CN116074260A - 一种电力网络中业务切片调度编排方法 - Google Patents
一种电力网络中业务切片调度编排方法 Download PDFInfo
- Publication number
- CN116074260A CN116074260A CN202310155464.9A CN202310155464A CN116074260A CN 116074260 A CN116074260 A CN 116074260A CN 202310155464 A CN202310155464 A CN 202310155464A CN 116074260 A CN116074260 A CN 116074260A
- Authority
- CN
- China
- Prior art keywords
- service
- power
- priority
- traffic
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004891 communication Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 abstract description 5
- 235000019580 granularity Nutrition 0.000 abstract 1
- 238000002955 isolation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/821—Prioritising resource allocation or reservation requests
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
- H04L47/2433—Allocation of priorities to traffic types
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种电力网络中业务切片调度编排方法。本发明提供了一种电力网络中业务切片调度编排方法,所述方法能够根据电力通信网络中传输的电力业务的类型,选择不同粒度的FlexE帧时隙和时隙调度编排方法,通过基于神经网络的短期流量预测,自适应的分配高低优先级电力业务的时隙资源,解决了电力业务切片的时隙资源冲突问题,提高了电力通信网络的带宽和时隙资源利用率,降低了网络阻塞率。
Description
技术领域
本发明涉及电力业务通信技术领域,尤其涉及一种电力网络中业务切片调度编排方法。
背景技术
近年来,随着第五代移动通信技术(5G)与垂直行业的融合创新,推动了能源互联网尤其智能电网的发展,也对承载智能电网的电力通信网提出了多颗粒度、高可靠、灵活性以及确定性低时延的新型业务需求,但是传统电力通信网络难以满足具有多维特征的新型电力业务需求,故迫切需要建设能够满足能源互联网多元业务需求的切片网络。
FlexE作为承载网网络切片的硬隔离技术之一,该技术能够通过时分复用方式将电力通信网络的时隙资源独立划分为不同的以太网管道,不同切片承载的业务互不影响,实现了端到端的硬隔离并为不同业务提供定制化服务,保障了不同类型电力业务的QoS(Quality of Service,服务质量),如端到端时延、阻塞率等。FlexE提供定制化服务时,需要准确的流量预测,基于流量预测结果,动态提前调整网络资源和相关状态,实现资源与网络业务需求的主动匹配与实时联动。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明提供一种电力网络中业务切片调度编排方法。
第一方面,本发明提供一种电力网络中业务切片调度编排方法,包括:
接收电力通信网络中的待传输业务列表,确定所述待传输业务列表中业务的业务类型和数量,并根据所述业务类型确定所述业务属于高优先级电力业务或低优先级电力业务;对所述高优先级电力业务,采用第一粒度FlexE切片单独承载,通过资源预留的方法确定所述电力通信网络中每个电力节点传输所述高优先级业务的业务带宽,计算所述电力通信网络中每个电力节点传输所述高优先级业务所需的时隙数量;对所述低优先级电力业务,采用第二粒度FlexE切片单独承载,通过基于机器学习的短期流量预测方法确定所述电力通信网络中每个电力节点传输所述低优先级业务的业务带宽,计算所述电力通信网络中每个电力节点传输所述低优先级业务的所需的时隙数量;
在每个FlexE帧传输周期内,优先对所述高优先级电力业务均匀分配所需的时隙资源,直至所述高优先级电力业务完成时隙资源分配后,对电力通信网络中传输的所述低优先级电力业务采用机会主义的方法分配所需的时隙资源。
更进一步地,所述电力业务的类型包含安全I区业务、安全II区业务、安全III区业务和安全IV区业务中的一种或多种;将所述安全I区业务作为高优先级电力业务进行业务切片的调度与编排,将所述安全II区业务、所述安全III区业务、所述安全IV区业务作为低优先级电力业务进行业务切片的调度与编排;
所述高优先级电力业务包括继电保护业务、差动保护业务、调度自动化业务、需求响应控制业务中的一种或多种业务;
所述低优先级电力业务包括计量自动化业务、办公自动化业务、生产管理业务、监控管理业务、视频会议业务、行政电话业务中的一种或多种业务。
更进一步地,配置FlexE帧时隙的颗粒度包括:10Mbps和5Gbps;所述第一粒度采用10Mbps颗粒度,所述第二粒度采用5Gbps颗粒度。
更进一步地,针对所述高优先级电力业务,基于资源预留方法确定业务带宽,计算所述高优先级电力业务所需的时隙数量,包括:
对于第i条待传输的高优先级电力业务,根据电力节点内带宽资源预留的大小计算所述电力通信网络中每个电力节点承载每条待传输的高优先级电力业务需要的时隙数量其中,表示向上取整,bhigh表示FlexE系统中采用的承载所述高优先级电力业务的第一粒度。
更进一步地,针对所述低优先级电力业务,基于机器学习的短期流量预测方法确定业务带宽,计算所需的时隙数量包括:
对于第j条所述低优先级电力业务,根据短期流量预测的带宽大小判断电力通信网络中每个电力节点的时隙资源足够承载所有低优先级电力业务的带宽需求时,计算所述电力通信网络中每个电力节点承载每条待传输的低优先级电力业务需要的时隙数量
判断所述电力通信网络中任意电力节点的时隙资源不能承载第j条所述低优先级电力业务的带宽需求时,按照将已有时隙资源均匀分配的方法计算所述电力通信网络中′每个电力节点承载每条待传输的低优先级电力业务需要的时隙数量
更进一步地,为确定待传输的所述低优先级电力业务的业务带宽而实施的所述短期流量预测方法包括:采用改进的机器学习方法求解所述基于时间序列的非线性业务流量预测模型,利用基于时间序列的非线性业务流量预测模型预测带宽大小。
更进一步地,所述改进的机器学习方法为使用粒子群优化算法优化的BP神经网络算法,通过引入遗传算法中的自适应变异因子来以一定概率初始化部分变量,求解电力通信网络中所述基于时间序列的非线性业务流量预测模型,其中,通过非线性激活函数在BP神经网络算法的BP神经网络中引入非线性。
更进一步地,所述基于时间序列的非线性业务流量预测模型被赋予两种预测状态,包括:
强预测:预测结果高度可信,即在最近时间间隔的连续时间段内平均预测误差比均小于预测精准度门限或者网络所能容忍的最大误差;
弱预测:预测结果不可信,即在最近时间间隔的连续时间段内平均预测误差比均大于预测精准度门限或者网络所能容忍的最大误差。
更进一步地,在每个FlexE帧传输周期内,采用首次匹配的方法依次为待传输的所述高优先级电力业务分配第一个时隙位置;
对于所述待传输的高优先级电力业务所需的对于高优先级电力业务所需要的第i(2<i<N)个时隙应该均匀的分配至该FlexE帧周期的第Li个位置,位置Li的计算式为:
Li=(i-1)*(T/N);
其中,T为周期长度,为各个Client传输间隔的最小公倍数,N为业务需要的时隙数量。
更进一步地,所述高优先级业务完成时隙资源分配后,在每个FlexE帧传输周期内,根据链路中各时隙位置的占用情况,采用机会主义的方法:当高优先级业务没有完全使用完本周期内的时隙资源,或者当分配给高优先级业务的指定时隙总数小于可用时隙的数量时,可通过利用链路中暂时未被使用的时隙依次为所述待传输的低优先级业务进行分配,若后一时刻该时隙被所述高优先级业务占用,停止对所述低优先级业务的承载,实现对所述低优先级业务机会性的时隙资源访问。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点:
相对于现有技术,本发明通过业务类型将电力二次系统安全防护管理体系的四种分区业务划分为高优先级业务与低优先级业务,对于所述高优先级业务采用第一粒度的FlexE帧单独承载,优先通过资源预留方法确定所述高优先级业务带宽并均匀分配时隙资源,实现对业务切片的硬隔离承载,保障所述高优先级业务的端到端低时延以及时延抖动的需求,完成所述高优先级业务完成时隙资源分配后,对于所述低优先级业务采用第二粒度的FlexE帧单独承载,通过基于机器学习的短期流量预测方法预先估算业务带宽并以机会主义方法利用链路中暂时未被使用的时隙依次承载所述待传输的低优先级业务,提高了电力通信网络对链路时隙资源的利用率,满足了所述电力通信网络中多种优先级业务的差异化隔离需求,解决了电力业务切片间时隙资源占用的冲突问题,降低了电力通信网络的阻塞率,提高了网络传输效率。利用链路中暂时未被使用的时隙依次为所述待传输的低优先级业务进行分配,若后一时刻该时隙被所述高优先级业务占用,停止对所述低优先级业务的承载,实现对所述低优先级业务的机会性时隙资源访问。对业务划分不同的优先级,分别采用不同的方案进行切片的调度与编排,既能够满足电力通信网络中实时控制类业务硬隔离、低时延的业务需求,也能够通过时隙编排与调度提高网络资源利用率,保障了电力通信网络中不同类型业务的QoS(Quality of Service,服务质量)与SLA(Service-LevelAgreement,服务等级协议)
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电力网络中业务切片调度编排方法的流程示意图;
图2为本发明实施例提供的计算低优先级电力业务所需时隙数量的流程图;
图3为本发明实施例提供的基于时间序列的非线性业务流量预测模型预测误差和可信触发门限的图表;
图4为本发明实施例提供的BP神经网络的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
近年来随着智能电网的发展,对承载智能电网的电力通信网提出了多颗粒度、高可靠、灵活性以及确定性低时延的新型业务需求,但是传统电力通信网络存在局限性,无法保障电力业务的QoS(Quality of Service,服务质量),如端到端时延、资源利用率、阻塞率等,因此需要建设能够满足能源互联网多元业务需求的切片网络。
解决电力业务切片的时隙资源冲突问题,以及能够解决电力通信网络的资源利用率低、网络阻塞率高的问题,本发明提供一种电力网络中业务切片调度编排方法。为便于对本实施例进行理解,首先对本发明实施例所公开的一种电力网络中业务切片调度编排方法进行详细介绍,参见图1所示,所述的一种电力网络中业务切片调度编排方法包括:
步骤S100:接收电力通信网络中的待传输业务列表,确定所述待传输业务列表中业务的业务类型和数量,并根据所述业务类型确定所述业务属于高优先级电力业务或低优先级电力业务。
电力业务的类型包含安全I区业务、安全II区业务、安全III区业务和安全IV区业务中的一种或多种;将所述安全I区业务视作高优先级电力业务进行业务切片的调度与编排,将安全II区业务、安全III区业务和安全IV区业务视作低优先级电力业务进行业务编排与调度。
具体的,所述高优先级电力业务包括继电保护业务、差动保护业务、调度自动化业务、需求响应控制业务中的一种或多种;所述低优先级电力业务包括计量自动化业务、生产管理业务、监控管理业务、视频会议业务中的一种或多种。所述高优先级电力业务均为电力二次系统安全防护管理体系所划分的生产控制大区中对时延与可靠性要求较高的实时控制类业务,而所述低优先级电力业务则为电力二次系统安全防护管理体系所划分的生产控制大区中对时延与可靠性要求较低的非实时控制类业务与管理信息大区中的业务。
步骤S200:对被检测为高优先级电力业务的电力业务,采用第一粒度FlexE切片单独承载,通过资源预留的方法确定电力通信网络中待传输的所述高优先级电力业务的业务带宽,计算电力通信网络中每个电力节点承载每条待传输的所述高优先级电力业务需要的时隙数量。
FlexE切片技术在现有的IEEE802.3标准上,在MAC层与PHY层间引入FlexE Shim层;该层实现了FlexE的核心功能,主要负责向FlexE PHY协调和分发FlexE Client的数据流,同时支持FlexE Client之间的速率适配;此外,基于时分复用技术,FlexE支持任意多个子接口在任意FlexE PHY进行映射与传输,实现端口捆绑、子速率及通道化功能,打破了标准以太网架构下MAC层只匹配现有PHY层接口速率的限制,实现了网络接口的灵活匹配;同时支持将一个或多个捆绑后的Ethernet端口划分为多个独立的以太网弹性硬管道,实现了端到端的硬隔离,提高了切片的安全性。具体的,配置FlexE帧时隙的颗粒度包括:10Mbps和5Gbps。所述第一粒度采用10Mbps颗粒度。
在一些实施例中,通过资源预留的方法确定所述电力通信网络中待传输的高优先级电力业务带宽,计算所述电力通信网络中每个电力节点承载每条待传输的高优先级电力业务需要的时隙数量,具体的流程如下:
步骤S300:对检测为低优先级电力业务的电力业务,采用第二粒度FlexE切片单独承载,通过基于机器学习的短期流量预测方法确定电力通信网络中待传输的所述低优先级电力业务的业务带宽,计算电力通信网络中每个电力节点承载每条待传输的所述低优先级电力业务需要的时隙数量。
具体的,所述第二粒度采用5Gbps颗粒度,通过5Gbps颗粒度的FlexE帧承载低优先级电力业务。
在一些实施例中,参阅图2所示,通过基于机器学习的短期流量预测方法确定所述电力通信网络中待传输的低优先级电力业务的业务带宽,计算所述电力通信网络中每个电力节点承载每条待传输的低优先级业务需要的时隙数量,具体按照步骤S310~S340进行处理:
在一些实施例中,为确定待传输的所述低优先级电力业务的业务带宽而实施的短期流量预测方法包括:
S311,采用改进的机器学习方法求解所述基于时间序列的非线性业务流量预测模型。
所述使用改进的机器学习方法为使用粒子群优化算法优化BP神经网络算法,通过引入遗传算法中的自适应变异因子来以一定概率初始化部分变量,求解电力通信网络中所述基于时间序列的非线性业务流量预测模型,其中,通过非线性激活函数在BP神经网络算法的BP神经网络中引入非线性。
结合图4所示,以粒子群优化算法优化BP神经网络算法为例说明求解电力通信网络中所述基于时间序列的非线性业务流量预测模型的过程:
为了更好的对时序进行预测,对切片业务数据进行时序扩展,将时序流量数据y进行特征采样和归一化为<x,y>(如时间、之前流量数据、星期、是否工作日等)。
设置BP神经网络输出层的神经元个数为1,隐含层神经元个数设定为p。
所述隐含层中各节点输入Si的计算式为: 其中,wij是输入层和隐含层连接权值,θi为隐藏层各节点阈值;所述隐含层各节点经非线性激活后输出bj的计算式为:j=1,2…p;所述输出层各节点输入L的计算式为:所述输出层各节点经非线性激活输出xi+1的计算式为:其中,γ是输出层各节点的阈值,vj是隐含层和输出层连接权值。隐藏层各节点的阈值、输入层和隐含层之间的连接权值、输出层各节点的阈值以及隐含层以及输出层之间的连接权值均由BP神经网络训练得到。
Xi=(xi,xi+τ,…,xi+(m-1)·τ)·T;
设定非线性动力系统输出yi的计算式为:
yi=xi+1;
粒子群优化算法优化BP神经网络算法中训练BP神经网络的过程包括:
初始化粒子群:首先,需要初始化粒子群,即随机选择一组BP神经网络的参数作为粒子群的初始状态。
计算粒子群适应度:根据粒子群的初始状态,计算每个粒子的适应度,即使用给定的非线性动力系统输入Xi,计算BP神经网络输出yi'和真实的非线性动力系统输出yi之间的差异。
更新粒子群:根据计算出的粒子群适应度,更新粒子群的自适应变异因子,即通过引入遗传算法中的自适应变异因子来以一定概率初始化部分变量,以期望获得更好的适应度。
重复计算粒子群适应度和更新粒子群,直到满足停止条件,即粒子群的适应度达到期望值。
获得最优参数:最终,粒子群优化算法获得BP神经网络的最优参数,使得网络在给定的数据集上达到最佳性能。
S320,判断电力通信网络中每个电力节点的时隙资源是否足够承载所有低优先级电力业务的带宽需求。若所述电力通信网络的时隙资源足够承载低优先级的所有低优先级电力业务的带宽需求时,则执行步骤330;若所述电力通信网络的时隙资源不能满足承载所有低优先级电力业务的带宽需求时,则执行步骤340。
在一些实施例中,考虑到对所述待传输的低优先级业务带宽进行短期流量预测时可能会生成错误预测,所述基于时间序列的非线性业务流量预测模型被赋予两种预测状态,包括:强预测和弱预测。具体的,定义一个指示变量k用来描述在时间t时第n个切片的预测精度,若k=1意味着在时间t时对第n个切片的短期带宽流量预测结果高度可信;若k=0意味着没有可信的预测结果。这里称k=1时为强预测,k=0时为弱预测,其中强预测的条件为:
反之,弱预测的条件为:
其中,t0表示某一特定时刻,TD表示保持在预测精准度门限下的时间间隔,ThACC表示预测精准度门限;同时,在连续时间段内进行FlexE切片的流量带宽预测过程中,指示变量k的值将随时间不断发生变化,图3是预测结果最近的时间间隔为TD的连续时间段内预测误差和可信触发门限的示意图。
步骤S400:基于计算得到的所述电力通信网络中每个电力节点承载每条待传输的高优先级电力业务和低优先级电力业务需要的时隙数量,在每个FlexE帧传输周期内,优先对所述电力通信网络中待传输的高优先级电力业务均匀分配所需的时隙资源,直至所述高优先级电力业务完成时隙资源分配后,对所述电力通信网络中待传输的低优先级电力业务采用机会主义的方法分配所需的时隙资源。
当高优先级业务没有完全使用完本周期内的时隙资源,或者当分配给高优先级业务的指定时隙总数小于可用时隙的数量时,可通过利用链路中暂时未被使用的时隙依次为所述待传输的低优先级业务进行分配,若后一时刻该时隙被所述高优先级业务占用,停止对所述低优先级业务的承载,实现对所述低优先级业务机会性的时隙资源访问。
根据电力业务的优先级大小,依次采用首次匹配的方法为高优先级电力业务分配第一个时隙,对于高优先级电力业务所需要的第i(2<i<N)个时隙应该均匀的分配至该FlexE帧周期的第Li个位置,位置Li的计算式为:
Li=(i-1)*(T/N);
其中,T为周期长度,为各个Client传输间隔的最小公倍数,N为业务需要的时隙数量。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read—Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是手机,个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的结构实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力网络中业务切片调度编排方法,其特征在于,包括:
接收电力通信网络中的待传输业务列表,确定所述待传输业务列表中业务的业务类型和数量,并根据所述业务类型确定所述业务属于高优先级电力业务或低优先级电力业务;对所述高优先级电力业务,采用第一粒度FlexE切片单独承载,通过资源预留的方法确定所述电力通信网络中每个电力节点传输所述高优先级业务的业务带宽,计算所述电力通信网络中每个电力节点传输所述高优先级业务所需的时隙数量;对所述低优先级电力业务,采用第二粒度FlexE切片单独承载,通过基于机器学习的短期流量预测方法确定所述电力通信网络中每个电力节点传输所述低优先级业务的业务带宽,计算所述电力通信网络中每个电力节点传输所述低优先级业务的所需的时隙数量;
在每个FlexE帧传输周期内,优先对所述高优先级电力业务均匀分配所需的时隙资源,直至所述高优先级电力业务完成时隙资源分配后,对电力通信网络中传输的所述低优先级电力业务采用机会主义的方法分配所需的时隙资源。
2.根据权利要求1所述的电力网络中业务切片调度编排方法,其特征在于,所述电力业务的类型包含:安全I区业务、安全II区业务、安全III区业务和安全IV区业务中的一种或多种;将所述安全I区业务作为高优先级电力业务进行业务切片的调度与编排,将所述安全II区业务、所述安全III区业务、所述安全IV区业务作为低优先级电力业务进行业务切片的调度与编排;
所述高优先级电力业务包括:继电保护业务、差动保护业务、调度自动化业务、需求响应控制业务中的一种或多种业务;
所述低优先级电力业务包括:计量自动化业务、办公自动化业务、生产管理业务、监控管理业务、视频会议业务、行政电话业务中的一种或多种业务。
3.根据权利要求1所述的电力网络中业务切片调度编排方法,其特征在于,配置FlexE帧时隙的颗粒度包括:10Mbps和5Gbps;所述第一粒度采用10Mbps颗粒度,所述第二粒度采用5Gbps颗粒度。
5.根据权利要求1所述的电力网络中业务切片调度编排方法,其特征在于,针对所述低优先级电力业务,采用基于机器学习的短期流量预测方法确定业务带宽,计算所需的时隙数量包括:
对于第j条所述低优先级电力业务,根据短期流量预测的带宽大小判断电力通信网络中每个电力节点的时隙资源足够承载所有低优先级电力业务的带宽需求时,计算所述电力通信网络中每个电力节点承载每条待传输的低优先级电力业务需要的时隙数量
判断所述电力通信网络中任意电力节点的时隙资源不能承载第j条所述低优先级电力业务的带宽需求时,按照将已有时隙资源均匀分配的方法计算所述电力通信网络中每个电力节点承载每条待传输的低优先级电力业务需要的时隙数量
6.根据权利要求5所述的电力网络中业务切片调度编排方法,其特征在于,为确定待传输的所述低优先级电力业务的业务带宽而实施的所述短期流量预测方法包括:采用改进的机器学习方法求解基于时间序列的非线性业务流量预测模型,利用基于时间序列的非线性业务流量预测模型预测带宽大小。
7.根据权利要求6所述的电力网络中业务切片调度编排方法,其特征在于,所述改进的机器学习方法为使用粒子群优化算法优化的BP神经网络算法,通过引入遗传算法中的自适应变异因子来以一定概率初始化部分变量,求解电力通信网络中所述基于时间序列的非线性业务流量预测模型,其中,通过非线性激活函数在BP神经网络算法的BP神经网络中引入非线性。
8.根据权利要求6所述的电力网络中业务切片调度编排方法,其特征在于,所述基于时间序列的非线性业务流量预测模型被赋予两种预测状态,包括:
强预测:预测结果高度可信,即在最近时间间隔的连续时间段内平均预测误差比均小于预测精准度门限或者网络所能容忍的最大误差;
弱预测:预测结果不可信,即在最近时间间隔的连续时间段内平均预测误差比均大于预测精准度门限或者网络所能容忍的最大误差。
9.根据权利要求1所述的电力网络中业务切片调度编排方法,其特征在于,所述在每个FlexE帧传输周期内,优先对所述高优先级电力业务均匀分配所需的时隙资源,包括:
在每个FlexE帧传输周期内,采用首次匹配的方法依次为待传输的所述高优先级电力业务分配第一个时隙位置;
对于所述待传输的高优先级电力业务所需的对于高优先级电力业务所需要的第i(2<i<N)个时隙应该均匀的分配至该FlexE帧周期的第Li个位置,位置Li的计算式为:
Li=(i-1)*(T/N);
其中,T为周期长度,为各个Client传输间隔的最小公倍数,N为业务需要的时隙数量。
10.根据权利要求1所述的电力网络中业务切片调度编排方法,其特征在于,所述高优先级业务完成时隙资源分配后,在每个FlexE帧传输周期内,根据链路中各时隙位置的占用情况,采用机会主义的方法:当高优先级业务没有完全使用完本周期内的时隙资源,或者当分配给高优先级业务的指定时隙总数小于可用时隙的数量时,可通过利用链路中暂时未被使用的时隙依次为所述待传输的低优先级业务进行分配,若后一时刻该时隙被所述高优先级业务占用,停止对所述低优先级业务的承载,实现对所述低优先级业务机会性的时隙资源访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310155464.9A CN116074260A (zh) | 2023-02-22 | 2023-02-22 | 一种电力网络中业务切片调度编排方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310155464.9A CN116074260A (zh) | 2023-02-22 | 2023-02-22 | 一种电力网络中业务切片调度编排方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116074260A true CN116074260A (zh) | 2023-05-05 |
Family
ID=86171459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310155464.9A Pending CN116074260A (zh) | 2023-02-22 | 2023-02-22 | 一种电力网络中业务切片调度编排方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116074260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886630A (zh) * | 2023-06-30 | 2023-10-13 | 北京科技大学 | 提升系统承载业务量的时间敏感网络调度方法及装置 |
-
2023
- 2023-02-22 CN CN202310155464.9A patent/CN116074260A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886630A (zh) * | 2023-06-30 | 2023-10-13 | 北京科技大学 | 提升系统承载业务量的时间敏感网络调度方法及装置 |
CN116886630B (zh) * | 2023-06-30 | 2024-06-18 | 北京科技大学 | 提升系统承载业务量的时间敏感网络调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110381541B (zh) | 一种基于强化学习的智能电网切片分配方法及装置 | |
EP3342138B1 (en) | Systems and methods for distributing network resources to network service providers | |
US20190150158A1 (en) | Systems and methods for performing traffic engineering through network slices | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
CN111953510B (zh) | 一种基于强化学习的智能电网切片无线资源分配方法及系统 | |
CN111277437A (zh) | 一种智能电网的网络切片资源分配方法 | |
CN113778677B (zh) | 面向sla的云边协同资源编排与请求调度智能优化方法 | |
EP0936834B1 (en) | Method and apparatus for controlling traffic flows in a packet-switched network | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
US11601876B2 (en) | Method for controlling the admission of slices into a virtualized telecommunication network and the congestion likely to be generated between services instantiated on said slices | |
CN109743751B (zh) | 无线接入网的资源分配方法及装置 | |
CN105897612A (zh) | 一种基于sdn多业务动态带宽分配的方法和系统 | |
CN114374605A (zh) | 一种网络切片场景下服务功能链动态调整和迁移方法 | |
CN115103450B (zh) | 一种多业务时隙分配方法和设备 | |
CN116074260A (zh) | 一种电力网络中业务切片调度编排方法 | |
Hirayama et al. | RAN slicing in multi-CU/DU architecture for 5G services | |
CN114845400A (zh) | 一种基于FlexE的资源分配方法及系统 | |
Lan et al. | Throughput-optimal H-QMW scheduling for hybrid wireless networks with persistent and dynamic flows | |
CN1879360B (zh) | 用于宽带接入系统的分布式媒体接入控制 | |
Ajayi et al. | An online multi-dimensional knapsack approach for slice admission control | |
CN112068964A (zh) | 一种切片式边缘算力管理方法 | |
US8467401B1 (en) | Scheduling variable length packets | |
CN116302404A (zh) | 面向资源解耦合数据中心的服务器无感知计算调度方法 | |
Kochetkova et al. | Controllable Queuing System with Elastic Traffic and Signals for Resource Capacity Planning in 5G Network Slicing | |
CN113784395A (zh) | 一种5g网络切片资源分配方法及系统 |
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 |