CN117857424A - 数据调度方法、装置、设备及计算机可读存储介质 - Google Patents
数据调度方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117857424A CN117857424A CN202311636468.5A CN202311636468A CN117857424A CN 117857424 A CN117857424 A CN 117857424A CN 202311636468 A CN202311636468 A CN 202311636468A CN 117857424 A CN117857424 A CN 117857424A
- Authority
- CN
- China
- Prior art keywords
- data
- scheduling
- time
- determining
- network
- 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
- 230000005540 biological transmission Effects 0.000 claims abstract description 232
- 238000005457 optimization Methods 0.000 claims description 68
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003016 pheromone Substances 0.000 description 29
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000007704 transition Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/70—Routing based on monitoring results
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开一种数据调度方法、装置、设备及计算机可读存储介质,该数据调度方法包括:获取当前的网络状态信息;基于网络状态信息,确定一个或多个数据流的目标传输路径;基于目标传输路径确定一个或多个数据流的调度顺序;基于网络状态信息,确定包含一个或多个数据流的调度时间表;基于调度时间表和调度顺序,调度一个或多个数据流。以此,通过当前的网络状态信息,确定了数据调度的顺序和调度时间表,从而得到数据流调度的最佳时刻和最佳路径,提高了数据调度的效率,保证了数据调度的实时性。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种数据调度方法、装置、设备及计算机可读存储介质。
背景技术
随着智能网联汽车的发展,传统的分布式汽车电子电器架构逐渐向集中式计算式发展。车载以太网逐渐被用作电子电器架构中的整车主干网络。汽车高级智能驾驶、车云一体化和智能座舱等技术的应用使得车载以太网所传输的控制、诊断和信息娱乐类数据越来越多,对数据流传输有了更高的实时性和可靠性需求。相关技术可以通过时间敏感网络(Time sensitive networking,TSN)将时隙分配给时间触发流进行数据调度,以提供低延时和确定性的数据传输服务。但是,相关技术在对TSN中的时间触发流进行传输时,数据调度的效率性不高,导致数据调度的实时性效果不佳。
申请内容
本申请实施例公开一种数据调度方法、装置、设备及计算机可读存储介质,用于提高数据调度的效率和实时性。
第一方面,本申请实施例公开一种数据调度方法,包括:
获取当前的网络状态信息;
基于所述网络状态信息,确定一个或多个数据流的目标传输路径;
基于所述目标传输路径确定所述一个或多个数据流的调度顺序;
基于所述网络状态信息,确定包含所述一个或多个数据流的调度时间表;
基于所述调度时间表和所述调度顺序,调度所述一个或多个数据流。
第二方面,本申请实施例公开一种数据调度装置,包括:
获取单元,用于获取当前的网络状态信息;
第一确定单元,用于基于所述网络状态信息,确定一个或多个数据流的目标传输路径;
第二确定单元,用于基于所述目标传输路径确定所述一个或多个数据流的调度顺序;
第三确定单元,用于基于所述网络状态信息,确定包含所述一个或多个数据流的调度时间表;
调度单元,用于基于所述调度时间表和所述调度顺序,调度所述一个或多个数据流。
作为一种可能的实现方式,所述网络状态信息包括网络参数和数据流参数,所述第一确定单元具体用于:
基于所述网络参数和所述数据流参数,确定不同传输路径中不同链路的负载信息和路由跳转次数;
基于所述负载信息和所述路由跳转次数,确定一个或多个数据流的目标传输路径。
作为一种可能的实现方式,所述第一确定单元基于所述负载信息和所述路由跳转次数,确定一个或多个数据流的目标传输路径,包括:
基于所述负载信息和所述路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径。
作为一种可能的实现方式,所述第一确定单元基于所述负载信息和所述路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径,包括:
基于所述负载信息和所述路由跳转次数,确定所述蚁群优化算法的输入参数;
基于所述输入参数,利用所述蚁群优化算法,计算所述一个或多个数据流在不同传输路径中不同链路的选择概率;
根据所述蚁群优化算法的预设迭代次数和所述选择概率,确定所述一个或多个数据流的目标传输路径。
作为一种可能的实现方式,所述网络参数包括:车载时间敏感网络拓扑连接方式、终端节点数量、交换节点数量、链路数量、链路带宽,以及节点的最大帧处理时延、帧间隔和时钟同步精度。
作为一种可能的实现方式,所述数据流参数包括时间敏感流帧长、传输周期、在链路上的传输时间、在端节点的响应时间、在节点间对应的通信关系。
作为一种可能的实现方式,所述第三确定单元具体用于:
根据所述网络状态信息,确定时间约束条件;
根据所述时间约束条件,建立时间优化模型;
根据所述时间约束条件和所述时间优化模型,确定包含所述一个或多个数据流的调度时间表。
作为一种可能的实现方式,所述第二确定单元具体用于:
基于所述目标传输路径上的路径信息,确定所述一个或多个数据流的顺序系数;
根据所述顺序系数,确定所述一个或多个数据流的调度顺序。
第三方面,本申请实施例公开一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序执行上述第一方面公开的方法。
第四方面,本申请实施例公开一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行上述第一方面公开的方法。
本申请实施例中,数据调度方法应用于获取当前的网络状态信息;基于网络状态信息,确定一个或多个数据流的目标传输路径;基于目标传输路径确定一个或多个数据流的调度顺序;基于网络状态信息,确定包含一个或多个数据流的调度时间表;基于调度时间表和调度顺序,调度一个或多个数据流。以此,通过当前的网络状态信息,确定了数据调度的顺序和调度时间表,从而得到数据流调度的最佳时刻和最佳路径,提高了数据调度的效率,保证了数据调度的实时性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例公开的数据调度系统的场景示意图;
图2是本申请实施例公开的一种车载网络架构示意图;
图3为本申请实施例公开的一种TSN数据调度网络模型示意图;
图4是本申请实施例公开的一种数据调度方法的流程示意图;
图5是本申请实施例公开的一种数据调度方法的应用场景流程示意图;
图6是本申请实施例公开的一种数据调度装置的结构示意图;
图7是本申请实施例公开的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种数据调度方法、装置、设备及计算机可读存储介质。本申请实施例将从数据调度装置的角度进行描述,该数据调度装置具体可以集成在计算机设备中,该计算机设备可以是终端设备,具体可以是数据调度工具上所搭载的终端设备,即数据调度终端;此外,终端设备还可以是其他类型的设备,例如,该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能穿戴设备等设备;此外,但并不局限于此。
例如,请参见图1,为本申请实施例提供的数据调度系统的场景示意图。该场景包括终端或服务器。
具体的,该终端或服务器可以获取当前的网络状态信息,并基于网络状态信息,确定一个或多个数据流的目标传输路径;基于目标传输路径确定一个或多个数据流的调度顺序;基于网络状态信息,确定包含一个或多个数据流的调度时间表;基于调度时间表和调度顺序,调度一个或多个数据流。
为了更好地理解本申请实施例,下面先对相关技术进行描述:
请参考图2,图2是本申请公开的一种车载网络架构示意图,车载网络架构是指在汽车中应用的网络系统,用于连接车辆内部的各种电子电器设备,实现数据传输、控制和通信功能。随着智能网联汽车的发展,传统的分布式汽车电子电器架构逐渐向集中式计算式发展,车载以太网逐渐成为整车主干网络的重要组成部分,如图2中的车载以太网(Ethereum,ETH)。值得说明的是,车载网络架构的作用主要体现在以下几个方面:1.数据传输:车载网络架构可以实现车辆内部各个设备之间的数据传输,包括传感器信息、控制指令、车辆状态等,为智能驾驶和车联网提供数据支持。2.控制功能:通过交换机(Switch),可以实现对车辆各个电子电器设备(如图2中ECU的中文全称是电子控制单元(ElectronicControl Unit,ECU))的控制,包括车身电子系统、座舱电子设备等,提高车辆的安全性和舒适性。3.诊断功能:车载网络架构可以实现对车辆各个部件的诊断和监测,及时发现故障并进行修复,提高车辆的可靠性和维护效率。4.信息娱乐:车载网络架构可以支持车内娱乐系统的功能,包括音频、视频、导航等,提供乘车舒适性和便利性。因此,车载网络架构在智能网联汽车中起着至关重要的作用,能够实现车辆各个功能模块之间的互联互通,并为车辆的智能化和人机交互提供基础支持。
请参考图3,图3是本申请公开的一种TSN数据调度网络模型示意图,如图3所示的是数据在TSN通信的有向图,端节点(Edge Switch,ES)和交换节点(Switch,SW)间通过物理链路连接,并允许数据流(包括链路上的数据流(ri)和端节点上的数据流(ei))的双向传输,虚线为数据数据流的传输路径。网络模型可以用有向图G=[V,L]表示。其中,V表示拓扑中包括端节点和交换节点的所有节点集合,参与通信的任意两个节点可表示为ESi∈V,ESj∈V。在通信路径(R)中,节点间的链路集合用L表示,有序节点对(ESi,SWa)和(SWa,ESj)的传输链路分别可表示为lia∈L和laj∈L,例如图3中,从ES4至SW2的传输链路可以表示为“L4,2”。数量为M的时间敏感流在整个拓扑网络传输路径的集合可表示为具体的,在模型中的每个交换节点执行一个或多个实时任务时,可以按照预先设计静态调度表(Gate Control List,GCL)控制队列(queue)中的实时数据进入对应的传输的门控开关(Gate),以此进行数据调度。
TSN是一种基于以太网的协议标准,旨在提供低延迟和确定性的数据传输服务。它是为了满足实时性和可靠性要求而设计的网络技术,用于支持对时间要求敏感的应用,如智能网联汽车、工业自动化等领域。TSN通过引入一系列的协议和机制,如时钟同步、带宽保障、数据调度等,来确保数据在网络中的传输具有可预测的延迟和可靠性。它可以在同一网络中支持多种不同等级的数据流,并使这些数据流能够按照其时间需求被传输和处理,从而提高网络的实时性和可靠性。TSN对于实现高效的数据传输和协同工作在智能网联汽车等领域具有重要意义。
以下分别进行详细说明。需要说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
在本申请实施例中,将从数据调度装置的角度进行描述,以该数据调度装置具体可以集成在计算机设备如服务器中。请参见图4,图4为本申请实施例提供的一种数据调度方法的流程示意图,以服务器为例,服务器上的处理器执行数据调度方法对应的程序时,该数据调度方法的具体流程如下:
101、获取当前的网络状态信息。
网络状态信息可以是描述网络当前状态和性能的相关数据。在本数据调度方法中,网络状态信息可以包括网络拓扑、性能参数和数据流特征等方面的信息。
获取到网络中数据流的传输路径和此时网络状态信息是指在调度过程中,通过分析车载TSN网络的拓扑结构和数据流需求,确定当前网络的状态信息。具体的,可以根据车载TSN网络的拓扑结构,获取每个节点的连接方式、节点数量、链路数量等网络参数信息。该网络参数信息可以帮助确定数据流的传输路径。其次,针对参与调度的数据流,获取每个数据流的传输周期、传输时间、帧长等数据流参数信息。该数据流参数信息可以描述数据流在链路上的传输需求。以此,通过获取这些网络参数信息和数据流参数信息(即网络状态信息),可以在后续步骤中计算得到每个数据流的传输路径,以优化数据流的传输效率。
通过以上方式,可以获取准确的网络状态信息,为后续传输路由进行优化求解提供数据支持,从而提高数据调度效率和实时性。
102、基于网络状态信息,确定一个或多个数据流的目标传输路径。
数据流可以是指在车载时间敏感网络(TSN)中传输的数据包或信息的流动。这些数据流可以由不同的车载应用或服务生成,例如视频流、音频流、传感器数据等。值得说明的是,数据流在TSN网络中具有一定的时效性和实时性要求,需要按照一定的调度顺序和时刻进行传输,以确保数据的准确传递和及时处理。
目标传输路径可以是指在一定的网络拓扑和数据流条件下,通过优化算法计算得到的最优传输路径,该路径能够最小化传输的延迟、拥塞和负载代价等指标,从而实现最优的数据传输效果。目标传输路径考虑了网络链路上的负载状态以及拥塞情况,使得数据流可以以最佳的方式从源节点传输到目的节点,以满足时间敏感流的实时性和高效性要求。
在获取智能网联汽车应用时间敏感网络的网络状态信息后,可以根据网络状态信息,确定出一个或多个数据流的最佳传输路径,即目标传输路径,具体的,可以根据链路的负载代价和拥塞延迟代价,带宽利用率、拥塞情况等,进行数据量传输路径的优化求解。
示例性的,在一个智能网联汽车的时间敏感网络中,有两个数据流需要传输,分别是流1和流2。流1需要从节点A传输到节点B,流2需要从节点C传输到节点D。此时,可以获取网络状态信息,例如节点之间的链路带宽利用率、各节点的负载情况等。然后,通过优化算法对数据流传输的最优路径进行求解。假设在某个时刻,节点A到节点B的链路带宽利用率较低,而节点C到节点D的链路带宽利用率较高。基于这些网络状态信息,可以计算出流1选择的最优路径是从节点A通过另一个中转节点E,再进入节点B,而流2选择的最优路径是直接通过节点C至D。
在一些实施例中,网络状态信息包括网络参数和数据流参数,可以根据网络参数和数据流参数,确定一个或多个数据流的目标传输路径将,如步骤102可以包括:
(102.1)基于网络参数和数据流参数,确定不同传输路径中不同链路的负载信息和路由跳转次数;
(102.2)基于负载信息和路由跳转次数,确定一个或多个数据流的目标传输路径。
网络参数可以是指定义了网络的一些特征和性能指标。其中包括车载时间敏感网络拓扑连接方式、终端节点数量、交换节点数量、链路数量、链路带宽,以及节点的最大帧处理时延、帧间隔和时钟同步精度等。其中,车载时间敏感网络的拓扑连接方式指的是车载网络中节点之间的连接方式,可以是星型连接、链式连接、或者其他拓扑结构。终端节点数量是指车载时间敏感网络中的终端节点的数量,包括车载设备或传感器等终端设备的数量。交换节点数量是指车载时间敏感网络中的交换节点的数量,用于实现数据交换和数据调度的节点数量。链路数量是指车载时间敏感网络中链路的数量,表示节点之间的连接通路的数量。链路带宽是指车载时间敏感网络中链路的传输带宽,用于衡量链路的传输能力。节点的最大帧处理时延是指车载时间敏感网络中节点对传输帧的处理能力,表示节点处理单个数据帧所需的最长时间。帧间隔是指车载时间敏感网络中相邻数据帧之间的时间间隔。时钟同步精度是指车载时间敏感网络中节点的时钟同步精度,用于保证网络中各节点的时钟同步。
数据流参数可以是指影响数据调度和传输的一些参数。这些参数包括时间敏感流的帧长、传输周期、在链路上的传输时间、在端节点的响应时间以及在节点间对应的通信关系。其中,时间敏感流的帧长指的是数据帧的长度,即在传输链路上的一个数据包的大小。传输周期是指时间敏感流(数据流)按照一定的规律进行传输的时间周期,即数据包之间的传输间隔。在链路上的传输时间是指时间敏感流从源节点传输到目的节点所需要的时间。在端节点的响应时间是指时间敏感流从源节点发送到目的节点后,目的节点进行处理并给出响应所需要的时间。在节点间对应的通信关系是指时间敏感流在传输过程中经过的各个节点之间的通信关系,即经过的路径和节点之间的通信关系。上述参数对于数据调度算法的设计和优化非常重要,可以用来评估数据流的时效性和实时性,并用于建立数据调度模型,以实现高效的数据流传输和调度策略。
负载信息可以是指链路上的数据吞吐量,用来表示链路的利用率。通过对链路上的数据吞吐量进行计算,可以得到链路的负载代价,用来评估链路的利用程度。链路的负载信息在车载网络中可以用于数据调度算法中的路由优化,以实现数据流在链路上的负载均衡和降低拥塞延迟。
路由跳转次数可以是指数据流在网络中传输过程中,经过的节点数目。路由跳转次数反映了数据流在网络中的路由跳转情况,即从源节点到目的节点所经过的中间节点数量。路由跳转次数越多,说明数据流经过了更多的节点,传输路径更加复杂,可能会导致传输延迟增加。因此,在数据调度优化中,通常会考虑减少路由跳转次数,以降低拥塞延迟。
根据车载TSN网络的特性以及数据流的传输需求,通过分析网络拓扑结构、链路带宽、节点数据处理时延等网络参数,以及时间敏感流的帧长、传输周期、传输时间等数据流参数,计算得到每条传输路径上链路的负载信息和路由跳转次数。示例性的,有一辆智能网联汽车需要通过车载TSN网络进行实时视频传输。根据网络参数的定义,可以确定车载TSN网络的拓扑连接方式、交换节点数量、链路数量以及链路带宽等信息。数据流参数的定义包括视频数据的帧长、传输周期以及传输时间等。在确定传输路径的过程中,首先根据网络拓扑结构和链路带宽计算每个链路的利用率,即链路上的负载信息。利用率越高表示链路的负载越重,可能会对数据传输造成拥塞。接下来,根据时间敏感流的传输需求,计算数据流在网络中的路由跳转次数。路由跳转次数可以表示数据流在网络中的传输延迟,跳转次数越多,延迟越高。通过计算得到不同传输路径中不同链路的负载信息和路由跳转次数,可以评估每条传输路径的性能。
在优化数据调度的过程中,可以选择一个或多个数据流的目标传输路径,即选择最优的传输路径来满足实时传输的需求。例如,在实时视频传输场景中,根据得到的链路负载信息和路由跳转次数,可以确定某个传输路径上链路利用率较低、路由跳转次数较少的链路作为目标传输路径。选择最优的传输路径可以提高视频传输的实时性和稳定性,降低拥塞延迟。以此,基于网络参数和数据流参数,确定不同传输路径中不同链路的负载信息和路由跳转次数是数据调度优化过程中的关键步骤,通过评估链路负载和路由跳转次数,选择最优的传输路径可以提高数据传输的效率和实时性。
在一些实施例中,具体可以使用蚁群优化算法确定数据流的目标传输路径,如步骤(102.2)可以包括:基于负载信息和路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径。
进一步的,“基于负载信息和路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径”包括:
(A.1)基于负载信息和路由跳转次数,确定蚁群优化算法的输入参数;
(A.2)基于输入参数,利用蚁群优化算法,计算一个或多个数据流在不同传输路径中不同链路的选择概率;
(A.3)根据蚁群优化算法的预设迭代次数和选择概率,确定一个或多个数据流的目标传输路径。
蚁群优化算法是一种模拟蚂蚁觅食行为的启发式算法。在蚁群优化算法中,蚂蚁根据信息素浓度和路径长度的信息选择移动的方向,通过不断迭代更新信息素浓度和路径转移概率来寻找最优解。
值得说明的是,信息素浓度是指在蚁群算法中,用来表示路径上信息素的浓度或含量的参数。信息素浓度越高,表示该路径上的信息素含量越多,蚂蚁更有可能选择这条路径。在本数据调度方法中,信息素浓度的计算可以根据链路的利用率等参数来确定。路径转移概率是指在蚁群算法中,表示蚂蚁从当前节点转移到下一个节点的概率。在数据调度算法中,路径转移概率用于决定每个数据流在相邻交换节点的路径选择概率,即确定数据流在网络中传输的路径。
可以将每只蚂蚁代表一条数据流,蚂蚁的移动的路径即为数据流的传输路径。在移动过程中,蚂蚁会根据信息素浓度和路径长度的信息来选择下一步要移动的节点。信息素浓度代表了路径的好坏程度,一般来说,路径上的信息素浓度越高,表示路径的质量越好。路径长度代表了路径的跳转次数,可以理解为传输路径的拥塞延迟,一般来说,传输路径的长度越短,表示传输路径的质量越好。通过不断迭代更新信息素浓度和路径转移概率,蚁群算法可以找到数据流的最佳传输路径,即信息素浓度最高、路径长度最短的路径。
具体的,根据网络中的负载信息和路由跳转次数,确定蚁群算法的输入参数。负载信息可以通过链路利用率来表示,链路利用率可以通过链路上的数据吞吐量来计算得到。路由跳转次数可以用数据流在网络中的路由跳转次数表示。根据实际情况,可以确定蚁群规模、信息素总量、信息素浓度、启发因子等输入参数,其中,蚁群规模是指参与调度的数据流的数量,信息素总量是指在蚁群算法中用于表示每条路径上信息素(路由选择因子)的总量,路由选择因子是用来评估并选择最优路径的参数,而信息素浓度则是指每个路径上信息素的浓度或密度。信息素浓度可由链路利用率(负载信息)计算得到,启发式因子可以作为用来计算数据流在网络中路径选择概率的重要参数。启发式因子通常与路由的跳转次数相关联,跳转次数越小,则启发式因子越大,表示该路径的选择概率越高。启发式因子的设定可以是根据实际需求和问题的特点来确定的,从而达到数据流调度优化的目标。启发式因子由路由跳转次数计算得到。接下来,利用蚁群算法来计算数据流在不同传输路径中的选择概率。首先,通过计算数据流在相邻交换节点的路径选择概率,得到路径的选择集合。然后,根据蚁群算法的迭代更新机制,不断更新路径集合和链路上的信息素,直到满足传输路径的搜索截止条件。在整个优化过程中,通过蚁群算法的运算和迭代,逐步调整路径的选择概率,使得数据流可以根据实际负载情况选择最优的传输路径。最后,根据蚁群优化算法的预设迭代次数和选择概率,确定每个数据流的目标传输路径。通过迭代计算得到的选择概率,结合预设的迭代次数,可以确定每个数据流在不同传输路径中选择的概率。根据概率大小,可以确定每个数据流的目标传输路径。选择概率较大的传输路径,即为数据流的目标传输路径。
示例性的,假设车载TSN网络中有两个数据流,分别为数据流A和数据流B,经过蚁群优化算法的计算和迭代,得到数据流A在传输路径1的选择概率较大,数据流B在传输路径2的选择概率较大。那么,可以确定数据流A的目标传输路径为传输路径1,数据流B的目标传输路径为传输路径2。总之,通过结合蚁群算法,可以对车载TSN网络中的数据流传输路径进行优化。利用蚁群算法的迭代更新机制,不断调整路径的选择概率,最终确定每个数据流的目标传输路径,从而实现数据流的负载均衡和降低拥塞延迟的优化目标。
进一步的,本申请公开了一种路径算法,以下是该算法的具体内容:
以下是对该路径算法的具体说明:
1、n表示算法的迭代次数;
2、初始化在时刻t网络节点a与节点b之间链路上的信息素浓度σab(t),启发式因子μab(t),算法的蚁群规模M,信息素总量S和最大迭代次数MAXGEN;
3、算法的循环截止条件;
4、迭代次数累加;
5、数据流在传输链路上的负载代价和拥塞延迟代价作为路由优化的评价因素。数据流在链路上的负载代价Rk用链路利用率Clk(t)进行表示,其大小与任意时刻t链路lk上的数据吞吐量qk(t)有关;
6、网络拥塞延迟代价Di用流的路由跳转次数表示,流fi所在节点到目的节点的路由跳转次数用g(Ni,ESj)表示,Ni为流当前所通过节点,ESj为流传输的目的节点;
7、在任意时刻t,时间敏感流在相邻交换节点的路径选择概率为:
时刻t网络节点a与节点b之间链路上的信息素浓度σab(t)取值为1/Clk(t),启发式因子μab(t)的取值为g(Ni,ESj),γ和ρ为重要程度,allowsetm表示数据流传输路径中可选择的下一个交换节点的集合;
8、得到每一次迭代搜索到的每条数据流的最优传输路径;
9、算法采用全局信息素更新的方式对信息素浓度进行更新,链路lk上信息素的增量由数据流在网络中经过的节点跳转次数决定;
10、满足最大迭代次数后结束算法;
11、输出每条流的最优传输路径(目标传输路径);
应理解,上述提供的算法和相关的公式只是对路由算法(路径算法)和类似公式的示例性说明,具体的算法和公式可能会根据具体情况有所变化,需要根据实际需求进行具体设计和实现。
通过以上方式,可以确定数据流的最优传输路径,进而提高网络中数据流的传输效率和实时性。在实际应用中,根据不同的网络状态信息和任务要求,可以使用不同的优化算法来确定最优传输路径。以此,可以提高数据流的传输效率和实时性,进而实现智能网联汽车应用的高效通信。
103、基于目标传输路径确定一个或多个数据流的调度顺序。
调度顺序可以是指在数据调度过程中,按照一定的规则或策略对数据流进行排列的顺序。具体来说,调度顺序决定了每个数据流在源节点上的发送顺序。
在车载TSN网络中,数据调度可以将数据流按照特定的顺序传输,以实现实时性和效率的需求。可以通过先对数据流的传输路径进行优化,然后再对数据流的调度顺序进行分配,以实现最优的数据调度。示例性的,可以根据目标传输路径中数据流的传输量确定其在调度顺序中的位置。较大传输量的数据流可以被优先调度,以减少传输时间并提高网络吞吐量。还可以根据数据流的优先级确定其在调度顺序中的位置。优先级较高的数据流可以被更早地调度,以确保其及时传输。也可以根据数据流的时限要求确定其在调度顺序中的位置。具有更严格时限要求的数据流可以被优先调度,以避免传输延迟导致的任务失败。具体的调度顺序确定方法可能会根据具体应用场景和需求的不同而有所差异,在实际应用时还需要根据具体情况进行调整和优化。
在一些实施例中,可以基于目标传输路径上的路径信息,例如路径上的数据流信息等,确定一个或多个数据流的顺序系数,从而根据该顺序系数,确定数据流的调度顺序,如步骤103可以包括:
(103.1)基于目标传输路径上的路径信息,确定一个或多个数据流的顺序系数;
(103.2)根据顺序系数,确定一个或多个数据流的调度顺序。
顺序系数可以是根据一定的影响因素对数据流进行评价和排序的一个数值。在数据调度中,通过计算和比较不同数据流的顺序系数大小,可以确定每个数据流在源节点上的发送顺序。顺序系数的大小可以根据具体的调度目标和时间约束条件来确定,常用的影响因素包括数据流的周期、帧长、跳转次数和链路负载等。顺序系数越大,表示该数据流在调度中的优先级越高。
具体的,在得到数据流的最优传输路径(目标传输路径)后,基于目标传输路径,对数据流的调度顺序进行分配。具体而言,根据数据流的特性,如周期、帧长,以及数据流在目标传输路径上的跳转次数和链路负载等,为每个数据流定义一个顺序系数,该顺序系数可以影响数据流在源节点的发送顺序。顺序系数的大小决定了数据流在源节点的优先级。其中,数据流的周期表示数据流发送的时间间隔。较短的周期意味着数据流需要更频繁地发送,而较长的周期意味着数据流可以较少地发送。可以使用周期的倒数作为数据流调度顺序顺序系数的一部分,以便在较短周期的数据流优先发送。数据流的帧长表示每个数据流发送的数据帧的长度。较长的帧长意味着数据流在发送时需要更长的时间,因此可以考虑将帧长的倒数作为数据流调度顺序顺序系数的一部分,以便优先发送较短帧长的数据流。数据流的跳转次数表示数据流在网络中进行的跳转次数。通常情况下,较少的跳转次数意味着较短的传输路径,因此可以考虑将跳转次数的倒数作为数据流调度顺序顺序系数的一部分,以便优先发送较少跳转次数的数据流。链路负载表示数据流在链路上的负载情况,可以使用链路利用率来表示。链路利用率越高表示负载越重,因此可以根据链路利用率的大小来定义数据流调度顺序顺序系数的一部分。例如,链路利用率较低的数据流可以优先发送,以避免链路的过载情况。综合考虑以上因素,可以将这些因素的倒数加权相加得到数据流调度顺序顺序系数。
示例性的,假设有两个数据流A和B,它们的周期分别为10ms和20ms,帧长分别为100字节和200字节,跳转次数分别为2次和4次,链路负载分别为0.5和0.8。那么可以计算得到数据流A的顺序系数为(1/10+1/100+1/2+1/0.5=1.35),数据流B的顺序系数为(1/20+1/200+1/4+1/0.8=0.70)。根据顺序系数的大小可以确定数据流的发送顺序,即首先发送顺序系数较大的数据流A,然后发送顺序系数较小的数据流B。需要说明的是,以上只是一种可能的方法,具体的数据流调度顺序顺序系数的定义还可根据实际需要进行调整和改进。以此,通过分配不同数据流的顺序系数,可以实现数据流的优先级控制,从而保证数据流的调度顺序符合车载TSN网络的实时性和效率要求。
通过以上方式,根据数据流以及对应的目标传输路径,进行调度顺序的分配,从而实现了数据流调度的最优化,以实现更高效、实时的数据调度。
104、基于网络状态信息,确定包含一个或多个数据流的调度时间表。
调度时间表可以是指在网络中进行数据传输时,根据数据流调度算法和网络状态确定的数据流在各个节点和链路上进行调度的具体时间表。通过合理的调度时间表安排,可以保证数据流的传输顺序、减小传输延迟,提高网络的实时性和效率。
基于网络状态参数,可以确定包含一个或多个数据流的调度时间表,例如,可以通过评估网络的拥塞程度、负载情况以及数据流的优先级等参数来决定数据流的传输时机。拥塞程度可以是指网络中的数据流超过网络容量的程度。当网络拥塞较高时,数据流的传输可能会受到延迟增加、丢包率增加等问题的影响,此时可以选择在网络拥塞较低的时刻进行调度,以避免传输延迟或丢失数据。例如,在一个拥塞的网络中,如果有多个数据流需要传输,可以选择在网络拥塞较低的时刻传输,以获得较好的传输性能。负载情况可以是指网络中的数据流负载情况。当网络负载较高时,数据流的传输可能会受到竞争的影响,此时可以选择在负载较低的时刻进行调度,以避免与其他数据流的竞争影响传输性能。数据流优先级可以是指根据数据流的重要性或实时性来确定传输优先级。较高优先级的数据流可以优先传输,以确保其及时到达。例如,在用户看车机上视频时,音频数据流的实时性较高,可以设置为较高的优先级,以保证音频的实时传输。综上,通过评估网络状态信息,可以确定数据流的调度时间表。
在一些实施例中,为优化每条数据流在网络节点和链路上的调度时隙偏移量,可以构建保证数据传输的时间约束条件,并可以以减小数据流调度的平均延迟和平均响应时间作为优化目标建立时间优化模型,从而确定数据流的调度时间表,如步骤104可以包括:
(104.1)根据网络状态信息,确定时间约束条件;
(104.2)根据时间约束条件,建立时间优化模型;
(104.3)根据时间约束条件和时间优化模型,确定包含一个或多个数据流的调度时间表。
时间约束条件可以是指在数据调度中,为了保证数据传输的时序关系和满足实时性要求,对数据流在网络节点和链路上的调度时隙偏移量进行约束的条件。其中,调度时隙偏移量指的是数据流在网络中的调度起始时刻相对于网络起始时刻的时间偏移量。它用来确定数据流在网络中的传输的起始时刻,确保数据流的正确传输顺序和时序要求。
时间优化模型可以是以减小参与调度的数据流的端到端平均时延最小和调度平均响应时间最小为目标的模型。
本方案中的数据调度优化方法对车载TSN网络中的时间敏感流进行调度前,首先可以获取网络状态信息,并根据这些信息确定时间约束条件。这些时间约束条件可以包括保证数据流有效的调度时间窗约束、保证端节点的调度时隙不会重叠约束、链路上的调度时隙无冲突约束、保证源节点、目的节点和链路上数据帧正确的传输时间顺序约束以及保证数据流的最大传输时延限制约束等。示例性的,假设在车载TSN网络中,其中有多个时间敏感的数据流需要进行调度。可以根据网络状态信息,确定每个数据流的传输周期、帧长、跳转次数等参数,建立时间约束条件,并根据这些参数和时间约束条件建立时间优化模型。在建立时间优化模型时,可以将数据流调度的目标确定为减小数据流调度的平均延迟和平均响应时间。通过优化调度时隙的分配,可以使得数据流在网络节点和链路上的调度时隙偏移量最优化,从而提高数据流的传输效率和实时性。为了实现这一目标,可以运用混合整数线性规划方法对调度时隙的偏移量变量进行求解,得到每个数据流的调度时刻,进而确定所有数据流的调度时间表。
示例性的,假设有两个时间敏感的数据流A和B,它们需要在车载TSN网络中进行传输。通过网络状态信息,可以确定每个数据流的传输周期、帧长等参数。根据时间约束条件和建立的时间优化模型,进而可以计算出包含数据流A和B在网络中的调度时刻的调度时间表。
示例性的,车载TSN网络中包含两个端节点A和B,以及一个链路L连接这两个节点。现在有两个时间敏感的数据流需要在该网络中传输,分别是流1和流2。在确定了最佳传输路径后,可以根据网络状态信息确定时间约束条件,并建立时间优化模型。假设流1和流2的起始时间窗口分别为T1和T2。通过设置决策变量,可以得到每个数据流的时隙偏移量,比如流1的时隙偏移量为x1,流2的时隙偏移量为x2。然后,根据时间约束条件和时间优化模型,使用混合整数线性规划方法进行求解,可以得到流1和流2在节点A和链路L上的调度时刻,进而确定包含流1和流2的调度时间表。以此,可以将时隙偏移量作为决策变量,并根据网络状态信息建立时间约束条件和时间优化模型,使用混合整数线性规划方法可以确定所有数据流的调度时间表,从而保证数据流按照最佳传输路径进行有序传输。
在数据调度的过程中,数据流从源节点到目的节点传输的时延越小,说明调度的效果越好,所以在调度算法中,可以将减小网络中参与调度通信的所有数据流的平均时延作为其中一个调度的优化目标。以此,本申请公开了一种时间优化模型的函数表达式:
y1为所有数据流的平均时延,fi.ed为任意一条数据流从源节点到目的节点的调度完成的最大时延。N为网络中所有参与调度数据流的数目。其中:
fi.ed=fi.o(ESn)+fi.p(ESn)-fi.o(ES1)+sync
fi.o为数据流的时隙偏移量,fi.p为端节点的最大响应时间,ES表示网络中通信的终端节点,ES1表示数据的发送节点,ESn表示数据的接收端节点,sync表示网络中的时钟同步精度(时钟同步精度可以是指在进行时间同步时,所能达到的时间精确度或误差范围。同步精度越高,时钟之间的时间同步更加准确。),fi.o(ESn)表示数据流在接收端节点的时隙偏移量,fi.p(ESn)表示数据流在接收端节点上的最大响应时间fi.p(ES1)表示数据流在发送端节点上的最大响应时间。
进一步的,本申请还考虑了TSN数据流在整个调度过程中的跨度时间,即网络中第一条数据流被发送到最后一条数据流被接收之间的时间。
在这里将减小参与调度的时间敏感流的平均响应时间作为调度优化的另一个目标。以此,本申请还公开了另一种时间优化模型的函数表达式:
y2为所有数据流的平均调度响应时间,fi.er为任意一条数据流fi在整个传输路径上的调度响应时间。N为网络中所有参与调度数据流的数目。
fi.er=fi.o(ESn)+fi.p(ES1)+sync。
应理解,上述提供的公式只是对时间优化模型(优化函数)和类似公式的示例性说明,具体的算法和公式可能会根据具体情况有所变化,需要根据实际需求进行具体设计和实现。
通过以上方式,可以确定所有数据流的调度时间表,以提高车载TSN网络中时间敏感流的传输效率和实时性。在具体的实现过程中,可以根据不同的网络状态信息和时间约束条件,结合混合整数线性规划方法,确定每个数据流的调度时刻,进而确定所有数据流的调度时间表,从而实现数据流调度的优化。
105、基于调度时间表和调度顺序,调度一个或多个数据流
根据所得到的数据流的调度时间表和数据流的调度顺序,对一个或多个数据流进行调度和传输。示例性的,假设在车载TSN网络中有两个时间敏感的数据流A和B,根据调度优化算法,得到了数据流的调度时间表和调度顺序。数据流的调度时间表显示数据流A在网络中的传输起始时间是t1,数据流B在网络中的传输起始时间是t2。调度顺序显示数据流A先于数据流B在源节点发送。根据该调度时间表和调度顺序,数据流A会在源节点根据调度时间表t1开始发送,经过数据流A对应的目标传输路径传输到目的节点;而数据流B会在数据流A发送完毕后,根据调度时间表t2开始发送,经过数据流B对应的目标传输路径传输到目的节点。以此,根据调度时间表和调度顺序进行数据流的调度和传输,可以实现数据流在网络中有序、按时发送和接收。
通过调度时间表和调度顺序进行数据流调度,可以有效地提高车载TSN网络中数据流的传输效率和实时性。同时,可以保证数据流的顺序传输,避免数据帧乱序,保证数据的正确性和完整性。
为了便于对本申请实施例的理解,可以以具体的应用场景进行描述。参考图5,以该数据调度过程的应用场景为例,该数据调度场景实例的流程具体如下:
在确定要进行调度数据流分配后,获取网络参数(网络状态信息),包括车载TSN拓扑连接方式、终端节点数量、交换节点数量、链路数量、链路带宽,网络时间参数包括节点的最大帧处理时延、帧间隔和时钟同步精度;数据流参数包括时间敏感流帧长、传输周期、在链路上的传输时间、在端节点的响应时间、在节点间对应的通信关系。接着,配置时间敏感流数据流模型,可以将数据流分为端节点和链路两个不同阶段,并一一对应,以便在后续根据数据流的周期、帧长、跳转次数和链路负载等因素,定义数据流调度顺序评价系数,决定每个数据流在源节点上的发送顺序。然后,结合蚁群算法和数据流在传输路径的负载代价和拥塞延迟代价两个因素,设计数据流路由算法对数据流在车载TSN中的传输路径进行优化,具体步骤包括:获取网络传输路径集合,计算链路负载代价和网络拥塞延迟代价,初始化蚁群规模、信息素总量、最大迭代次数,计算任意时刻链路的信息素浓度和启发式因子,计算路径转移概率,更新链路节点集合,构建路由搜索解空间,更新链路上的信息素,在满足迭代次数后,输出数据流的最优路径(目标传输路径)。基于得到的最优传输路径,对数据流的调度顺序进行分配。此步骤考虑了在高负载和多路径情况下的数据流传输路由选择对调度时间的影响。根据数据流调度的实时性要求,设置保证数据流正常传输的时间约束条件和提高调度实时性的目标函数(时间优化模型)。利用整数线性规划算法对数据流时隙偏移量优化模型进行求解,得到数据流在传输路径中的所有节点和链路上的调度时间表,即输出数据流调度时隙起始时刻偏移量。
通过以上步骤,本方案通过对流传输路由的优化和调度时间的优化,提高了车载TSN网络中大数据量传输的实时性,解决了数据流调度效率低和实时性差的问题。
通过以上应用场景实例,可实现如下效果:第一方面,在车载TSN网络中,通过对流传输路由的优化,提高了数据调度的效率。第二方面,改进了车载TSN网络中多数据量传输的实时性,提高了数据调度的实时性。第三方面,优化了数据流的调度时间表,提高了调度的精度和准确性。第四方面,最大化了网络中时隙分配的能量利用率,提高了网络资源的利用效率。第五方面,提高了车载TSN网络的传输性能,解决了数据流调度实时性不高的问题。
请参阅图6,图6是本申请实施例公开一种数据调度装置的结构示意图。其中,该数据调度装置可以集成在服务器中。如图6所示,该数据调度装置可以包括:
获取单元201,用于获取当前的网络状态信息;
第一确定单元202,用于基于网络状态信息,确定一个或多个数据流的目标传输路径;
第二确定单元203,用于基于目标传输路径确定一个或多个数据流的调度顺序;
第三确定单元204,用于基于网络状态信息,确定包含一个或多个数据流的调度时间表;
调度单元205,用于基于调度时间表和调度顺序,调度一个或多个数据流。
在一些实施例中,网络状态信息包括网络参数和数据流参数,第一确定单元202具体用于:
基于网络参数和数据流参数,确定不同传输路径中不同链路的负载信息和路由跳转次数;
基于负载信息和路由跳转次数,确定一个或多个数据流的目标传输路径。
在一些实施例中,第一确定单元202基于负载信息和路由跳转次数,确定一个或多个数据流的目标传输路径,包括:
基于负载信息和路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径。
在一些实施例中,第一确定单元202基于负载信息和路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径,包括:
基于负载信息和路由跳转次数,确定蚁群优化算法的输入参数;
基于输入参数,利用蚁群优化算法,计算一个或多个数据流在不同传输路径中不同链路的选择概率;
根据蚁群优化算法的预设迭代次数和选择概率,确定一个或多个数据流的目标传输路径。
在一些实施例中,网络参数包括:车载时间敏感网络拓扑连接方式、终端节点数量、交换节点数量、链路数量、链路带宽,以及节点的最大帧处理时延、帧间隔和时钟同步精度。
在一些实施例中,数据流参数包括时间敏感流帧长、传输周期、在链路上的传输时间、在端节点的响应时间、在节点间对应的通信关系。
在一些实施例中,第三确定单元204具体用于:
根据网络状态信息,确定时间约束条件;
根据时间约束条件,建立时间优化模型;
根据时间约束条件和时间优化模型,确定包含一个或多个数据流的调度时间表。
在一些实施例中,第一确定单元203具体用于:
基于目标传输路径上的路径信息,确定一个或多个数据流的顺序系数;
根据顺序系数,确定一个或多个数据流的调度顺序。
由上可知,本申请实施例可通过当前的网络状态信息,确定了数据调度的顺序和调度时间表,从而得到数据流调度的最佳时刻和最佳路径,提高了数据调度的效率,保证了数据调度的实时性。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本申请实施例还公开一种计算机设备,如图7所示,其示出了本申请实施例所涉及的计算机设备结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解,图7中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器301是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器302内的软件程序和/或模块,以及调用存储在存储器302内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器301可包括一个或多个处理核心;优选的,处理器301可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块,处理器301通过运行存储在存储器302的软件程序以及模块,从而执行各种功能应用以及数据调度。存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器302还可以包括存储器控制器,以公开处理器301对存储器302的访问。
计算机设备还包括给各个部件供电的电源303,优选的,电源303可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元304,该输入单元304可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信息输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。该计算机设备为第一计算机设备,具体在本实施例中,计算机设备中的处理器301会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能,如下:
获取当前的网络状态信息;基于网络状态信息,确定一个或多个数据流的目标传输路径;基于目标传输路径确定一个或多个数据流的调度顺序;基于网络状态信息,确定包含一个或多个数据流的调度时间表;基于调度时间表和调度顺序,调度一个或多个数据流。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由上可知,本申请实施例可直接通过当前的网络状态信息,确定了数据调度的顺序和调度时间表,从而得到数据流调度的最佳时刻和最佳路径,提高了数据调度的效率,保证了数据调度的实时性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例公开一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所公开的任一种数据调度方法中的步骤。例如,该指令可以执行如下步骤:
获取当前的网络状态信息;基于网络状态信息,确定一个或多个数据流的目标传输路径;基于目标传输路径确定一个或多个数据流的调度顺序;基于网络状态信息,确定包含一个或多个数据流的调度时间表;基于调度时间表和调度顺序,调度一个或多个数据流。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
本申请还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中各种可选实现方式中公开的数据调度方法。
由于该计算机可读存储介质中所存储的指令,可以执行本申请实施例所公开的任一种数据调度方法中的步骤,因此,可以实现本申请实施例所公开的任一种数据调度方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所公开的一种数据调度方法、装置、计算机设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种数据调度方法,其特征在于,包括:
获取当前的网络状态信息;
基于所述网络状态信息,确定一个或多个数据流的目标传输路径;
基于所述目标传输路径确定所述一个或多个数据流的调度顺序;
基于所述网络状态信息,确定包含所述一个或多个数据流的调度时间表;
基于所述调度时间表和所述调度顺序,调度所述一个或多个数据流。
2.根据权利要求1所述的方法,其特征在于,所述网络状态信息包括网络参数和数据流参数,所述基于所述网络状态信息,确定一个或多个数据流的目标传输路径,包括:
基于所述网络参数和所述数据流参数,确定不同传输路径中不同链路的负载信息和路由跳转次数;
基于所述负载信息和所述路由跳转次数,确定一个或多个数据流的目标传输路径。
3.根据权利要求2所述的方法,其特征在于,所述基于所述负载信息和所述路由跳转次数,确定一个或多个数据流的目标传输路径,包括:
基于所述负载信息和所述路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径。
4.根据权利要求3所述的方法,其特征在于,所述基于所述负载信息和所述路由跳转次数,利用蚁群优化算法确定一个或多个数据流的目标传输路径,包括:
基于所述负载信息和所述路由跳转次数,确定所述蚁群优化算法的输入参数;
基于所述输入参数,利用所述蚁群优化算法,计算所述一个或多个数据流在不同传输路径中不同链路的选择概率;
根据所述蚁群优化算法的预设迭代次数和所述选择概率,确定所述一个或多个数据流的目标传输路径。
5.根据权利要求2所述的方法,其特征在于,所述网络参数包括:车载时间敏感网络拓扑连接方式、终端节点数量、交换节点数量、链路数量、链路带宽,以及节点的最大帧处理时延、帧间隔和时钟同步精度。
6.根据权利要求2所述方法,其特征在于,所述数据流参数包括时间敏感流帧长、传输周期、在链路上的传输时间、在端节点的响应时间、在节点间对应的通信关系。
7.根据权利要求1所述方法,其特征在于,所述基于所述网络状态信息,确定包含所述一个或多个数据流的调度时间表,包括:
根据所述网络状态信息,确定时间约束条件;
根据所述时间约束条件,建立时间优化模型;
根据所述时间约束条件和所述时间优化模型,确定包含所述一个或多个数据流的调度时间表。
8.根据权利要求1所述方法,其特征在于,所述基于所述目标传输路径确定所述一个或多个数据流的调度顺序,包括:
基于所述目标传输路径上的路径信息,确定所述一个或多个数据流的顺序系数;
根据所述顺序系数,确定所述一个或多个数据流的调度顺序。
9.一种数据调度装置,其特征在于,包括:
获取单元,用于获取当前的网络状态信息;
第一确定单元,用于基于所述网络状态信息,确定一个或多个数据流的目标传输路径;
第二确定单元,用于基于所述目标传输路径确定所述一个或多个数据流的调度顺序;
第三确定单元,用于基于所述网络状态信息,确定包含所述一个或多个数据流的调度时间表;
调度单元,用于基于所述调度时间表和所述调度顺序,调度所述一个或多个数据流。
10.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序实现权利要求1至8任一项所述的数据调度方法中的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质为计算机可读并存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至8任一项所述的数据调度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636468.5A CN117857424A (zh) | 2023-11-30 | 2023-11-30 | 数据调度方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636468.5A CN117857424A (zh) | 2023-11-30 | 2023-11-30 | 数据调度方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117857424A true CN117857424A (zh) | 2024-04-09 |
Family
ID=90540864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311636468.5A Pending CN117857424A (zh) | 2023-11-30 | 2023-11-30 | 数据调度方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117857424A (zh) |
-
2023
- 2023-11-30 CN CN202311636468.5A patent/CN117857424A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114286413B (zh) | Tsn网络联合路由选择与流分配方法及相关设备 | |
JP4796668B2 (ja) | バス制御装置 | |
JP5276220B2 (ja) | バス制御装置およびバス制御装置に指示を出力する制御装置 | |
US11552857B2 (en) | Methods, systems and appratuses for optimizing the bin selection of a network scheduling and configuration tool (NST) by bin allocation, demand prediction and machine learning | |
Jianyong et al. | Survey on the performance analysis of networked control systems | |
CN115484205B (zh) | 确定性网络路由与队列调度方法及装置 | |
US10917355B1 (en) | Methods, systems and apparatuses for optimizing time-triggered ethernet (TTE) network scheduling by using a directional search for bin selection | |
US10887244B1 (en) | Methods, systems and apparatuses for optimizing time-triggered ethernet (TTE) network scheduling by bin allocation, demand prediction and machine learning | |
CN113498106A (zh) | 一种时间敏感网络tsn流的调度方法及装置 | |
CN112468412A (zh) | 用于为混合临界计算机网络生成调度表的方法 | |
CN115883438B (zh) | 时间敏感网络中时间触发流量的路由与调度方法、装置及可读存储介质 | |
CN113783793B (zh) | 对时间敏感的数据帧的流量调度方法及相关设备 | |
CN113765825A (zh) | 一种链式业务流调度的规划方法和系统架构 | |
Liu et al. | Research on flow scheduling of train communication based on time-sensitive network | |
Yang et al. | A Multi-Policy Deep Reinforcement Learning Approach for Multi-Objective Joint Routing and Scheduling in Deterministic Networks | |
CN117857424A (zh) | 数据调度方法、装置、设备及计算机可读存储介质 | |
Gopalakrishnan et al. | Hard real-time communication in bus-based networks | |
CN114697270A (zh) | 一种基于epa网络模型的仲裁方法、系统、设备及介质 | |
CN114830609B (zh) | 调度通过电信网络的传输 | |
Sun et al. | Joint Routing and Scheduling Optimization of in Vehicle Time Sensitive Networks based on Improved Grey Wolf Optimizer | |
CN116319526B (zh) | 一种不相容度感知的联合路由分区调度方法、装置及介质 | |
CN117768372B (zh) | 一种时间敏感网络中路由与调度联合优化方法及装置 | |
Kong et al. | SynAVB: Route and Slope Synthesis Ensuring Guaranteed Service in Ethernet AVB | |
CN114363215B (zh) | 一种基于供需平衡的列车通信网络时延分析方法 | |
CN115378865B (zh) | Avb流时延的路由调度方法和系统、存储介质、终端设备 |
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 |