CN115460130B - 一种时间敏感网络中的多路径联合调度方法 - Google Patents

Abstract

本发明涉及一种时间敏感网络中的多路径联合调度方法，属于时间敏感网络领域，在路由选择上，考虑因传输链路重叠造成的流量冲突问题和流量低时延、低抖动的传输要求，针对TSN流量特征编码并构建染色体，根据种群适应度函数值为TSN网络中每个TT与非TT流规划传输路径。在调度计算上，设置流量传输约束条件，通过迭代搜索算法为TT流的最优传输路径配置门控列表。结合多路径传输方案与调度阶段联合求解，联合规划路由与调度，在网络中选择多条最优路径，优先保证TT流的传输，随机进入调度阶段计算从而得出最优确定性路径，增加网络中TT流的容纳数量，保证TT流的时延和确定性要求，增加网络带宽利用率。

Description

一种时间敏感网络中的多路径联合调度方法

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中的多路径联合调度方法。

背景技术

随着工业互联网的深入发展，为了实现确定性低延时传输，工业界在标准以太网的基础上提出了多种网络协议，然而互不兼容的网络协议导致了应用难兼容、互操作性差等问题。IEEE 802.1小组提出了时间敏感网络(Time-sensitiveNetworking，TSN)的概念，提出了一系列链路层增强机制与流量策略的标准和规范，主要包括时间同步、流量调度、可靠传输和网络管理标准。TSN遵循标准的以太网协议体系，天然具有更好的互联互通优势.可以提供确定性延时、带宽保证，可以使相互隔离的工业控制网络进行互连。

流量调度是TSN标准中的核心机制，不同类型的流量有不同的端到端时延和抖动要求，TSN支持时间触发(Time-triggered，TT)流和非TT流如音视频桥接(AudioVideoBridging，AVB)流、尽力而为(BestEffort，BE)在同一网络中进行传输，对前者提供低延迟、低抖动和低丢包率服务，IEEE 802.1Qbv标准中规定了一种基于门控调度表的调度机制，时间触发流的传输严格遵循门控调度表，避免了其他流量的干扰，从而实现及时而可靠的传输。现目前以路由和调度技术为基础提升TSN性能的方法是当前的研究热点之一。

路由是指数据包从发送端到接收端进行路径定向的过程。路由主要包括两个步骤：确定路径和传输信息，选择流量的确定路径则是路由的难点，路由算法的目的是找到一条从发送端至接收端的优选路径，路由算法的结果将会对调度阶段施加影响，例如最短路径算法会导致某条链路上负载过大，可能会导致调度阶段无解的情况。

在现代工业系统中，越来越多的传感器和计算节点导致复杂的网络设计和通信链路上的大量数据交换，对网络服务质量的需求日益增加，时间敏感网络的性能也变的至关重要，许多基于以太网的系统的大量网络设备、交换机和链路产生的路由可能会导致调度失败的情况。

现有大多数调度解决方案忽略了路由和调度问题的相互依赖性，例如，多数TT流调度解决方案只考虑门控调度，而不考虑路由对调度的影响。换句话说，他们忽略了路由对调度约束的影响，并使用传统的Dijkstra算法来计算通信网络的最短传输路径作为调度阶段的输入。尽管系统是可调度的，但可能会导致调度生成失败或通信链路的拥塞，网络的丢包率高等问题。

发明内容

有鉴于此，本发明的目的在于解决多路径多输入输出的时间敏感网络中存在路由调度分离、计算效率低、路由调度之间相互影响导致调度失败差等问题，提供一种遗传退火算法与ILP迭代求解的联合调度方法。在路由选择上，考虑因传输链路重叠造成的流量冲突问题和流量低时延、低抖动的传输要求，针对TSN流量特征编码并构建染色体，根据种群适应度函数值为TSN网络中每个TT与非TT流规划传输路径。在调度计算上，设置了流量传输约束条件，通过迭代搜索算法为TT流的最优传输路径配置门控列表。

为达到上述目的，本发明提供如下技术方案：

一种时间敏感网络中的多路径联合调度方法，包括以下步骤：

第一步：TSN交换机根据链路发现协议发现TSN网络拓扑，并通过网络建模方法将TSN网络拓扑抽象为网络有向图；

第二步：CUC接收由终端设备通过用户配置协议发送的连接请求，并通过用户网络接口UNI发送到CNC，所述连接请求内容包括网络有向图G、候选路径数K、传输方案数量m、路径信息表R、路径方案ω、初始温度T₀、群体大小M、最大迭代次数G、变异概率P_d、交叉概率P_C、进化代数gen、传输方案、降温速度b、TSN流量集合F；

第三步：CNC收到连接请求时，对于某对发送端和接收端，CNC采用K最短路径算法计算K条最短距离路径；

第四步：CNC遍历是否存在未计算的发送端和接收端，如果是则返回第三步，并将计算的每对发送端和接收端的候选路径数K存到路径信息表R中，如果否则执行第五步；

第五步：CNC将第四步中输出的R作为第五步的输入，根据TSN流量中TT流量和非TT流的特点与路径信息表R构建染色体，初始化TT与非TT流种群，根据链路冲突度与链路时延构建种群个体适应度函数值，并通过遗传退火算法迭代优化种群，选出最优种群适应度函数值最低的前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中；

第六步：CNC设置流量传输约束条件；

第七步：CNC将第五步中计算出的TT流的路径方案ω作为迭代搜索阶段的输入，根据迭代搜索算法与流量传输约束条件，采用ILP求解器求解TT流量传输路径上交换机的门控列表，计算函数值选出最优路径方案及其门控列表X_best，如果求解失败，增加候选路径解空间数量并返回第三步，如果求解成功，则输出X_best；

第八步：CNC将计算的结果封装为XML文件，利用NETCONF协议将基于XML的门控调度表配置到TSN交换机，并将流量传输计算结果通过CUC发送到TSN终端设备。

进一步，所述第一步中，TSN的网络拓扑表示为网络有向图G＝(V，E)，其中V是点集，表示网络中的交换机和终端系统的集合；E是边集合，代表一组二元组，表示网络拓扑中的每条链路，使得E≡{(BR_i,BR_j)|BR_i,BR_j∈V，BR_i≠BR_j且BR_i和BR_j之间存在联系}；每条链路(BR_i,BR_j)∈E由二元组(bw，Ld)构成，其中是链路(BR_i,BR_j)的剩余带宽，/> 是链路延迟，Ld由BR_i中的处理延迟/>BR_j中的传输延迟/>和(BR_i，BR_j)中的传播延迟组成。

进一步，将从发送端开始且按照一定要求传输到接收端的有序数据序列称为流，所有TSN流的集合记为F，F按照TT流优先级与非TT流排序，对于每种不同的流，其参数包含流的传输路径R_i、流的传输周期T_i、流的负载值P_i、流的端到端时延限制D_i；对于流F_i，每个TSN流F_i表示为四元组F_i≡(R_i,T_i,P_i,D_i)。

进一步，第三步中所述采用K最短路径算法计算K条最短距离路径包括：利用K最短路径KSP算法求出一对ES_i和ES′_i的K条候选路径P_k，对于所有ES_i,ES′_i∈ES，通过输入网络有向图G、发送端ES_i、接收端ES′_i和路径的条数K，输出K条路径集p_K；

从ES_i到ES′_i的临时路径集合用P_sd表示，最短路径问题是通过网络有向图G中从ES_i到ES′_i的具有最短长度的路径P^s，即确定P^s∈P_sd，使得对于任何其他P(P∈P_sd，p≠P^s)都有c(P^s)≤c(P)，用p_i表示从ES_i到ES′_i的第i短路径，KSP问题是确定路径集合P_k＝{p₁,p₂,...，p_K}，使得满足以下4个条件：

(1)p_i是在p_i+1之前确定；

(2)都有c(p_i)＜c(p_i+1)，其中c(p_i)为路径p_i的权值，即K条路径的产生是按权值最小、次小、第三小等次序产生的；

(3)都有c(p_i)＜c(p)，p_i∈P_k，i＝1，2，...，K，即所求的前K条路径一定是所有从ES_i到ES′_i的路径中最短的路径；

(4)路径p_i中不存在环路，i＝1，2，...，K；

最短路径树T_k是在偏离路径的概念上来构建的，假定存在从ES_i和ES′_i的两条路径p₁＝(v₁,v₂,...，v_r)和p₂＝(u₁,u₂,...，u_l)，如果存在一个整数x满足以下4个条件：

(1)x＜r，且x＜l；

(2)v_i＝u_i(0≤i≤x)；

(3)v_x+1≠u_x+1；

(u_x+1,u_x+2，...，u_l＝d)是从u_x+1到d的最短路径；

则称(u_x,u_x+1)为p₂相对于p₁的偏离边，u_x为p₂相对于p₁的偏离节点，把路径(u_x+1,u_x+2，...，u_l＝d)为p₂相对于p₁的最短偏离路径，p₂相对于p₁的偏离节点为节点1，偏离边为(1，3)，偏离路径为(1，3，4，5)；

KSP具体执行步骤如下：

S31：输入网络有向图G、发送端ES_i、接收端ES′_i和候选路径数K、初始化偏离节点u_x的数组f[]；

S32：CNC使用Dijkstra算法来计算出从ES_i到ES′_i的最短路径p_n(n＝1)，将求得的p_n作为可扩展路径来求解下一条次短路径；

S33：将p_n作为可扩展路径，进而计算出该扩展路径上的偏离节点，并将计算值放入偏离数组f[]中；

S34：CNC依次遍历f[]中的偏离节点BR_i(i＝1，2，...，x)，再采用Dijkstra算法来计算出每一个偏离点从BR_i到ES′_i的最短路径将求的最短路径/>和从ES_i到偏离节点BR_i的路径/>连到一起放到候选路径列表U中；

S35：CNC对U根据跳数排序，选出跳数最小的路径即为所求的p_n+1，放入候选路径集合中，p＝p_n+1；

S36：CNC判断n+1是否小于k，如果是，将该路径从U中移除，返回步骤S33；否则，输出已求解出的所有路径，算法结束。

进一步，第五步所述初始化TT流与非TT流种群，根据链路冲突度与链路时延构建种群个体适应度函数值，并通过遗传退火算法迭代优化种群，选出最优种群适应度函数值最低的前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中，具体包括以下步骤：

S51：初始化参数，输入群体大小M，最大迭代次数G，交叉概率P_C，变异概率P_d、进化代数gen＝0，初始温度T₀，降温速度b；

S52：执行TSN染色体编码生成TT流初始种群G(S)，计算G(S)中每个个体的适应度F(S_i)，选择适应度值最高的前N个体，直接添加到下一代种群中；

S53：对剩余的(M-N)个个体执行交叉和模拟退火变异操作，概率为和/>直到接受的新个体达到种群规模M-N；

S54：将交叉变异后的(M-N)个个体与步骤S52中确定的N个精英个体组合，形成一个新的种群G(S+1)；

S55：评估新种群G(S+1)中个体的适应度，并保存TT流前m个最佳个体；判断是否满足算法是否达到最大迭代次数；如果是，则输出TT流前m个最优个体并终止算法，否则转到步骤S52；

S56：初始化参数，生成非TT流初始种群G′(s)，在TT流前m个最优个体基础上通过遗传退火算法计算最优路径；得到TSN流的m条传输路径。

进一步，所述TSN染色体编码为采用实数编码方式构建染色体，每条染色体个体代表TSN流的具体传输路径，染色体个体中第i个基因中数字j表示第i个TSN流F_i选择路径信息表R中的第j条路径；每条染色体代表每条TSN流的具体传输路径，基因的长度对应TSN流的数量，每一个基因有K条路径选择。

进一步，在所述步骤S52中计算G(S)中每个个体的适应度F(S_i)的步骤为：通过一种由链路冲突度η(S_i)和端到端时延D(S_i)构成的适应度函数F(S_i)来评估个体S_i优劣，染色体编码后按编码规则对个体进行解码，得到S_i的传输路径，再计算F(S_i)；具体包括：

根据路径信息表R得出某条路径p_i＝ES_i→BR₁→BR₂→...→BR_h→ES′_i；假设TSN流数量为y，p_i的跳数h等于TSN交换机的数目h_i＝len(p_i)-2；冲突路径条数p_conflict、总路径条数p_con、阈值Q的计算步骤如下：

S521：使用数组F[]存储链路L，数组的长度等于网络有向图G中所有链路的数量，数组下标代表链路编号；

S522：依次遍历F_i，获取F_i的传输路径p_i；

S523：依次遍历p_i中的L，根据L更新F[]中对应的数据；

S524：从F[]中获取p_conflict和p_con，p_con为F[]的数量和，p_conflict为冲突链路数量和，p_conflict＝p_con-len(F[])，Q为获取冲突链路数量最大值即F[]中最大值，链路冲突度η(S_i)定义如下：

端到端时延指标D(S_i)等于所有F_i中路径p_i的端到端时延D_pi之和除以端到端时延最大值D_max表示为：

个体S_i的适应度函数F(S_i)定义如下：

F(S_i)＝w₁*η(S_i)+w₂*D(S_i)#(5)

w₁和w₂为权重因子且w₁+w₂＝1，0＜w₁＜1，0＜w₂＜1，当TSN流为TT流时，w₁的取值小于w₂，；当TSN流为非TT流时，CNC更倾向于分配带宽大的链路传输。

进一步，所述遗传退火算法包括选择操作、交叉操作、模拟退火变异操作；

S531：选择操作：采用排序选择，选择策略为转盘式选择，同时使用最佳个体保留策略，即从当前种群中选择前N最佳染色体直接复制到下一代种群中，使群体优胜劣汰、不断进化；

S532：交叉操作：采用交叉算子法，使算子继承父代优良特征并适用于子代染色体，设两个父代染色体分别为Father1和Father2，通过交叉操作后分别得到子代个体Child1和Child2；

S533：模拟退火变异操作：假设给定的初始温度为T₀，按照T_gen+1＝b×T_gen的方式进行退火降温，T_gen表示gen代种群的退火温度，b为降温速度，且0＜b＜1；在温度为T_gen时，对父代种群进行以下操作产生新的种群，直至达到种群规模。

进一步，步骤S532中所述的交叉操作具体步骤如下：

S5321：根据父代染色体随机分成2个非空集合U₁、U₂；

S5322：将Father1中含有U₁的基因复制到Child1，将Father2含有U₂的基因复制到Child2；

S5323：初步交叉将Father1中含有U₁的基因，复制到Child中，Father2中含有U₂的基因复制到Child1中，按照顺序依次放在空余位置。进一步，所述步骤S533具体包括以下步骤：

S5331：计算父代种群中每一条染色体的适应度值F(S_i)，(i＝1，2，…，M)；

S5332：对于每代优势种群中的每个个体随机变换染色体中两个位置上的基因，变换的基因大小在(0，K+1)选取，由此产生一个新个体S_new并计算变异后的适应度值，设为F(S′_i)，i＝1，2，，M，则父代种群的适应度值与变异后染色体适应度的差值为ΔF(S_i)＝F(S_i)-F(S′_i)；

S5333：若则接受该变异形成子代种群，否则返回步骤S5332，其中，rand为(0，1)之间的随机数。

进一步，采用自适应交叉和变异运算来调节交叉和变异概率，自适应遗传算法中交叉概率和变异概率/>的计算公式如下：

其中F(S_i)_max为群体中最小的适应值；F(S_i)_avg为群体平均适应值；F(S_i)为要交叉的两个个体适应度较小值；F′(S_i)为即将变异个体的适应度值。

进一步，TSN网络通过门控列表进行调度，循环的最小周期为超周期，所述门控列表制定有超周期内每个链路上所有数据流的传输时间；因此调度的超周期T_f定义为所有流周期的最小公倍数，其中表示TT流f_i的周期，其计算公式如下所示：

周期小于超周期的流需要在调度期间内发送多次，每个这样的传输称为帧实例，对于流f_i而言，在一个T_f内帧实例的个数N_i由下式进行计算：

进一步，第六步所述CNC设置流量传输约束条件，具体包括：将调度问题定义为一个优化问题：为所有流的传输时间找到一个合适的分配，使得其满足所有网络和流量的相关约束；通过整数线性规划求解优化问题，即在一系列等式或不等式的约束条件之下，将变量为整数的目标函数最优化，从而进行求解；引入帧传输偏移量表示TT流f_i在链路1上第n帧的发送时刻；

将流量调度转为为数学形式：已知TT流f_i，网络有向图G，路由方案ω，通过约束条件，求出每个f_i使目标函数最小的集合，/>满足以下约束条件：

(1)帧约束：每一个TT流f_i第一帧的发送时间定义如下：

(2)链路约束：对于 在链路(ES_a，ES_b)上存在两条TT流f_i和f_j且i≠j，有：

(3)流传输约束：

有：

(4)端到端延时约束：

有：

(5)帧隔离约束：

假设当前网络任意两条TT流f_i，f_j(i≠j)同时从(ES_x，ES_a)和(ES_y，ES_a)到达节点ES_a，有：

表示F_i在链路(ES_a，ES_b)的出端口上的优先级队列分配，所述帧隔离约束表示同一队列中的任意两条流之间，只有当一条流的帧全部离开队列，另一条流的帧才能开始进入队列。

进一步，流量调度在满足以上约束条件的同时优化传输性能，以最小化端到端延时和流量的总传输时长为目标函数；TT流f_i的端到端时延为最后一帧n_i在路径最后一个交换机BR_h的帧传输偏移量与第1个帧在源节点ES的帧传输偏移量的差值加上n_i的发送时延，总传输时长为所有TT流第n_i个帧在路径BR_h的帧传输偏移量加上n_i的发送时延的最大值，同时定义ε为所有TT流端到端延时之和，γ为所有TT流的总传输时长中最大值：

以ε和γ两个指标，构建权重系数w₃，w₄且w₃+w₄＝1，设置辅助变量

进一步，第七步具体包括：

S71：获取传输方案ω_i(ω_i∈ω)，初始化X_best；

S72：输入ω_i，结合流量传输约束条件采用ILP求解器得出门控列表同时计算所有TT流端到端延时之和ε，总传输时长γ；设置权重系数w₃，w₄，根据/>保留/>最小值及其最佳门控列表X_best；

S73：是否存在未计算的传输方案，如果存在，返回步骤S72，否则进入步骤S74；

S74：检查X_best是否为空，如果为空即调度失败情况，增加候选路径解空间数量候选路径K数量并返回候选路径选择阶段，如果不为空则求解成功，输出最优路径的门控列表X_best。

本发明的有益效果在于：本方案结合多路径传输方案与调度阶段联合求解，联合规划路由与调度，针对TSN中TT流和非TT流的传输特征，在网络中选择多条最优路径，优先保证TT流的传输，随机进入调度阶段计算从而得出最优确定性路径，增加了网络中TT流的容纳数量，保证了TT流的时延和确定性要求，增加了网络带宽利用率。

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TSN的体系架构图；

图2为多路径联合调度算法流程图；

图3为最短路径树示意图；

图4为最短路径算法流程图；

图5为染色体编码图；

图6为染色体基因交叉操作过程图；

图7为路径方案选择算法流程图。

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。

本方案采用IEEE 802.1Qcc标准中的完全集中式模型，其中CUC是一种用于发现终端设备数量、检索终端设备功能和用户需求，并配置终端设备时间敏感网络参数的集中式组件，CNC是用户配置时间敏感网络资源的集中式组件。发送端和接收端将它们的性能要求传达给CUC，然后CUC通过用户网络接口UNI与CNC交换信息，CNC根据TSN流特性生成门控列表，实现对TSN流的调度。

图1描述了本方案提出的TSN网络的体系结构。当发送端要向接收端发送TSN流时，其工作流程如下：

(1)发送端使用用户配置协议(例如OPC UA)向集中式用户配置模块(CUC)发送TSN连接请求,该请求信息包括了TSN网络拓扑、流量传输要求等信息；

(2)CUC将TSN连接请求转换为TSN连接需求，并通过用户网络接口(UNI)转发给集中式网络配置模块(CNC)；

(3)CNC收到连接需求时，采用本方案的多路径联合调度算法计算满足要求的最优传输路径和可行的传输调度；

(4)如果调度表有解，CNC将调度表沿所计算的路径配置到所有TSN交换机；

(5)CNC将传输时间表发送给CUC，将其转发到网络发送端，同时发送端沿着所选择的路径向接受端传输TSN流。

本方案的创新点为在于对上面步骤(3)中CNC路径计算路径和调度提出多路径联合调度算法，该方法可分为三个步骤依次分别是网络建模阶段、多路径选择详细设计、调度求解详细设计。

在网络建模阶段，CNC根据网络拓扑和TSN流量特征进行建模，其次在多路径选择详细设计中，当CNC收到连接需求时，CNC进入候选路径选择阶段根据K短路径算法选出当前所有TSN流的K条候选路径，增加传输方案的路径多样性选择，然后CNC根据TSN流量中TT流量和非TT流的特点与路径信息表R构建染色体并计算适应度函数值，初始化TT与非TT流种群，并通过遗传退火操作优化，计算种群的适应度函数值，选出前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中，在调度求解详细设计中，根据路径算法详细设计中的m条传输方案，CNC通过基于调度约束和迭代搜索算法的ILP求解，选出时延与总传输时长最低的方案，并将计算结果门控列表下发到TSN交换机。

本方案提出的多路径联合调度算法流程如图2所示。路径选择与门控联合调度算法的执行步骤如下所示：

第一步：TSN交换机根据链路发现协议(LLDP)发现TSN网络拓扑，并通过网络建模方法将TSN网络拓扑抽象为网络有向图；

TSN路径选择的主要任务是TSN流找到合适的传输路径，并通过配置门控列表(GCL)来实现TT流的传输。在这个过程中需要考虑的因素有网络拓扑和TSN流量模型。

对于本方案中的术语的定义如表1所示：

表1

TSN的网络拓扑表示为有向图G＝(V，E)，其中V是点集，表示网络中的交换机(Switch，SW)和终端系统(End System，ES)的集合。E是边集合，代表一组二元组，表示网络拓扑中的每条链路，使得E≡{(BR_i,BR_j)|BR_i,BR_j∈V，BR_i≠BR_j且BR_i和BR_j之间存在联系}。

每条链路(BR_i,BR_j)∈E由二元组(bw，Ld)构成，其中是链路(BR_i,BR_j)的剩余带宽，单位为Mbps，/>是链路延迟，单位是微秒，Ld由/>和/>组成。

本方案将从发送端开始且按照一定要求传输到接收端的有序数据序列称为流，并将所有TSN流的集合记为F，F按照TT流优先级与非TT流排序，对于每种不同的流，其主要参数包含流的传输路径R_i、流的传输周期T_i、流的负载值P_i、流的端到端时延限制D_i。例如，对于流F_i，每个TSN流F_i表示为四元组F_i≡(R_i,T_i,P_i,D_i)。

第二步：终端设备通过用户配置协议将网络有向图G、候选路径数K、传输方案数量m、路径信息表R、路径方案ω、初始温度T₀、群体大小M、最大迭代次数G、变异概率P_d、交叉概率P_C、进化代数gen、传输方案、降温速度b、TSN流量集合F发送给CUC，CUC将该连接请求通过用户网络接口UNI发送到CNC；

第三步：CNC收到连接请求时，为了获得更优质的传输路径，对于某对发送端和接收端，CNC采用K最短路径(KSP)算法计算K条最短距离路径；

本方案利用KSP算法求出一对ES_i和ES′_i的K条候选路径P_k，对于所有ES_i，ES′_i∈ES，通过输入网络有向图G、发送端ES_i、接收端ES′_i和路径的条数K，输出K条路径集p_K。

从ES_i到ES′_i的临时路径集合用P_sd表示，最短路径问题就是通过有向图G中从ES_i到ES′_i的具有最短长度的路径P^s，即确定P^s∈P_sd，使得对于任何其他P(P∈P_sd，p≠P^s)都有c(P^s)≤c(P)，KSP算法不但要求得最短路径，还要求得次短、再次短等路径，…，直到找到第K短路径。用p_i表示从ES_i到ES′_i的第i短路径，KSP问题是确定路径集合P_k＝{p₁,p₂,...，p_K}，使得满足以下4个条件：

(1)p_i是在p_i+1之前确定，就是说K条路径的产生是有顺序的；

(2)都有c(p_i)＜c(p_i+1)，其中c(p_i)为路径p_i的权值，即K条路径的产生是按权值最小、次小、第三小等次序产生的；

(3)都有c(p_i)＜c(p)，p_i∈P_k，i＝1，2，...，K，即所求的前K条路径一定是所有从ES_i到ES′_i的路径中最短的路径；

(4)路径p_i中不存在环路，i＝1，2，...，K。

最短路径树T_k是在偏离路径的概念上来构建的，假定存在从ES_i和ES′_i的两条路径p₁＝(v₁,v₂,...，v_r)和p₂＝(u₁,u₂,...，u_l)，如果存在一个整数x满足以下4个条件：

(1)x＜r，且x＜l；

(2)v_i＝u_i(0≤i≤x)；

(3)v_x+1≠u_x+1；

(4)(u_x+1,u_x+2，...，u_l＝d)是从u_x+1到d的最短路径。

则称(u_x,u_x+1)为p₂相对于p₁的偏离边，u_x为p₂相对于p₁的偏离节点，把路径(u_x+1,u_x+2，...，u_l＝d)为p₂相对于p₁的最短偏离路径，如图3所示，p₂相对于p₁的偏离节点为节点1，偏离边为(1，3)，偏离路径为(1，3，4，5)。

KSP具体执行步骤如下：

步骤1：输入网络有向图G、发送端ES_i、接收端ES′_i和候选路径数K、初始化偏离节点u_x的数组f[]；

步骤2：CNC使用Dijkstra算法来计算出从ES_i到ES′_i的最短路径p_n(n＝1)，将求得的p_n作为可扩展路径来求解下一条次短路径；

步骤3：将p_n作为可扩展路径，进而计算出该扩展路径上的偏离节点，并将计算值放入偏离数组f[]中；

步骤4：CNC依次遍历f[]中的偏离节点BR_i(i＝1，2，...，x)，再采用Dijkstra算法来计算出每一个偏离点从BR_i到ES′_i的最短路径将求的最短路径/>和从ES_i到偏离节点BR_i的路径/>连到一起放到候选路径列表U中；

步骤5：CNC对U根据跳数排序，选出跳数最小的路径即为所求的p_n+1，放入候选路径集合中，p＝p_n+1；

步骤6：CNC判断n+1是否小于k，如果是将该路径从U中移除，返回步骤3；否则，输出已求解出的所有路径，算法结束。

该算法的流程图如图4所示。

第四步：CNC遍历是否存在未计算的发送端和接收端，如果是则返回第三步，并将计算的每对发送端和接收端的候选路径数K存到路径信息表R中，如果否则执行第五步；路径信息表R如表2所示：

表2

第五步：CNC将第四步中输出的R作为第五步的输入，根据TSN流量中TT流量和非TT流的特点与初始的路径信息表R构建染色体，初始化TT与非TT流种群，根据链路冲突度与链路时延构建种群个体适应度函数值，并通过遗传退火算法迭代优化种群，选出最优种群适应度函数值最低的前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中。

本阶段的多路径选择算法的原理是基于遗传算法GA与模拟退火算法SA。将SA算法与遗传算法相结合，形成改进的遗传模拟退火(GASA)算法。

遗传算法(GA)是一种模拟生物进化的随机搜索技术。GA操作由个体组成的种群。每个个体都有一个描述个体素质的适应度值，为了产生新的个体，遗传算法提供了选择和变异算子来对种群中的个体进行配对和进化，为了优化种群，基于适应度评估和替代方法，将亲本个体替换为其子代个体。

模拟退火算法(SA)是一种迭代求解策略的随机寻优算法，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最优并最终趋于全局最优。

本阶段由TSN染色体编码、适应度函数、遗传退火操作构成。

TSN染色体编码：本方案采用实数编码方式构建染色体，每条染色体个体代表TSN流的具体传输路径，染色体个体中第i个基因中数字j表示第i个TSN流F_i选择路径信息表R中的第j条路径。每条染色体代表每条TSN流的具体传输路径，基因的长度对应TSN流的数量，每一个基因有K条路径选择。例如：一条染色体C为“11243”，如图5所示，则代表TSN流的数量5个，流F₃选择/>的第2条路径/>

适应度函数：本方案设计了一种由链路冲突度η(S_i)和端到端时延D(S_i)构成的适应度函数F(S_i)来评估个体S_i优劣。染色体编码后按上述编码规则对个体进行解码，得到S_i的传输路径，再计算F(S_i)。

根据路径信息表R得出某条路径p_i，假设p_i＝ES_i→BR₁→BR₂→…→BR_h→ES′_i，假设TSN流数量为y，p_i的跳数h等于TSN交换机的数目h_i＝len(p_i)-2。计算冲突路径条数p_conflict、总路径条数p_con、阈值Q，计算步骤如下：

步骤1：使用数组F[]存储链路L，数组的长度等于网络有向图G中所有链路的数量，数组下标代表链路编号；

步骤2：依次遍历F_i，获取F_i的传输路径p_i；

步骤3：依次遍历p_i中的L，根据L更新F[]中对应的数据；

步骤4：方法从F[]中获取p_conflict和p_con，p_con为F[]的数量和，p_conflict为冲突链路数量和，p_conflict＝p_con-len(F[])，Q为获取冲突链路数量最大值即F[]中最大值。本方案中α＝0.5，链路冲突度η(S_i)定义如下：

端到端时延指标D(S_i)等于所有F_i中路径p_i的端到端时延D_pi之和除以端到端时延最大值D_mmax，可以表示为；

个体S_i的适应度函数F(S_i)定义如下：

F(S_i)＝w₁*η(S_i)+w₂*D(S_i)#(5)

w₁和w₂为权重因子且w₁+w₂＝1，0＜w₁＜1，0＜w₂＜1，当TSN流为TT流时，由于TT流对延迟较为敏感，此时w₁的取值要小于w₂，本方案取w₁＝0.3，w₂＝0.7。当TSN流为非TT流时，此时CNC更倾向于分配带宽大的链路传输，本方案取w₁＝0.7，w₂＝0.3。

遗传退火操作：该操作分为选择、交叉、模拟退火变异三部分。

选择操作的目的是使群体优胜劣汰、不断进化，并且提高群体收敛速度和搜索效率，选择方法对所谓的选择压力有很大的影响。它描述了群体中选择最佳个体的概率与所有个体的平均选择概率之间的关系。较大的选择压力可能导致快速收敛到局部最优，而较小的选择压力具有更大的全局特征，但可能需要更多的时间来寻找最优。本方案采用排序选择，选择策略为转盘式选择，同时使用最佳个体保留策略，即从当前种群中选择前N最佳染色体直接复制到下一代种群中。

交叉操作的作用是产生新个体，不断开拓解搜索空间，提高算法的全局搜索能力。作为遗传基因的重组，需要考虑交叉所得新个体的合法性，因此本方案采用交叉算子法(Precedence Operation Crossover，POX)，该方法能使算子很好地继承父代优良特征并适用于子代染色体，设两个父代染色体分别为Father1和Father2，通过交叉操作后分别得到子代个体Child1和Child2，基因交叉操作过程如图2所示，交叉操作具体步骤如下：

步骤1：根据父代染色体随机分成2个非空集合U₁、U₂。

步骤2：将Father1中含有U₁的基因复制到Child1，将Father2含有U₂的基因复制到Child2。

步骤3：初步交叉将Father1中含有U₁的基因，复制到Child中，Father2中含有U₂的基因复制到Child1中，按照顺序依次放在空余位置。

例如现有两条染色体Father1＝{1，3，2，4，2，4，3}，Father2＝{4，3，1,2,3,3,4}。首先随机构成U₁＝{2，3}，U₂＝{1，4}，则交叉操作后产生的子代染色体为Child1＝{4，3，2，1,2,4,3}，Child2＝{1，3，4，2，3，3，4}。染色体基因交叉过程如图6所示。

模拟退火变异操作：为防止遗传算法陷入局部最优，本方案采用模拟退火算法来增强遗传算法。假设给定的初始温度为T₀，按照T_gen+1＝b×T_gen的方式进行退火降温，T_gen表示gen代种群的退火温度，b为降温速度，且0＜b＜1。在温度为T_gen时，对父代种群进行以下操作产生新的种群，直至达到种群规模。

模拟退火变异操作步骤如下：

步骤1：计算父代种群中每一条染色体的适应度值F(S_i)，(i＝1，2，…，M)；

步骤2：对于每代优势种群中的每个个体随机变换染色体中两个位置上的基因，变换的基因大小在(0，K+1)选取，由此产生一个新个体S_new并计算变异后的适应度值，设为F(S′_i)，(i＝1，2，，M)，则父代种群的适应度值与变异后染色体适应度的差值为ΔF(S_i)＝F(S_i)-F(S′_i)，(i＝1，2，…，M)；

步骤3：若则接受该变异形成子代种群，否则返回步骤2，其中，rand为(0，1)之间的随机数。

本方案为了在交叉和变异操作过程中尽量不破坏掉优秀个体的基因结构，本方案采用自适应交叉和变异运算来调节交叉和变异概率。自适应遗传算法中交叉概率和变异概率/>的计算公式如下：

其中F(S_i)_max为群体中最小的适应值；F(S_i)_avg为群体平均适应值；F(S_i)为要交叉的两个个体适应度较小值；F′(S_i)为即将变异个体的适应度值。

本方案通过根据TSN流量中TT流量和非TT流的特点与初始的路径信息表R构建染色体个体S_i，根据F_i的不同类型使用GASA算法计算适应度，不断寻找最优群落直到寻到最佳传输路径，提高网络的带宽利用率，保障了TT流的时延。寻找GASA的具体算法流程如下所示。

步骤1：初始化参数，输入群体大小M，最大迭代次数G，交叉概率P_C，变异概率P_d、进化代数gen＝0，初始温度T₀，降温速度b；

步骤2：执行TSN染色体编码生成TT流初始种群G(S)，计算G(S)中每个个体的适应度F(S_i)，选择适应度值最高的前N个体，直接添加到下一代种群中；

步骤3：对剩余的(M-N)个个体执行交叉和模拟退火变异操作，概率为和/>直到接受的新个体达到种群规模M-N；

步骤4：将交叉变异后的(M-N)个个体与步骤2中确定的N个精英个体组合，形成一个新的种群G(S+1)；

步骤5：评估新种群G(S+1)中个体的适应度，并保存TT流前m个最佳个体。判断是否满足算法是否达到最大迭代次数。如果是，则输出TT流前m个最优个体并终止算法，否则转到第2步；

步骤6：初始化参数，生成非TT流初始种群G′(s)，在TT流前m个最优个体基础上通过GASA算法计算最优路径。得到TSN流的m条传输路径。

本方案提出的路径方案选择算法流程如图7所示。

由于因后续的门控调度机制只针对TT流，所以本方案只将TT流的计算结果计入路径方案ω中，门控设计阶段会将路径信息表ω中的每条传输方案计算门控列表并调度。路径方案如表3所示：

表3

IEEE 802.1Qbv标准定义了一种称为时间感知整形器(TAS)的流量整形机制。该机制在全网时间同步的条件下，人为给定数据流的传输路径，基于时分多址(TDMA)的思想配置门控列表GCL并控制各队列出口门的开闭，并且每一时刻在所有门开放的队列中按照严格的优先级进行传输，网络中TSN数据流的通信路径已经在路径选择阶段中算出，本阶段为了避免TT流传输过程中因传输链路重叠造成的流量冲突问题，设置流量传输约束条件，通过ILP计算路径方案ω总传输时长和时延两个指标的大小选出最优调度方案，提高带宽利用率，保障TT流的确定性传输。

第六步：CNC为了避免TT流传输过程中因传输链路重叠造成的流量冲突以及在网络中真实、按序、无冲突传输等问题，设置流量传输约束条件；

TSN网络通过门控列表进行调度，循环的最小周期为超周期，该调度表制定了超周期内每个链路上所有数据流的传输时间，从而使得流在截止时间之前达到目的地。因此调度的超周期T_f被定义为所有流周期的最小公倍数(Least Common Multiple，LCM)，其中表示TT流f_i的周期，其计算公式如下所示：

周期小于超周期的流需要在调度期间内发送多次，每个这样的传输被称为帧实例(Frame Instance)，对于流f_i而言，在一个T_f内帧实例的个数N_i由下式进行计算：

本方案将调度问题定义为一个优化问题：为所有流的传输时间找到一个合适的分配，使得其满足所有网络和流量的相关约束。整数线性规划(Integer Linear Programing，ILP)用于求解优化问题,即在一系列等式或不等式的约束条件之下，将变量为整数的目标函数最优化，从而进行求解。引入帧传输偏移量表示TT流f_i在链路1上第n帧的发送时刻。

综上所述，本方案将流量调度转为为数学形式：已知TT流f_i，网络有向图G，路由方案ω，通过约束条件，求出每个f_i使目标函数最小的集合。为保证帧在网络中真实、按序、无冲突传输，/>需要满足以下约束条件：

(1)帧约束

该约束是针对每一个TT流f_i的周期性提出的。由于f_i是周期性发送的，则在其源节点上(即经过的第一条链路)，第一帧必须在帧周期内发送出去，否则不满足周期性。那么f_i第一帧的发送时间定义如下：

(2)链路约束

链路约束为无冲突传输的核心约束，要求通过同一链路任意两帧传输实例在时间上没有重叠，该约束表明同一链路的任意两个帧传输实例之间，其中一个实例的传输开始时刻必须大于等于另一个实例的完成时刻。对于 在链路(ES_a，ES_b)上存在两条TT流f_i和f_j且i≠j，有：

(3)流传输约束

此约束规定了帧通过路径上每条链路的时序， 有：

即同一帧在(ES_x，ES_b)链路上帧传输偏移量必须大于等于(ES_x，ES_b)链路上帧传输偏移量。

(4)端到端延时约束

有：/>

流f_i最后一帧到达ES′_i的时刻与第一帧在ES_i帧时传输偏移量的差值即为端到端延时，端到端延时必须小于等于流能容忍的最大端到端延时D_i。

(5)帧隔离约束

如果有多条数据流在同一时间到达同一队列，那么其进入的顺序是不一致的

进而出口链路的传输顺序不一致，导致端到端延时的不确定性。此外，在实际网络中帧丢失时，数据流实际的传输时隙会与预设的调度时隙产生偏差，同样导致延时的不确定性。为了确定性端到端延时，此约束规定一条队列同一时刻只能存储一条流的数据帧， 假设当前网络任意两条TT流f_i，f_j(i≠j)同时从(ES_x,ES_a)和(ES_y,ES_a)到达节点ES_a，有：

表示F_i在链路(ES_a，ES_b)的出端口上的优先级队列分配，该约束表示同一队列中的任意两条流之间，只有当一条流的帧全部离开队列，另一条流的帧才可以开始进入队列。

流量调度在满足以上约束条件的同时优化传输性能，本方案以最小化端到端延时和流量的总传输时长为目标函数。TT流f_i的端到端时延为最后一帧n_i在路径最后一个交换机BR_h的帧传输偏移量与第1个帧在源节点ES的帧传输偏移量的差值加上n_i的发送时延，总传输时长为所有TT流第n_i个帧在路径BR_h的帧传输偏移量加上n_i的发送时延的最大值，同时定义ε为所有TT流端到端延时之和，γ为所有TT流的总传输时长中最大值。

以ε和γ两个指标，构建权重系数w₃，w₄且w₃+w₄＝1，设置辅助变量

第七步：CNC将第五步中计算出的TT流的路径方案ω作为迭代搜索阶段的输入，根据迭代搜索算法与流量传输约束条件，采用ILP求解器求解TT流量传输路径上交换机的门控列表，计算函数值选出最优路径方案及其门控列表X_best，如果求解失败，增加候选路径解空间数量并返回第三步，如果求解成功，则输出X_best；迭代搜索算法步骤如下：

步骤1：获取传输方案ω_i(ω_i∈ω)，初始化X_best；

步骤2：输入ω_i，结合流量传输约束条件采用ILP求解器得出门控列表同时计算所有TT流端到端延时之和ε，总传输时长γ。设置权重系数w₃，w₄，根据/>保留/>最小值及其最佳门控列表X_best；

步骤3：是否存在未计算的传输方案，如果存在返回步骤2，相反进入步骤4；

步骤4：检查X_best是否为空，如果为空即调度失败情况，增加候选路径解空间数量候选路径K数量并返回候选路径选择阶段，如果不为空则求解成功，输出最优路径的门控列表X_best。

第八步：CNC将计算的结果封装为XML文件，利用NETCONF协议将基于XML的门控调度表配置到TSN交换机，并将流量传输计算结果通过CUC发送到TSN终端设备。

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 (13)

1.一种时间敏感网络中的多路径联合调度方法，其特征在于：包括以下步骤：

第一步：TSN交换机根据链路发现协议发现TSN网络拓扑，并通过网络建模方法将TSN网络拓扑抽象为网络有向图；

第二步：CUC接收由终端设备通过用户配置协议发送的连接请求，并通过用户网络接口UNI发送到CNC，所述连接请求内容包括网络有向图G、候选路径数K、传输方案数量m、路径信息表R、路径方案ω、初始温度T₀、群体大小M、最大迭代次数G、变异概率P_d、交叉概率P_C、进化代数gen、传输方案、降温速度b、TSN流量集合F；

第三步：CNC收到连接请求时，对于某对发送端和接收端，CNC采用K最短路径算法计算K条最短距离路径；

第四步：CNC遍历是否存在未计算的发送端和接收端，如果是则返回第三步，并将计算的每对发送端和接收端的候选路径数K存到路径信息表R中，如果否则执行第五步；

第五步：CNC将第四步中输出的R作为第五步的输入，根据TSN流量中TT流和非TT流的特点与路径信息表R构建染色体，初始化TT流与非TT流种群，根据链路冲突度与链路时延构建种群个体适应度函数值，并通过遗传退火算法迭代优化种群，选出最优种群适应度函数值最低的前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中；

第六步：CNC设置流量传输约束条件；

第七步：CNC将第五步中计算出的TT流的路径方案ω作为迭代搜索阶段的输入，根据迭代搜索算法与流量传输约束条件，采用ILP求解器求解TT流传输路径上交换机的门控列表，计算函数值选出最优路径方案及其门控列表X_best，如果求解失败，增加候选路径解空间数量并返回第三步，如果求解成功，则输出X_best；

第八步：CNC将计算的结果封装为XML文件，利用NETCONF协议将基于XML的门控调度表配置到TSN交换机，并将流量传输计算结果通过CUC发送到TSN终端设备；

第五步所述初始化TT流与非TT流种群，根据链路冲突度与链路时延构建种群个体适应度函数值，并通过遗传退火算法迭代优化种群，选出最优种群适应度函数值最低的前m条染色体，CNC解码得出m条传输方案并计入路径方案ω中，具体包括以下步骤：

S51：初始化参数，输入群体大小M，最大迭代次数G，交叉概率P_C，变异概率P_d、进化代数gen＝0，初始温度T₀，降温速度b；

S52：执行TSN染色体编码生成TT流初始种群G(S)，计算G(S)中每个个体的适应度F(S_i)，选择适应度值最高的前N个体，直接添加到下一代种群中；

S53：对剩余的(M-N)个个体执行交叉和模拟退火变异操作，概率为和/>直到接受的新个体达到种群规模M-N；

S54：将交叉变异后的(M-N)个个体与步骤S52中确定的N个精英个体组合，形成一个新的种群G(S+1)；

S55：评估新种群G(S+1)中个体的适应度，并保存TT流前m个最佳个体；判断是否满足算法是否达到最大迭代次数；如果是，则输出TT流前m个最优个体并终止算法，否则转到步骤S52；

S56：初始化参数，生成非TT流初始种群G′(S)，在TT流前m个最优个体基础上通过遗传退火算法计算最优路径；得到TSN流的m条传输路径；

在所述步骤S52中计算G(S)中每个个体的适应度F(S_i)的步骤为：通过一种由链路冲突度η(S_i)和端到端时延D(S_i)构成的适应度函数F(S_i)来评估个体S_i优劣，染色体编码后按编码规则对个体进行解码，得到S_i的传输路径，再计算F(S_i)；具体包括：

根据路径信息表R得出某条路径p_i＝ES_i→BR₁→BR₂→...→BR_h→ES′_i；假设TSN流数量为y，p_i的跳数h等于TSN交换机的数目h_i＝len(p_i)-2；冲突路径条数p_conflict、总路径条数p_con、阈值Q的计算步骤如下：

S521：使用数组F[]存储链路L，数组的长度等于网络有向图G中所有链路的数量，数组下标代表链路编号；

S522：依次遍历F_i，获取F_i的传输路径p_i；

S523：依次遍历p_i中的L，根据L更新F[]中对应的数据；

S524：从F[]中获取p_conflict和p_con，p_con为F[]的数量和，p_conflict为冲突链路数量和，p_conflict＝p_con-len(F[])，Q为获取冲突链路数量最大值即F[]中最大值，链路冲突度η(S_i)定义如下：

端到端时延指标D(S_i)等于所有F_i中路径p_i的端到端时延之和除以端到端时延最大值D_max表示为：

个体S_i的适应度函数F(S_i)定义如下：

F(S_i)＝w₁*η(S_i)+w₂*D(S_i) (5)

w₁和w₂为权重因子且w₁+w₂＝1，0＜w₁＜1，0＜w₂＜1，当TSN流为TT流时，w₁的取值小于w₂；当TSN流为非TT流时，CNC更倾向于分配带宽大的链路传输。

2.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述第一步中，TSN的网络拓扑表示为网络有向图G＝(V，E)，其中V是点集，表示网络中的交换机和终端系统的集合；E是边集合，代表一组二元组，表示网络拓扑中的每条链路，使得E≡{(BR_i,BR_j)|BR_i,BR_j∈V，BR_i≠BR_j且BR_i和BR_j之间存在联系}；每条链路(BR_i,BR_j)∈E由二元组(bw，Ld)构成，其中是链路(BR_i,BR_j)的剩余带宽，/>是链路延迟，Ld由BR_i中的处理延迟/>BR_j中的传输延迟/>和(BR_i,BR_j)中的传播延迟/>组成。

3.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：所有TSN流的集合记为F，F按照TT流优先级与非TT流排序，对于每种不同的流，其参数包含流的传输路径R_i、流的传输周期T_i、流的负载值P_i、流的端到端时延限制D_i；对于流F_i，每个TSN流F_i表示为四元组F_i≡(R_i,T_i,P_i,D_i)。

4.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：第三步中所述采用K最短路径算法计算K条最短距离路径包括：

利用K最短路径KSP算法求出一对ES_i和ES′_i的K条候选路径P_k，对于所有ES_i,ES′_i∈ES，通过输入网络有向图G、发送端ES_i、接收端ES′_i和路径的条数K，输出K条路径集p_K；

KSP具体执行步骤如下：

S31：输入网络有向图G、发送端ES_i、接收端ES′_i和候选路径数K、初始化偏离节点u_x的数组f[]；

S32：CNC使用Dijkstra算法来计算出从ES_i到ES′_i的最短路径p_n(n＝1)，将求得的p_n作为可扩展路径来求解下一条次短路径；

S33：将p_n作为可扩展路径，进而计算出该扩展路径上的偏离节点，并将计算值放入偏离数组f[]中；

S34：CNC依次遍历f[]中的偏离节点BR_i(i＝1，2，...，x)，再采用Dijkstra算法来计算出每一个偏离点从BR_i到ES′_i的最短路径将求的最短路径/>和从ES_i到偏离节点BR_i的路径/>连到一起放到候选路径列表U中；

S35：CNC对U根据跳数排序，选出跳数最小的路径即为所求的p_n+1，放入候选路径集合中，p＝p_n+1；

S36：CNC判断n+1是否小于k，如果是，将该路径从U中移除，返回步骤S33；否则，输出已求解出的所有路径，算法结束。

5.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述TSN染色体编码为采用实数编码方式构建染色体，每条染色体个体代表TSN流的具体传输路径，染色体个体中第i个基因中数字j表示第i个TSN流F_i选择路径信息表R中的第j条路径；每条染色体代表每条TSN流的具体传输路径，基因的长度对应TSN流的数量，每一个基因有K条路径选择。

6.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述遗传退火算法包括选择操作、交叉操作、模拟退火变异操作；

S531：选择操作：采用排序选择，选择策略为转盘式选择，同时使用最佳个体保留策略，即从当前种群中选择前N最佳染色体直接复制到下一代种群中，使群体优胜劣汰、不断进化；

S532：交叉操作：采用交叉算子法，使算子继承父代优良特征并适用于子代染色体，设两个父代染色体分别为Father1和Father2，通过交叉操作后分别得到子代个体Child1和Child2；

S533：模拟退火变异操作：假设给定的初始温度为T₀，按照T_gen+1＝b×T_gen的方式进行退火降温，T_gen表示gen代种群的退火温度，b为降温速度，且0＜b＜1；在温度为T_gen时，对父代种群进行以下操作产生新的种群，直至达到种群规模。

7.根据权利要求6所述的时间敏感网络中的多路径联合调度方法，其特征在于：步骤S532中所述的交叉操作具体步骤如下：

S5321：根据父代染色体随机分成2个非空集合U₁、U₂；

S5322：将Father1中含有U₁的基因复制到Child1，将Father2含有U₂的基因复制到Child2；

S5323：初步交叉将Father1中含有U₁的基因，复制到Child2中，Father2中含有U₂的基因复制到Child1中，按照顺序依次放在空余位置。

8.根据权利要求7所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述步骤S533具体包括以下步骤：

S5331：计算父代种群中每一条染色体的适应度值F(S_i)，(i＝1，2，…，M)；

S5332：对于每代优势种群中的每个个体随机变换染色体中两个位置上的基因，变换的基因大小在(0，K+1)选取，由此产生一个新个体S_new并计算变异后的适应度值，设为F(S′_i)，i＝1，2，...，M，则父代种群的适应度值与变异后染色体适应度的差值为ΔF(S_i)＝F(S_i)-F(S′_i)；

S5333：若则接受该变异形成子代种群，否则返回步骤S5332，其中，rand为(0，1)之间的随机数。

9.根据权利要求8所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述步骤S53中还包括：采用自适应交叉和变异运算来调节交叉和变异概率，自适应遗传算法中交叉概率和变异概率/>的计算公式如下：

其中F(S_i)_max为群体中最小的适应值；F(S_i)_avg为群体平均适应值；F(S_i)为要交叉的两个个体适应度较小值；F′(S_i)为即将变异个体的适应度值。

10.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：TSN网络通过门控列表进行调度，循环的最小周期为超周期，所述门控列表制定有超周期内每个链路上所有数据流的传输时间，调度的超周期T_f为所有流周期的最小公倍数，其中表示TT流f_i的周期，其计算公式如下所示：

周期小于超周期的流需要在调度期间内发送多次，每个这样的传输称为帧实例，对于流f_i，在一个T_f内帧实例的个数N_i由下式进行计算：

11.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：第六步所述CNC设置流量传输约束条件，具体包括：以流量调度问题为优化问题，将流量调度转为数学形式：已知TT流f_i，网络有向图G，路由方案ω，通过约束条件，求出每个f_i使目标函数最小的帧传输偏移量集合，/>表示TT流f_i在链路1上第n帧的发送时刻，其满足以下约束条件：

(1)帧约束：每一个TT流f_i第一帧的发送时间定义如下：

(2)链路约束：对于 在链路(ES_a，ES_b)上存在两条TT流f_i和f_j且i≠j，有：

(3)流传输约束：

有：

(4)端到端延时约束：

R_i＝ES_i→BR₁→BR₂→...→BR_h→ES′_i有：

(5)帧隔离约束：

假设当前网络任意两条TT流f_i，f_j(i≠j)同时从(ES_x，ES_a)和(ES_y，ES_a)到达节点ES_a，有：

表示F_i在链路(ES_a，ES_b)的出端口上的优先级队列分配，所述帧隔离约束表示同一队列中的任意两条流之间，只有当一条流的帧全部离开队列，另一条流的帧才能开始进入队列。

12.根据权利要求11所述的时间敏感网络中的多路径联合调度方法，其特征在于：流量调度在满足所有约束条件的同时优化传输性能，以最小化端到端延时和流量的总传输时长为目标函数；TT流f_i的端到端时延为最后一帧n_i在路径最后一个交换机BR_h的帧传输偏移量与第1个帧在源节点ES的帧传输偏移量的差值加上n_i的发送时延，总传输时长为所有TT流第n_i个帧在路径BR_h的帧传输偏移量加上n_i的发送时延的最大值，同时定义ε为所有TT流端到端延时之和，γ为所有TT流的总传输时长中最大值：

以ε和γ两个指标，构建权重系数w₃，w₄且w₃+w₄＝1，设置辅助变量

13.根据权利要求1所述的时间敏感网络中的多路径联合调度方法，其特征在于：所述第七步具体包括：

S71：获取传输方案ω_i(ω_i∈ω)，初始化X_best；

S72：输入ω_i，结合流量传输约束条件采用ILP求解器得出门控列表同时计算所有TT流端到端延时之和ε、总传输时长γ；设置权重系数w₃，w₄，根据/>保留最小值及其最佳门控列表X_best；

S73：是否存在未计算的传输方案，如果存在，返回步骤S72，否则进入步骤S74；

S74：检查X_best是否为空，如果为空即调度失败情况，增加候选路径解空间数量候选路径K数量并返回候选路径选择阶段，如果不为空则求解成功，输出最优路径的门控列表X_best。