CN108337032A - 一种在sdsn中的时延测量偏差量化与时延预测的方法 - Google Patents

Abstract

一种在SDSN中的时延测量偏差量化与时延预测的方法，使用时间间隔(MI)和往返时间(RTT)这两种时间指标来量化时延测量的时间偏差；通过控制层中的控制器节点卫星能够实现对各个卫星节点的流表信息的实时监控，以获取队列信息；基于路径时延的测量值，在得到传播时延的基础上可计算得到队列时延的测量值，然后对下一时刻的队列时延进行预测，并结合获取的卫星节点的流表信息和队列信息，并根据卫星规律运行的特点采用新的方式对卫星网络传播时延进行预测，然后对总体的路径时延进行预测；解决了卫星网络中时延测量偏差的误差较大，使得测量值更贴近于真实值，并提高了对卫星网络时延预测的精准度，提高卫星通信的服务质量。

Description

一种在SDSN中的时延测量偏差量化与时延预测的方法

技术领域

本发明涉及卫星通信技术领域，具体涉及一种在SDSN中的时延测量偏差量化与时延预测的方法。

背景技术

自从1957年10月苏联发射人类第一颗人造地球卫星——人造地球卫星1号以来，至今已经过去半个多世纪。在今天，卫星在国民经济、军事国防、社会生活和科学技术等各个方面都发挥着非常重要的作用。按照用途卫星可分为科学、通信、军事、气象、资源、导航和星际等多种类别的卫星，而在各种类的卫星当中，通信卫星与人类的日常生活最为紧密。世界上第一颗通信卫星，是美国1958年12月18日发射的Score(斯科尔)。经过60多年的发展，卫星通信技术在导航定位、气象预报、军事侦察、通信广播等领域取得了巨大的成就，也对推动着人类的生产、生活方式发生翻天覆地的变革。相对于其他通信方式，卫星通信具有覆盖区域广，通信距离远，频带宽，通信容量大，多址传输，适用多种业务，机动灵活，不受地理条件的限制。但随着信息全球化、互联网、数字多媒体通信技术的发展及人们对最佳体验的通讯条件的迫切需求，使得传统的卫星通信技术已经很难满足高速通信的需求。

SDN起源于美国斯坦福大学，2008年，斯坦福大学教授Nick McKeown等人基于Ethane项目的研究成果，在ACM SIGCOMM发表题为OpenFlow：Enabling Innovation inCampus Networks的论文。文中首次详细地介绍了SDN的概念，即将传统网络设备的数据平面和控制平面分离，使用户能够通过标准化的接口对各种网络转发设备进行统一管理和配置。SDN的三大特性：控制与转发的分离、控制平面与转发平面开放接口、逻辑上的集中控制，使得这种架构为网络带来了可编程性，对网络资源的设计、管理和使用提供了更多的可能，从而更容易推动网络的革新与发展。

近年来，随着信息网络技术的快速发展和人们对高品质即时通讯的追求，弊端日益凸显的传统卫星网络，已然不能满足社会发展的需求。由于星上处理支持星上交换并且卫星之间通过星间链路相连接，这使得把地面网络中成熟的或者前沿的技术应用到卫星网络中变得切实可行。软件定义卫星网络(SDSN：Software Defined Satellite Network),就是最近两年来，通过将已成熟的SDN技术应用在卫星网络中而衍生出的一种新的研究领域。在SDSN框架下，继承了SDN的三大特性，逻辑上的集中控制能够支持控制层节点卫星实时获得卫星网络资源的全局信息，也具体到每个数据层卫星节点的状态信息，并可以根据业务的需求进行卫星网络资源的全局调配和优化。

并且，在目前现有的技术条件下，没有对卫星网络时延测量偏差进行量化的相关方法。在时延预测方面，相关技术点的涉及只有在SDN下有关于网络时延预测的研究，并没有关于在SDSN环境下对卫星网络时延预测的研究。

发明内容

为了克服现有技术的缺陷，本发明的目的在于提供一种在SDSN中的时延测量偏差量化与时延预测的方法，通过在SDSN环境下研究，解决了卫星网络中时延测量偏差的误差较大，并量化了时延测量偏差，提出了在SDSN环境下的时延测量方法，减小了卫星网络实验测量的偏差，使得测量值更贴近于真实值，并提高了对卫星网络时延预测的精准度，提高卫星通信的服务质量。

为达到上述目的，本发明采用了以下技术方案：

一种在SDSN中的时延测量偏差量化与时延预测的方法，包括以下步骤：

步骤一、在使用探针测量单程的路径时延的场景中分析时延测量的时间节点，然后得到测量时延和实际时延之间的差距，最后再使用时间间隔(MI)和往返时间(RTT)这两种时间指标来量化时延测量的时间偏差；

步骤二、基于SDSN中集中控制的特性，在SDSN框架中，通过控制层中的控制器节点卫星能够实现对各个卫星节点的流表信息的实时监控，以获取包括卫星节点的队列长度、队列带宽、队列缓冲区的队列信息。

步骤三、基于步骤一所得的路径时延的测量值，在得到传播时延的基础上可计算得到队列时延的测量值，然后对下一时刻的队列时延进行预测，并结合获取的卫星节点的流表信息和队列信息，并根据卫星规律运行的特点采用新的方式对卫星网络传播时延进行预测，然后对总体的路径时延进行预测。

所述步骤一路径时延按照以下公式计算：

其中，s1表示发送探测器时刻，r1表示接受到其ACK时刻(ACK：Acknowledgement)，D1表示处于s1和r1中间的时刻T₁的时延。

所述步骤一的时延测量的时间偏差纬度是测量的路径时延与数据包正在经过的路径时延之间的时间偏差，假设存在路由i，并且其在时间t的时延为Di_t，系统在时间t1测量路径时延，则存储在路由器中的路径测量时延为Di_t1。在时间t2时，数据包到达路由器，路由i根据根据存储在路由器中的路径测量时延Di_t1来选择最佳的路径发送数据包，但是数据包正在通过的路径上的实际时延是Di_t2，在这种情况下，在时间t1测量路由算法中使用的路径时延，在时间t2发送数据分组，那么在这种情况下，路径时延测量的时间偏差是t2-t1。在路径时延测量时，时间偏差越大，测量的误差就越大。因此，为了减少测量误差，需要维持较低路径时延测量的时间偏差，那就需要对时延测量的时间偏差维度进行估计,估计时延测量的时间偏差纬度包括以下步骤：

(a)首先，确定时间偏差的两种时间指标分别是测量时间间隔(MI)和往返时间(RTT),测量时间间隔是两个相邻路径时延测量之间的时间间隔，表示路径时延测量的频率。测量时间间隔越长，时间偏差就会越大。往返时间是信号脉冲或数据包从特定的信号源到特定的目的地和再次返回所需要的时间，通常用作路径时延的测量。随着往返时间越来越长，探测器回来的时间会越来越晚，这样就会导致所测量的路径时延更加的不及时。

(b)在MI大于RTT时，测量的路径时延的时间偏差主要取决于MI的大小。在MI非常大时的极端情况下，下一次测量的结果到达的时间就会很晚，所以路由器在相当长的时间内都不会更新路径的时延。那么，当数据包在传输室所依据的路径时延与之前所测量的路径时延相同。在这种情况下，MI越大，路径时延测量的时间偏差就会越大。

(c)在RTT大于MI时，测量的路径时延的时间偏差主要取决于RTT的大小。当RTT大于MI时，测量时延时的探测器发送的频率很高。但是路由器中的路径时延只有在ACK返回时才会进行更新，这需要返回时间，因此，RTT越大，返回时间就会越晚，那么路由器中的路径时延更新就越晚，则路径时延测量的时间偏差就越大。

所述的步骤三具体包括以下步骤：

(a)首先，传播时延的计算是距离/光速，距离是路径上的链路长度之和，链路长度通过卫星的规律运动特性可以预测得到。则按照以下公式计算传播时延：

其中，T_{p_delay}表示传播时延，D表示路径上的链路长度之和，C₀表示无线电波在真空中传播速度约等于光速。(跟步骤一中的路径时延关联)

(b)通过步骤一的路径时延的测量值D1，也即为端到端时延测量值，则根据端到端时延计算公式得到上一时刻的队列时延测量值：

T_{q_delay}(k-1)＝D1-T_{p_delay}-W

其中，T_{q_delay}(k-1)是上一时刻队列时延测量值,发送时延和处理时延都是固定的记为W。

在得到上一时刻的卫星节点的流表信息和队列信息及队列时延测量值之后，通过建立一个状态空间模型，用卡尔曼滤波来预测下一时刻队列时延T_{q_delay}(k)。建立系统模型如下：

T_{q_delay}(k)＝T_{q_delay}(k-1)+w(k)

其中，T_{q_delay}(k)是下一时刻队列时延预测值，T_{q_delay}(k-1)上一时刻队列时延测量值，w(k)是系统噪声。

观察方程如下：

Y(k)＝H(k)T_{q_delay}(k)+N(k)

其中H(k)是测量方程，N(k)是观察噪声。

通过观察方程得到的修正结果Y(k)就是更为精测的下一时刻队列时延预测值T_{q_delay}。

(c)卫星网络端到端时延预测公式如下：

T_delay＝T_{p_delay}+T_{q_delay}+W

其中，T_delay是卫星网络端到端时延的预测值。

本发明的有益效果体现在：

本发明首先在使用探针测量单程路径时延的场景中分析时延测量的几个时间节点，然后得到测量时延和实际时延之间的差距，最后再使用两种时间单位(往返时延和时延测量间隔)来量化时延测量偏差。基于SDSN中集中控制的特性，在SDSN框架中，通过控制层中的控制器节点卫星能够实现对各个卫星节点的流表信息的实时监控，以获取到卫星节点的队列长度、队列带宽、队列缓冲区等队列信息。结合以上获取的卫星节点信息，并根据卫星规律运行的特点对卫星网络传播时延进行预测，然后对总体的路径时延进行预测。相对于传统卫星网络，该方法能够有效的提高对卫星网络时延测量及时延预测的精准度。

附图说明

图1为本发明所述的SDSN架构图；

图2为一个简单实例；

图3时延记录说明图1

图4时延记录说明图2

图5MI大于RTT时时延偏差说明图

图6RTT大于MI时时延偏差说明图

图7时延偏差量化仿真结果图

图8时延预测仿真结果图

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种在SDSN中的时延测量偏差量化与时延预测的方法，具体介绍如下：

本发明涉及的SDSN框架参考图1，SDSN架构主要包含管理层、控制层、转发层以及数据层。管理层在地面控制中心根据控制层传输的卫星状态数据进行路由协议计算，资源初始化，移动管理等。控制层在GEO卫星，因为GEO卫星与地面的位置相对保持不变，并且三颗GEO卫星便能覆盖全球，便于与转发层、数据层及管理层的数据交互。转发层是MEO卫星，作为信息传输的中继站。数据层是LEO卫星及地面空中的用户终端。

在当前大多数路由算法中，路径时延是路由选择的一个重要度量标准，路由算法会选择具有最小时延的路径来作为传输未来数据分组的最佳路径。并且，路径时延是决定路由效果是否下降的不可或缺的参数之一。因此需要尽可能准确地获取路径时延。在传统的路径时延测量方法中，使用一个探测器通过路径并返回ACK来进行路径时延的测量。当数据包到达卫星节点时，路由器根据之前获得的路径时延，将数据包发送到最佳路径上。但是事实上，路由算法所使用的测量时延和当前实际的时延总是会有一定时间上的差别，路由算法在决定路由时和路由器转发数据包之后，路径中的时延是不同的，时间上的偏差大概是一个往返时延。往返时延越大，时延测量的时间偏差就会越大，导致时延测量的不准确。地面网络中，数据包的往返时延比较小，这样路径的实验测量就会在一个可接受的误差范围之内。但是，在卫星网络中，往返时延大大地增加了，此时，如果路由算法还是使用测量的时延的话，那么路由算法在决定路由时考量的时延就已经不是下面路由器转发数据包时将要面对的时延，当这个偏差大到一定程度的时候，就会影响路由算法最佳路径的选择。

表1

表1和图2为一个简单的实例。从节点1和节点6有两条路径。假设在时间t，节点1接收数据包，其目的节点是节点6。然后路由器节点1查找路由表，确定路由节点链路1-2-4-6作为最佳的传输路径，路径时延为30ms，小于时延时间为50ms的路由节点链路1-3-5-6。这些路径时延在时间t之前测量。然而，在将数据包发送到路由节点链路1-2-4-6时，两条路径的时延相对改变为50ms和30ms，此时的最优路径就变为路由节点链路1-3-5-6.在测量的路径时延和实际路径时延之间存在时间偏差。这种情况，有时就会导致数据包传输路由节点的选择不是最佳的。

本发明提出一种新的方式对路径时延进行记录。例如，在图3中，在时间s1时发送探测器，并且在时间r1时接收到其ACK，此时的往返时间是r1-s1，该时间被认为是处于s1时刻和r1时刻中间的时刻t1的路径时延的两倍。这种记录方式是基于这样的概念，即根据往返时间测量的路径延时表示在往返时间中间的时刻的路径延时，此方式优于将测量的时延表示为探测器发送时刻或ACK接受时刻的时延。所以时刻t1的路径时延D1等于时间间隔t1-s1和时间间隔r1-t1,也可通过公式表示如下：

假设有一个路由i，其在时间t的时延为Di(t)，则在图中所测量的时延Di(t)可以表示为半圆的最高点，该半圆与时间轴的焦点分别为探测器的发送时间和接收到ACK的时间。因此，当测量的时间段分布的密度很大时，路径的时延可以呈现为随时间变化的连续曲线。

此外，在以上所述的路径时延曲线中还有一些属性。在路径时延的曲线中，每个点都可以当做一个测量记录，相当于一个半圆的最高点，根据该曲线可以获得探测器的发送时间和ACK的接收时间。然而，并不是所有的连续曲线都可以是路径时延曲线。图4所示的曲线图不符合路径时延曲线的要求。在图4中显示了不同时刻的路径时延测量，s、r、t分别表示探测器发送时间、ACK接收时间和测量时间。显然，s1<s2且r2<r1，这意味着尽管第一次测量在第二次测量之前发送了探测器，但在第一次ACK被接收前接收到了第二次测量的ACK。这在使用一条单一路线的实际传输中是不可能的。因此，路径时延的连续性曲线应该遵循一些规则，以确保较早接收到较早的探测的ACK。事实上，测量时间也应该是有顺序的，这意味着在图3中，只要s2大于s1,t2应该大于t1。

本发明对路径时延测量的时间偏差定义如下：

路径时延测量的时间偏差是测量的路径时延与数据包正在经过的路径时延之间的时间偏差。假定存在路由器i，并且路由器i在时间t的时延为Di(t)。系统在时间t1测量路径时延，侧存储在路由器中的路径时延为Di(t1)。在时间t2，数据包到达路由器，路由器i根据测量的路径时延Di(t2)。在这种情况下，在时间t1测量路由算法中使用的路径时延，在时间t2发送数据分组。那么在这种情况下，路径时延测量的时间偏差是t2-t1。

路径时延测量的时间偏差越大，测量的误差就越大。因此，为了减少测量误差，需要维持较低路径时延测量的时间偏差。那就需要对时延测量的时间偏差维度进行估计。

参阅图5、图6，本说明书中所述的估计时延测量的时间偏差纬度包括以下步骤：

(a)首先，确定时间偏差的两个关键因素分别是测量时间间隔(MI)和往返时间(RTT)。测量时间间隔是两个相邻路径时延测量之间的时间间隔，表示路径时延测量的频率。测量时间间隔越长，时间偏差就会越大。往返时间是信号脉冲或数据包从特定的信号源到特定的目的地和再次返回所需要的时间，通常用作路径时延的测量。随着往返时间越来越长，探测器回来的时间会越来越晚，这样就会导致所测量的路径时延更加的不及时。

(b)参考图5，在MI大于RTT时，测量的路径时延的时间偏差主要取决于MI的大小。在MI非常大时的极端情况下，下一次测量的结果到达的时间就会很晚，所以路由器在相当长的时间内都不会更新路径的时延。那么，当数据包在传输室所依据的路径时延与之前所测量的路径时延相同。在这种情况下，MI越大，路径时延测量的时间偏差就会越大。

(c)参考图6，在RTT大于MI时，测量的路径时延的时间偏差主要取决于RTT的大小。当RTT大于MI时，测量时延时的探测器发送的频率很高。但是路由器中的路径时延只有在ACK返回时才会进行更新，这需要返回时间，因此，RTT越大，返回时间就会越晚，那么路由器中的路径时延更新就越晚，则路径时延测量的时间偏差就越大。

总而言之，路由器中的路径时延更新和接收到的测量探测器的ACK相匹配，从探测器设置到其ACK返回的时间间隔直接受到MI和RTT中较大的一个影响。因此，时延测量的时间偏差与MAX[MI,RTT]成正比。

在往返时间相对较大的卫星网络中，时延测量的时间偏差较大。因此，时延测量的不够精确，而时延预测是非常有必要的。

通常情况下，在卫星网络中，路径时延是一个数据分组从路径的一段经过路径上的所有节点和链路到达另一端的时间的总和。对于每个路径来说，时延包含四个部分：发送时延、传播时延、处理时延及排队时延。对于特定长度的数据包，其发送时延和处理时延都是固定的，而传播时延和排队时延是动态变化的，分别和节点之间的距离和节点的队列长度相关。

排队时延是最不好确定的，因为在卫星网络中流量往往是突发性的，外界数据分组的到达是不能准确预测的，一个节点的队列长度随着到来的数据分组而动态的变化。卫星节点的外来数据分组到达率和其对应的地面位置有关，一般来说使用网络比较多的地区，上空的卫星节点队列会比较长。而在SDSN框架中的集中控制的优势，在控制层中的节点卫星能够实时监测和获取数据层卫星节点中的队列信息和卫星网络拓扑结构，并且卫星节点有周期规律形移动的特性。

而在SDSN中的集中控制是逻辑上的集中控制，能够支持控制层节点卫星获得卫星网络资源的全局信息，也具体到每个数据层卫星节点的状态信息，并可以根据业务的需求进行卫星网络资源的全局调配和优化。

控制层卫星节点获取的数据层卫星节点的队列信息主要包括：流表数量、队列长度、队列带宽及队列缓冲区大小等。

根据以上所述建立对卫星网络端到端时延的预测包括以下步骤：

(a)首先，传播时延的计算是距离/光速，距离是路径上的链路长度之和，链路长度通过卫星的规律运动特性可以预测得到。则按照以下公式计算传播时延：

其中，T_{p_delay}表示传播时延，D表示路径上的链路长度之和，C₀表示光速。

(b)通过步骤一的路径时延的测量值D1，也即为端到端时延测量值，则根据端到端时延计算公式得到上一时刻的队列时延测量值：

T_{q_delay}(k-1)＝D1-T_{p_delay}-W

在得到上一时刻的卫星节点的流表信息和队列信息及队列时延测量值之后，通过建立一个状态空间模型，用卡尔曼滤波来预测下一时刻队列时延T_{q_delay}(k)。建立系统模型如下：

T_{q_delay}(k)＝T_{q_delay}(k-1)+w(k)

其中，T_{q_delay}(k)是下一时刻队列时延，T_{q_delay}(k-1)是上一时刻队列时延，w(k)是系统噪声。

观察方程如下：

Y(k)＝H(k)T_{q_delay}(k)+N(k)

其中H(k)是测量方程，N(k)是观察噪声。

通过观察方程得到的修正结果Y(k)就是更为精测的下一时刻队列时延预测值T_{q_dela％}。

(c)卫星网络端到端时延预测公式如下：

T_delay＝T_{p_delay}+T_{q_delay}+W

仿真模拟结果

本发明在OPNET和STK中对时延测量偏差量化与时延预测的方法进行仿真，主要在卫星网络中的时延测量的精准度和与传统网络对比时延预测，对比结果如图7、图8所示。

参见图7，可以清楚看到采用本发明的方法的估计时延值与真实的时延值非常接近，只有些许差别，并明显的传统的测量时延值存在一个时间偏差。

参见图8，能够看到采用在SDSN框架下对时延的预测值比在传统方法下更精确。

总之，本发明基于SDSN框架的特点和卫星规律运行的特点，使用探针测量单程路径时延的场景中分析时延测量的几个时间节点，然后得到测量时延和实际时延之间的差距，最后再使用两种时间单位(往返时延和时延测量间隔)来量化时延测量偏差。并采用新的方法对总体路径时延进行预测。相对于传统网络，该方法有效的提高了对卫星网络时延的测量及时延预测的精准度，有利于提高卫星网络的性能，促进卫星网络事业的发展。

Claims (4)

1.一种在SDSN中的时延测量偏差量化与时延预测的方法，其特征在于，包括以下步骤：

步骤一、在使用探针测量单程的路径时延的场景中分析时延测量的时间节点，然后得到测量时延和实际时延之间的差距，最后再使用时间间隔(MI)和往返时间(RTT)这两种时间指标来量化时延测量的时间偏差；

步骤二、基于SDSN中集中控制的特性，在SDSN框架中，通过控制层中的控制器节点卫星能够实现对各个卫星节点的流表信息的实时监控，以获取包括卫星节点的队列长度、队列带宽、队列缓冲区的队列信息；

步骤三、基于步骤一所得的路径时延的测量值，在得到传播时延的基础上可计算得到队列时延的测量值，然后对下一时刻的队列时延进行预测，并结合获取的卫星节点的流表信息和队列信息，并根据卫星规律运行的特点采用新的方式对卫星网络传播时延进行预测，然后对总体的路径时延进行预测。

2.根据权利要求1所述的一种在SDSN中的时延测量偏差量化与时延预测的方法，其特征在于，所述步骤一路径时延按照以下公式计算：

其中，s1表示发送探测器时刻，r1表示接受到其ACK时刻，D1表示处于s1和r1中间的时刻T₁的时延。

3.根据权利要求1所述的一种在SDSN中的时延测量偏差量化与时延预测的方法，其特征在于，

所述步骤一的时延测量的时间偏差纬度是测量的路径时延与数据包正在经过的路径时延之间的时间偏差，假设存在路由i，并且其在时间t的时延为Di_t，系统在时间t1测量路径时延，则存储在路由器中的路径测量时延为Di_t1；在时间t2时，数据包到达路由器，路由i根据根据存储在路由器中的路径测量时延Di_t1来选择最佳的路径发送数据包，但是数据包正在通过的路径上的实际时延是Di_t2，在这种情况下，在时间t1测量路由算法中使用的路径时延，在时间t2发送数据分组，那么在这种情况下，路径时延测量的时间偏差是t2-t1；在路径时延测量时，时间偏差越大，测量的误差就越大，为了减少测量误差，需要维持较低路径时延测量的时间偏差，那就需要对时延测量的时间偏差维度进行估计,估计时延测量的时间偏差纬度包括以下步骤：

(a)首先，确定时间偏差的两种时间指标分别是测量时间间隔(MI)和往返时间(RTT),测量时间间隔是两个相邻路径时延测量之间的时间间隔，表示路径时延测量的频率；测量时间间隔越长，时间偏差就会越大；往返时间是信号脉冲或数据包从特定的信号源到特定的目的地和再次返回所需要的时间，通常用作路径时延的测量；随着往返时间越来越长，探测器回来的时间会越来越晚，这样就会导致所测量的路径时延更加的不及时；

(b)在MI大于RTT时，测量的路径时延的时间偏差主要取决于MI的大小；在MI非常大时的极端情况下，下一次测量的结果到达的时间就会很晚，所以路由器在相当长的时间内都不会更新路径的时延；那么，当数据包在传输室所依据的路径时延与之前所测量的路径时延相同；在这种情况下，MI越大，路径时延测量的时间偏差就会越大；

(c)在RTT大于MI时，测量的路径时延的时间偏差主要取决于RTT的大小；当RTT大于MI时，测量时延时的探测器发送的频率很高；但是路由器中的路径时延只有在ACK返回时才会进行更新，这需要返回时间，因此，RTT越大，返回时间就会越晚，那么路由器中的路径时延更新就越晚，则路径时延测量的时间偏差就越大。

4.根据权利要求1所述的一种在SDSN中的时延测量偏差量化与时延预测的方法，其特征在于，

所述的步骤三具体包括以下步骤：

(a)首先，传播时延的计算是距离/光速，距离是路径上的链路长度之和，链路长度通过卫星的规律运动特性可以预测得到；则按照以下公式计算传播时延：

其中，T_{p_delay}表示传播时延，D表示路径上的链路长度之和，C₀表示无线电波在真空中传播速度约等于光速；

(b)通过步骤一的路径时延的测量值D1，也即为端到端时延测量值，则根据端到端时延计算公式得到上一时刻的队列时延测量值：

T_{q_delay}(k-1)＝D1-T_{p_delay}-W

其中，T_{q_delay}(k-1)是上一时刻队列时延测量值,发送时延和处理时延都是固定的记为W；

在得到上一时刻的卫星节点的流表信息和队列信息及队列时延测量值之后，通过建立一个状态空间模型，用卡尔曼滤波来预测下一时刻队列时延T_{q_delay}(k)；建立系统模型如下：

T_{q_delay}(k)＝T_{q_delay}(k-1)+w(k)

其中，T_{q_delay}(k)是下一时刻队列时延预测值，T_{q_delay}(k-1)上一时刻队列时延测量值，w(k)是系统噪声；

观察方程如下：

Y(k)＝H(k)T_{q_delay}(k)+N(k)

其中H(k)是测量方程，N(k)是观察噪声；

通过观察方程得到的修正结果Y(k)就是更为精测的下一时刻队列时延预测值T_{q_delay}；

(c)卫星网络端到端时延预测公式如下：

T_delay＝T_{p_delay}+T_{q_delay}+W

其中，T_delay是卫星网络端到端时延的预测值。