CN115086202B - 一种基于网络数字孪生体的时延分析方法及系统 - Google Patents
一种基于网络数字孪生体的时延分析方法及系统 Download PDFInfo
- Publication number
- CN115086202B CN115086202B CN202210390233.1A CN202210390233A CN115086202B CN 115086202 B CN115086202 B CN 115086202B CN 202210390233 A CN202210390233 A CN 202210390233A CN 115086202 B CN115086202 B CN 115086202B
- Authority
- CN
- China
- Prior art keywords
- delay
- node
- path
- network
- feasible
- 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.)
- Active
Links
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/62—Queue scheduling characterised by scheduling criteria
- H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
- H04L47/6275—Queue scheduling characterised by scheduling criteria for service slots or service orders based on priority
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于网络数字孪生体的时延分析方法,属于网络时延分析技术领域,解决了现有时延分析方法准确性较低的问题。该方法包括:将网络实体映射为网络数字孪生体;网络数字孪生体包括网络综合节点和时延特征边;网络综合节点包括排队子节点和非排队子节点;时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,网络综合节点之间的传播时延边;选取源节点和目的节点,以确定最小路集;基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;执行多次随机业务仿真,获取各可行路径的仿真时延;基于仿真时延确定网络数字孪生体的最优可行路径、并作为网络实体中相应源节点到目的节点的传输路径。
Description
技术领域
本发明涉及网络时延分析技术领域,尤其涉及一种基于网络数字孪生体的时延分析方法及系统。
背景技术
近年来,前沿技术发展领域达成初步一致的共识,认为元宇宙是基于互联网和移动互联网而生,与现实世界相打通,平行存在的虚拟世界,是由无数个虚拟世界的数字孪生体模型组成的实时交互并不断扩展的数字“宇宙”。
在元宇宙体系中,通过数字孪生实现现实和虚拟的交互闭环,实现物理实体和虚拟模型之间的双向连接,并且连接应基于实时数据。这就对数字孪生体内部、以及虚拟世界和物理世界之间的数据交互的实时性提出了很高的要求。
元宇宙中对大量数据迅速传输的需求,需要依赖强大的信息网络基础设施。信息网络提供的用户之间即时(即时发送接收语音和数据)信息传输业务过程中,时延是影响业务满意度的关键因素之一,也是元宇宙通过数字孪生体描述网络路由时需要重点评价的指标。网络通过多跳路由产生的时延越短或越稳定,意味着业务质量越好,用户越满意此次通信业务。
网络数字孪生体建模面临如下挑战:1)节点数量多,网络结构复杂;
2)节点之间相对运动关系不确定,网络拓扑链接关系复杂且以一定的运动规律处于动态演化之中;3)用户接受业务的时间具有很大的不确定性,需要建模相应统计规律。
为表征网络数字孪生体拓扑的动态特点,将网络运行周期离散化表示,一个系统周期可划分为若干个时隙,这样可以假定每个时隙内网络数字孪生体拓扑结构保持不变,拓扑演化仅发生在特定的时刻。
在某个时隙内,处理时延PD(Processing delay),排队时延QD(Queuing delay)以及传播时延LPD(Link propagation delay)构成网络数字孪生体的总时延T。处理时延是指数据流经过网络数字孪生体节点处理一系列业务后到达其输出端之间的时延,例如校验循环冗余(CRC计算)、重新计算分组、计算路由信息、处理控制信息等。排队时延是指数据流处于等待队列到接受处理的时延。传播时延是指节点输出端发送一个比特数据至该比特到达下一个节点的输入端的时延。
网络数字孪生体在传递数据流的过程中,不仅会产生时延,而且也会发生不同频率的时延变化。时延变化根据频率的不同,可以分为时延抖动和时延漂移。高频率的时延变化和低频率的时延变化分别称为抖动和漂移。时延变化(抖动和漂移)是衡量网络数字孪生体时延不可忽略的要素。
现有依据时延因素确定网络路由规划的算法分别是基于Dijkstra以及Bell-Ford的最短时延路由算法。Dijkstra在1959年提出按照路径长度增加的顺序来寻找最短路径的Dijkstra算法,熊碧霞将Dijkstra算法运用到对实时性要求较高的网络中,生成最短时延路由树;Rouskas G N和余燕平认为最短时延路径选择中,要同时考虑考虑时延和其抖动约束;Gomez-Vilardebo基于Dijkstra算法解决单目的节点的累计多跳路由问题。与此同时,自Bell-Ford算法提出以来,诸多学者将其应用在最短路径算法研究中,Yao J将Bellman-Ford算法改进,分布式寻找最优路径;李汉兵在考虑时延限制的情况下解决单播寻径问题;Jeong I K将GPU与Bellman-Ford算法结合,实现并行处理路由信息,从而提高算法效率。
由于这两种建模分析方法均忽略节点间传送信息的随机性,而且将最短时延看作最优时延路径的评判标准,在有的算法中,时延变化仅被视作约束条件。因此,如何综合分析节点传送信息随机性、时延变化等因素,实现网络数字孪生体最优时延分析,是目前亟需解决的问题。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于网络数字孪生体的时延分析方法及系统,用以解决现有时延分析方法因未能综合分析节点传送信息随机性、时延变化等因素导致的时延分析结果准确性较低的问题。
一方面,本发明提供了一种基于网络数字孪生体的时延分析方法,包括:
将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;所述网络综合节点包括排队子节点和非排队子节点;所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;
选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径。
在上述方案的基础上,本发明还做出了如下改进:
进一步,所述排队子节点,用于描述所述网络综合节点的数据传输队列及队列管理功能;
所述非排队子节点,用于描述所述网络综合节点的资源管控及信息分发功能。
进一步,所述排队子节点的排队时延边,用于描述排队子节点处理业务数据流的排队等待时延;
所述排队子节点的处理时延边,用于描述排队子节点处理业务数据流的队列管理时延;
所述非排队子节点的处理时延边,用于描述非排队子节点处理业务数据流资源管控及信息分发时延;
所述传播时延边,用于描述业务数据流从当前网络综合节点经由传播路径到达下一网络综合节点的传输时延。
进一步,所述确定网络数字孪生体的最优可行路径,包括:
对于每条可行路径,执行:
根据当前可行路径执行多次随机业务仿真的仿真时延,获取当前可行路径的时延期望和时延方差;
基于当前可行路径的时延期望和时延方差,确定当前可行路径的时延评价指标;
将时延评价指标最小值对应的可行路径作为所述最优可行路径。
进一步,根据公式(1)计算各可行路径的时延评价指标:
Rdelay=αe*edelay+αv*vdelay (1)
其中,Rdelay表示可行路径的时延评价指标,edelay、vdelay分别表示可行路径的时延期望、时延方差;αe、αv分别表示可行路径的时延期望权重、时延方差权重;αe+αv=1。
进一步,所述路径约束包括输入输出流约束、链路负荷约束和节点负荷约束。
进一步,所述从最小路集中提取由多条可行路径组成的可行路径集合,包括:
获取网络实体映射为网络数字孪生体时的实时数据及性能参数;所述实时数据包括:每个网络综合节点的实时输入流、实时输出流和实时数据流量,以及每条边的实时数据流量;所述性能参数包括每个网络综合节点的节点总负荷参数;
对于最小路集中的每条路径,判断是否满足路径约束;
将满足路径约束的路径提取为可行路径;
汇总提取到的所有可行路径,形成可行路径集。
进一步,通过以下方式判断是否满足路径约束:
若当前路径中各网络综合节点的实时输入流和实时输出流相等,则当前路径满足输入输出流约束;
若当前路径中每条边的实时数据流量不大于单条链路数据流量阈值,且网络总链路的数据流不大于总链路数据流阈值,且当前路径的链路总负荷不大于链路总负荷阈值,则当前路径满足链路负荷约束;
若当前路径中各网络综合节点的数据流量均不大于节点数据流量阈值,且当前路径中所有网络综合节点的数据流量之和不大于总节点数据流量阈值,且当前路径中各网络综合节点的节点总负荷参数均不大于节点总负荷阈值,则当前路径满足节点负荷约束;
将同时满足输入输出流约束、链路负荷约束及节点负荷约束的路径提取为可行路径。
另一方面,本发明还提供了一种基于网络数字孪生体的时延分析系统,包括:
网络数字孪生体生成模块,用于将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;所述网络综合节点包括排队子节点和非排队子节点;所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;
可行路径集合确定模块,用于选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
时延仿真模块,执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
最优可行路径确定模块,基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径。
在上述方案的基础上,本发明还做出了如下改进:
进一步,在所述最优可行路径确定模块中,所述确定网络数字孪生体的最优可行路径,包括:
对于每条可行路径,执行:
根据当前可行路径执行多次随机业务仿真的仿真时延,获取当前可行路径的时延期望和时延方差;
基于当前可行路径的时延期望和时延方差,确定当前可行路径的时延评价指标;根据公式(1)计算各可行路径的时延评价指标:
Rdelay=αe*edelay+αv*vdelay (2)
其中,Rdelay表示可行路径的时延评价指标,edelay、vdelay分别表示可行路径的时延期望、时延方差;αe、αv分别表示可行路径的时延期望权重、时延方差权重;αe+αv=1;
将时延评价指标最小值对应的可行路径作为所述最优可行路径。
与现有技术相比,本发明至少可实现如下有益效果之一:
本发明提供的基于网络数字孪生体的时延分析方法,具备如下效果:
第一,通过将网络实体映射成网络数字孪生体,并按照功能将网络数字孪生体中的网络节点划分成排队子节点和非排队子节点,便于区分网络综合节点中的各类时延,实现更精确的时延分析。
第二,通过设置路径约束,将不满足路径约束的路径予以剔除,从而保证得到的可行路径能够适应各种业务需求,保证后续各种随机业务的仿真能够真实模拟网络实体中各类业务产生的时延。
第二,执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数;该方法能够有效处理概率不确定信息,从而实现了对实际业务处理过程的不确定性的模拟,更加详细地描绘了网络时延分布情况;采用这种方式得到的最优可行路径,能够匹配业务服务需求多变的随机网络特性。
第三,确当最优可行路径过程中,通过仿真求解路径总时延及其变化,并充分考虑时延期望和时延方差对时延评价指标的影响,在描述时延随机性的同时,体现抖动与漂移等时延的变化因素,从而获得具有最优时延的最佳路由方案,即,最优可行路径。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例1中基于网络数字孪生体的时延分析方法流程图;
图2为本发明实施例2中基于网络数字孪生体的时延分析系统结构示意图;
图3为本发明实施例3中仿真时延效果图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例1,公开了一种基于网络数字孪生体的时延分析方法,如图1所示。该方法包括以下步骤:
步骤S1:将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;其中,网络实体中的节点和网络数字孪生体中的网络综合节点为一一映射关系,网络实体中的链路和网络数字孪生体的边为一一映射关系;为考察网络数字孪生体的边的时延特性,设置了相应的网络数字孪生体的边的传输时延边;即,每一网络综合节点均由网络实体中的相应节点映射得到,每一网络数字孪生体中的边均由网络实体中的相应链路映射得到;因此,网络实体的网络拓扑结构和映射得到的网络数字孪生体的网络拓扑结构相同。
每一网络综合节点可以表示为一个网络综合节点模型;所述网络综合节点包括排队子节点和非排队子节点;具体地,
排队子节点,用于描述网络综合节点的数据传输队列及队列管理功能;具体地,排队子节点涉及以下三方面功能:
(1)状态信息获取功能;用于实现网络数字孪生体中网络综合节点的数据获取模拟;
这里,所获取的数据包括当前网络综合节点之外的环境状态信息,其中,包括但不限于外部进入当前网络综合节点的任务数据和传输优先级等内容;例如,任务数据可以是语音、文本、视频等需要通过网络综合节点进行传输的任务,其中文本可以是非实时传输,语音和视频可以是实时或非实时传输,另外还可以有突发事故、防灾减灾等公益应急信息。根据非实时、实时、应急等传输内容的实时性要求和急迫性,排列数据在网络综合节点中的优先级。
(2)队列传输处理功能;用于实现网络数字孪生体的多任务队列模拟,即数据传输队列模拟;
本实施例对队列传输规则不做限制,以实际网络节点中的队列传输规则为准进行模拟;根据队列传输规则可以对多任务进行排队顺序设置。该功能依赖于队列传输规则。队列传输规则可以有多种选择。例如先到先服务,即如果文本数据先于实时语音数据到达,则网络数字孪生体先处理文本数据;又例如高优先级先服务,在文本数据先于实时语音数据到达的情况下,实时语音数据到达后,先暂停文本数据处理,先处理实时语音数据,完成后再处理文本数据。
(3)路由流程管理功能;用于基于获取的状态信息及队列传输处理信息,实现网络数字孪生体的路由规划,作为任务分发的依据。即,模拟网络实体中节点实现路由流程管理的功能。
例如,根据文本数据需要传输到的目的节点,基于当前节点的路由表确定备选路径,可能有多条路径都能到达目的节点;然后根据各条备选路径上节点的繁忙程度,选择一条拥塞程度低的路径,并以此确定下一跳节点。
上述功能(1)和(3)用于描述网络综合节点的队列管理功能;功能(2)用于描述网络综合节点的数据传输队列功能。
非排队子节点,用于描述网络综合节点的资源管控及信息分发功能;具体地,非排队子节点涉及以下三方面功能:
(1)节点资源获取功能;用于获取网络数字孪生体中网络综合节点的资源信息,如,网络综合节点执行某类任务传输和路由所占用的节点存储、计算资源等。具体地,占用的存储可以是动态的内存资源,如对于语音数据传输占用kbps量级的内存,对于视频数据传输占用Mbps量级的内存。同时路由等计算功能可能需要节点CPU提供的计算能力。
(2)资源管控流程模拟功能;该功能面向任务需求,基于排队子节点中的路由流程管理功能,并综合所获取的节点资源,实现网络数字孪生体的资源综合管理和控制,向该节点所承担的任务提供分发传输、存储、计算等资源,保障任务网络路由的顺利实施。
例如,节点上可用的存储资源有限,当资源分配给多条文本、语音或视频数据进行同时处理时,合理分配存储资源、最大限度利用空余资源。一方面要避免资源浪费,需要将资源划分为相对小的单位资源块;另一方面资源划分不能太小,以避免大数据量需求的任务导致需要多块资源联合协作从而进一步增加额外处理负担。
(3)数据分发功能;根据排队子节点所确定的下一个节点,实现数据转发功能。根据网络数字孪生体的组成形态,可通过有线或无线的方式转发给下一节点,例如组成形态是无线的,则可以通过将基带数据编码并调制到射频电磁波,通过天线发射到下一节点。
上述功能(1)和(2)用于描述网络综合节点的资源管控功能;功能(3)用于描述网络综合节点的信息分发功能。
所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;具体地,
(1)排队子节点的排队时延边,用于描述排队子节点处理业务数据流的排队等待时延;即,任务数据流到达网络综合节点中的排队子节点后,由于前序先到业务或更高优先级业务等占用资源,进行排队所需要的等待的时延;即,执行排队子节点的队列传输处理功能所需要的时延。
(2)排队子节点的处理时延边,用于描述排队子节点处理业务数据流的队列管理时延;即,排队子节点执行状态信息获取功能及路由流程管理功能所产生的时延。
(3)非排队子节点的处理时延边,用于描述非排队子节点处理业务数据流资源管控及信息分发时延;即,非队列子节点执行资源管控所产生的时延。
(4)传播时延边,用于描述业务数据流从当前网络综合节点经由传播路径到达下一网络综合节点的传输时延;即,任务通过网络数字孪生体进行建模后,通过非排队子节点的数据分发功能进行数据分发后,经由传播路径到达下一网络节点过程中产生的时延。
基于上述描述可知,在本实施例中,通过将网络综合节点按照功能划分成排队子节点和非排队子节点,便于区分网络综合节点中的各类时延,实现更精确的时延分析。
步骤S2:选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;具体地,在步骤S2中,执行:
步骤S21:选取网络数字孪生体中的源节点和目的节点,通过搜索枚举方式,找到从源节点到目的节点的所有路径;
步骤S22:根据最小路集法,从源节点到目的节点的所有路径中确定出最小路集。最小路集法的判断准则为:去掉某一节点后,不再是一条通路。
步骤S23:基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
本实施例综合考虑网络的数据处理过程,设置的路径约束包括如下内容:
(1)输入输出流约束
输入输出流约束涉及输入流和输出流的比较;其中,输入流包含上段时间迁移数据和本段时间新流入数据;输出流包含本段时间输出数据和本段时间未完成数据。对于本段时间未完成数据,其将进入到下一时间段继续传输。输入输出流约束,要求每个网络综合节点的输入流和输出流相等,满足网络流量守恒。
需要说明的是,由于网络的状态是实时变化的,因此在建立网络的数字孪生体时,通过设置数字孪生体中各综合节点和边的参数信息,将该数字孪生体模型与实体网络中某个时段的状态相映射。示例性地,将实体网络24小时的状态划分为多个时段,例如每个时段为1分钟,在每个时段内网络可以看作是静态的。上述上段时间迁移数据是指上一时段中没有处理完的数据,直接迁移到下一时段中继续进行处理。
(2)链路负荷约束
链路负荷约束包括单链路数据流约束、总链路数据流约束及链路总负荷约束。其中,
a)单链路数据流约束:单链路数据流为每条链路的数据流量;单链路数据流约束指单条链路的数据流量不大于单条链路数据流量阈值;
b)总链路数据流约束:总链路数据流为面向多类型任务的所有链路的数据流量之和,总链路数据流约束指所有有数据传输的路径上的数据总流量不大于总链路数据流阈值;
c)链路总负荷约束:链路总负荷为某链路能够传输的最大数据流总量,可用传输速率与时隙长度的乘积表示;链路总负荷约束指当前路径的链路总负荷不大于该条链路的总负荷阈值。
(3)节点负荷约束
节点负荷约束包括单节点数据流约束、总节点数据流约束及节点总负荷约束。其中,
a)单节点数据流约束:单节点数据流为每个节点所流经的数据流量;单节点数据流约束指单个节点的数据流量不大于节点数据流量阈值;
b)总节点数据流约束:总节点数据流约束为面向多类型任务的所有节点的数据流量之和;总节点数据流约束;当前路径中所有网络综合节点的数据流量之和不大于总节点数据流量阈值。
c)节点总负荷约束:节点总负荷为某节点能够处理的最大数据流总量。节点总负荷约束指网络综合节点的节点总负荷参数均不大于节点总负荷阈值。
从最小路集中提取由多条可行路径组成的可行路径集合的过程描述如下:
步骤S231:获取网络实体映射为网络数字孪生体时的实时数据及性能参数;所述实时数据包括:每个网络综合节点的输入流、输出流和数据流量,以及每条链路的数据流量;所述性能参数包括每个网络综合节点的节点总负荷参数;
步骤S232:对于最小路集中的每条路径,通过以下方式判断是否满足路径约束:
若当前路径中各网络综合节点的输入流和输出流相等,则当前路径满足输入输出流约束;若当前路径中各链路数据流量不大于单条链路数据流量阈值,且网络总链路的数据流不大于总链路数据流阈值,且当前路径的链路总负荷不大于链路总负荷阈值,则当前路径满足链路负荷约束;
若当前路径中各网络综合节点的数据流量均不大于节点数据流量阈值,且当前路径中所有网络综合节点的数据流量之和不大于总节点数据流量阈值,且当前路径中各网络综合节点的节点总负荷参数均不大于节点总负荷阈值,则当前路径满足节点负荷约束;
具体的,可通过计算所传输的任务数据所占用存储或计算资源的多少,获取每条路径中每个链路的数据流。
步骤S233:将同时满足输入输出流约束、链路负荷约束及节点负荷约束的路径提取为可行路径;
步骤S234:汇总提取到的所有可行路径,形成可行路径集。
步骤S3:执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
在仿真过程中,依据所述的时延特征和分类,依据实际网络运行特点,根据随机业务生成各可行路径中时延特征边的时延参数,时延的大小和状态转移传递关系采用服从一定的概率分布的模型和参数进行表征,从而实现对网络数字孪生体的时延估计。具体实施过程中,为不同的业务设定不同的时延;具体地,
排队时延:任务到达率符合泊松分布,排队时延符合指数分布;其中,到达率是对任务到达这一随机过程的建模,是仿真网络数字孪生体的输入;
处理时延:可以是指数分布,也可以是正态分布;
传播时延:对于固定有线链路,传播时延符合方差比较小的正态分布;对于无线链路,按照传播距离的长短不同,传播时延符合方差和均值相对较大的正态分布;
上述时延设置,除符合一定的概率分布外,还需要考虑概率分布的范围;概率分布的参数选取范围和业务类型直接相关;常见的随机业务包括视频类、语音类及数据类;其中,视频类业务的传输速率为384kbps,语音类业务的传输速率为64kbps,数据类业务的传输速率为128kbps。因此,基于不同业务的传输速率和处理效率,按照一定的概率分布选取各可行路径中所有时延特征边的时延参数;所有时延特征边的时延参数确定后,即可仿真得到各可行路径的仿真时延。
示例性的,排队时延选取为指数分布,当传输业务为视频类、语音类和数据类时,则设置的排队时延在符合指数分布的基础上要依次降低。
步骤S4:基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径。
步骤S41:对于每条可行路径,根据当前可行路径执行多次随机业务仿真的仿真时延,获取当前可行路径的时延期望和时延方差;
步骤S42:基于当前可行路径的时延期望和时延方差,确定当前可行路径的时延评价指标;
示例性地,可以根据公式(1)计算各可行路径的时延评价指标:
Rdelay=αe*edelay+αv*vdelay (1)
其中,Rdelay表示可行路径的时延评价指标,edelay、vdelay分别表示可行路径的时延期望、时延方差;αe、αv分别表示可行路径的时延期望权重、时延方差权重;αe+αv=1。
在本实施例中,时延期望能够反映时延的平均水平,时延方差能够反映时延的变化程度;因此,若选取的最优可行路径更侧重考察路径的平均时延,则时延期望权重可以取较大值;若选取的最优可行路径更侧重考虑路径的时延变化较小,则将时延方差权重可以取较大值。该过程便于技术人员根据时延分析的目的对时延期望权重和时延方差权重进行适应性调整。
步骤S42:将时延评价指标最小值对应的可行路径作为所述最优可行路径。
由于网络数字孪生体由网络实体映射得到,因此,通过对网络数字孪生体进行时延分析所确定的最优可行路径,可以作为网络实体中相应源节点到目的节点的传输路径。
综上,本实施例提出的于网络数字孪生体的时延分析方法,与现有技术中直接判断路由行进路线不同,本实施例基于数字孪生体对网络的建模,充分考虑到了网络的演化规律、业务服务需求多变的随机网络特性。本发明面向网络数字孪生体的最优时延路由规划,提出了网络最优时延路由分析方法。与已有技术相比,针对层次复杂的网络结构,运用数字孪生体有效处理概率不确定信息,在此基础上详细描绘了网络时延分布情况;同时引入了时延变化作为路由规划影响因素,构建时延评价指标。该分析方法充分考虑了网络数字孪生体的业务随机性特征以及路径时延关键影响因素,实现了面向业务的有效规划最优时延路径。与传统算法相比,本实施例中的时延分析方法所需的时间和存储复杂度大大降低。总之,本实施例提供的基于网络数字孪生体的时延分析方法可以有效地处理网络随机业务、各类约束等不确定的信息,并高效地描述节点中任务的流向和处理机制。此外,由于考虑了延迟变化而非传统算法中只考虑延迟本身,所选择的最优可行路径的服务质量(QoS)表现更好。
实施例2
本发明的具体实施例2,公开了一种基于网络数字孪生体的时延分析系统,该系统与实施例1中的方法相匹配,系统结构示意图如图2所示,包括:
网络数字孪生体生成模块,用于将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;所述网络综合节点包括排队子节点和非排队子节点;所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;
可行路径集合确定模块,用于选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
时延仿真模块,执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
最优可行路径确定模块,基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径。
本发明实施例的具体实施过程参见上述方法实施例即可,本实施例在此不再赘述。
由于本实施例与上述方法实施例原理相同,所以本系统也具有上述方法实施例相应的技术效果。
实施例3
本发明的具体实施例3,公开了一种基于网络数字孪生体的时延分析方法的具体时延过程,以验证实施例1中时延分析方法的时延分析效果。具体地,
步骤S1:假设网络实体中包括6个节点,根据网络实体的网络拓扑结构,将网络实体映射为网络数字孪生体;从而得到6个网络综合节点及若干时延特征边,每个网络综合节点又包括排队子节点和非排队子节点;
步骤S2:选定源节点和目的节点后,即可确定可行路径集合,在本实施例中,可行路径集合包括可行路径a、b和c;
步骤S3:在执行多次随机业务仿真过程中,通过MATLAB或C语言进行软件仿真,对此网络数字孪生体中所有可行路径执行1000次时延仿真;从而可以得到可行路径a、b、c的时延分布情况。如图3所示。图3中,x轴(时延)表示某可行路径的总时延,y轴(频数)表示模拟网络数字孪生体中各可行路径服务时,相应总时延产生的次数。图3直观给出了网络数字孪生体中可行路径a、b、c总时延分别服从正态分布N(16.0,7.92)、N(17.4,10.32)、N(16.4,8.42)。可以发现,EXa<EXc<EXb,σa<σc<σb,可行路径c的时延期望31与时延方差33最大,可行路径a时延期望31与时延方差33最小。
步骤S4:基于上述仿真时延结果,即可确定网络数字孪生体的最优可行路径;
示例性地,将时延期望权重、时延方差权重均设置为0.5;计算可得,可行路径a、b和c的时延评价指标分别是:路径a为11.95,路径b为13.85,路径c为12.4。将三者比较后发现,各可行路径的时延评价指标满足:路径a<路径c<路径b。因此,将可行路径a作为最优可行路径。并将该最优可行路径作为网络实体中相应源节点到目的节点的传输路径。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于网络数字孪生体的时延分析方法,其特征在于,包括:
将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;所述网络综合节点包括排队子节点和非排队子节点;所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;
选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径;
所述排队子节点,用于描述所述网络综合节点的数据传输队列及队列管理功能;所述非排队子节点,用于描述所述网络综合节点的资源管控及信息分发功能;
所述排队子节点的排队时延边,用于描述排队子节点处理业务数据流的排队等待时延;所述排队子节点的处理时延边,用于描述排队子节点处理业务数据流的队列管理时延;所述非排队子节点的处理时延边,用于描述非排队子节点处理业务数据流资源管控及信息分发时延;所述网络综合节点之间的传播时延边,用于描述业务数据流从当前网络综合节点经由传播路径到达下一网络综合节点的传输时延。
2.根据权利要求1所述的基于网络数字孪生体的时延分析方法,其特征在于,所述确定网络数字孪生体的最优可行路径,包括:
对于每条可行路径,执行:
根据当前可行路径执行多次随机业务仿真的仿真时延,获取当前可行路径的时延期望和时延方差;
基于当前可行路径的时延期望和时延方差,确定当前可行路径的时延评价指标;
将时延评价指标最小值对应的可行路径作为所述最优可行路径。
3.根据权利要求2所述的基于网络数字孪生体的时延分析方法,其特征在于,根据公式(1)计算各可行路径的时延评价指标:
Rdelay=αe*edelay+αv*vdelay (1)
其中,Rdelay表示可行路径的时延评价指标,edelay、vdelay分别表示可行路径的时延期望、时延方差;αe、αv分别表示可行路径的时延期望权重、时延方差权重;αe+αv=1。
4.根据权利要求1所述的基于网络数字孪生体的时延分析方法,其特征在于,所述路径约束包括输入输出流约束、链路负荷约束和节点负荷约束。
5.根据权利要求4所述的基于网络数字孪生体的时延分析方法,其特征在于,所述从最小路集中提取由多条可行路径组成的可行路径集合,包括:
获取网络实体映射为网络数字孪生体时的实时数据及性能参数;所述实时数据包括:每个网络综合节点的实时输入流、实时输出流和实时数据流量,以及每条边的实时数据流量;所述性能参数包括每个网络综合节点的节点总负荷参数;
对于最小路集中的每条路径,判断是否满足路径约束;
将满足路径约束的路径提取为可行路径;
汇总提取到的所有可行路径,形成可行路径集。
6.根据权利要求4所述的基于网络数字孪生体的时延分析方法,其特征在于,通过以下方式判断是否满足路径约束:
若当前路径中各网络综合节点的实时输入流和实时输出流相等,则当前路径满足输入输出流约束;
若当前路径中每条边的实时数据流量不大于单条链路数据流量阈值,且网络总链路的数据流不大于总链路数据流阈值,且当前路径的链路总负荷不大于链路总负荷阈值,则当前路径满足链路负荷约束;
若当前路径中各网络综合节点的数据流量均不大于节点数据流量阈值,且当前路径中所有网络综合节点的数据流量之和不大于总节点数据流量阈值,且当前路径中各网络综合节点的节点总负荷参数均不大于节点总负荷阈值,则当前路径满足节点负荷约束;
将同时满足输入输出流约束、链路负荷约束及节点负荷约束的路径提取为可行路径。
7.一种基于网络数字孪生体的时延分析系统,其特征在于,包括:
网络数字孪生体生成模块,用于将网络实体映射为网络数字孪生体;所述网络数字孪生体包括网络综合节点和时延特征边;所述网络综合节点包括排队子节点和非排队子节点;所述时延特征边包括:排队子节点的排队时延边,排队子节点和非排队子节点的处理时延边,以及,网络综合节点之间的传播时延边;
可行路径集合确定模块,用于选取网络数字孪生体中的源节点和目的节点,以确定最小路集;并基于路径约束,从最小路集中提取由多条可行路径组成的可行路径集合;
时延仿真模块,执行多次随机业务仿真;每次仿真时,根据随机业务生成各可行路径中时延特征边的时延参数,获取各可行路径的仿真时延;
最优可行路径确定模块,基于所述仿真时延,确定网络数字孪生体的最优可行路径;并将所述最优可行路径作为网络实体中相应源节点到目的节点的传输路径;
所述排队子节点,用于描述所述网络综合节点的数据传输队列及队列管理功能;所述非排队子节点,用于描述所述网络综合节点的资源管控及信息分发功能;
所述排队子节点的排队时延边,用于描述排队子节点处理业务数据流的排队等待时延;所述排队子节点的处理时延边,用于描述排队子节点处理业务数据流的队列管理时延;所述非排队子节点的处理时延边,用于描述非排队子节点处理业务数据流资源管控及信息分发时延;所述网络综合节点之间的传播时延边,用于描述业务数据流从当前网络综合节点经由传播路径到达下一网络综合节点的传输时延。
8.根据权利要求7所述的基于网络数字孪生体的时延分析系统,其特征在于,在所述最优可行路径确定模块中,所述确定网络数字孪生体的最优可行路径,包括:
对于每条可行路径,执行:
根据当前可行路径执行多次随机业务仿真的仿真时延,获取当前可行路径的时延期望和时延方差;
基于当前可行路径的时延期望和时延方差,确定当前可行路径的时延评价指标;根据公式(2)计算各可行路径的时延评价指标:
Rdelay=αe*edelay+αv*vdelay (2)
其中,Rdelay表示可行路径的时延评价指标,edelay、vdelay分别表示可行路径的时延期望、时延方差;αe、αv分别表示可行路径的时延期望权重、时延方差权重;αe+αv=1;
将时延评价指标最小值对应的可行路径作为所述最优可行路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390233.1A CN115086202B (zh) | 2022-04-14 | 2022-04-14 | 一种基于网络数字孪生体的时延分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390233.1A CN115086202B (zh) | 2022-04-14 | 2022-04-14 | 一种基于网络数字孪生体的时延分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115086202A CN115086202A (zh) | 2022-09-20 |
CN115086202B true CN115086202B (zh) | 2023-06-20 |
Family
ID=83248129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210390233.1A Active CN115086202B (zh) | 2022-04-14 | 2022-04-14 | 一种基于网络数字孪生体的时延分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086202B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115460131A (zh) * | 2022-10-18 | 2022-12-09 | 中国电信股份有限公司 | 路径选择方法、装置、系统和存储介质 |
CN115883464A (zh) * | 2022-11-30 | 2023-03-31 | 广州地铁设计研究院股份有限公司 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
CN116362850A (zh) * | 2023-04-06 | 2023-06-30 | 天津大学 | 一种面向元宇宙服务的资源分配方案 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111835565A (zh) * | 2020-07-06 | 2020-10-27 | 重庆金美通信有限责任公司 | 一种基于数字孪生的通信网络优化方法、装置和系统 |
CN112104491A (zh) * | 2020-09-04 | 2020-12-18 | 中国电子科技集团公司第二十研究所 | 面向服务的网络虚拟化资源管理方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL141855A0 (en) * | 2001-03-07 | 2002-03-10 | Onetiercommunications Inc | A method and apparatus for providing an improved quality of service for data transfer over the internet |
US7609626B2 (en) * | 2004-04-16 | 2009-10-27 | Alcatel-Lucent Usa Inc. | Nodes for managing congestion and traffic flow by considering the minimization of link utilization values |
US9571384B2 (en) * | 2013-08-30 | 2017-02-14 | Futurewei Technologies, Inc. | Dynamic priority queue mapping for QoS routing in software defined networks |
CN105376112B (zh) * | 2015-11-24 | 2018-06-19 | 清华大学 | 中间处理约束下的异构网络资源配置方法 |
US11044185B2 (en) * | 2018-12-14 | 2021-06-22 | At&T Intellectual Property I, L.P. | Latency prediction and guidance in wireless communication systems |
CN109787868B (zh) * | 2019-03-18 | 2022-03-01 | 网宿科技股份有限公司 | 一种选取路由路径的方法、系统及服务器 |
CN112769696B (zh) * | 2019-11-06 | 2023-09-26 | 中兴通讯股份有限公司 | 路由选择方法、网络控制器、系统和存储介质 |
CN111010434B (zh) * | 2019-12-11 | 2022-05-27 | 重庆工程职业技术学院 | 一种基于网络时延和资源管理的优化任务卸载方法 |
CN111666149B (zh) * | 2020-05-06 | 2023-04-07 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN113676412A (zh) * | 2020-05-15 | 2021-11-19 | 大唐移动通信设备有限公司 | 网络控制方法及设备 |
US11424902B2 (en) * | 2020-07-22 | 2022-08-23 | Microchip Technology Inc. | System and method for synchronizing nodes in a network device |
AU2021102807A4 (en) * | 2021-05-24 | 2021-07-15 | Kundan MESHRAM | A device and method to improve the efficiency of construction sites using iot enabled digital twins |
CN113810953B (zh) * | 2021-09-08 | 2023-06-27 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
-
2022
- 2022-04-14 CN CN202210390233.1A patent/CN115086202B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111835565A (zh) * | 2020-07-06 | 2020-10-27 | 重庆金美通信有限责任公司 | 一种基于数字孪生的通信网络优化方法、装置和系统 |
CN112104491A (zh) * | 2020-09-04 | 2020-12-18 | 中国电子科技集团公司第二十研究所 | 面向服务的网络虚拟化资源管理方法 |
Non-Patent Citations (1)
Title |
---|
软件定义网络中基于队列管理的优化流量自适应调度算法;汪海涛;余松森;;重庆理工大学学报(自然科学)(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115086202A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115086202B (zh) | 一种基于网络数字孪生体的时延分析方法及系统 | |
CN113300960B (zh) | 一种基于路由调度与联合优化的时延确定性传输方法 | |
Abdelkader et al. | SGBR: A routing protocol for delay tolerant networks using social grouping | |
CN114286413B (zh) | Tsn网络联合路由选择与流分配方法及相关设备 | |
US7469203B2 (en) | Wireless network hybrid simulation | |
CN101478456B (zh) | 一种快速转发服务端到端延时预测方法 | |
CN115665227B (zh) | 一种普适的异构融合算网资源智慧适配网络架构及方法 | |
US20230281513A1 (en) | Data model training method and apparatus | |
Al-Turjman et al. | SAHCI: scheduling approach for heterogeneous content-centric IoT applications | |
CN105700940B (zh) | 一种调度器及调度器的动态复用方法 | |
Zhong et al. | Drls: A deep reinforcement learning based scheduler for time-triggered ethernet | |
Wang et al. | Dynamic multicast-oriented virtual network function placement with SFC request prediction | |
CN115695280A (zh) | 基于边缘节点的路由方法及装置、电子设备、存储介质 | |
CN116828623A (zh) | 数据包多路径调度装置及方法 | |
CN114422453A (zh) | 一种在线规划时间敏感流的方法、装置及存储介质 | |
Hsieh et al. | Deep reinforcement learning-based task assignment for cooperative mobile edge computing | |
Hoiles et al. | Risk-averse caching policies for YouTube content in femtocell networks using density forecasting | |
Wu et al. | QoS provisioning in space information networks: Applications, challenges, architectures, and solutions | |
CN110768902A (zh) | 一种提升软件定义物联网中数据服务质量的方法 | |
Falahatraftar et al. | A multiple linear regression model for predicting congestion in heterogeneous vehicular networks | |
CN113014430B (zh) | 一种网络资源管理方法、装置及计算机可读存储介质 | |
Lien et al. | Universal Vertical Application Adaptation for O-RAN: Low-Latency RIC and Autonomous Intelligent xAPP Generation | |
CN117707795B (zh) | 基于图的模型划分的边端协同推理方法及系统 | |
JP4550097B2 (ja) | クロスレイヤ最適化に基づくデータ通信支援装置および方法 | |
Messaoudi et al. | GNN-Based SDN Admission Control in Beyond 5G Networks |
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 |