CN114423020A - 一种LoRaWAN网络下行路由控制方法及系统 - Google Patents
一种LoRaWAN网络下行路由控制方法及系统 Download PDFInfo
- Publication number
- CN114423020A CN114423020A CN202210071598.8A CN202210071598A CN114423020A CN 114423020 A CN114423020 A CN 114423020A CN 202210071598 A CN202210071598 A CN 202210071598A CN 114423020 A CN114423020 A CN 114423020A
- Authority
- CN
- China
- Prior art keywords
- bandwidth occupancy
- occupancy rate
- link bandwidth
- path
- sequence
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种LoRaWAN网络下行路由控制方法及系统,包括:基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型获取模型中各交换机之间的预设时间段内的链路带宽占用率序列;根据该序列确定ARIMA模型的模型参数并训练ARIMA模型,根据训练后的ARIMA模型得到各交换机之间的链路带宽占用率预测值;确定LoRaWAN网络从集中控制器传输至数据收发端的数据包传输时延根据链路带宽占用率预测值和数据包传输时延应用三角模算子确定集中控制器传输至数据收发端的各路径的选择顺序。引入了SDN框架以及ARIMA模型的预测值以及数据包传输时延,提高下行通信过程中的数据传输效率。
Description
技术领域
本发明涉及网络下行通信领域,特别是涉及一种基于SDN框架的LoRaWAN网络下行路由控制方法及系统。
背景技术
LoRaWAN网络技术是低功耗广域网中主要技术之一,在LoRaWAN下行通信中,传输时延和丢包率是LoRaWAN网络下行通信服务质量的重要指标。为了降低LoRaWAN网络下行通信中的丢包率和传输时延,提高通信性能,已经有很多研究通过优化信道评估机制和使用轮询广播机制来减少网关发送数据受占空比和终端节点接收窗口的限制,从而间接提高下行通信的可靠性和时延性能。LoRaWAN网络的下行通信性能与上行数据的到达率、重传次数及数据速率有关,现有技术方案的研究主要集中在LoRaWAN协议的MAC层及应用实现,且该类方案不涉及LoRaWAN下行通信路径选择的控制策略,因此数据控制和转发是关联在一起的,耦合性较强,随着下行负载率的增加,LoRaWAN网络处理数据拥塞的能力容易达到上限,从而造成数据传输效率降低,基于此,本发明提出一种基于SDN框架的LoRaWAN网络下行路由控制方法及系统。
发明内容
本发明的目的是提供一种LoRaWAN网络下行路由控制方法及系统,通过SDN框架搭建的LoRaWAN下行路由模型,结合改进ARIMA模型建立下行链路负载占用率的数据预测模型,并根据链路带宽占用率预测值和所述数据包传输时延设计LoRaWAN网络下行路由控制策略,提高了数据传输的效率。
为实现上述目的,本发明提供了如下方案:
一种LoRaWAN网络下行路由控制方法,包括:
基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;
利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
一种LoRaWAN网络下行路由控制系统,包括:
网络下行路由模型构建模块,用于基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
链路带宽占用率序列获取模块,用于获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
模型训练模块,用于根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
预测模块,用于根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
传输时延获取模块,用于确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;
路径选择模块,用于利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种LoRaWAN网络下行路由控制方法及系统,包括:基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型获取模型中各交换机之间的预设时间段内的链路带宽占用率序列;根据该序列确定ARIMA模型的模型参数并训练ARIMA模型,根据训练后的ARIMA模型得到各交换机之间的链路带宽占用率预测值;确定LoRaWAN网络从集中控制器传输至数据收发端的数据包传输时延,利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。引入了SDN框架以及ARIMA模型的预测值以及数据包传输时延,提高下行通信过程中的数据传输效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种LoRaWAN网络下行路由控制方法流程图;
图2为本发明实施例1提供的LoRaWAN网络下行通信SDN架构图;
图3为本发明实施例1提供的ARIMA建模流程图;
图4为本发明实施例1提供的链路带宽占用率序列自相关图;
图5为本发明实施例1提供的链路带宽占用率序列二阶差分自相关图;
图6为本发明实施例1提供的链路带宽占用率序列二阶差分偏自相关图;
图7为本发明实施例1提供的t时刻的各路径带宽占用率示意图;
图8为本发明实施例1提供的t+T时刻的各路径带宽占用率得分示意图;
图9为本发明实施例1提供的基于SDN的最小路径选择度路由控制策略示意图;
图10为本发明实施例1提供的ARIMA模型预测效果图;
图11为本发明实施例1提供的LoRaWAN下行通信丢包率对比图;
图12为本发明实施例1提供的LoRaWAN下行通信平均传输时延对比图;
图13为本发明实施例1提供的LoRaWAN下行通信链路平均带宽占用率对比图;
图14为本发明实施例2提供的一种LoRaWAN网络下行路由控制系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种LoRaWAN网络下行路由控制方法及系统,通过SDN框架搭建的LoRaWAN下行路由模型,结合改进ARIMA模型建立下行链路负载占用率的数据预测模型,并根据链路带宽占用率预测值和所述数据包传输时延设计LoRaWAN网络下行路由控制策略,提高了数据传输的效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供一种LoRaWAN网络下行路由控制方法,包括:
S1:基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
S2:获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
S3:根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
具体的步骤S3之前还包括:
利用S-G平滑滤波法和滑动窗口法对所述链路带宽占用率序列进行预处理,得到预处理后的链路带宽占用率序列;具体包括:
对所述链路带宽占用率序列进行离散化处理,并确定滑动滤波窗口宽度为n=2m+1;
对t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻离散后的链路带宽占用率采用k-1次多项式计算多项式拟合值,得到多项式线性方程组;
采用最小二乘法确定所述多项式线性方程组的拟合系数;
利用t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻所述多项式拟合值的平均值替换th时刻的所述链路带宽占用率,得到th时刻替换后的链路带宽占用率;h=0,1,2,...,m-1,m+1;
按照t0至tm+1的方向滑动,将th时刻所述多项式拟合值分别替换为所述th时刻替换后的链路带宽占用率;令h=h+1,返回步骤“利用t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻所述多项式拟合值的平均值替换th时刻的所述链路带宽占用率”直至遍历所述滑动滤波窗口宽度内的所有数据,得到所述预处理后的链路带宽占用率序列。
具体的,步骤S3具体包括:
(1)根据所述拟合系数确定所述加权平均系数;
(2)利用自相关图观察法初步判断所述链路带宽占用率序列是否平稳,得到第一判断结果;具体包括:
根据所述链路带宽占用率序列构建自相关图;所述链路带宽占用率序列为所述预处理后的链路带宽占用率序列;
观察所述自相关图中是否存在截尾和拖尾情况;
若所述自相关图既不存在截尾也不存在拖尾,则所述预处理后的链路带宽占用率序列为非平稳数据;所述截尾是指在某延迟阶数之后,自相关系数均为0;所述拖尾是指自相关性系数随着延迟阶数的变化有一个衰减趋势,但不均为0;反之,则所述预处理后的链路带宽占用率序列为平稳数据。
(3)当所述第一判断结果为是时,则根据所述链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数;具体包括:
根据所述链路带宽占用率序列的自相关图的表达式计算所述自相关系数;
根据所述自相关图中自相关系数首次出现截尾时对应的延迟阶数确定所述自回归项数的数值范围;
根据所述偏自相关图中偏自相关系数首次出现衰减趋势时对应的延迟阶数确定所述移动平均项数的数值范围;
根据所述自回归项数的数值范围中的每一数值和所述移动平均项数的数值范围中的每一数值建立多个所述ARIMA模型;
利用所述链路带宽占用率序列分别训练多个所述ARIMA模型,得到多个训练后的ARIMA模型;
比较多个所述训练后的ARIMA模型的预测效果,选择出所述自回归项数、和所述移动平均项数的最优参数组合。
(4)当所述第一判断结果为否时,则对当前链路带宽占用率序列进行ADF检验,得到第一ADF检验结果,判断所述第一ADF检验结果是否均大于各置信区间的ADF值,得到第二判断结果;ADF检验为时间序列平稳性检验。
(5)若所述第二判断结果为是,则所述链路带宽占用率序列为平稳序列,返回步骤“根据所述链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数”;
(6)若所述第二判断结果为否,则对所述链路带宽占用率序列进行差分处理,得到差分后的链路带宽占用率序列;
(7)对当前差分后的链路带宽占用率序列进行ADF检验,得到第二ADF检验结果,判断所述第二ADF检验结果是否均大于各置信区间的ADF值,得到第三判断结果;
(8)当所述第三判断结果为否时,则对所述差分后的链路带宽占用率序列进行差分处理,得到多阶差分后的链路带宽占用率序列;令所述多阶差分后的链路带宽占用率序列为所述当前差分后的链路带宽占用率序列,并返回步骤“计算当前差分后的链路带宽占用率序列的第二ADF检验结果”,直至所述当前差分后的链路带宽占用率序列为平稳数据;
(9)当所述第三判断结果为是时,则根据所述当前差分后的链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数。该步骤中的自回归项数、所述移动平均项数和所述自相关系数的计算方法与步骤(3)的方法相同。
S4:根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
S5:确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;数据包传输时延表达式为:
式中,Tn表示LoRaWAN下行通信数据从路径Rn的发起端到目的端所用总时长,其中路径Rn包括多个链路lj;dj表示链路lj的长度;vdata表示信息的传播速度;Tswitch为节点间交换时延;m为路径Rn中交换机的总数;Tjitter表示随机抖动时延。
S6:利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
其中,步骤S6具体包括:
确定所述集中控制器与所述数据收发端之间每一路径中最大的所述链路带宽占用率预测值;
确定每一最大的所述链路带宽占用率预测值的得分,得到每一路径的带宽占用率分值;
利用三角模算子将每一路径的带宽占用率分值与对应路径的所述数据包传输时延进行融合,得到每一路径的分值和时延融合数据;
根据每一路径的分值和时延融合数据和所述链路带宽占用率序列中每一路径中最大所述链路带宽占用率计算每一路径的路径选择度;
根据每一所述路径选择度确定所述集中控制器与所述数据收发端之间各路径传输数据的顺序,具体包括:
优先选择所述路径选择度最小的路径进行数据传输;
当不同路径的所述路径选择度的值相等时,优先选择路径中所述交换机总数最少的路径进行数据传输;
当不同路径的所述路径选择度的值相等,且所述交换机总数相等时,优先选择使用频率低的路径进行数据传输。
本实施例中,使用SDN框架搭建的LoRaWAN下行路由模型,结合改进ARIMA,建立下行链路负载占用率的数据预测模型,设计LoRaWAN网络下行路由控制方法,可以达到以下效果:(1)通过流量数据来建立下行链路带宽占用率预测模型有助于分析下行链路资源分配的情况,从而可利用最小路径选择度的路由控制策略来规划下行路径。(2)改进的ARIMA模型可以降低数据集的波动性,同时也可以保留周期性和规律性,保证了最终预测模型的精确度。(3)解决LoRaWAN网络下行通信丢包率较高,传输时延较大等问题。
为了使本领域技术人员更清楚的理解本发明的技术方案,下面将进行详细介绍:
步骤1:基于SDN框架,对LoRaWAN网络下行路由拓扑建模并表示为G=(V,L),其中V={v1,v2,...,vi},为LoRaWAN下行通信网络中的交换机节点集,i表示交换机节点编号,i∈N,N为正整数。L={l1,l2,...,lj}表示链路集,j表示链路编号,j∈N。如图2所示,图2中,SDN控制器主要负责管理网络状态、制定下行通信业务数据的路由等,支持OpenFlow协议的交换机主要负责根据流表处理、转发数据及收集网络状态参数。交换机vi的各端口只收发与其连接的端口的下行通信数据。各host拟作LoRaWAN网络中的服务器端和网关,负责下行通信数据的收发。
步骤2:从步骤1中获得相关流量信息数据,设链路lj与交换机va的q端口和vb的g端口相连接,则预设时间段内(一个采集周期内)包含的每个时刻的链路带宽序列(t时刻链路lj的已用带宽序列bj(t))可用式(1)表示:
链路lj可传输的最大带宽表示为max(Bj),t时刻链路lj的带宽占用率μj(t)可用式(2)表示:
步骤3:相较于标准的ARIMA建模过程,在进行序列差分计算处理之前添加数据平稳性处理步骤,引入Savitzky-Golay平滑滤波法,其核心思想是对原始序列链路带宽占用率μj(t)进行离散化处理后,然后对一定长度窗口内的数据点进行k阶多项式拟合,通过在滑动窗口内对给定高阶多项式进行最小二乘法拟合得出S-G滤波的加权系数,再根据加权系数计算得出每个数据点经过平滑公式处理之后的结果。根据步骤2中计算得出链路带宽占用率μj(t)并对其进行数据预处理,主要分为以下几个步骤:
3.1、对原始序列链路带宽占用率μj(t)进行离散化处理,设滑动滤波窗口宽度为n′=2m+1,各测量点的链路带宽占用率可用y=(y-m,y-m+1,...,y0,y1,...,ym-1,ym)表示,将横坐标时间分成间隔T的等区间,设滑动窗口采样点的横坐标为x=(t-m,t-m+1,...,t0,t1,...,tm-1,tm),采用k-1次多项式对窗口内的数据点进行拟合,拟合函数如式(3)。
3.2、采用式(3)去对每一个测量点拟合,于是就有了n个这样的方程,构成了k元线性方程组。要使方程组有解,则n应大于等于k,一般选择n>k。设多项式拟合系数为通过最小二乘法拟合确定拟合参数A。由此得到:
式(5)中,令X=(t-m,t-m+1,...,t0,t1,...,tm-1,tm),Y=[μj(t-m),...,μj(tm)]T,这里Y与y的含义相同。
B=X·(XT·X)-1·XT (7)
3.3、利用在时间点t-m,t-m+1,...,t0,t1,...,tm-1,tm的数据的链路带宽占用率y(多项式拟合值)来取代t0时刻的链路带宽占用率μj(t0),然后向前依次滑动,直到把窗口内数据遍历完,即直至将t0至tm时刻的链路带宽占用率均取代完成。根据上述计算过程和式(8)得出经过处理后的链路带宽占用率μj(t)。
步骤4:将步骤3中经过滤波处理后的数据进行ARIMA时间序列建模,根据已有的t时刻数据预测t+T时刻的链路带宽占用率μj(t+T),以便后续进行LoRaWAN网络下行通信路径选择度的计算。通用的自回归求积移动模型ARIMA(p,d,q)预测表达式为:
式(9)中yt为时间序列链路带宽占用率,εt为t时刻的随机误差;p为模型的阶;yt-r为时间序列在t-r时刻的观测值;ar,βr分别为自回归模型(AR)和移动平均模型(MA)的自相关系数,回归参数c为常数。该模型可以看作自回归AR(p)模型和移动平均MA(q)模型的组合,当p为零时,模型等同于移动平均MA(q)模型;当q为零时,模型等同于自回归AR(p)模型。自回归移动求积移动平均模型也就是ARIMA(p,d,q)模型,模型中p,d,q分别为自回归项数、时间序列差分次数、移动平均项数。ARIMA模型建立流程如图3所示。图中数据采集和预处理部分已经在步骤2,3进行。
4.1、在建立时间序列模型之前,首先要判断数据是否平稳。检验时间序列平稳性的方法一般为自相关图观察法,其计算表达式为:
式(10)中,yt为t时刻的链路带宽占用率μj(t),ρk′为自相关性系数,k′表示延迟阶数。
图4为链路lj带宽占用率序列的自相关图,平稳序列的自相关图分为拖尾和截尾两种情况。截尾是指在某延迟阶数之后,系数都为0;拖尾是指相关性系数随着延迟阶数的变化有一个衰减趋势,但不都为0。由图4可知,该序列自相关图既不是拖尾也不是截尾,可以认定为非平稳时间序列。因此,采用自回归求积移动平均模型(ARIMA)对链路带宽占用率数据进行分析。
4.2、由4.1步骤中可以认为链路带宽占用率序列为非平稳序列,根据建模流程中的步骤,需要对序列进行差分处理,对原始序列及原始序列的一阶和二阶差分序列的稳定性分别进行时间序列平稳性检验,即ADF检验,结果如表1所示。
表1 ADF检验结果
假设待检验序列为非平稳序列,表1中的1%,5%和10%分别对应的是99%,95%以及90%置信区间,表示ADF值,经检验,由表1可知,原始序列的ADF检验结果值的绝对值均小于1%、5%、10%水平的绝对值,故不能拒绝序列非平稳的原假设;一阶差分序列值的绝对值大于5%、10%水平的绝对值,小于1%水平的绝对值,因此,在1%的水平下不能拒绝原假设;二阶差分序列的值绝对值大于1%、5%、10%水平的绝对值,在1%、5%、10%水平下均可拒绝原假设,因此可以判定二阶差分序列不存在单根,序列已经达到平稳。另外,表1还显示,对序列进行二阶差分以后,ADF检验中原假设的接收概率为0,也证明二阶差分序列平稳。由此可以确定,在ARIMA模型中,参数d的值可以取2。
4.3、ARIMA模型中p值和q值的确定一般分为两个步骤:首先,借助d次差分后平稳序列的自相关图和偏相关图得出参数的大概范围;然后,建立不同参数的模型,通过对模型效果进行比较,选择出最优参数组合。具体的参数确定方法如表2所示。
表2 ARIMA(p,d,q)阶数确定
图5为下行链路带宽占用率的二阶差分序列自相关图,图6为下行链路带宽占用率的二阶差分序列偏自相关图,由图5和图6可以看出:自相关系数ACF在3期后截尾,可以近似认为二阶差分序列服从MA(3)或MA(4),当滞后阶为3,ACF开始处于95%置信区间以内,显著异于零;偏自相关系数PACF在2期后开始呈现衰减趋势,在7期后截尾,可以认为二阶差分序列服从AR(3)、AR(4)或AR(5)。图6可以看出偏自相关性系数在4阶以后也会出现一些奇异值,但是这些值并不影响最终的结果。因此,初步选择的模型为ARIMA(2,2,2)、ARIMA(2,2,3)、ARIMA(3,2,2)、ARIMA(3,2,3)、ARIMA(4,2,2)和ARIMA(4,2,3)。
4.4、根据上述步骤确立ARIMA模型的p,d,q参数,应用式(9),将tf时刻链路带宽占用率μj(t)投入模型训练计算,设r=T,预测出下一个T时刻的链路带宽占用率,如式(11)。
式(11)中,μj(t+T)为预测之后的链路lj带宽占用率,p,q为4.3步骤中确定的阶数,aT为AR模型的自相关系数,由式(10)计算得出,其中角标T的值与延迟阶数对应,βT为MA模型的加权平均系数,即步骤3中计算得出的拟合参数,εt+T为t+T时刻的随机误差,c为常数。
5、根据步骤4中的预测得出的链路lj带宽占用率μj(t+T),建立LoRaWAN下行路由控制策略。LoRaWAN下行通信业务选择带宽占用率低的路径更利于数据的实时可靠传输。t时刻路径Rn的带宽占用率由路径集中最大的链路带宽占用率μj(t)决定,如图7所示,t时刻路径的带宽占用率可用式(12)表示:
CBn=max[μj(t)] (12)
式中,CBn为t时刻路径Rn的带宽占用率最大值;lj为路径Rn中包含的链路。图7中,节点va与节点vb间,路径R1中最大的链路带宽占用率为μ1(t)=0.5,根据式(12),t时刻路径R1的带宽占用率CB1=0.5,同理,路径R2的带宽占用率为CB2=0.3,路径R3的带宽占用率为CB3=0.75。由式(11)预测得出t+T时刻链路带宽占用率μj(t+T),路径Rn的路径带宽占用率分值PSn由路径集中最大的链路带宽占用率得分sj(t+T)决定,如图8所示。t+T时刻路径Rn带宽占用率分值可用式(13)表示:
PSn=max[sj(t+T)] (13)
图8中,源节点va到目的节点vb间,路径R1中最大链路带宽占用率得分sj(t+T)为1,根据式(13),t+T时刻路径带宽占用率PS1=1。同理,路径R2的带宽占用率PS2=3,路径R3的带宽占用率PS3=3。
LoRaWAN网络下行通信业务的数据包传输时延主要受链路长度和SDN交换机的处理能力影响,业务数据经过路径的传输总时延为所经传输链路与交换机节点所产生时延之和,可用式(14)表示:
式(14)中,Tn表示LoRaWAN下行通信数据从路径Rn的发起端到目的端所用总时长。dj表示链路lj的长度,vdata表示信息的传播速度。Tswitch为节点间交换时延,m′为路径Rn中SDN交换机的总数,Tjitter表示随机抖动时延。
最小路径选择度路由控制策略(Minimum Path Selection Routing ControlStrategy,MPSRCS)如图9所示。由图9可知,在LoRaWAN下行通信网络的SDN集中控制架构中,SDN控制器通过周期性采集交换机的端口状态参数Pa,q(t)和流表状态参数Fa(t)来得出下行流量数据,以便于计算各条链路上的带宽占用率。所提出的LBOP-ARIMA模型根据历史状态参数预测t+T时刻的链路带宽占用率得分sj(t+T);采用最小路径选择度路由策略计算业务传输路径后下发流表项至交换机。
采用模糊数学中的三角模算子将LoRaWAN下行通信传输路径的t+T时刻预测的带宽占用率分值PSn以及传输时延Tn融合,将多目标优化路由问题转化为单一目标优化问题,由于路径的时刻带宽占用率、带宽占用率预测值及传输时延量纲不同,为了统一度量标准,对CBn,PSn和Tn进行标准化处理。用式(15)处理时刻带宽占用率后CBn得到CB'n;用式(16)处理预测的带宽占用率分值PSn后得到PS'n;用式(17)处理传输时延Tn后得到Tn'。
式(15)中,CBmin,CBmax分别为备选路径集中t时刻带宽占用率的最小值和最大值。式(16)中,PSmin,PSmax分别表示路径集中路径的带宽占用率预测值的最小值和最大值。式(17)中,Tmax表示LoRaWAN下行通信业务可容忍的最大传输时延。
三角模算子如式(18)所示:
式中,x1,x2表示参与融合的两个参数,即t+T时刻预测的带宽占用率分值PSn以及传输时延Tn,x1,x2∈[0,1],Y′(x1,x2)为融合参数处理之后得到的单目标测度值。
根据三角模算子同类信息的加强性,参与融合的参数选择方向一致(选择路径参数和值较小的路径更利于下行通信路径的传输)时,融合后会突出备选路径的重要或不重要程度,即根据式(17)获得传输路径的选择度Q,Q会突出体现传输路径被选或不被选程度。此外,利用三角模算子调和路径参数和选取过程中的矛盾性,传输路径的被选程度由路径参数的中和值Q决定。
利用式(19)计算源节点到目的节点之间的多条传输路径的选择度,当有下行通信数据包传输时,优先选择最小的路径作为主传输路径;当不同路径的Q值相等时,优先选择路径Rn中交换机总数最少的路径;当不同路径的Q值相同、所经过的交换机总数相等时,优先选择使用频率较低的路径。
本实施例中,根据图2所示的SDN架构,在Mininet平台上搭建LoRaWAN下行通信网络拓扑结构,采用Ryu控制器集中控制网络资源,利用带宽测试工具iperf模拟网络流量。设置各链路的最大带宽为100Mbit/s。设置链路的距离参数,设置vdata=2×108m/s,Tswitch=0.1ms,Tjitter=0.1ms。在模拟LoRaWAN下行通信传输时,网络中下行业务数据包的请求带宽值的变化服从正态分布,不同重要度的下行业务请求出现概率服从泊松分布。实验时,调节这些网络参数来改变网络中下行业务数据种类的分布状态:host发送UDP(用户数据包协议,User Datagram Protocol)数据的最小并发数和最大并发数;数据传输的最小请求时长和最大请求时长;下行通信请求带宽的最小值、最大值及LoRaWAN下行通信数据的平均请求带宽。
为了验证提出的改进ARIMA模型的效果,选择ARIMA模型基本步骤和改进步骤之后的预测结果作进一步对比,选取LoRaWAN下行网络中其中一段链路lj的带宽占用率序列数据进行建模预测,模型预测效果如图10所示。
由图10中可以看出,使用均方根误差来评估模型样本内拟合的优劣程度,改进步骤前后的均方根误差为9.4363和1.1883。由预测结果表明:通过引入S-G滤波法和滑动窗口法对数据进行预处理,优化了ARIMA建模步骤对时间序列数据的平稳性,改进后预测模型的均方根误差相较于原始模型减少了87%,有效提高了模型精确度,链路带宽占用率μj(t+T)预测值也很接近于真实值。所提路由控制策略(MPSRCS)的LoRaWAN网络下行通信丢包率、平均传输时延和网络链路平均带宽占用率,与最短路径路由策略(Shortest Path RoutingStrategy,SPRS),拥塞缓解路由策略(Hybrid Congestion Alleviation RoutingStrategy,HCARS),分段最先适应路由策略(Online Increasing fit first SegmentRouting Strategy,OI-SRS)进行对比。测试不同路由策略对网络性能的影响时,设置网络参数CRmin=25,CRmax=35,RBmax=40Mbit/s,RBmin=0.0625Mbit/s,RTmax=20s,RTmin=10s,逐步增加平均请求带宽,分析不同路由策略下的网络性能指标:丢包率对比实验结果如图11所示,下行通信平均传输时延比较如图12所示,链路平均带宽占用率对比结果如图13所示。
图11中,随着网络负载逐渐增大,采用MPSRCS的丢包率明显比SPRS,HCARS,OI-SRS低。当网络负载逐渐增大接近链路最大带宽并出现拥塞时,SPRS策略由于无法及时调整传输路径,因而丢包率急剧增长;OI-SRS方法通过分段流调度进行路由调整,在负载率较低时,相较于SPRS策略效果有所提高,但是当链路负载率超过50%时,丢包率也会急剧增长,局限性较高;HCARS策略虽是动态路由策略,但没考虑未来的链路带宽占用率和不同业务优先级,因此突发性业务和部分服务优先级较高、可容忍时延低的业务易发生数据丢包;而MPSRCS策略克服了HCARS的不足,预测了未来链路带宽占用率,网络负载较大时,丢包率在另三种策略之下。
考虑到LoRaWAN网络中不同下行业务数据传输时延需求的差异性,假设(t,t+T)时段成功传输的X′类下行业务数据的平均传输时延为T(X′),且下行业务可容忍的最大传输时延为Tmax(X′)。设置LoRaWAN网络下行业务数据种类为3,X′类下行业务数据的平均传输时延Tdelay可用式(18)计算:
图12中,网络负载较低时,OI-SRS、SPRS和HCARS策略的平均时延均低于MPSRCS,但是随着网络负载的增加,SPRS的时延变化最大,MPSRCS的时延变化最小。这是因为SPRS策略没根据链路的实时状态进行拥塞路径优化,因此传输时延迅速增加。OI-SRS在考虑分段选择路由时会一直导致时延加大,网络延时稳定性较差,HCARS策略考虑链路的实时状态时受邻居节点的带宽占用率的影响较大,容易选择局部最优路径。MPSRCS策略考虑了负载均衡问题,初始的平均时延较高是因为其在路径规划的时候,并不一定选择最短路径,但在网络负载逐步增加的过程中,网络平均时延的稳定性较好。
图13中,SPRS策略首先减缓增长速度,这是因其在进行路径选择时,将数据流分配到对应的最短路径上,可能会造成多个下行数据包分配到同一路径的情况,易导致链路资源分配不均而使全网络链路平均带宽占用率降低。OI-SRS策略的链路拥塞处理性能较差,最先达到上限水平。HCARS策略在发生拥塞后进行调控,随着平均请求带宽的逐步增加,处理能力最终达到上限,易发生链路拥塞,链路平均带宽占用率降低。MPSRCS的链路平均带宽占用率高于SPRS、OI-SRS和HCARS,这是因其预测了链路未来的拥塞情况,提前进行拥塞控制,提高了策略的拥塞缓解能力,为LoRaWAN网络下行路由控制方法提供了参考。
实施例2
如图14所示,本实施例提供一种LoRaWAN网络下行路由控制系统,包括:
网络下行路由模型构建模块M1,用于基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
链路带宽占用率序列获取模块M2,用于获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
模型训练模块M3,用于根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
预测模块M4,用于根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
传输时延获取模块M5,用于确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;
路径选择模块M6,用于利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
其中,所述路径选择模块M6具体包括:
最大值确定单元M61,用于确定所述集中控制器与所述数据收发端之间每一路径中最大的所述链路带宽占用率预测值;
分值确定单元M62,用于确定每一最大的所述链路带宽占用率预测值的得分,得到每一路径的带宽占用率分值;
数据融合单元M63,用于利用三角模算子将每一路径的带宽占用率分值与对应路径的所述数据包传输时延进行融合,得到每一路径的分值和时延融合数据;
选择计算单元M64,用于根据每一路径的分值和时延融合数据和所述链路带宽占用率序列中每一路径中最大所述链路带宽占用率计算每一路径的路径选择度;
路径选择顺序获取单元M65,用于根据每一所述路径选择度确定所述集中控制器与所述数据收发端之间各路径传输数据的顺序。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种LoRaWAN网络下行路由控制方法,其特征在于,包括:
基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;
利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
2.根据权利要求1所述的方法,其特征在于,所述根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型之前还包括:
利用S-G平滑滤波法和滑动窗口法对所述链路带宽占用率序列进行预处理,得到预处理后的链路带宽占用率序列;具体包括:
对所述链路带宽占用率序列进行离散化处理,并确定滑动滤波窗口宽度为n=2m+1;
对t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻离散后的链路带宽占用率采用k-1次多项式计算多项式拟合值,得到多项式线性方程组;
采用最小二乘法确定所述多项式线性方程组的拟合系数;
利用t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻的多项式拟合值的平均值替换th时刻的所述链路带宽占用率,得到th时刻替换后的链路带宽占用率;h=0,1,2,...,m-1,m+1;
按照t0至tm+1的方向滑动,将th时刻所述多项式拟合值分别替换为所述th时刻替换后的链路带宽占用率;令h=h+1,返回步骤“利用t-m,t-m+1,...,t0,t1,...,tm-1,tm+1时刻所述多项式拟合值的平均值替换th时刻的所述链路带宽占用率”直至遍历所述滑动滤波窗口宽度内的所有数据,得到所述预处理后的链路带宽占用率序列。
3.根据权利要求2所述的方法,其特征在于,所述根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型,具体包括:
根据所述拟合系数确定所述加权平均系数;
利用自相关图观察法初步判断所述链路带宽占用率序列是否平稳,得到第一判断结果;
当所述第一判断结果为是时,则根据所述链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数;
当所述第一判断结果为否时,则对当前链路带宽占用率序列进行ADF检验,得到第一ADF检验结果,判断所述第一ADF检验结果是否均大于各置信区间的ADF值,得到第二判断结果;所述ADF检验为时间序列平稳性检验;
若所述第二判断结果为是,则所述链路带宽占用率序列为平稳序列,返回步骤“根据所述链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数”;
若所述第二判断结果为否,则对所述链路带宽占用率序列进行差分处理,得到差分后的链路带宽占用率序列;
对当前差分后的链路带宽占用率序列进行ADF检验,得到第二ADF检验结果,判断所述第二ADF检验结果是否均大于各置信区间的ADF值,得到第三判断结果;
当所述第三判断结果为否时,则对所述差分后的链路带宽占用率序列进行差分处理,得到多阶差分后的链路带宽占用率序列;令所述多阶差分后的链路带宽占用率序列为所述当前差分后的链路带宽占用率序列,并返回步骤“计算当前差分后的链路带宽占用率序列的第二ADF检验结果”,直至所述当前差分后的链路带宽占用率序列为平稳数据;
当所述第三判断结果为是时,则根据所述当前差分后的链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数。
4.根据权利要求3所述的方法,其特征在于,所述利用自相关图观察法初步判断所述链路带宽占用率序列是否平稳,得到第一判断结果,具体包括:
根据所述链路带宽占用率序列构建自相关图;所述链路带宽占用率序列为所述预处理后的链路带宽占用率序列;
观察所述自相关图中是否存在截尾和拖尾情况;
若所述自相关图既不存在截尾也不存在拖尾,则所述预处理后的链路带宽占用率序列为非平稳数据;所述截尾是指在某延迟阶数之后,自相关系数均为0;所述拖尾是指自相关性系数随着延迟阶数的变化有一个衰减趋势,但不都为0;反之,则所述预处理后的链路带宽占用率序列为平稳数据。
5.根据权利要求1所述的方法,其特征在于,所述根据所述链路带宽占用率序列的自相关图和偏相关图确定所述自回归项数、所述移动平均项数和所述自相关系数具体包括:
根据所述链路带宽占用率序列的自相关图的表达式计算所述自相关系数;
根据所述自相关图中自相关系数首次出现截尾时对应的延迟阶数确定所述自回归项数的数值范围;
根据所述偏自相关图中偏自相关系数首次出现衰减趋势时对应的延迟阶数确定所述移动平均项数的数值范围;
根据所述自回归项数的数值范围中的每一数值和所述移动平均项数的数值范围中的每一数值建立多个所述ARIMA模型;
利用所述链路带宽占用率序列分别训练多个所述ARIMA模型,得到多个训练后的ARIMA模型;
比较多个所述训练后的ARIMA模型的预测效果,选择出所述自回归项数、和所述移动平均项数的最优参数组合。
7.根据权利要求1所述的方法,其特征在于,所述利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序具体包括:
确定所述集中控制器与所述数据收发端之间每一路径中最大的所述链路带宽占用率预测值;
确定每一最大的所述链路带宽占用率预测值的得分,得到每一路径的带宽占用率分值;
利用三角模算子将每一路径的带宽占用率分值与对应路径的所述数据包传输时延进行融合,得到每一路径的分值和时延融合数据;
根据每一路径的分值和时延融合数据和所述链路带宽占用率序列中每一路径最大所述链路带宽占用率计算每一路径的路径选择度;
根据每一所述路径选择度确定所述集中控制器与所述数据收发端之间各路径传输数据的顺序。
8.根据权利要求1所述的方法,其特征在于,所述根据每一所述路径选择度确定所述集中控制器与所述数据收发端之间各路径传输数据的顺序,具体包括:
优先选择所述路径选择度最小的路径进行数据传输;
当不同路径的所述路径选择度的值相等时,优先选择路径中所述交换机总数最少的路径进行数据传输;
当不同路径的所述路径选择度的值相等,且所述交换机总数相等时,优先选择使用频率低的路径进行数据传输。
9.一种根据权利要求1至8任一项所述的LoRaWAN网络下行路由控制方法的系统,其特征在于,包括:
网络下行路由模型构建模块,用于基于SDN框架对LoRaWAN网络下行路由拓扑关系建模,得到网络下行路由模型;所述网络下行路由模型包括集中控制器、多个交换机和多个数据收发端;每个所述交换机均与所述集中控制器连接;每个所述交换机均连接一个所述数据收发端;每一所述交换机至少与剩余所述交换机中的一个连接;
链路带宽占用率序列获取模块,用于获取所述网络下行路由模型中各所述交换机之间的预设时间段内的链路带宽占用率,得到链路带宽占用率序列;
模型训练模块,用于根据所述链路带宽占用率序列确定ARIMA模型的模型参数并训练所述ARIMA模型,得到训练后的ARIMA模型;所述模型参数包括自回归项数、移动平均项数、自相关系数和加权平均系数;
预测模块,用于根据所述训练后的ARIMA模型得到各所述交换机之间的各链路的链路带宽占用率预测值;
传输时延获取模块,用于确定LoRaWAN网络下行通信业务数据从所述集中控制器传输至所述数据收发端的数据包传输时延;
路径选择模块,用于利用三角模算子融合所述链路带宽占用率预测值和所述数据包传输时延,并结合所述链路带宽占用率序列确定所述业务数据自所述集中控制器传输至所述数据收发端的各路径的选择顺序。
10.根据权利要求9所述的方法,其特征在于,所述路径选择模块具体包括:
最大值确定单元,用于确定所述集中控制器与所述数据收发端之间每一路径中最大的所述链路带宽占用率预测值;
分值确定单元,用于确定每一最大的所述链路带宽占用率预测值的得分,得到每一路径的带宽占用率分值;
数据融合单元,用于利用三角模算子将每一路径的带宽占用率分值与对应路径的所述数据包传输时延进行融合,得到每一路径的分值和时延融合数据;
选择计算单元,用于根据每一路径的分值和时延融合数据和所述链路带宽占用率序列中每一路径中最大所述链路带宽占用率计算每一路径的路径选择度;
路径选择顺序获取单元,用于根据每一所述路径选择度确定所述集中控制器与所述数据收发端之间各路径传输数据的顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071598.8A CN114423020B (zh) | 2022-01-21 | 2022-01-21 | 一种LoRaWAN网络下行路由控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071598.8A CN114423020B (zh) | 2022-01-21 | 2022-01-21 | 一种LoRaWAN网络下行路由控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114423020A true CN114423020A (zh) | 2022-04-29 |
CN114423020B CN114423020B (zh) | 2023-05-16 |
Family
ID=81275278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071598.8A Active CN114423020B (zh) | 2022-01-21 | 2022-01-21 | 一种LoRaWAN网络下行路由控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114423020B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128961A (zh) * | 2022-08-31 | 2022-09-30 | 宁波亮控信息科技有限公司 | 基于LoRaWAN网络的自触发模型预测方法及系统 |
CN115174405A (zh) * | 2022-06-08 | 2022-10-11 | 西北大学 | 一种基于arima统计模型的带宽分配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108512760A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于SDN保障业务QoS的路由方法 |
CN108521375A (zh) * | 2018-04-17 | 2018-09-11 | 中国矿业大学 | 一种基于SDN的网络多业务流量QoS的传输及调度方法 |
CN108600038A (zh) * | 2018-03-05 | 2018-09-28 | 华东师范大学 | 基于arima的自适应低代价sdn业务流吞吐量测量方法及系统 |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
US20190379592A1 (en) * | 2018-06-06 | 2019-12-12 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
CN111427753A (zh) * | 2020-03-23 | 2020-07-17 | 上海新炬网络信息技术股份有限公司 | 基于arima模型的容量预测装置及其控制方法 |
CN113114582A (zh) * | 2021-05-25 | 2021-07-13 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
CN113347108A (zh) * | 2021-05-20 | 2021-09-03 | 中国电子科技集团公司第七研究所 | 一种基于q-学习的sdn负载均衡方法及系统 |
-
2022
- 2022-01-21 CN CN202210071598.8A patent/CN114423020B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600038A (zh) * | 2018-03-05 | 2018-09-28 | 华东师范大学 | 基于arima的自适应低代价sdn业务流吞吐量测量方法及系统 |
CN108512760A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于SDN保障业务QoS的路由方法 |
CN108521375A (zh) * | 2018-04-17 | 2018-09-11 | 中国矿业大学 | 一种基于SDN的网络多业务流量QoS的传输及调度方法 |
US20190379592A1 (en) * | 2018-06-06 | 2019-12-12 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
CN111427753A (zh) * | 2020-03-23 | 2020-07-17 | 上海新炬网络信息技术股份有限公司 | 基于arima模型的容量预测装置及其控制方法 |
CN113347108A (zh) * | 2021-05-20 | 2021-09-03 | 中国电子科技集团公司第七研究所 | 一种基于q-学习的sdn负载均衡方法及系统 |
CN113114582A (zh) * | 2021-05-25 | 2021-07-13 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
Non-Patent Citations (3)
Title |
---|
ABIOLA ADEGBOYEGA: "An Adaptive Score Model for Effective Bandwidth Prediction & Provisioning in the Cloud Network" * |
MAXIME LABONNE: "Predicting Bandwidth Utilization on Network Links Using Machine Learning" * |
王亮;王敏;王晓鹏;罗威;冯瑜;: "基于流式计算的网络排队时延预测技术研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174405A (zh) * | 2022-06-08 | 2022-10-11 | 西北大学 | 一种基于arima统计模型的带宽分配方法 |
CN115128961A (zh) * | 2022-08-31 | 2022-09-30 | 宁波亮控信息科技有限公司 | 基于LoRaWAN网络的自触发模型预测方法及系统 |
CN115128961B (zh) * | 2022-08-31 | 2023-01-10 | 宁波亮控信息科技有限公司 | 基于LoRaWAN网络的自触发模型预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114423020B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108092791B (zh) | 网络控制方法、装置及系统 | |
CN108900419B (zh) | Sdn架构下基于深度强化学习的路由决策方法及装置 | |
CN114423020A (zh) | 一种LoRaWAN网络下行路由控制方法及系统 | |
CN108449265B (zh) | 一种sd-wan环境中路径计算方法及装置 | |
RU2677373C1 (ru) | Способ повышения качества передачи фрактального телекоммуникационного трафика | |
CN110225418B (zh) | 一种基于SDN的HTTP视频流QoE路由优化方法 | |
CN113114582A (zh) | 基于机器学习的链路拥塞故障预测及网络自主管控方法 | |
CN113596632B (zh) | 一种无源光网络切片划分方法、装置及系统 | |
EP1798894A1 (en) | A fast simulated annealing for traffic matrix estimation | |
CN108989148A (zh) | 一种传输时延最小化的中继多路径流量分配方法 | |
CN114070448B (zh) | 一种基于多属性决策的主时钟选取方法 | |
CN117118917A (zh) | 跨域确定性网络、调度方法、装置及跨域控制编排器 | |
CN102447625B (zh) | 基于节点间链路反馈控制机制的节点状态控制方法 | |
Wellons et al. | Augmenting predictive with oblivious routing for wireless mesh networks under traffic uncertainty | |
CN114205300B (zh) | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 | |
Liu et al. | PPO-based reliable concurrent transmission control for telemedicine real-time services | |
CN109474490B (zh) | 一种基于自适应抽样的控制器性能分析方法 | |
Uchida et al. | Routing and capacity optimization based on estimated latent od traffic demand | |
Zhang et al. | An adaptive scheduling routing for multimedia services based on software-defined networks | |
Stoltidis et al. | Active Queue Management in Disaggregated 5G and Beyond Cellular Networks Using Machine Learning | |
Yevdokymenko | Multipath QoE-routing model with providing quality rating | |
Jamhour et al. | Modeling a multi-queue network node with a fuzzy predictor | |
CN102572872B (zh) | 基于卡尔曼滤波的接纳控制方法 | |
Ren et al. | Congestion-aware delay-guaranteed scheduling and routing with renewal optimization | |
Nguyen et al. | Multi Service-Oriented Routing Mechanism for Heterogeneous Multi-Domain Software-Defined Networking |
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 |