CN110166310A - 一种基于虫孔网络的并发大数据传输延时快速计算方法 - Google Patents

一种基于虫孔网络的并发大数据传输延时快速计算方法 Download PDF

Info

Publication number
CN110166310A
CN110166310A CN201810089980.5A CN201810089980A CN110166310A CN 110166310 A CN110166310 A CN 110166310A CN 201810089980 A CN201810089980 A CN 201810089980A CN 110166310 A CN110166310 A CN 110166310A
Authority
CN
China
Prior art keywords
data
node
probability
subnet
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810089980.5A
Other languages
English (en)
Other versions
CN110166310B (zh
Inventor
江晓
郭威
李斌
王聿隽
孙浩铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Heng Hao Information Technology Co Ltd
Original Assignee
Shandong Heng Hao Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Heng Hao Information Technology Co Ltd filed Critical Shandong Heng Hao Information Technology Co Ltd
Priority to CN201810089980.5A priority Critical patent/CN110166310B/zh
Publication of CN110166310A publication Critical patent/CN110166310A/zh
Application granted granted Critical
Publication of CN110166310B publication Critical patent/CN110166310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于虫孔网络的并发大数据传输延时快速计算方法，包括以下步骤：计算数据块在目标网络每一维度上传输的平均节距；计算每一维子网中全双工通道中的数据到达率；计算缓冲队列的平均服务时间与方差；分别计算每一维子网的平均排队延迟，进而得到整个虫孔网络的整体平均传输延时。本发明能够快速并精确地计算出分布式数据系统的并发大数据传输延时，实时获取数据传输延时，动态指示网络性能指标，并为网络优化提供依据，具有实时、稳定和高精确性的优点。

Description

一种基于虫孔网络的并发大数据传输延时快速计算方法
技术领域
本发明涉及一种分布式系统的并发大数据网络传输延时快速计算方法，属于互联网、大数据和云计算领域。
背景技术
数据传输的时延是评价整个网络性能的重要指标，目前在分布式网络的时延计算方法中，因网络特性和拓扑结构的复杂性，已有的算法都加入了一些理想状态的假设，而实际中这些假设条件是无法常态具备的，要想得到较精确的计算出结果，往往需要加入网络的维度、特性以及结构等因素，计算模型结构复杂，参数众多，往往需要牺牲时效性来换取精确性。
发明内容
为解决上述问题，本发明的目的在于提供一种基于虫孔网络的并发大数据传输延时快速计算方法，能够在确保较高精度的前提下，实时得到数据传输延时性。
本发明的技术方案为：
一种基于虫孔网络的并发大数据传输延时快速计算方法，包括以下步骤：
A.计算数据块在目标网络每一维度上传输的平均节距；B.计算每一维子网中全双工通道的数据到达率；C.计算缓冲队列的平均服务时间与方差；D.分别计算每一维度的平均排队延迟，进而得到整个虫孔网络的整体平均传输延时。
进一步的，所述步骤A的具体实施方式为：
设定虫孔网络由n维度的分布式网络构成，Dimi表示第i维的子网；每一维子网由若干个节点N构成，两个节点间为全双工通道；节点的内部构造包括：缓存序列、CPU以及由CPU控制的交叉开关三部分；
在本模型下，通信数据块被划分为微片，每一数据块包括头微片、体微片和尾微片三部分，输入通道的缓存序列采用FIFO机制，当数据块的头微片进入到缓存序列中，由CPU进行仲裁和路由选择，交叉开关收到CPU的信息后，进行开关操作输出数据，在模型基础之上，计算数据块在Dimi子网上传输的平均节距，方法如下：
假设数据块由Ni节点进入，从Nj节点流出(i,j∈[0,p])，该子网中共有(p+1)个虫孔节点，在这(p+1)个节点中，数据从哪个节点进入和从哪个节点输出是独立随机过程，因此在任一子网中的数据进出这一事件X服从泊松分布，即X～π(λ)，数据从入口节点Ni进入的概率为然后从出口节点Nj输出的概率为
而数据从Ni节点进入，从Nj节点流出这一过程中，数据传输的节数为|j-i|，由以上可知，数据在该Dimi子网上传输的平均节距算式如下：
其中，表示数据从第k个节点进入的概率，表示数据从第s个节点输出的概率，表示第n维子网中数据传输的节数。
进一步的，所述步骤B的具体实施方式为：
设定Dimi维子网中共有(p+1)个节点，p个通道，CPUi通过SWi发出数据请求，该子网的数据请求事件服从泊松分布；
假设数据请求与应答过程中CPUi访问总线通道的概率为Pbus，
则
其中，Pπ表示CPUi通过SWi访问Gi通道的概率，因其服从泊松分布，因此同一维度的子网中，各节点CPUi通过SWi访问Gi通道的概率都是相等的，其中p为总线通道总数；
因各节点CPUi向SWi发出指令这一事件服从泊松分布，其概率相同，记为Pcpu，则CPUi访问Gi通道的概率为数据在通过节点Ni后，透传到其他维度子网的概率为所以数据块经节点Ni透传到其他子网的总概率就为而数据在通过节点Ni后，进入本子网的下一节点Ni+1的概率是数据块进入节点Ni+1的总概率就是以此类推，节点Ni+1的输出透传到其他子网的概率是数据经Ni+1后透传进入其他子网的总概率就是进入本子网下一节点Ni+2的概率是
因此算得第n维子网中，数据块从节点Ni到达前向通道Gk(k＞i)的概率
综上所述，每一维子网中全双工通道Gk的数据到达率Rrk为所有前序节点在数据传输过程中占用Gk的概率之和，因此其算式如下：
进一步的，所述步骤C的具体实施方式为：
记节点Ni的数据平均服务时间为其方差记为σs(i)，数据块依据单位时间划分为Cm个微片，则有根据闭合式M|G|1网络服务模型理论可知，数据的平均排队延迟为：
数据块到达节点Ni后，有两种流向延时最长：一是本数据块的目的节点为本子网中的最后一个节点Np，那么数据块还需要经过(p-i+1)步前向传输；另一种是数据微片经过Cm步，尾微片通过该节点输出到下一维度；即数据块在本维度可能继续传输的距离为Ds＝min((p-i+1)，Cm)，所以节点Ni处的数据块离开该子网的概率为访问本维度中前向节点的概率为因此，节点Ni处的数据平均服务时间的算式如下：
其中，表示数据块的每一微片平均服务时间。
进一步的，所述步骤D的具体实施方式为：
分别计算每一维度的平均排队延迟
则每一维度的平均排队延迟
则数据块在整个n维虫孔网络的平均传输延迟Ttrf为：
本发明的有益效果为：
本发明能够快速并精确地计算出分布式数据系统的并发大数据传输延时，实时获取数据传输延时，动态指示网络性能指标，并为网络优化提供依据，该方法的影响参数少，不必关注网络的详细拓扑结构，具有实时、稳定和精确性高的优点。
附图说明
图1为多维分布式虫孔网络模型。
图2为数据在Dimi子网进出流程图。
图3为Dimi子网的数据请求流程图。
图4为不同条件下的实时性和精确度对比图。
具体实施方式
一种基于虫孔网络的并发大数据传输延时快速计算方法，包括以下步骤：
A.计算数据块在目标网络每一维度上传输的平均节距。
如图1所示，图中虫孔网络由n维度的分布式网络构成，Dimi表示第i维的子网；每一维子网由若干个节点N构成，两个节点间为全双工通道；节点的内部构造包括：缓存序列、CPU以及由CPU控制的交叉开关三部分。
在本模型下，通信数据块被划分为微片，每一数据块包括头微片、体微片和尾微片三部分。输入通道的缓存序列采用FIFO机制，当数据块的头微片进入到缓存序列中，由CPU进行仲裁和路由选择，交叉开关收到CPU的信息后，进行开关操作输出数据。
在模型基础之上，计算数据块在Dimi子网上传输的平均节距，方法如下：
如图2所示，假设数据块由Ni节点进入，从Nj节点流出(i,j∈[0,p])，该子网中共有(p+1)个虫孔节点。
在这(p+1)个节点中，数据从哪个节点进入和从哪个节点输出是独立随机过程，因此在任一子网中的数据进出这一事件X服从泊松分布，即X～π(λ)。数据从入口节点Ni进入的概率为然后从出口节点Nj输出的概率为
而数据从Ni节点进入，从Nj节点流出这一过程中，数据传输的节数为|j-i|，由以上可知，数据在该Dimi子网上传输的平均节距算式如下：
其中，表示数据从第k个节点进入的概率，表示数据从第s个节点输出的概率，表示第n维子网中数据传输的节数。
B.计算每一维子网中全双工通道的数据到达率。
Dimi维子网中的数据请求流程如图3所示，在图3中，CPUi表示第i个节点上的CPU，SWi表示第i个节点上的交叉开关，Gi表示第i个节点的输出通道。该子网中共有(p+1)个节点，p个通道，CPUi通过SWi发出数据请求，该子网的数据请求事件服从泊松分布。
假设数据请求与应答过程中CPUi访问总线通道的概率为Pbus，
则
其中，Pπ表示CPUi通过SWi访问Gi通道的概率，因其服从泊松分布，因此同一维度的子网中，各节点CPUi通过SWi访问Gi通道的概率都是相等的，(p为总线通道总数)。
因各节点CPUi向SWi发出指令这一事件服从泊松分布，其概率相同，记为Pcpu，则CPUi访问Gi通道的概率为数据在通过节点Ni后，透传到其他维度子网的概率为所以数据块经节点Ni透传到其他子网的总概率就为而数据在通过节点Ni后，进入本子网的下一节点Ni+1的概率是数据块进入节点Ni+1的总概率就是以此类推，节点Ni+1的输出透传到其他子网的概率是数据经Ni+1后透传进入其他子网的总概率就是进入本子网下一节点Ni+2的概率是
因此算得第n维子网中，数据块从节点Ni到达前向通道Gk(k＞i)的概率
综上所述，每一维子网中全双工通道Gk的数据到达率Rrk为所有前序节点在数据传输过程中占用Gk的概率之和，因此其算式如下：
C.计算缓冲队列的平均服务时间与方差
数据微片到达节点时，需要进入缓冲队列进行判定与等待过程，因此节点为每个数据微片服务的平均服务时间是一个重要考量。
记节点Ni的数据平均服务时间为其方差记为σs(i)，数据块依据单位时间划分为Cm个微片，则有
根据闭合式M|G|1网络服务模型理论可知，数据的平均排队延迟算法如下：
从图3数据请求流程图可看出，数据块到达节点Ni后，有两种流向延时最长：一是本数据块的目的节点为本子网中的最后一个节点Np，那么数据块还需要经过(p-i+1)步前向传输；另一种是数据微片经过Cm步，尾微片通过该节点输出到下一维度。即数据块在本维度可能继续传输的距离为Ds＝min((p-i+1)，Cm)，所以节点Ni处的数据块离开该子网的概率为访问本维度中前向节点的概率为因此，节点Ni处的数据平均服务时间的算式如下：
其中，表示数据块的每一微片平均服务时间。至此，节点Ni处的数据平均服务时间得解。
D.分别计算每一维度的平均排队延迟，进而得到整个虫孔网络的整体平均传输延时。
在A,B,C步骤的基础上，分别计算每一维度的平均排队延迟算式如下：
综上，每一维度的平均排队延迟
求出每一维度子网的平均排队延迟后，可得数据块在整个n维虫孔网络的平均传输延迟Ttrf算法如下：
最后，采用32虫孔节点的二维分布式网络，分析了在不同的数据请求概率Pcpu的前提下，采用本发明所述方法与实际测量结果的实时性及精确性进行了对比，结果如图4所示。

Claims (5)

1.一种基于虫孔网络的并发大数据传输延时快速计算方法，包括以下步骤：
A.计算数据块在目标网络每一维度上传输的平均节距；B.计算每一维子网中全双工通道的数据到达率；C.计算缓冲队列的平均服务时间与方差；D.分别计算每一维度的平均排队延迟，进而得到整个虫孔网络的整体平均传输延时。
2.如权利要求1所述的基于虫孔网络的并发大数据传输延时快速计算方法，其特征在于：所述步骤A的具体实施方式为：
设定虫孔网络由n维度的分布式网络构成，Dimi表示第i维的子网；每一维子网由若干个节点N构成，两个节点间为全双工通道；节点的内部构造包括：缓存序列、CPU以及由CPU控制的交叉开关三部分；
在本模型下，通信数据块被划分为微片，每一数据块包括头微片、体微片和尾微片三部分，输入通道的缓存序列采用FIFO机制，当数据块的头微片进入到缓存序列中，由CPU进行仲裁和路由选择，交叉开关收到CPU的信息后，进行开关操作输出数据，在模型基础之上，计算数据块在Dimi子网上传输的平均节距，方法如下：
假设数据块由Ni节点进入，从Nj节点流出(i,j∈[0,p])，该子网中共有(p+1)个虫孔节点，在这(p+1)个节点中，数据从哪个节点进入和从哪个节点输出是独立随机过程，因此在任一子网中的数据进出这一事件X服从泊松分布，即X～π(λ)，数据从入口节点Ni进入的概率为然后从出口节点Nj输出的概率为
而数据从Ni节点进入，从Nj节点流出这一过程中，数据传输的节数为|j-i|，由以上可知，数据在该Dimi子网上传输的平均节距算式如下：
其中，表示数据从第k个节点进入的概率，表示数据从第s个节点输出的概率，表示第n维子网中数据传输的节数。
3.如权利要求2所述的基于虫孔网络的并发大数据传输延时快速计算方法，其特征在于：所述步骤B的具体实施方式为：
设定Dimi维子网中共有(p+1)个节点，p个通道，CPUi通过SWi发出数据请求，该子网的数据请求事件服从泊松分布；
假设数据请求与应答过程中CPUi访问总线通道的概率为Pbus，
则
其中，Pπ表示CPUi通过SWi访问Gi通道的概率，因其服从泊松分布，因此同一维度的子网中，各节点CPUi通过SWi访问Gi通道的概率都是相等的，其中p为总线通道总数；
因各节点CPUi向SWi发出指令这一事件服从泊松分布，其概率相同，记为Pcpu，则CPUi访问Gi通道的概率为数据在通过节点Ni后，透传到其他维度子网的概率为所以数据块经节点Ni透传到其他子网的总概率就为而数据在通过节点Ni后，进入本子网的下一节点Ni+1的概率是数据块进入节点Ni+1的总概率就是以此类推，节点Ni+1的输出透传到其他子网的概率是数据经Ni+1后透传进入其他子网的总概率就是进入本子网下一节点Ni+2的概率是
因此算得第n维子网中，数据块从节点Ni到达前向通道Gk(k＞i)的概率
综上所述，每一维子网中全双工通道Gk的数据到达率Rrk为所有前序节点在数据传输过程中占用Gk的概率之和，因此其算式如下：
4.如权利要求3所述的基于虫孔网络的并发大数据传输延时快速计算方法，其特征在于：所述步骤C的具体实施方式为：
记节点Ni的数据平均服务时间为其方差记为σs(i)，数据块依据单位时间划分为Cm个微片，则有根据闭合式M|G|1网络服务模型理论可知，数据的平均排队延迟为：
数据块到达节点Ni后，有两种流向延时最长：一是本数据块的目的节点为本子网中的最后一个节点Np，那么数据块还需要经过(p-i+1)步前向传输；另一种是数据微片经过Cm步，尾微片通过该节点输出到下一维度；即数据块在本维度可能继续传输的距离为Ds＝min((p-i+1)，Cm)，所以节点Ni处的数据块离开该子网的概率为访问本维度中前向节点的概率为因此，节点Ni处的数据平均服务时间的算式如下：
其中，表示数据块的每一微片平均服务时间。
5.如权利要求4所述的基于虫孔网络的并发大数据传输延时快速计算方法，其特征在于：所述步骤D的具体实施方式为：
分别计算每一维度的平均排队延迟
则每一维度的平均排队延迟
则数据块在整个n维虫孔网络的平均传输延迟Ttrf为：
CN201810089980.5A 2018-01-30 2018-01-30 一种基于虫孔网络的并发大数据传输延时快速计算方法 Active CN110166310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810089980.5A CN110166310B (zh) 2018-01-30 2018-01-30 一种基于虫孔网络的并发大数据传输延时快速计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810089980.5A CN110166310B (zh) 2018-01-30 2018-01-30 一种基于虫孔网络的并发大数据传输延时快速计算方法

Publications (2)

Publication Number Publication Date
CN110166310A true CN110166310A (zh) 2019-08-23
CN110166310B CN110166310B (zh) 2020-08-21

Family

ID=67641326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810089980.5A Active CN110166310B (zh) 2018-01-30 2018-01-30 一种基于虫孔网络的并发大数据传输延时快速计算方法

Country Status (1)

Country Link
CN (1) CN110166310B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008002A (zh) * 2019-12-06 2020-04-14 盛科网络（苏州）有限公司 自动计算并更新fifo深度的装置和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090011329A (ko) * 2007-07-25 2009-02-02 에스케이 텔레콤주식회사 유비쿼터스 센서 네트워크에서의 웜홀공격 탐지 방법 및관리노드 장치
CN106165356A (zh) * 2014-02-13 2016-11-23 洛克波特网络股份有限公司 在分布式直接互连网络中路由分组的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090011329A (ko) * 2007-07-25 2009-02-02 에스케이 텔레콤주식회사 유비쿼터스 센서 네트워크에서의 웜홀공격 탐지 방법 및관리노드 장치
CN106165356A (zh) * 2014-02-13 2016-11-23 洛克波特网络股份有限公司 在分布式直接互连网络中路由分组的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭彬: "片上网络拓扑结构的研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008002A (zh) * 2019-12-06 2020-04-14 盛科网络（苏州）有限公司 自动计算并更新fifo深度的装置和方法
CN111008002B (zh) * 2019-12-06 2022-04-08 苏州盛科通信股份有限公司 自动计算并更新fifo深度的装置和方法

Also Published As

Publication number Publication date
CN110166310B (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
Scharbarg et al. A probabilistic analysis of end-to-end delays on an AFDX avionic network
US8638665B2 (en) Router, information processing device having said router, and packet routing method
US11740815B2 (en) Intelligent path selection and load balancing
CN102780581B (zh) 一种基于随机型网络演算的afdx端端时延上界计算方法
US9842180B2 (en) NoC timing power estimating device and method thereof
CN111628942B (zh) 时间敏感网络中的资源分配方法
CN113806258B (zh) 一种动态自适应的虚拟通道映射方法、装置及存储介质
US10831543B2 (en) Contention-aware resource provisioning in heterogeneous processors
CN112532409A (zh) 网络参数配置方法、装置、计算机设备以及存储介质
CN113778691B (zh) 一种任务迁移决策的方法、装置及系统
CN110166310B (zh) 一种基于虫孔网络的并发大数据传输延时快速计算方法
US20180198738A1 (en) Buffer Sizing of a NoC Through Machine Learning
Cao et al. A deep reinforcement learning approach to multi-component job scheduling in edge computing
CN102693213B (zh) 应用于片上网络的系统级传输延时模型的建立方法
KR20120106313A (ko) 우선순위 큐 기반의 긴급 데이터 전달을 위한 라우팅 방법 및 이를 적용한 네트워크 시스템
Lai et al. An accurate and efficient performance analysis approach based on queuing model for network on chip
CN115665050B (zh) 一种基于gru的片上网络路径分配方法及系统
CN112785770A (zh) 一种基于时间序列的动态实体排队模型构建方法
Wieselthier et al. Standard clock simulation and ordinal optimization applied to admission control in integrated communication networks
US20040042481A1 (en) Facilitating arbitration via information associated with groups of requesters
Lai et al. An accurate and highly-efficient performance evaluation approach based on queuing model for on-chip network
Tayan A proposed model for optimizing the flow of pilgrims between Holy sites during Hajj using traffic congestion control
Liu et al. On the performance of a hybrid network traffic model
CN114785716B (zh) 一种基于自诱导拥塞和单向延迟的可用带宽测量方法
CN104243359B (zh) 一种获取共享资源的协同仲裁方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant