CN114422448A - 一种时间敏感网络流量整形方法 - Google Patents

Abstract

本发明涉及一种时间敏感网络流量整形方法，属于时间敏感网络领域，包括S1：在CQF机制的基础上额外增加一个BE队列；S2：在入队口以是否为时敏流量为标准，对时敏流量和BE流量进行区分；S3：然后将BE流量在出端口插入到奇偶队列的剩余时隙部分进行传输；S4：最后通过条件约束以模拟退火的启发式算法的思想进行优化求解，得到对应的调度策略，完成混合时敏流量和BE流量的整形和调度。本方法能明显提高时间敏感网络的带宽利用率并且减小最坏端到端时延。

Description

一种时间敏感网络流量整形方法

技术领域

本发明属于时间敏感网络领域，涉及一种时间敏感网络流量整形方法。

背景技术

时间敏感网络(Time-Sensitive Networking,TSN)是IEEE 802.1工作组中的一个子任务组，技术成立于2012年。TSN前身为2005年成立的AVB(Audio Video Bridging，音视频桥接)工作组，主要解决音视频的实时传输问题。时间敏感网络(TSN)随着工业4.0的发展而不断发展，以实现IEEE 802网络中的确定性以太网通信。TSN应用广泛，例如音频视频桥接(AVB)、汽车、航空航天、工业自动化等。TSN通过时间同步、确定性流调度、可靠冗余等功能增强，实现关键流性能保证的同时，共网传输普通流。

TSN流量整形机制是十分关键的一个部分，是实现性能保证的关键之一。目前TSN的同步整形方法有两种，一种是IEEE 802.1Qbv标准推荐的TAS(Time-Aware Shaper)，另一种是IEEE 802.1Qch标准推荐的CQF(Cyclic Queuing and Forwarding)。两种同步流量整形方法都是对入口端的流量在全局时间同步的条件下进行入队和出队操作，达到流量整形的目的，完成端到端的流的确定性交付。TAS的算法复杂性相对于TTE(Time-TriggerEthernet)更加简单，但是它需要动态配置全局的门控列表(Gate Control List，GCL)，已有相关工作表明，GCL的生成是一个NP难题。在终端节点较多的网络中，有较大概率无法生成合理的GCL，而且TAS的QoS分析也较为复杂，所以它的复杂性和可扩展性问题仍待解决。在基于CQF模型的TSN中，可以通过对包到达时间进行分类，将其有序传输到对应的奇偶队列中，而不考虑包的输入和输出时间。通过对包到达时间和速率的平缓控制，实现流量整形和周期转发，保证关键流的时延抖动性能。

CQF机制存在以下问题：1、CQF机制所面向的流量调度问题大部分是时延敏感性流量，但是在智能工厂的生产过程中也存在BE流量需要传输，如果将所有的BE流量当作时敏流量进行调度也能完成流量的调度，但是会导致时敏流量的平均时延增大，所以如何将时延敏感流量和BE流量进行混合调度是一个待解决的问题。2、CQF机制的带宽利用率低：①周期循环流量在某一端队列大量聚集问题许多周期循环流量由于其周期转发的特殊性，很容易在队列的一端汇合，导致另一部分队列空闲，带宽利用率不高。②由于CQF调度的特殊性，需要将整个时间划分为固定的时隙，此固定时隙为了满足周期流量的传输安全性，会选择大于最大报文的时隙长度，这样会导致当链路上传输较小报文时，带宽利用率低。

发明内容

有鉴于此，本发明的目的在于提供一种时间敏感网络时隙感知循环排队转发流量整形方法，提高带宽利用率并且减小最坏端到端时延。

为达到上述目的，本发明提供如下技术方案：

一种时间敏感网络流量整形方法，包括以下步骤：

S1：在CQF机制的基础上额外增加一个BE队列；

S2：在入队口以是否为时敏流量为标准，对时敏流量和BE流量进行区分；

S3：然后将BE流量在出端口插入到奇偶队列的剩余时隙部分进行传输；

S4：最后通过条件约束以模拟退火的启发式算法的思想进行优化求解，得到对应的调度策略，完成混合时敏流量和BE流量的整形和调度。

进一步，步骤S2中，通过协调器判断流量是否为周期流量，若是周期流量就根据到达时间戳的奇偶放入奇队列或者偶队列；若是非周期的流量就将其放入BE流量队列。

进一步，步骤S3中，通过时隙感知循环排队转发TSA-CQF算法将BE流量插入到奇偶队列的空闲时隙进行传输。

进一步，所述TSA-CQF算法的建模步骤如下：

将网络建模为一个有向图G(V，E)，其中交换机节点和终端节点是图顶点V的集合，节点之间的连接通过图边表示；将TSA-CQF算法抽象为一个多条件约束优化问题，优化的目标为所有进行调度的流量的最小端到端最坏时延之和；通过对调度的条件进行约束，然后对约束方程进行求解，得到最终的调度结果；

优化的目标函数为所有进行调度的流量的最小端到端最坏时延之和，如公式(1)所示：

subject to:X∈Ω

其中x_n表示进行调度的流，n表示当前流量的序号，m表示所调度的流的数目，X表示当前约束条件，De表示最坏端到端时延，Ω代表所有约束条件；

端到端最坏时延限制指定流的到达时间和发送时间之间的差小于或等于指定的最大值；端到端的最坏时延约束如公式(2)所示：

其中，

表示流的集合，mt表示当前的单个帧，

表示流从初始节点到终点节点的帧映射到时钟上的偏移量，T_si表示流s_i的最坏端到端时延，last代表最后一帧，src(s_i)表示流的发送链路，dest(s_i)表示接收节点之前的最后一个链路，

表示流S_i和帧f_i从起始节点到终点节点的偏移量，

表示流S_i和帧f_i从起始节点到终点节点映射在时钟上的传输大小的集合；

网络中调度的任何帧的帧偏移必须大于或等于0，而且整个传输窗口(偏移量加上帧传输时间)必须符合帧周期，帧的起始时间约束如公式(3)下所示：

S_i表示流i，f_[a，b]表示流中的帧从节点1到节点2，

表示流s_[a，b]和帧f_[a，b]的集合，f_[a，b]·φ表示流从节点a到b的帧映射到时钟上的偏移量，f_[a，b]·T表示流从节点a到b的帧映射到时钟上的周期，f_[a，b]·L表示流从节点a到b的帧映射到时钟上传输大小；

队列缓存区中的所有包的长度之和不能超过队列的最大缓存，否则会将后到达的包直接丢弃，队列长度约束如公式(4)所示：

其中W代表流路径上的某个交换机，S_[a，b]表示流从发出节点a到接收节点b，W_QueueSize表示交换机W的队列缓存大小；

相邻交换机之间的时隙相等，并且网络中通过同一物理链路路由的两个帧不可能在时域上重叠；链路时隙约束如公式(5)所示：

其中α表示流S_i的周期，β表示流S_j的周期，T表示最坏端到端时延，即表示流s_i和流s_j周期的最小公倍数；

填充进奇偶队列的BE帧切片后的长度要小于剩余可供调度的时隙大小，可填充帧大小约束如公式(6)所示：

所述可填充帧大小约束只针对BE流量。

进一步，步骤S4中所述模拟退火的启发式算法SA-TSA流程如下：

S41：随机生成初始解，计算目标函数；

S42：在之前的解上进行扰动产生新解，再次计算目标函数；

S43：通过约束条件修改新解，重新计算目标函数；

S44：判断当前解是否为最优；若为最优解，则接受新解，并进行更新；若不为最优解，则丢弃本次解，继续下次迭代；

S45：判断是否达到最大迭代次数，若没有，则返回步骤S43；若达到，则进入步骤S46；

S46：判断是否满足终止条件，若不满足，则重置迭代次数，返回步骤S42；若满足，则运算结束，得到最优解。

本发明的有益效果在于：通过本发明的时间敏感网络流量整形方法，能明显提高时间敏感网络的带宽利用率并且减小最坏端到端时延。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为TSA-CQF机制交换机模型图。

图2为固定时隙中可供调度的时隙图；

图3为TSA-CQF方案步骤图；

图4为SA-TSA算法流程图；

图5为仿真拓扑图；图5(a)为线型拓扑图；图5(b)为环型拓扑图；

图6为网络负载与最坏时延的关系图；

图7为网络负载与带宽利用率的关系图；

图8为流量不同占比对时敏流最坏时延的影响图；

图9为流调度结果生成时间图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提出的时间敏感网络流量整形方法，在CQF机制的基础上增加了一个BE流量队列，如图1所示，通过协调器判断流量是否为周期流量，若是周期流量就根据到达时间戳的奇偶放入奇队列或者偶队列。若是非周期的流量就将其放入BE流量队列，然后通过协调器算法的计算对交换机的流量进行整形调度。

把一个包的大小映射成固定的时长，完成空间到时间的映射。在CQF机制中需要设定一个固定的周期时隙，此时隙也是我们计算端到端最坏时延的一个重要参数，协调器可以通过固定时隙和传输时敏数据的大小来感知固定时隙中所剩余的时隙大小，从而将剩余的时隙来传输BE流量，如图2所示：本方案把此种通过感知时隙大小进行数据插入的方案叫做时隙感知(Time Slot Aware)CQF，简称为TSA-CQF。

TSA-CQF流量整形机制步骤如图3所示：

(1)设置初始的固定的时隙长度，对到来的流进行分类

(2)对奇偶队列的流量来说，在满足多个约束下对其初始时间戳进行调整。

(3)对BE流量进行切片，在符合长度奇偶队列剩余时隙时进行填充。

(4)完成流量的映射后通过启发式算法进行求解，最后对整个系统的可配置资源进行更新，将消息从主控制器发送到每个交换机的协调器。

本方案和3-Queue CQF都是在原来CQF的基础上额外添加了一个队列，但是本方案和3-Queue CQF有着本质区别，主要可以分为以下两个点：

(1)机制的差异，3-Queue CQF增加的队列是在出现拥塞的时候将多余的流量存储在额外队列中，减小丢包。而TSA-CQF的额外队列是用来存储少量的BE流，并且通过大小感知将其插入奇偶队列的时隙中进行传输，提高带宽利用率。

(2)解决问题的差异，本方案的解决的是时延流量和BE流量的混合调度下如何提高带宽利用率的问题，而3-Queue CQF解决的是在大量突发不同步流量的聚集导致的丢包问题。

本方案可以抽象为一个条件约束问题，优化的目标为所有进行调度的流量的最小端到端最坏时延之和。通过对调度的条件进行约束，然后对约束方程进行求解，可以得到最终的调度结果。我们将该网络建模为一个有向图G(V，E)，其中节点(交换机和终端)是图顶点(V)的集合，节点之间的连接通过图边表示。

(1)优化目标

优化的目标函数为所有进行调度的流量的最小端到端最坏时延之和，如公式(1)所示：

subject to:X∈Ω

其中m代表所调度的流的数目，De表示最坏端到端时延，Ω代表所有约束条件。

(2)端到端的最坏时延约束

端到端最坏时延限制指定流的到达时间和发送时间之间的差必须小于或等于指定的最大值。约束如公式(2)所示：last代表最后一帧，我们用src(s_i)表示流的发送链路，用dest(s_i)表示接收节点之前的最后一个链路。

(3)帧的起始时间约束

网络中调度的任何帧的帧偏移必须大于或等于0，而且整个传输窗口(偏移量加上帧传输时间)必须符合帧周期。约束如公式(3)下所示：

(4)队列长度约束

队列缓存区中的所有包的长度之和不能超过队列的最大缓存，否则会将后到达的包直接丢弃。约束如公式(4)所示：W代表流路径上的某个交换机。

(5)链路时隙约束

相邻交换机之间的时隙必须相等，并且网络中通过同一物理链路路由的两个帧不可能在时域上重叠。约束如公式(5)所示：其中

即表示流s_i和流s_j周期的最小公倍数。

(6)可填充帧大小约束

填充进奇偶队列的BE帧切片后的长度必须小于剩余可供调度的时隙大小。约束如公式(6)所示：此约束只针对BE流量。

综上，此问题最终转变为满足上述约束条件的最优化问题，接下来的算法分析会针对此问题进行进一步的求解。

为了避免陷入局部最优解，本方案通过模拟退火算法的思想来求解约束条件下的最优解。模拟退火算法(Simulated Annealing，SA)通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。SA-TSA算法的流程如图4所示。基于模拟退火的思想解决多约束优化问题，调度算法如表1所示：

表1

此算法先通过流和约束的双重循环，计算次数为5n，再进行模拟退火思想的m次迭代，所以最终计算次数为m*5n，由于迭代次数m为常数，所以最终的算法时间复杂度为O(n)。

本实施例还提供以下仿真评估：

(1)网络拓扑

工业控制网络主要基于线型、环型、星型三种拓扑结构，如图5(a)、图5(b)所示，本方案的仿真采取线型和环型拓扑进行仿真。线型拓扑结构中所有设备连接到一条连接介质上，每个节点上的网络接口板硬件均具有收、发功能，环型拓扑结构是各个节点形成一个闭合环，环形网中各节点通过环路接口连在一条首尾相连的闭合环形通信线路中，环上任何节点均可请求发送信息。两种拓扑结构的最大跳数都为6。

(2)流设置

时延敏感流量设置为周期为定长的循环流量模型，话音流量或视频流量通常用马尔可夫调制泊松过程来描述，非时敏流本方案采用马尔可夫调制泊松分布模型。流的周期和截止时间为毫秒级。

(3)资源设置

本方案对资源的分析主要分为如下几个方面，链路的最大带宽，交换机中奇偶队列的长度，非时延敏感队列长度，奇偶队列的时隙大小。为了满足绝大部分工业场景的流量传输需求，本方案将链路的最大带宽设置为1000Mb/s，奇偶队列由于其运输时延敏感流的特殊性，不能将缓存设置得太大，仿真设置为1MB，奇偶队列得时隙大小至少要大于时敏流量得周期的最小公倍数，仿真时设置为250μs。仿真的主要参数设置如表2所示：

实验结果分析：

(1)评价指标

根据本方案解决的主要问题，评价指标分为如下两个方面：

①时敏流量最坏端到端时延

T_sum＝T_发送+T_传播+T_处理+T_排队

计算所有调度流量的的端到端时延的最坏情况，也就是时延的最大值。可以通过时敏流量最坏端到端时延大小反映TSN调度机制的优劣。

②带宽利用率

带宽利用率η是衡量算法能否保障网络链路负载均衡的重要指标，是指单位时间内通过的数据量与链路能通过的最大数据量之比。

(2)对比分析

本文将对比部分分为两个部分，一部分是针对与在TSA-CQF机制上的SA算法与其他算法在最坏时延上的比较，另一部分是针对TSA-CQF机制与CQF机制在带宽利用率上的的比较。为了证明SA-TSA的有效性，将本文提出的SA-TSA算法与其他两个算法进行了比较，一个Native-TSA算法、一个Greedy-TSA算法，在线型和环型这两种典型的工业网络拓扑中进行比较。两种算法是基于TSA-CQF机制实现的。Native-TSA算法是在报文生成后立即发送报文，没有进行过任何调度策略上的优化。而Greedy-TSA算法是基于贪心思想进行调度策略优化的算法，没有进行优化的迭代，容易陷入局部的最优解。

①端到端最坏时延仿真与分析

图6显示了Native-TSA，Greedy-TSA，SA-TSA三种算法端到端最坏时延与网络负载的关系。从图中可以看出，随着网络负载的增大，端到端的最坏时延都逐步上升。其中Native-TSA由于没有进行调度的优化，端到端的最坏时延最大，Greedy-TSA由于采用了贪心的思想进行优化，得到相较于Native-TSA更低的端到端最坏时延，而SA-TSA通过其升温退火机制进行迭代，能得到相较于Greedy-TSA更优的解，其端到端的最坏时延也是三种算法中最低的。

②带宽利用率仿真与分析

图7显示了普通的CQF和采用了时隙感知的TSA-CQF两种模型网络负载和带宽利用率的关系。从图中可以看到，总体的趋势是随着网络负载的增大，带宽利用率逐步增加。但是由于TSA-CQF采用了时隙感知的帧插入方法，对于固定的CQF的时隙来说，每个时隙的带宽利用率提高，整体的带宽利用率也随着提高，相较于CQF带宽利用率平均提高了17.44％，所以TSA-CQF的带宽利用率相较于CQF有明显提升。

图8显示了时敏流和BE流不同占比对时敏流量的端到端最坏时延的影响，从图中可以看出，在BE流占比特别少的情况下，其时敏流端到端最坏时延比普通CQF机制要高，这是由于TSA-CQF机制需要通过剩余时隙传输BE流量，所以需要将其固定时隙设置比普通CQF机制大，也就导致其端到端时延更大。但是随着BE流的比重增大，普通CQF机制的时敏流端到端最坏时延随着BE流占比的增大而增大，而TSA-CQF机制的时敏流端到端最坏时延没有明显的变化，趋于一个稳定的值。

最后图9显示了普通的CQF和采用了时隙感知的TSA-CQF两种模型网络负载和调度策略耗时的关系。从图片可以清晰的看出，普通的CQF机制模型由于没有采用任何调度策略生成的方法，在流量生成就开始发送，所以其在耗时上一直不变且非常低。但是TSA-CQF由于其要进行复杂的调度策略计算，随着网络负载的增大，计算时间会越来越大，呈指数性增长。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种时间敏感网络流量整形方法，其特征在于：包括以下步骤：

S1：在CQF机制的基础上额外增加一个BE队列；

S2：在入队口以是否为时敏流量为标准，对时敏流量和BE流量进行区分；

S3：然后将BE流量在出端口插入到奇偶队列的剩余时隙部分进行传输；

S4：最后通过条件约束以模拟退火的启发式算法的思想进行优化求解，得到对应的调度策略，完成混合时敏流量和BE流量的整形和调度。

2.根据权利要求1所述的时间敏感网络流量整形方法，其特征在于：步骤S2中，通过协调器判断流量是否为周期流量，若是周期流量就根据到达时间戳的奇偶放入奇队列或者偶队列；若是非周期的流量就将其放入BE流量队列。

3.根据权利要求1所述的时间敏感网络流量整形方法，其特征在于：步骤S3中，通过时隙感知循环排队转发TSA-CQF算法将BE流量插入到奇偶队列的剩余时隙进行传输。：

4.根据权利要求3所述的时间敏感网络流量整形方法，其特征在于：所述TSA-CQF算法的建模步骤如下：

将网络建模为一个有向图G(V，E)，其中交换机节点和终端节点是图顶点V的集合，节点之间的连接通过图边表示；将TSA-CQF算法抽象为一个多条件约束优化问题，优化的目标为所有进行调度的流量的最小端到端最坏时延之和；通过对调度的条件进行约束，然后对约束方程进行求解，得到最终的调度结果；

优化的目标函数为所有进行调度的流量的最小端到端最坏时延之和，如公式(1)所示：

minimize:

subject to:X∈Ω

其中x_n表示进行调度的流，n表示当前流量的序号，m表示所调度的流的数目，X表示当前约束条件，De表示最坏端到端时延，Ω代表所有约束条件；

端到端最坏时延限制指定流的到达时间和发送时间之间的差小于或等于指定的最大值；端到端的最坏时延约束如公式(2)所示：

其中，

表示流的集合，mt表示当前的单个帧，

表示流从初始节点到终点节点的帧映射到时钟上的偏移量，T_si表示流s_i的最坏端到端时延，last代表最后一帧，src(s_i)表示流的发送链路，dest(s_i)表示接收节点之前的最后一个链路，

表示流S_i和帧f_i从起始节点到终点节点的偏移量，

表示流S_i和帧f_i从起始节点到终点节点映射在时钟上的传输大小的集合；

网络中调度的任何帧的帧偏移必须大于或等于0，而且整个传输窗口(偏移量加上帧传输时间)必须符合帧周期，帧的起始时间约束如公式(3)下所示：

(f_[a，b]·φ≥0)∧(f_[a，b]·φ+f_[a，b]·T-f_[a，b]·L) (3)

S_i表示流i，f_[a，b]表示流中的帧从节点1到节点2，

表示流s_[a，b]和帧f_[a，b]的集合，f_[a，b]·φ表示流从节点a到b的帧映射到时钟上的偏移量，f_[a，b]·T表示流从节点a到b的帧映射到时钟上的周期，f_[a，b]·L表示流从节点a到b的帧映射到时钟上传输大小；

队列缓存区中的所有包的长度之和不能超过队列的最大缓存，否则会将后到达的包直接丢弃，队列长度约束如公式(4)所示：

Count(W∧s_[a，b])·f_[a，b]·L≤W_Queuesize (4)

其中W代表流路径上的某个交换机，s_[a，b]表示流从发出节点a到接收节点b，W_QueueSize表示交换机W的队列缓存大小；

相邻交换机之间的时隙相等，并且网络中通过同一物理链路路由的两个帧不可能在时域上重叠；链路时隙约束如公式(5)所示：

其中α表示流S_i的周期，β表示流S_j的周期，T表示最坏端到端时延，

即表示流s_i和流s_j周期的最小公倍数；

填充进奇偶队列的BE帧切片后的长度要小于剩余可供调度的时隙大小，可填充帧大小约束如公式(6)所示：

BE_slice∧s_[a，b]≤B_rest (6)

所述可填充帧大小约束只针对BE流量。

5.根据权利要求1所述的额时间敏感网络流量整形方法，其特征在于：步骤S4中所述模拟退火的启发式算法SA-TSA流程如下：

S41：随机生成初始解，计算目标函数；

S42：在之前的解上进行扰动产生新解，再次计算目标函数；

S43：通过约束条件修改新解，重新计算目标函数；

S44：判断当前解是否为最优；若为最优解，则接受新解，并进行更新；若不为最优解，则丢弃本次解，继续下次迭代；

S45：判断是否达到最大迭代次数，若没有，则返回步骤S43；若达到，则进入步骤S46；

S46：判断是否满足终止条件，若不满足，则重置迭代次数，返回步骤S42；若满足，则运算结束，得到最优解。

Images