionally there is an information gap in this optimization process: The network layer operates on individual data flows, whereas higher layers bind multiple flows together to form more complex connections. Without being aware of these relationships introduced on higher layers, the network layer may assign transmission resources to reservations, while not guaranteeing other, additionally required reservations. The result is a sub-optimal allocation, which wastes resources that could ultimately be used to better satisfy users in an already quite strained environment. This work proposes to make the network layer aware of higher-layer relationships by modeling them as propositional formulas over the resource allocation. Each reservation is represented by a Boolean variable giving its current resource assignment state. By deriving the resulting value of each propositional formula the optimization process can detect - and ultimately eliminate - wasted resources. The optimization problem is an instance of the Knapsack problem with additional Boolean constraints. By transforming it into a Mixed Integer Linear Program existing optimization algorithms like Branch-and-Cut can be used to find optimal solutions in a reasonable time frame. The results of this work indicate that, depending on the scenario, up to 75% of assigned resources may be wasted in a relation-unaware system. Alleviating this problem yields a dramatic increase of the number of admitted application sessions. Together with proactive resource management, where reservations can be suspended and resumed by the network, this approach is especially suited for highly variable, long delay networks. It is able to autonomously find the optimal resource distribution, without putting additional signaling burden on already limited resources.