CN115460041B - 一种5G与TSN融合网络QoS映射方法 - Google Patents

Abstract

本发明涉及一种5G与TSN融合网络QoS映射方法，属于工业物联网领域，包括以下步骤：S1：通过改进K‑均值聚类算法将TSN业务流分成K个聚类，获得聚类中心，基于最终聚类中心的QoS特性给聚集流分配优先级；S2：通过基于粗糙集的5G QoS标识符5QI动态映射算法，为每个聚集流计算5QI近似集，并根据计算的5QI近似集执行映射，在映射过程中，按照优先级顺序给聚集流分配5QI；S3：将后续的业务流根据相似度聚类到相应的聚集流中，每隔一段时间更新聚类中心和检测是否需要继续扩展5QI集合。本发明实现了更低的平均延迟、更高的吞吐量和成功映射率。

Description

一种5G与TSN融合网络QoS映射方法

技术领域

本发明属于工业物联网领域，涉及一种5G与TSN融合网络QoS映射方法。

背景技术

第四次工业革命推动工业自动化要求更加灵活、可靠、高效的确定性大规模通信系统。传统工业以太网协议(如Profinet,EtherCAT,Sercos III等)众多且缺乏开放性和互操作性。为解决上述问题，IEEE802.1工作组开发了一组新开放标准，时间敏感网络(TSN)，旨在确保确定性、可靠性、高带宽、低时延的通信。TSN通过门控列表(GCL)和时间感知整形(TAS)等机制进一步增强确定性流调度功能，可以保证工业网络物理系统(IndustrialCyber-Physical Systems,ICPS)端到端QoS要求。然而，它仍然具有有线网络的固有缺陷，无法满足新兴工业用例所需的灵活性。5G网络有望为IIoT应用(如AGV和移动机器人)提供灵活的通信连接，同时实现超可靠低延迟通信。因此，使用5G网络作为TSN在无线域的扩展是一个很有前途的解决方案，可以满足工业4.0环境下ICPS高灵活性、高适应性、可扩展的通信要求。

目前，学术界已给出了5G和TSN融合的体系结构，并分析了融合所需的关键技术和研究挑战。3GPP也定义了5G支持TSN时间敏感通信(TSC)的基本功能。5G作为TSN的透明逻辑网桥，使用自身QoS框架来传输TSN帧。5G和TSN分别通过TSN应用功能(AF)和TSN转换器(TT)实现控制平面和用户平面的适配。然而5G和TSN之间跨域确定性数据传输仍是一项研究挑战。

业务流的QoS一致性保证是5G-TSN融合网络实现确定性传输的首要问题。TSN和5G网络之间的QoS映射对解决该问题至关重要。现有的QoS映射方法主要可以分为三类：基于映射表的、基于函数的和基于聚类的映射方法。

基于映射表的映射方法根据预先定义的映射表执行映射。映射表指定两个QoS域之间的映射关系。在映射之前，需要将映射表中QoS类型参数提前发送给网络。这种映射方法要求非常严格，依赖特定的QoS参数约束，并且映射范围有限。当网络负载较高时，这种映射方法很容易引起特定QoS类型流量的拥塞，导致网络系统性能的降低，并加剧延迟。

基于函数的映射方法以QoS参数为坐标，通过在异构网络的QoS参数之间建立函数关系进行转换，以执行QoS映射。虽然这种方法不需要提前配置映射表，但是其QoS类的转换方式也是固定的，缺乏灵活性，容易造成网络资源分配不均，很难适应不断变化的网络状态。

基于聚类的映射方法通过聚类算法，将具有类似QoS需求的流聚集为异构宏流，即聚集流(Aggregated Flow，AF)，然后再对聚集流执行QoS映射。这种流聚集的方法可以减少核心网络的流的数量，从而减轻核心路由器的负担。同时聚集流为网络管理提供了多粒度的解决方案。根据不同的网络条件，灵活的粒度转换可以保证异构网络的端到端QoS。现有技术提出一种使用X-均值确定聚集流数量的方法，然后利用模糊C-均值来聚集业务流，虽然它能够动态调整聚集流的数量，但这会带来更大的复杂性。另外一种基于粗糙K-均值的动态流聚集算法，可以根据QoS属性实现流聚集，并根据网络状态调整聚合方式，然而这种方法只能映射到固定的QoS类，缺乏灵活性。

发明内容

有鉴于此，本发明的目的在于提供一种5G与TSN融合网络QoS映射方法。

为达到上述目的，本发明提供如下技术方案：

一种5G与TSN融合网络QoS映射方法，包括以下步骤：

S1：通过改进K-均值聚类算法将TSN业务流分成K个聚类，获得聚类中心，基于最终聚类中心的QoS特性给聚集流分配优先级；

S2：通过基于粗糙集的5QI动态映射算法，为每个聚集流计算5QI近似集，并根据计算的5QI近似集执行映射，在映射过程中，按照优先级顺序给聚集流分配5QI；

S3：将后续的业务流根据相似度聚类到相应的聚集流中，每隔一段时间更新聚类中心和检测是否需要继续扩展5QI集合。

进一步，可以通过提前聚类学习获得网络的总体流量特征，将初始阶段计算获得的非标准5QI预配置到系统的备选QoS配置文件中，以节省处理时延。后续阶段周期性的更新聚类中心和5QI集。

进一步，本方法基于以下5G-TSN融合网络动态映射模型：

5G作为一个逻辑网桥与TSN融合，5G核心网和接入网对TSN透明；5G TSN逻辑网桥包括用户平面和控制平面的TSN转换功能，用于在TSN和5G系统之间进行交互操作；在用户平面，TT功能包括网络侧转换器(NW-TT)和设备侧转换器(DS-TT)，用于提供对TSN的入口和出口端口的支持；NW-TT位于用户平面(UPF)，支持到TSN域的连接；DS-TT位于UE，与协议数据单元(PDU)会话相关联，提供到TSN网络的连接；在控制平面，5G通过TSN AF实现与CNC实体的通信，用于完成网络配置、管理信息的映射和互通；AF与PCF交互进行策略控制，影响用户平面的流量路由；

N条不同类型的业务流由TSN注入到5G网桥，系统将其映射到相应PDU会话的5GQoS流，5G系统通过TSN AF从CNC接收来自TSN业务流的相关QoS信息，基于该信息，5G PCF为每个业务流选择合适的配置文件，并通知给SMF以建立5G QoS流，从而实现TSN和5G之间的映射；RAN根据QoS流的QoS配置文件对其执行调度和资源分配；5G系统中UE和UPF之间的QoS流根据资源类型、优先级、分组延迟预算(PDB)、分组错误率(PER)和最大数据突发量(MDBV)QoS特征表示；所述QoS特征由5G QoS标识符(5QI)引用，应用通过指定QoS配置文件中的5QI或其他QoS参数来定义连接所需的QoS；业务流到5G QoS流的映射问题即业务流QoS需求到5QI参数的映射；

将5G-TSN异构网络中的N条业务流定义为由一组QoS要求表示的多变量向量f_n＝[q₁,q₂,…,q_R],n∈(1,2,…,N)，其中，R是业务流QoS需求参数的个数，q_r表示不同的QoS需求指标，包括优先级、数据传输保证、时延、数据大小和丢包率；一个时隙内的业务流集合表示为F＝{f₁,f₂,…,f_N}，N为该时隙内业务流的数量；将N个业务流分成K(K<N)个不同的聚集流集合，然后发送给5G系统进行进一步映射；每个聚集流中的业务流具有相似的QoS特性，将聚集流k表示为其中n_k表示聚集流k中的业务流数目；聚合后的业务流表示为F_A＝{A₁,A₂,…,A_K}；将系统支持的5QI表示为向量形式I_j＝[q′₁,q′₂,…,q′_R]，其中，q′_r表示其包含的QoS特性指标，包括优先级、资源类型、数据包延迟预算、最大数据突发量和包错误率，分别与业务流QoS需求对应；

对聚集流A_k(1≤k≤K)执行动态映射，以获得TSN业务流到QoS流的映射结果：

F＝{f₁,f₂,…,f_N}→F^′＝{(f₁,I₁),(f₂,I₂),…,(f_N,I_N)}

5G-TSN异构融合网络中基于聚类的动态QoS映射问题的目标是最小化异构网络QoS类别的差异，即映射后的QoS类别应尽可能接近原始QoS类别，以最大限度减少QoS映射造成的传输质量损失，表示为：

其中，Q(·)表示原始QoS队列，由QoS需求向量表示；Q′(·)表示映射后的QoS队列；N表示业务流的数目；d()表示两个QoS队列向量之间的相似度，采用欧氏距离计算；

约束表示映射的5QI必须属于系统预配置的5QI特性表，当网络负载较大时，动态映射方案应能够及时调整业务流的映射QoS队列(5QI)。

进一步，所述改进K-均值聚类算法具体包括：

A1：根据TSN网络的业务流QoS分类特性来定义初始聚类中心；

A2：获得初始聚类中心后，依次计算每个业务流f_n＝[q₁,q₂,…,q_R](n＝1,2,…,N)到聚类中心c_k(k＝1,2,…,K)的欧氏距离：

其中w_r(0<w_r<1)为每个QoS需求的权重因子；

A3：按照最小距离准则，找到业务流f_n到c_k的最小距离，并将其分配到距离最小的聚集流A_p中：

A4：基于初次聚类结果，按照下式重新计算K个聚类中心

其中表示第k个聚类在第m次迭代后的新聚类中心，n_k为聚类A_k中业务流的个数；

A5：设置算法收敛阈值α，若即算法不收敛，继续按照步骤A1-A4进行聚类调整，直到/>即连续两次迭代后的聚类中心基本一致，此时代价函数V接近最小，算法收敛并结束：

或达到最大迭代次数算法结束；

A6：对得到的聚类结果进行整理，将聚集流中的业务流按照优先级从高到底排序，并基于最终聚类中心的QoS特性给聚集流分配优先级。

进一步，在所述基于粗糙集的5QI动态映射算法中，将上下近似集的定义为：

将每个聚集流A_k满足映射条件的5QI表示为一个粗糙集S_k，每个粗糙集具有边界集使用隶属度定量表示处于边界集5QI对聚集流A_k的适应程度，包括以下步骤：

B1：对于每个5QI向量I_j＝[q₁,q₂,…,q_R](1≤j≤J)，计算每个5QI到聚类中心c_k的欧氏距离：

B2：找到最小欧式距离，并判断最小距离是否小于最小距离阈值tl，若小于tl，则将该5QI值分配到距离最小的聚集流的下近似5QI集中，若大于tl，则该5QI值只属于其上近似集；

如果存在其他满足(I_j,c_k)≤tl的5QI值，也放入其下近似5QI集S _k中；

B3：判定是否存在聚集流A_k的相对较近5QI，相对距离阈值为th，表示为：

如果表示存在相对较近5QI，则/>

B4：记录每个聚集流可映射的下近似5QI集S _k和上近似集计算上近似集中每个5QI对聚集流的隶属度：

其中，d_jk表示5QI I_j和聚集流A_k的聚类中心c_k之间的距离；

B5：按照隶属度由大到小对边界集的5QI进行排序，隶属度越大表示该5QI越适合聚集流；

B6：根据计算的5QI粗糙集执行映射：

a)若下近似集S _k和边界集B不为空，即该聚集流有上下近似5QI集，优先给其配置下近似集中距离最小的5QI；若该聚集流中负载过大(n_k>n_max)，则按隶属度顺序给超过n_max的业务流配置上近似集中的5QI；

b)若边界集B为空，即该聚集流只有下近似5QI集，则映射到下近似集中的5QI；若下近似集5QI被过多配置，则排队等待，或另外创建非标准5QI；

c)若下近似集为空，即当前系统配置的5QI表中不存在满足该聚集流QoS要求的5QI，则直接创建新的非标准5QI；

在映射过程中，按照优先级顺序给聚集流分配5QI。

本发明的有益效果在于：本发明方法在端到端平均延迟、吞吐量和成功映射率方面保证了性能。

本发明提出了一种基于机器学习的改进K-均值流聚集算法。通过以TSN网络的业务流QoS分类特性定义初始聚类中心改进初始步骤，更好的保证了5G和TSN网络QoS映射的一致性，并提高了算法的迭代效率。同时基于权重计算流和聚类中心的相似度，优先保证了时间敏感流量的时延要求。

本发明提出了一种基于粗糙集理论的自适应QoS动态映射算法。该算法为每个聚集流计算5QI近似集，在拥塞时可以灵活调整5QI映射策略，以适应网络负载的变化，有效避免QoS映射造成的拥塞、排队，一定程度减少了网络时延。

本发明利用隶属度函数定量表示近似集中5QI归属程度，并设置最小距离和相对距离阈值，优先给聚集流分配最适应的5QI，可以提高映射的准确性和成功率。

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为本发明所述5G-TSN融合网络动态映射模型示意图；

图2为不同聚类个数的DBI示意图；

图3为平均时延性能比较图；

图4为归一化吞吐量对比图；

图5为映射成功率对比图。

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。

本发明考虑工业场景下5G-TSN异构融合网络的动态映射问题。5G作为一个逻辑网桥与TSN融合，5G核心网和接入网对TSN透明。5G TSN逻辑网桥包括用户平面和控制平面的TSN转换功能，以便在TSN和5G系统之间进行交互操作。在用户平面，TT功能包括网络侧转换器(NW-TT)和设备侧转换器(DS-TT)，提供了对TSN的入口和出口端口的支持。NW-TT位于用户平面(UPF)，支持到TSN域的连接；DS-TT位于UE，与协议数据单元(PDU)会话相关联，提供到TSN网络的连接。在控制平面，5G通过TSN AF实现与CNC实体的通信，以完成网络配置、管理信息的映射和互通。AF与PCF交互进行策略控制，影响用户平面的流量路由。

在本发明的映射模型中，N条不同类型的业务流由TSN注入到5G网桥，系统将其映射到相应PDU会话的5G QoS流，如图1所示。5G系统通过TSN AF从CNC接收来自TSN业务流的相关QoS信息。基于该信息，5G PCF为每个业务流选择合适的配置文件，并通知给SMF以建立5G QoS流，从而实现TSN和5G之间的映射。然后RAN根据QoS流的QoS配置文件对其执行调度和资源分配。5G系统中UE和UPF之间的QoS流可以根据资源类型、优先级、分组延迟预算(PDB)、分组错误率(PER)和最大数据突发量(MDBV)等QoS特征表示。这些QoS特征由5G QoS标识符(5QI)引用，即应用通过指定QoS配置文件中的5QI或其他QoS参数来定义连接所需的QoS。因此，业务流到5G QoS流的映射问题即业务流QoS需求到5QI参数的映射。3GPP标准中为移动网络中的最常用服务定义了一组标准化的5QI值，或者可以通过分配非标准的5QI值来扩展该集合，以允许服务提供商将备选值集合应用于QoS特性。

本发明将5G-TSN异构网络中的N条业务流定义为由一组QoS要求表示的多变量向量f_n＝[q₁,q₂,…,q_R],n∈(1,2,…,N)。其中，R是业务流QoS需求参数的个数，q_r表示不同的QoS需求指标，包括优先级、数据传输保证、时延、数据大小和丢包率。假设这些信息已知(实际中由TSN AF获得)。因此，一个时隙内的业务流集合表示为F＝{f₁,f₂,…,f_N}，N为该时隙内业务流的数量。在本发明中，需要将N个业务流分成K(K<N)个不同的聚集流集合，然后发送给5G系统进行进一步映射。每个聚集流中的业务流具有相似的QoS特性，将聚集流k表示为其中n_k表示聚集流k中的业务流数目。聚合后的业务流可表示为F_A＝{A₁,A₂,…,A_K}。同时，将系统支持的5QI表示为向量形式I_j＝[q′₁,q′₂,…,q′_R]。其中，q′_r表示其包含的QoS特性指标，包括优先级、资源类型、数据包延迟预算、最大数据突发量和包错误率，分别与上述业务流QoS需求对应。然后对聚集流A_k(1≤k≤K)执行动态映射，以获得TSN业务流到QoS流的映射结果。

F＝{f₁,f₂,…,f_N}→F′＝{(f₁,I₁),(f₂,I₂),…,(f_N,I_N)} (1)

为实现TSN业务流到5G的灵活准确映射，5G-TSN异构融合网络中基于聚类的动态QoS映射问题的目标是最小化异构网络QoS类别的差异。即映射后的QoS类别应尽可能接近原始QoS类别，以最大限度减少QoS映射造成的传输质量损失。表示为：

其中，Q(·)表示原始QoS队列，由QoS需求向量表示；Q′(·)表示映射后的QoS队列；N表示业务流的数目；d()表示两个QoS队列向量之间的相似度，采用欧氏距离计算。约束(2b)表示映射的5QI必须属于系统预配置的5QI特性表。另外，当网络负载较大时，动态映射方案应能够及时调整业务流的映射QoS队列(5QI)，以避免映射导致的排队，从而降低网络时延。

本发明首先设计一个改进K-均值聚类算法来将TSN业务流分成K个聚类，以保证异构网络QoS类别的一致性，并减少核心路由器的计算负担。此外，为了进一步提高映射的灵活性，降低网络时延，本发明提出一种基于粗糙集的动态映射算法，以在高网络负载的情况下能够灵活调整映射队列，避免映射造成的拥塞排队。

改进K-均值聚类算法通过欧式距离确定流与候选聚类之间的相似程度，将具有相似QoS特性的业务流分到同一个聚集流中，如表1所示。

表1

首先，对于一个时隙内到达的每个业务流f_n，对其R个QoS需求进行离散标准化，在保留原始数据中存在的关系的基础上，将数据值映射到[0,1]之间，从而消除量纲和数据取值范围的影响，削弱数据的解释性。初始聚类中心的选取对K-均值聚类算法的性能由很大的影响。在原始的K-均值聚类算法中，通过在数据边界内随机选取聚类中心进行初始化，导致其很容易收敛到局部最优解。因此，本发明在初始化步骤进行了改进，根据TSN网络的业务流QoS分类特性来定义初始聚类中心，更好的保证TSN和5G QoS类的一致性，并提高了算法的迭代效率。表2展示了TSN中对业务流的分类及相关特性值。

表2

获得初始聚类中心后，按照式(3)依次计算每个业务流f_n＝[q₁,q₂,…,q_R](n＝1,2,…,N)到聚类中心c_k(k＝1,2,…,K)的欧氏距离。

其中w_r(0<w_r<1)为每个QoS需求的权重因子。然后按照最小距离准则，找到业务流f_n到c_k的最小距离，并将其分配到距离最小的聚集流A_p中。

然后基于初次聚类结果，修正聚类中心。按照公式(5)重新计算K个聚类中心其中/>表示第k个聚类在第m次迭代后的新聚类中心，n_k为聚类A_k中业务流的个数。

若(α为算法收敛阈值)即算法不收敛，则继续按照公式(3)(4)和(5)进行聚类调整。直到/>即连续两次迭代后的聚类中心基本一致。此时代价函数V接近最小，算法收敛，结束。

或达到最大迭代次数算法结束。之后对得到的聚类结果进行整理。将聚集流中的业务流按照优先级从高到底排序。并基于最终聚类中心的QoS特性给聚集流分配优先级。

本发明然后设计一种基于粗糙集的5QI映射(RQM)算法为每个聚集流计算5QI近似集，在拥塞时可以灵活调整5QI映射策略，以适应网络负载的变化，降低映射造成的排队时延。粗糙集是解决模糊和不确定问题的数学工具，利用近似集来描述目标问题的不确定性。其理论基础是使用上下近似集来描述给定的集合。上下近似集的定义为：

其中，E为等价空间，[x]_E表示E划分的等价类。

将每个聚集流A_k满足映射条件的5QI表示为一个粗糙集S_k。在每个粗糙集中，其下近似集S _k所包含的5QI一定适应于该聚集流，但由于处于边界的元素具有一定的相似性，因此每个粗糙集又具有一定的边界集边界集中的元素具有隶属于其他集合的可能性，因此本发明使用隶属度定量表示处于边界集5QI对聚集流A_k的适应程度。提出的基于粗糙集的5QI映射算法如表3所示。

表3

首先，对于每个5QI向量I_j＝[q₁,q₂,…,q_R](1≤j≤J)，按照式(8)计算每个5QI到聚类中心c_k的欧氏距离。

找到最小距离，并判断最小距离是否小于最小距离阈值tl。若小于tl，则该5QI满足聚集流A_k的映射要求，将该5QI值分配到距离最小的聚集流的下近似5QI集中(下近似集中的元素也属于其上近似集)。若大于tl，则该5QI只属于其上近似集。

另外，如果存在其他满足(I_j,c_k)≤tl的5QI值，即同样非常满足聚集流A_k的映射要求，也放入其下近似5QI集S _k中。然后，判定是否存在聚集流A_k的相对较近5QI，相对距离阈值为th，表示为公式(10)。

/>

如果表示存在相对较近5QI，则/>接下来，记录每个聚集流可映射的下近似5QI集S _k和上近似集/>计算上近似集中每个5QI对聚集流的隶属度，公式如(11)。按照隶属度由大到小对边界集的5QI进行排序。更大的隶属度反应该5QI越适合聚集流。

其中，d_jk表示5QI I_j和聚集流A_k的聚类中心c_k之间的距离(m使用典型值2)。最后，根据计算的5QI粗糙集执行映射：

a)若下近似集S _k和边界集B不为空，即该聚集流有上下近似5QI集。优先给其配置下近似集中距离最小的5QI；由于5QI决定了QoS流的转发处理规则，若使用相同5QI的QoS流过多，则会造成排队而导致拥塞，增加网络时延。因此，若该聚集流中负载过大(n_k>n_max)，则按隶属度顺序给超过n_max的业务流配置上近似集中的5QI。

b)若边界集B为空，即该聚集流只有下近似5QI集，则映射到下近似集中的5QI；若下近似集5QI被过多配置，则排队等待，或另外创建非标准5QI。

c)若下近似集为空，即当前系统配置的5QI表中不存在满足该聚集流QoS要求的5QI，则直接创建新的非标准5QI，但是这会导致额外的配置时间。

在映射过程中，按照优先级顺序给聚集流分配5QI。

在实际部署时，不需要每次都重复执行上述IKM-RQM算法的所有步骤。只需要在初始阶段执行完整算法，获得聚类中心和需要扩展的非标准5QI。之后只需要将业务流根据相似度直接聚类到相应的聚集流中，然后每隔一段时间更新聚类中心和检测是否需要继续扩展5QI集合。另外，初始阶段创建的非标准5QI可以直接预配置到系统的备选QoS配置文件中。或者可以通过提前聚类学习获得网络的总体流量特征，以提前进行预配置从而减少创建5QI所需要的时间。

实验例：对本发明所述IKM-ROM算法进行评估，设5G-TSN融合网络的最大负载为640条业务流，它们分别具有不同的QoS需求。由于一个PDU会话最多可支持64个QoS流，5G网桥最多可建立10个PDU会话。我们在平均端到端时延、归一化吞吐量和映射成功率方面将IKM-RQM算法与基于映射表的静态算法和基于函数的QCM-ASM算法进行了比较。平均端到端时延包括业务流的传输时延(设置为3ms)、排队时延和处理时延。归一化吞吐量测量单位时间通过调度器的流量相对流量总数的占比。映射成功率指映射后的5QI的QoS特性满足其原始QoS要求的业务流数目相对业务流总数的比例。仿真设置如表4所示。

表4

其中，n_{PDU session}为当前PDU会话的数目。聚集流负载上限n_max规定了一个PDU会话内使用的5QI不能超过4个，否则会引起QoS流的排队拥塞。

仿真结果如下：聚类簇数的选择对聚类算法性能有很大影响。DBI指数(DaviesBouldin Index)是用于聚类评估的客观指数，DBI越小，算法性能越好，其数学公式如式(12)：

利用DBI来确定业务流的聚类个数。图2显示了聚类个数为3到15的DBI。随着聚类个数的增加，DBI总体趋势是增加的，这是因为DBI通常被视为簇内距离与簇间距离的最大比值之和；而随着簇的增加，簇间距离会变小，而簇内距离保持稳定。另外，若聚类数量过少，则会导致单个聚类中的负载过高，造成拥塞和网络的不稳定。若聚类个数过高，则会增加路由器的计算负载。因此，为使映射的QoS类别尽可能接近TSN中原始的QoS类别，并且使聚类效果更好，将聚类个数设置为9。

图3显示了IKM-RQM、QCM-ASM和基于映射表的静态算法的平均端到端时延性能比较。可以看出，随着仿真的流的数目的增加，三种方法的平均时延都增加。在低负载情况下，由于聚类计算造成的处理时延，导致IKM-RQM的时延稍高于静态算法。另外，由于IKM-RQM通过聚类减少了一部分计算负担，其平均时延比QCM-ASM低。在高负载情况下，IKM-RQM的时延与静态算法基本一致，甚至还略微低于基于映射表的静态算法。这是因为提出的IKM-RQM通过计算5QI近似集增加了映射的灵活性，从而避免了映射造成的排队时延。而静态算法由于其固定的映射策略，导致高负载时流量的排队时延抵消了低处理时延的好处。由于直接计算造成的高处理时延和僵化映射模式导致的排队时延，QCM-ASM的端到端平均时延始终远高于其他两种方法。

如图4所示，给出了IKM-RQM和基于函数的QCM-ASM以及基于映射表的静态算法的归一化吞吐量的对比。由于IKM-RQM能够根据网络负载灵活调整映射策略，缓解了因过多业务流映射到相同的5QI造成拥塞的问题，其吞吐量性能要高于QCM-ASM和静态映射算法，并且这种优势在高网络负载情况更加明显。在基于映射表的静态算法中，由于所有流量都只能使用规定的几种5QI进行映射，很容易导致网络拥塞，造成吞吐量的降低。同样，由于QCM-ASM在网络排队拥塞时不能及时调整映射目标，在高网络负载情况下，其吞吐量快速降低。

图5展示了提出的IKM-RQM和另外两种映射方法的映射成功率。由于静态映射表预先基于TSN的业务流设置了严格的QoS映射规则，因此其映射成功率几乎为100％。与基于函数的QCM-ASM相比，提出的IKM-RQM的映射成功率基本上比它高10％。并且在各个负载下，IKM-RQM的映射成功率几乎都在90％以上。这是由于IKM-RQM可以通过聚类计算预先感知网络中的流量特性，从而对5QI映射表进行预配置，大大提高了映射成功率。

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 (2)

1.一种5G与TSN融合网络QoS映射方法，其特征在于：包括以下步骤：

S1：通过改进K-均值聚类算法将TSN业务流分成K个聚类，获得聚类中心，基于最终聚类中心的QoS特性给聚集流分配优先级；

S2：通过基于粗糙集的5G QoS标识符5QI动态映射算法，为每个聚集流计算5QI近似集，并根据计算的5QI近似集执行映射，在映射过程中，按照优先级顺序给聚集流分配5QI；

S3：将后续的业务流根据相似度聚类到相应的聚集流中，每隔一段时间更新聚类中心和检测是否需要继续扩展5QI集合；

本方法基于以下5G-TSN融合网络动态映射模型：

5G作为一个逻辑网桥与TSN融合，5G核心网和接入网对TSN透明；5G TSN逻辑网桥包括用户平面和控制平面的TSN转换功能，用于在TSN和5G系统之间进行交互操作；在用户平面，TT功能包括网络侧转换器NW-TT和设备侧转换器DS-TT，用于提供对TSN的入口和出口端口的支持；NW-TT位于用户平面UPF，支持到TSN域的连接；DS-TT位于UE，与协议数据单元PDU会话相关联，提供到TSN网络的连接；在控制平面，5G通过TSN AF实现与CNC实体的通信，用于完成网络配置、管理信息的映射和互通；AF与PCF交互进行策略控制，影响用户平面的流量路由；

N条不同类型的业务流由TSN注入到5G网桥，系统将其映射到相应PDU会话的5G QoS流，5G系统通过TSN AF从CNC接收来自TSN业务流的相关QoS信息，基于该信息，5G PCF为每个业务流选择合适的配置文件，并通知给SMF以建立5G QoS流，从而实现TSN和5G之间的映射；RAN根据QoS流的QoS配置文件对其执行调度和资源分配；5G系统中UE和UPF之间的QoS流根据资源类型、优先级、分组延迟预算PDB、分组错误率PER和最大数据突发量QoS特征表示；所述QoS特征由5QI引用，应用通过指定QoS配置文件中的5QI或其他QoS参数来定义连接所需的QoS；业务流到5G QoS流的映射问题即业务流QoS需求到5QI参数的映射；

将5G-TSN异构网络中的N条业务流定义为由一组QoS需求表示的多变量向量f_n＝[q₁，q₂，...，q_R]，n∈(1，2，...，N)，其中，R是业务流QoS需求参数的个数，q_r表示不同的QoS需求指标，包括优先级、数据传输保证、时延、数据大小和丢包率；一个时隙内的业务流集合表示为F＝{f₁，f₂，...，f_N}，N为该时隙内业务流的数量；将N个业务流分成K(K＜N)个不同的聚集流集合，然后发送给5G系统进行进一步映射；每个聚集流中的业务流具有相似的QoS特性，将聚集流k表示为其中n_k表示聚集流k中的业务流数目；聚合后的业务流表示为F_A＝{A₁，A₂，...，A_K}；将系统支持的5QI表示为向量形式I_j＝[q′₁，q′₂，...，q′_R]，其中，q′_r表示其包含的QoS特性指标，包括优先级、资源类型、数据包延迟预算、最大数据突发量和包错误率，分别与业务流QoS需求对应；

对聚集流A_k(1≤k≤K)执行动态映射，以获得TSN业务流到QoS流的映射结果：

F＝{f₁，f₂，...，f_N}→F′＝{(f₁，I₁)，(f₂，I₂)，...，(f_N，I_N)}

5G-TSN异构融合网络中基于聚类的动态QoS映射问题的目标是最小化异构网络QoS类别的差异，即映射后的QoS类别应尽可能接近原始QoS类别，以最大限度减少QoS映射造成的传输质量损失，表示为：

其中，Q(·)表示原始QoS队列，由QoS需求向量表示；Q′(·)表示映射后的QoS队列；N表示业务流的数目；d()表示两个QoS队列向量之间的相似度，采用欧氏距离计算；

约束表示映射的5QI必须属于系统预配置的5QI特性表，当网络负载较大时，动态映射方案应能够及时调整业务流的映射QoS队列5QI；

所述改进K-均值聚类算法具体包括：

A1：根据TSN网络的业务流QoS分类特性来定义初始聚类中心；

A2：获得初始聚类中心后，依次计算每个业务流f_n＝[q₁，q₂，...，q_R](n＝1，2，...，N)到聚类中心c_k(k＝1，2，...，K)的欧氏距离：

其中w_r(0＜w_r＜1)为每个QoS需求的权重因子；

A3：按照最小距离准则，找到业务流f_n到c_k的最小距离，并将其分配到距离最小的聚集流A_p中：

A4：基于初次聚类结果，按照下式重新计算K个聚类中心

其中表示第k个聚类在第m次迭代后的新聚类中心，n_k为聚类A_k中业务流的个数；

A5：设置算法收敛阈值α，若即算法不收敛，继续按照步骤A1-A4进行聚类调整，直到/>即连续两次迭代后的聚类中心基本一致，此时代价函数V接近最小，算法收敛并结束：

或达到最大迭代次数算法结束；

A6：对得到的聚类结果进行整理，将聚集流中的业务流按照优先级从高到底排序，并基于最终聚类中心的QoS特性给聚集流分配优先级；

在所述基于粗糙集的5QI动态映射算法中，将上下近似集的定义为：

将每个聚集流A_k满足映射条件的5QI表示为一个粗糙集S_k，每个粗糙集具有边界集 使用隶属度定量表示处于边界集5QI对聚集流A_k的适应程度，包括以下步骤：

B1：对于每个5QI向量I_j＝[q₁，q₂，...，q_R](1≤j≤J)，计算每个5QI到聚类中心c_k的欧氏距离：

B2：找到最小欧式距离，并判断最小距离是否小于最小距离阈值tl，若小于tl，则将该5QI值分配到距离最小的聚集流的下近似5QI集中，若大于tl，则该5QI值只属于其上近似集；

如果存在其他满足(I_j，c_k)≤tl的5QI值，也放入其下近似5QI集S _k中；

B3：判定是否存在聚集流A_k的相对较近5QI，相对距离阈值为th，表示为：

如果表示存在相对较近5QI，则/>

B4：记录每个聚集流可映射的下近似5QI集S _k和上近似集计算上近似集中每个5QI对聚集流的隶属度：

其中，d_jk表示5QI I_j和聚集流A_k的聚类中心c_k之间的距离；

B5：按照隶属度由大到小对边界集的5QI进行排序，隶属度越大表示该5QI越适合聚集流；

B6：根据计算的5QI粗糙集执行映射：

a)若下近似集S _k和边界集B不为空，即该聚集流有上下近似5QI集，优先给其配置下近似集中距离最小的5QI；若该聚集流中负载过大(n_k＞n_max)，则按隶属度顺序给超过n_max的业务流配置上近似集中的5QI；

b)若边界集B为空，即该聚集流只有下近似5QI集，则映射到下近似集中的5QI；若下近似集5QI被过多配置，则排队等待，或另外创建非标准5QI；

c)若下近似集为空，即当前系统配置的5QI表中不存在满足该聚集流QoS要求的5QI，则直接创建新的非标准5QI；

在映射过程中，按照优先级顺序给聚集流分配5QI。

2.根据权利要求1所述的5G与TSN融合网络QoS映射方法，其特征在于：通过提前聚类学习获得网络的总体流量特征，将初始阶段计算获得的非标准5QI预配置到系统的备选QoS配置文件中，后续阶段周期性的更新聚类中心和5QI集。