CN1941737A - 预测节点时延的方法和装置以及时延保证的方法和装置 - Google Patents
预测节点时延的方法和装置以及时延保证的方法和装置 Download PDFInfo
- Publication number
- CN1941737A CN1941737A CNA2005101079948A CN200510107994A CN1941737A CN 1941737 A CN1941737 A CN 1941737A CN A2005101079948 A CNA2005101079948 A CN A2005101079948A CN 200510107994 A CN200510107994 A CN 200510107994A CN 1941737 A CN1941737 A CN 1941737A
- Authority
- CN
- China
- Prior art keywords
- delay
- time delay
- jumping
- maximum
- node
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种预测时延敏感业务流在网络传输中的时延以及为其提供时延保证的方法和装置。该时延预测的方法用于预测业务流在各其路径的各跳的时延,包括以下步骤:确定步骤,确定各跳的最大队列长度;排队时延预测步骤,根据所述确定步骤确定的各跳的最大队列长度预测各跳的最大排队时延。
Description
技术领域
本发明涉及电信网络中的服务质量(QoS)控制,更具体地,涉及对时延敏感的服务在网络各节点的时延的预测并为其提供时延保证的技术。
背景技术
近来,越来越多的新型业务开始在IP网上得到应用。在这些业务中,有许多业务(如IP电话,视频会议等)对其在网络传输中所经受的时延很敏感,过大的时延会严重影响这些业务的服务质量。因此,服务质量(QoS)保证已经成为了当前IP网络控制方面的热点问题。在该领域已经有很多研究成果,这些研究大多是基于以下两种模型之一:集成服务(Integrated Service)和区分服务(Differentiated Service)。集成服务优势在于它能够为单个的业务流(flow)提供服务质量保证。但是,由于要进行针对单个流的资源预留和调度,集成服务在可扩张性(scalability)方面有严重的问题,使其无法在大规模网络中得到应用。而区分服务通过对网络流量进行分级并针对流量等级(traffic class)进行调度,从而解决了可扩张性问题。目前,区分服务模型已经在实际网络中得到了大规模的应用。但是,由于区分服务不再为单个业务流提供服务质量保证,服务提供商不得不采用“过度分配”(over-provisioning)的方法来保证时延敏感业务的端对端时延。这种“过度分配”有以下的缺点:1)大量的网络资源被浪费;2)很难在网络流量的持续增长的同时在全网保证“过度分配”;3)无法对不同的时延敏感业务提供不同的保证(比如IP电话所需要的时延保证远比视频会议要严格)。
发明内容
本发明通过预测时延敏感业务流的在网络中个节点的最大时延而为其提供各种时延保证。本发明包括时延预测方法和装置以及根据预测的时延为业务流提供Qos保证的方法和装置。
根据本发明的一个方面,提供了一种时延预测的方法,用于预测业务流在其路径的各跳的时延,包括以下步骤:确定步骤,确定各跳的最大队列长度;排队时延预测步骤,根据所述确定步骤确定的各跳的最大队列长度预测各跳的最大排队时延。
根据本发明的另一方面,提供了一种业务流路径选取方法,包括:路径总时延确定步骤,根据所述业务流路径各跳的最大排队时延确定所述路径的总时延,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;路径选取步骤,选取所述总时延小于所要求的总时延的路径。
根据本发明的另一方面,提供了一种路由确定方法,根据业务流的时延要求确定业务流路径的下一跳,包括:链路代价确定步骤,确定业务流路径的当前最后一跳到与之相邻的多个节点的链路代价;最小时延代价确定步骤,根据所述业务流各跳的最大排队时延确定当前最后一跳到与之相邻的多个节点的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;下一跳确定步骤,当到所述多个节点的链路代价中,具有最小链路代价的节点有多个时,将具有最小时延代价的节点确定为下一跳。
根据本发明的另一方面,提供了一种路由确定方法,根据业务流的时延要求确定业务流路径的下一跳,包括:时延代价确定步骤,根据所述业务流各跳的最大排队时延确定业务流路径的当前最后一跳到与之相邻的多个节点中的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;下一跳确定步骤,将具有最小时延代价的节点确定为下一跳。
根据本发明的另一方面,提供了一种时延保证准入控制方法,用于新业务的准入控制,包括:节点时延增加判断步骤,根据新业务路径各节点的最大排队时延判断新业务是否会使新业务路径上的某些节点的最大时延增加,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;时延敏感业务流存在判断步骤,判断所述节点时延增加判断步骤所判断出的时延增加了的节点上是否存在时延敏感业务流;时延保证准入步骤,只接受不会破坏存在时延敏感业务流的所述节点上的时延敏感业务流的新业务流。
根据本发明的另一方面,提供了一种时延预测装置,用于预测业务流在各其路径的各跳的时延,包括以下单元:确定单元,确定各跳的最大队列长度;排队时延预测装置,根据所述确定单元确定的各跳的最大队列长度预测各跳的最大排队时延。
根据本发明的另一方面,提供了一种业务流路径选取装置,包括路径总时延确定单元,根据所述业务流路径各跳的最大排队时延确定所述路径的总时延,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;路径选取单元,选取所述总时延小于所要求的总时延的路径。
根据本发明的另一方面,提供了一种路由确定装置,根据业务流的时延要求确定业务流路径的下一跳,包括:链路代价确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的链路代价;最小时延代价确定单元,根据所述业务流各跳的最大排队时延计算当前最后一跳到与之相邻的多个节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;下一跳确定单元,当到所述多个节点的链路代价中,具有最小链路代价的节点有多个时,将具有最小时延代价的节点确定为下一跳。
根据本发明的另一方面,提供了一种路由确定装置,根据业务流的时延要求确定业务流路径的下一跳,包括:时延代价确定单元,根据所述业务流各跳的最大排队时延确定业务流路径的当前最后一跳到与之相邻的多个节点中的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;下一跳确定单元,将具有最小时延代价的节点确定为下一跳。
根据本发明的另一方面,提供了一种时延保证准入控制装置,用于新业务的准入控制,包括:节点时延增加判断单元,根据新业务路径各节点的最大排队时延判断新业务是否会使新业务路径上的某些节点的最大时延增加,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;时延敏感业务流存在判断单元,判断所述节点时延增加判断单元所判断出的时延增加了的节点上是否存在时延敏感业务流;时延保证准入单元,只接受不会破坏存在时延敏感业务流的所述节点上的时延敏感业务流的新业务流。
根据本发明的另一方面,提供了一种服务质量保证系统,包括:时延预测装置,用于预测业务流在各其路径的各跳的时延;服务质量控制装置,用于根据所述时延预测装置所预测的各跳的时延,进行服务质量控制;所述时延预测装置包括:确定单元,确定各跳的最大队列长度;排队时延预测装置,根据所述确定单元确定的各跳的最大队列长度预测各跳的最大排队时延。
在本发明中,时延敏感业务流在网络的各个节点的最大时延是根据其在该节点的输出端口的最大队列长度和端口的链路带宽计算的。而对最大队列长度的预测又是根据可能到达该端口的时延敏感业务流的流量进行的。和以前的时延预测方法相比,本发明具有以下优点:
1)有效:本发明利用最大可能注入的流量来估计最大队列长度。因为本发明考虑了高优先级流量的突发特性(burstness)和相互间的竞争,所以与那些在区分服务模型中简单的忽略高优先级流量的队列时延(queuing delay)的方法相比,其所提供的预测值更加有效。
2)准确:在本发明中,流量在各个节点的最大时延是根据各节点的具体情况(如网络拓扑、节点位置、输入/输出带宽等)预测的,对比于那些根据缓存大小或任意拓扑所进行的“最差情况(worst-case)”预测,本发明所提供的预测值更加准确。
3)负荷低:利用本发明进行预测时仅需要准入的时延敏感业务流的流量和网络拓扑,而这两种信息可以简单地从网络管理系统获得。对比那些需要专门从网络中采集数据进行预测的方法,本发明不会对网络添加额外负荷,并且计算负荷也低。
总之,本发明所提供的时延预测使得可以在区分服务模型中精确地提供端对端的时延保证。
附图说明
通过下面的详细描述,结合附图,可以更加清楚地理解本发明的特征和优点。附图中:
图1示出了在其中应用了本发明的系统;
图2示出了在其中应用了图1中所说明的系统的网络;
图3是依据本发明一个实施例的时延预测装置的方框图;
图4示出了当EF流量的输出端口的链路带宽大于或等于其输入端口的链路带宽之和的情况;
图5示出了当EF流量的输出端口的链路带宽小于其输入端口的链路带宽之和的情况;
图6描述了存储在图3中的存储单元中的典型信息;
图7示出了时延信息数据库中为网络中各节点建立的记录;
图8是本发明的QoS控制装置的方框图;
图9是依据本发明的端对端业务流路径选取单元的方框图;
图10描述了本发明的时延路由确定的一个示例;
图11描述了本发明的时延路由确定的另一个示例;
图12示出了时延路由确定单元的结构;
图13示出了本发明的时延保证准入控制的流程图。
具体实施方式
现有技术的时延预测技术是基于对网络和流量的各种假定而不是根据它们的实际情况作出的,这些技术可以分为以下三类:
1、假定网络中的EF流量(加速转发流量)很小,而且其排队时延是可以忽略不计的;
2、假定在网络的各个节点,EF流量始终添满节点的整个物理内存;
3、假定各个节点的物理内存是无限的而网络的规模有限。
这三类技术的共同点是它们都忽略了网络和流量的变化对时延的影响,因此它们所提供的预测值与实际时延的误差也很大。而且,这些技术都是根据各种不同的假设提出的,而这些假设也限制了它们的应用范围。比如第一类技术只能在流量很小的轻负载网络中应用;而第二类技术更适合在重负载网络中使用;第三类技术则只适用于节点数较少的小规模网络。
本发明中所提出的时延预测技术与现有技术的最大区别在于本发明中的技术不再对网络或流量作出各种假设,而是基于网络和流量的实际情况作出预测并且根据网络和流量的变化而更新预测值。
本发明通过预测时延敏感业务流在网络各节点的最大时延而为其提供时延保证。
在区分服务模型中,EF流量类型被用来传输时延敏感业务流。而EF流量通常是通过优先级排队(Priority Queuing)实现的。优先级排队是一种队列调度算法,它优先发送所有优先级高的数据包。本发明的时延预测方法是通过估算EF流量在各节点的各输出端口的最大队列长度来实现的。具体地,本发明首先计算最大排队时延,然后将其与其它时延(例如传播时延等,这些时延都可利用现有技术进行计算)相加,获得时延敏感业务流在该节点处的总时延。在计算最大排队时延时,首先计算最大队列长度,然后利用所计算出的最大队列长度,来确定最大排队时延。在本发明中,根据到达该节点的最大EF突发来计算最大排队时延。
下文将详细介绍本发明的时延预测方法的各步骤。在对这些步骤的说明中,结合了对本发明的时延预测方法的原理的说明。
图1示出了在其中应用了本发明的系统。如图1所示,应用了本发明具体实施例的系统100由三层组成。管理层110进行对用户的认证、授权和计费。它同时负责受理用户对其所使用的业务所提出的时延需求。该需求被传送到控制层120。控制层把得到的时延需求传给QoS控制装置,然后激活时延预测装置,时延预测装置根据数据库中的数据预测用户的业务流在网络中各节点的时延以及该业务流对现有的业务的影响。在本文中,假定用户所申请的新业务流的开始时间为t1,现有业务流是已经得到时延保证而且结束时间晚于t1的所有业务流。时延预测装置将预测的时延回传给QoS控制单元。而QoS控制装置根据预测值、用户需求以及QoS控制策略决定针对该业务流的控制方案,比如是否为该用户提供时延保证以及该业务流在网络中的路径等。然后,这些控制方案被传递给QoS命令单元。该单元负责根据受控设备的具体类型将控制方案转化为可被受控设备理解并执行的配置命令并下发给相应的设备。最后,在数据层的受控设备接受配置命令并根据命令对指定的业务流进行操作。在整个流程中,对上层需求或命令的响应也同时在反向传递。
图2示出了在其中应用了图1中所说明的系统的网络。图2所示的系统200包括中央管理服务器220和中央控制服务器210。图1中所说明的管理层的功能在中央管理服务器220上实现,控制层的功能则在中央控制服务器210上实现。根据所需的计算量的大小,中央管理服务器和中央控制服务器可以安装在一台或多台物理服务器上。路由器230A1到230AN是支持MPLS功能的网络边缘路由器(Edge Router)。它们接受中央控制服务器210的命令并实现数据层的功能,包括准入控制(AdmissionControl)、流量整形(Traffic Shaping)、显式LSP建立(Explicit LabelSwitched Path Setup)、流量优先级标记(Traffic Priority Marking)和流量映射(Traffic Mapping)等。应该注意,虽然在本文的实施例中网络为MPLS网络,但显而易见地,本发明也可使用其它网络。
下面结合图3详细说明本发明的各节点的时延预测。
图3的方框图说明了本发明的时延预测装置,在该装置中进行本发明的时延预测。如图3所示,本实施例的时延预测装置310包括计算单元410、更新单元420、预测计算单元450、以及存储单元440。当QoS控制装置决定给予一个新的业务流时延保证时,该业务流在网络中的路径被传给时延预测装置310。时延预测装置310中的计算单元410从该业务流的入口节点开始,根据存储单元440的数据库中各节点的输入和输出端口的带宽信息以及到达该节点的最大流量突发来逐跳地计算在该路径的各个节点的输出端口的最大队列长度。所谓逐跳地计算是指下游节点的计算依赖于上游节点的计算值。所述最大流量突发是所考虑的节点的所有上游节点的最大队列长度的最大值。在逐跳计算入口节点以外的各跳的最大队列长度计算中,由更新单元420更新该最大流量突发。具体地,在计算单元计算出一跳的最大队列长度后,将其传给更新单元420,更新单元420将这一最大队列长度写入数据库中与该节点对应的记录的对应项中,更新数据库中该节点的最大队列长度的值,同时用该值与当前的最大流量突发相比较,选出其较大者作为该跳的下一跳的输入端口到达的流量的最大突发,在计算单元410确定下一跳的最大队列长度时使用该经更新(新确定)的最大流量突发。计算单元对最大队列长度的计算将在下文详细描述。预测计算单元450在QoS控制装置需要某些节点的时延值时被启用,其功能是根据数据库中的信息计算时延敏感业务流在指定节点的最大时延值并将时延值传递给QoS控制装置。
本发明基于EF流量的以下两个特征:1)在某网络的任意一条路径的各节点(跳)处,EF流量的最大队列长度存在(在本发明中用Qmax表示)并且该长度不一定是指定的缓存的大小;2)从某一输入端口到达的EF流量的突发(bust)的最大值不大于该输入端口的上游节点的Qmax的最大值。
特性1基于以下的认识。根据EF流量的定义,在流量输入的输入边缘节点(Ingress Node),所有属于EF流量类型的业务流都会被用一个参数为(ri,bi)的漏桶(Leaky Bucket)进行流量整形并且这些业务流的带宽会通过QoS路由算法保证。用af(t)=trf+bf来表述业务流f被整形后的流量曲线(rf是用于流量整形的漏桶的速率而bf是漏桶的深度),用I(i)表示在端口i构成EF流量的业务流的集合,那么EF流量在端口i的到达曲线可以表示为
这里D表示从各输入边缘节点到端口i的时延的最大值。而端口i的服务曲线(Service Curve)可以表述为σ(t)=(tCi-MTU)+,(MTU是端口的最大传输单元,在这里假定在网络的各个端口的MTU是一样的;而Ci是该端口的链路带宽;“+”是一种数学表达,表示该式的值只能为非负数)所以EF流量在端口i的累积(queuing)曲线可以表示如下
因为带宽保证,即
可以得到
其中,rf表示属于业务流集合I(i)的第f条业务流,集合I(i)表示在第i个端口的所有业务流,t表示时间。
对于任何网络而言,从输入边缘节点到某一端口的时延的最大值都是一个有限值,也就是说,上式中的D是一个有限值。所以,在各节点的各端口,EF流量的最大值Qmax都是存在的并且有可能远小于指定的缓存的长度。从上式中我们还可以看出在具备了带宽保证的前提下,EF流量在端口的排队是由于EF流量的突发造成的。所以,最大队列长度的预测可以基于对到达的突发流量的估算。
特性2源于严格优先级排队算法(Strict Priority Queuing)本身的特点。严格优先级排队的特点是无论有多少其它类型的流量在排队等候,它总是优先试图清空EF流量的队列。而被送出的EF流量以输出链路的速度到达下游节点。假设一条路径有h(h≥1)跳节点,我们用Qi max表示在第i(0≤i≤h-1)跳排队的EF流量的最大队列长度,用Qmax,j来表示到达第j(0≤j≤h-1)跳的EF流量突发的最大值。那么输入边缘节点能够不间断地发向该路径的第一跳的EF流量最大为Q0 max。根据以下两种不同的情况,这些流量或者在第一跳排队或者被直接转发给第二跳:1)在该跳,EF流量到达的输入端口的链路带宽小于或等于其离开所使用的输出端口的链路带宽,而且在该跳,没有从其它输入端口到达的流量在输出端口加入该EF流量,在这种情况下,该EF流量被直接转发给下一跳,即Qmax,2=Q0 max;2)在该跳,EF流量到达的输入端口的链路带宽大于其离开所使用的输出端口的链路带宽,或者在该跳,有从其它输入端口到达的流量在输出端口加入该EF流量,在这种情况下,Q1 max有可能大于Q0 max,而Q1 max会被以输出端口的链路速度不间断的发送给该路径的第二跳,即,Qmax,2=Q1 max。继续这一过程,我们可以推导出在第j跳,EF流量的突发的最大值可以表示为
也可表示为Qmax,j=max(Q0 max,…,Qj-1 max)。
从以上的说明可知,可以得出到达各个节点的EF流量的突发最大值,而在各个节点的EF流量的队列的最大值可以根据这些突发到达和离开节点的情况进行推导,其推导过程如下所示。
图4示出了当EF流量的输出端口的链路带宽大于或等于其输入端口的链路带宽之和的情况。考虑到多个包同时到达的情况,线段OA的最大长度是m×MTU/Cout其中m是EF流量的输入端口的个数。所以EF流量在输出端口的最大队列长度(即线段AB的最大长度)可以表示为
其中,Cout是输出端口的链路带宽、∑Cin是各个输入端口的带宽之和,这些都可以从网络拓扑上直接得到。
另一方面,如果条件∑Cin≤Cout在整个EF流量突发的到达过程中并不始终成立,到达和离开的EF流量的关系如图5所示。
如图5所示,在开始接收EF流量时(点O),输入端口的链路带宽之和大于输出端口的带宽。然后随着一些输入端口结束接收EF流量,输入端口的链路带宽之和在逐渐减小,当它减小到与输出端口的链路带宽相等或小于输出端口的链路带宽后,EF流量的队列不会在增加。图中线段BC的长度就是EF流量的最大队列长度。但是,如果要估计各个输入端口结束接收EF流量的时间,计算的复杂度会很高。所以,在本发明中用图中线段DH的长度来估算EF流量的最大队列长度。因为在开始时∑Cin>Cout,所以DH的长度大于BC的长度,从而估算值的有效性得到了保证。而线段DH的计算如下
其中,Cout是输出端口的链路带宽、∑Cin是各个输入端口的带宽之和,这些都可以从网络拓扑上直接得到。即最大队列长度为最大可能到达的流量减去在接收这些流量时发出的流量。
根据以上的分析,预测EF流量的队列长度的最大值的公式如下
上式中k是现有从该边缘节点输入的时延敏感业务流的个数,bi是第i个业务流的突发的大小,Qmax,j h表示从第h个输入端口到达的EF流量的突发的最大值,而该输入端口的链路带宽在上式中用Ch,j表示而Cj+1表示输出端口的链路带宽。
即,在网络入口,根据流量整形参数推算出在入口处的最大队列长度,在其余各跳,根据可能到达的最大流量突发,流量到达的端口的速率以及流量离开的端口的速率计算出在该跳的最大队列长度;而可能到达某跳的最大流量突发是在该跳的所有上游节点的最大队列长度的最大值。
具体地,在非入口的各跳的最大队列长度可以如下地计算:如果某一出口的带宽大于或等于流量可能到达的所有入口的带宽之和,在该出口的最大队列长度为入口的个数乘以最大传输单元的大小(最大传输单元的值在各端口都是固定的);反之,在该出口的最大队列长度为可能到达所有入口的最大流量突发之和减去在接收这些突发的过程中发出的流量,再加上入口的个数乘以最大传输单元的大小。
应该注意,在上面的实施例中,本发明采用计算DH的长度的方法来计算最大队列长度,但本发明并不限于此,例如可以采用计算BC的长度等来进行计算,很显然,在数学上,这是完全可以实现的,并且也因此可以在本发明中实现。但如上所述,这会使计算复杂。本领域技术人员根据本发明的原理,完全可以想到其他的计算方法。由于本发明的说明书只是示例性和解释性的,所以为简洁起见,对其余的算法不予一一列举。
在根据上面的公式得到在输出端口的EF流量的队列长度的最大值后,在该端口的EF流量的最大排队时延(queuing delay)可以简单地用最大队列长度除以该出端口的链路带宽来得到。而从该端口到其相连节点的传播时延(propagation delay)可以根据它们之间的物理距离来计算,而且最大传输时延(transmission delay)和处理时延(processingdelay)可以根据链路的速率以及节点的处理能力来计算或者在高速网络中忽略不计。将这些时延值相加就得到了时延敏感业务流在该端口的最大总时延。
下面结合图6对存储单元440中存储的信息进行说明。
图6描述了存储在图3中的存储单元440的典型信息。具体地,在存储单元440中存储有网络拓扑数据库510、可用带宽数据库520、时延信息数据库530和业务流信息数据库540。网络拓扑数据库510存储有网络拓扑、节点间的物理距离和链路带宽等信息。这些信息通常可以从网络管理系统取得。可用带宽数据库520存储了各链路上各个流量等级(Traffic Class)的可用带宽(在区分服务模型中,在每条链路上都为各个流量等级预留了不同的带宽)。时延信息数据库530存储了时延敏感流量在各节点的各个端口的最大队列长度和到达的最大流量突发。该数据库由时延预测装置更新。业务流信息数据库540存储了各业务流(包括现有业务流和用户已申请但尚未开始的业务流)的信息,如业务流的路径、所需带宽、所要求的时延保证值等。该数据库和可用带宽数据库由QoS控制装置负责更新。
下面详细说明本发明的时延预测的实现。
在实现中,QoS控制单元在存储单元的时延信息数据库中为网络中每一个节点建立独立的记录(参见图7)。在每条记录中包含了以下的信息:1)节点的各个端口的链路带宽;2)节点到相连节点的物理距离;3)在各个端口到达的EF流量的突发的最大值,即Qmax,j h;4)在各个端口排队的EF流量的最大值,既Qmax j。时延预测装置负责在允许新的时延敏感业务流进入网络时根据公式1更新数据库中该业务流的路径上的节点的Qmax,j h和Qmax j。在进行预测时,时延预测装置取出指定的节点的记录并根据记录中的Qmax j、链路带宽和与下一跳的物理距离来计算在指定端口的最大总时延。
图8是本发明的QoS控制装置的方框图。如图所示,基于时延预测装置310所提供的时延预测值,本发明进行QoS控制(即时延保证)。该控制单元包括三个独立的单元。各个单元都把时延预测装置310所提供的时延预测值作为输入而执行其各自的功能。
端对端业务流路径选取单元325根据QoS控制装置的Qos控制装置的QoS控制单元(未示出)提供的显式路由计算时延敏感业务流在该路径上的最大端对端时延,并将该时延与用户所要求的时延进行比较,以决定该路径是否可以用来传输用户指定的业务流。QoS控制单元根据QoS路由算法计算显式路由,QoS路由算法计算可以是现有技术,目前的QoS路由算法不计其数,因此本文不予赘述。
时延路由确定单元335实现了本发明所提出的一种新的QoS路由确定方法。该方法将预测的时延值用于路由计算过程从而可以得到端对端时延更小的路由,使服务质量和网络吞吐量得到进一步提升。
时延保证准入控制单元345实现了本发明所提出的一种新的准入控制机制。该机制通过预测新的时延敏感业务流对现有的业务流的时延的影响决定是否允许新的业务流进入网络。这三个单元相互独立,服务提供商可以根据自己的网络/流量情况和服务需求来确定起用某个或某些单元。比如,当网络规模很大或需要对很多的用户提供时延保证时,中央控制服务器的计算负荷会很高,这时可以只启用所需计算量最小的端对端业务流路径选取单元325。但是,此时无法为用户提供不同的时延保证并且无法优化网络吞吐量。因为这种不同的时延保证需要时延保证准入控制子单元的支持,而时延路由确定单元可以在路由计算中绕过时延大的节点来优化网络吞吐量。
下面对这三个单元的功能一一进行介绍。首先介绍端对端业务流路径选取。
通过预测各跳的最大时延,一条路径的端对端时延的最大值用下面的公式来计算
上式中hop_delayi表示在时延预测装置在该路径的第i跳预测的最大时延。
路径的端对端时延可以用来检测该路径是否适合为时延敏感业务流提供时延保证。如果用户要求的时延小于预测的端对端时延,那么该路径就可以为其业务流提供时延保证。所以,中央控制服务器对该用户的业务流的输入边缘节点下发命令使其按照该路径建立起LSP并将指定的业务流映射到这条LSP上。反之,如果预测的端对端时延大于用户要求的时延,这条路径就不可以用来传输用户的时延敏感业务流。这时根据与该用户的协议或者服务策略,中央控制服务器将重新搜索另一条路由或者拒绝用户的时延保证请求。
端对端业务流路径选取单元的结构可以如图9所示。
端对端业务流路径选取单元从QoS控制单元取得路由,再根据该路由从时延预测装置取得路由上各个节点的时延预测值,然后由路径总时延确定单元将它们相加得出端对端的时延值并提供给比较单元,最后比较单元用该时延值与用户要求的时延值作比较。如果用户要求的时延小于预测的端对端时延,那么该路径就可以为其业务流提供时延保证。所以,中央控制服务器对该用户的业务流的输入边缘节点下发命令使其按照该路径建立起LSP并将指定的业务流映射到这条LSP上。反之,如果预测的端对端时延大于用户要求的时延,这条路径就不可以用来传输用户的时延敏感业务流。这时根据与该用户的协议或者服务策略,中央控制服务器将重新搜索另一条路由或者拒绝用户的时延保证请求。
下面介绍时延路由确定单元所进行的时延保证QoS路由确定。
在通常的路由确定中,时延信息是不被考虑的。而本发明提出的端对端业务流路径选取虽然可以在路由计算完成后预测和检查时延,但这种“完成后检查”的方法还是具有低效的问题:如果经检测后发现一条路径的时延与用户需求相比过大,将不得不搜索另一条路径而且再次得到的路径还是有可能具有过大的时延,而当网络中存在时延很大的节点时,这种情况会变得很严重。所以本文又提出了一种新的时延保证QoS路由确定方法,该路由确定方法在计算路由的过程中集成了时延预测装置提供的时延信息。在本发明的时延保证QoS路由确定的一个实施例中,首先与现有技术一样,先计算链路代价,然后比较各链路的链路代价(代价是一种参数,每条链路都有由用户定义的代价,它表示了链路在路由搜索中的受偏爱度(preference),链路代价可以包括带宽代价、时延代价等,分别表示以带宽、时延等为标准的受偏爱度,在本文的示例中,链路代价越小,则越受偏爱),得到链路代价最小的链路,在现有技术中,如果链路代价最小的链路有多条时,则随机选取,但在本实施例中,如果链路代价最小的链路有多条时,则根据链路时延进行选取。并且优选地,在当前节点与相邻节点的“累积时延”超过阈值时,则将该相邻节点在路径中去除,即只选取不含该节点的路径。
下面以最短最小路由(“Shortest-Minimal-Routing”)确定方法来说明时延路由确定方法的这种实施方式。“Shortest-Minimal-Routing”算法的基本原理是基于Dijkstra算法的一种变形。时延预测装置提供的时延信息作为一个新的参数被加入了Dijkstra算法(作为节点的一个属性加入),该参数被称为“累积时延”,(即从输入边缘节点到“当前节点(当前最后一跳)”的各个相邻节点的时延之和)它记录了在Dijkstra算法的每一次循环(在Dijkstra算法中要从输入节点开始遍历其所有相连节点,然后选出这些相连节点中代价最小的点作为当前节点,再从这个当前节点开始遍历其相连节点)中从输入边缘节点到“当前节点”的各个相邻节点的时延,而该时延是根据时延预测装置提供的时延信息所计算的。当“当前节点”到多个相邻节点的“代价”(“Cost”)相同时,具有最小的“累积时延”的节点被选中加入路径。图10描述了“Shortest-Minimal-Delay”路由确定方法的一个示例。在该例中,路由确定方法负责计算从节点A到节点C的路径。节点A有两个相邻节点:节点B和节点D;而且到这两个节点的代价相同。因此,“累积时延”被用来决定哪个节点将加入路径。在本例中,从A到B的和从A到D的“累积时延”分别是20毫秒和10毫秒,所以,节点D被选中。
从上例可以看出,“Shortest-Minimal-Delay”路由确定方法可以在多条相同代价的路径中选出时延最小的路径。此外,如果需要的话,对时延很大的“瓶颈”节点的排除将可以轻易地在该算法中实现,这时需要在每个循环中将“当前节点”的各个相邻节点的“累积时延”与要求的时延作比较。图11给出了这样的一个示例。在这个示例中,要求的时延是20毫秒而从A到D的“累积时延”是30毫秒,所以节点D被路径计算中排除而节点B成为唯一的侯选即使到它的代价大于到节点D的代价。仍然以图11的网络为例,如果要求的时延是5毫秒,那么节点B和节点D都将被排除,此时路由计算立即退出从而避免了不必要的计算负担。从这个示例可以看出,当“Shortest-Minimal-Delay”算法中排除了“瓶颈”节点后,一旦该算法返回一条路径,这条路径就必然是满足时延要求的路径。
此外,基于时延预测装置提供的时延信息,时延保证QoS路由确定可以有其它很多种不同的实现方式,比如直接用时延代价作为链路代价等。总而言之,本发明提出的将预测的时延信息集成到路由计算中的方法可以使路由计算找到时延更小的路径从而提高网络服务的质量和找到更多的符合时延要求的路径从而提升网络的吞吐率。
时延路由确定单元的结构可以如图12所示。
代价确定单元从数据库中读出网络拓扑并从需要的输入节点开始遍历来选出代价最小的节点并提供给路径确定单元,同时在遍历中从输入节点到当前节点的相连节点的累积时延由累积时延计算单元根据从时延预测装置中得到的各个节点的时延进行计算并提供给路径确定单元,如果代价确定单元仅提供了一个节点,那么路径确定单元就选定该节点作为新的当前节点(下一跳);而如果代价确定单元提供了多个代价相同的节点,那么路径确定单元就选择这些节点中累积时延最小的节点作为新的当前节点。路径确定单元将选定的新当前节点回传给代价确定单元作为下一次遍历的起点。当需要在路由确定中排除时延大的“瓶颈”节点时,比较单元将参加计算工作,累积时延计算单元将各个备选节点的累积时延提供给比较单元,而比较单元将这些值与用户要求的时延作比较,一旦某个或某些节点的累积时延大于用户要求的时延,比较单元将通知代价确定单元在以后的计算中不再计算这个或这些“瓶颈”节点。
下面结合图13说明本发明的时延保证准入控制。
在区分服务模型中提供时延保证的一个难点问题是一个业务流的时延并不是固定不变的。允许新的时延敏感业务流进入网络可能会增加那些在该业务流的路径上的节点的排队时延。
如果在这些节点上已经有其它的业务流,这些业务流的时延也可能会增加。所以,如果网络/服务提供商希望为不同的客户或服务提供不同的时延的话,就需要新的技术来确保现有的时延保证不会因为新的业务流的到来而被破坏。在本发明中所提出的“时延保证准入控制”正是这样的技术。时延保证准入控制也是基于时延预测装置所提供的时延信息进行工作的。它的流程图如图13所示。在步骤801,路由搜索为新的时延敏感业务流寻找符合要求的路径(例如采用QoS路由搜索+端对端的时延检测或“最短最小时延路由”搜索),如果这样的路径不存在,该业务流的请求被直接拒绝。否则(步骤801的是),所选的路径上的节点的时延信息被更新。然后在步骤802,由节点时延增加判断单元(未示出)判断该节点的时延是否会因为新的业务流的加入而增加。更新时用新的值与旧的值比较,若新的预测值大于旧的值就认为该节点的时延会因为新的业务流的加入而增加。如果其中没有节点的时延增加(S802,否),就说明新的业务流的进入对原有的业务流没有影响。否则(步骤802,是),就要由时延敏感业务流存在判断单元(未示出)检测是否在时延增加的节点上已经有时延敏感业务流(步骤803),如果有这样的业务流,那么这些流的端对端时延将会被重新计算,而计算中使用已被更新过的时延信息(这时数据库中时延信息已经被更新,只需取出这些业务流的路径上的节点的时延信息将它们相加即可)。只有当所有这些流的新的端对端时延仍然小于各自所要求的时延时(步骤804,否),新的请求才会被接受而新的业务流才会被允许进入网络(步骤806)。如果有某个或某些流的新的端对端时延大于其所要求的时延时(步骤S804,是),就意味着新的业务流可能会破坏已作出的时延保证,此时根据与用户的协议或者网络运营策略,该时延保证请求会被拒绝或者重新使用路由搜索来为该业务流寻找新的路由(步骤805)。在重新搜索路由的情况下,图13所示的过程也会被重复。步骤804、步骤805、步骤806可以由一时延保证准入单元执行。
虽然结合具体实施例对本发明进行了描述,但很明显,本技术领域的技术人员可根据前述说明进行各种变型。因此,后附的权利要求旨在覆盖了落入本发明的精神和范围内的全部变型。
Claims (34)
1、一种时延预测方法,用于预测业务流在其路径的各跳的时延,包括以下步骤:
确定步骤,确定各跳的最大队列长度;
排队时延预测步骤,根据所述确定步骤确定的各跳的最大队列长度预测各跳的最大排队时延。
2、根据权利要求1所述的时延预测方法,其特征在于,所述确定步骤逐跳地确定各跳的最大队列长度。
3、根据权利要求2所述的时延预测方法,其特征在于,所述确定步骤如下地确定各跳的最大队列长度:
在网络入口,根据流量整形参数推算出在入口处的最大队列长度;
在其余各跳,根据可能到达的最大流量突发、流量到达的端口的速率以及流量离开的端口的速率确定在该跳的最大队列长度;而可能到达某跳的最大流量突发是该跳的所有上游跳的最大队列长度的最大值。
4、根据权利要求3所述的时延预测方法,其特征在于,所述确定步骤如下地确定非入口的各跳的最大队列长度:
如果该跳某一出口的带宽大于或等于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为入口的个数乘以最大传输单元的大小;
如果该跳某一出口的带宽小于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为可能到达所有入口的最大流量突发之和减去在接收这些突发的过程中发出的流量再加上入口的个数乘以最大传输单元的大小。
5、根据权利要求1所述的时延预测方法,其特征在于,所述排队时延预测步骤用所述跳的最大队列长度除以该跳出端口的链路带宽来得到该跳的最大排队时延。
6、根据权利要求1所述的时延预测方法,其特征在于,还包括总时延预测步骤,将所述最大排队时延与最大传输时延、传播时延、处理时延相加来得到该跳的总时延。
7、根据权利要求1所述的时延预测方法,其特征在于,还包括:
存储步骤,存储所计算出的各跳的最大队列长度;
更新步骤,在加入新业务流时,更新各跳的最大队列长度。
8、一种业务流路径选取方法,包括:
路径总时延确定步骤,根据所述业务流路径各跳的最大排队时延确定所述路径的总时延,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
路径选取步骤,选取所述总时延小于所要求的总时延的路径。
9、一种路由确定方法,根据业务流的时延要求确定业务流路径的下一跳,包括:
链路代价确定步骤,确定业务流路径的当前最后一跳到与之相邻的多个节点的链路代价;
最小时延代价确定步骤,根据所述业务流各跳的最大排队时延确定当前最后一跳到与之相邻的多个节点的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列队长度获得;
下一跳确定步骤,当到所述多个节点的链路代价中,具有最小链路代价的节点有多个时,将具有最小时延代价的节点确定为下一跳。
10、根据权利要求9所述的路由确定方法,还包括:
累积时延确定步骤,确定业务流路径的当前最后一跳到与之相邻的多个节点的各节点的累积时延;
比较步骤,将所述累积时延确定步骤所确定的各累积时延与所要求的时延相比较,排除所述累积时延大于所要求的时延的节点。
11、一种路由确定方法,根据业务流的时延要求确定业务流路径的下一跳,包括:
时延代价确定步骤,根据所述业务流各跳的最大排队时延确定业务流路径的当前最后一跳到与之相邻的多个节点中的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
下一跳确定步骤,将具有最小时延代价的节点确定为下一跳。
12、根据权利要求11所述的路由确定方法,还包括:
累积时延确定步骤,确定业务流路径的当前最后一跳到与之相邻的多个节点的各节点的累积时延;
比较步骤,将所述累积时延确定步骤所确定的各累积时延与所要求的时延相比较,排除所述累积时延大于所要求的时延的节点。
13、一种时延保证准入控制方法,用于新业务的准入控制,包括:
节点时延增加判断步骤,根据新业务路径各节点的最大排队时延判断新业务是否会使新业务路径上的某些节点的最大时延增加,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
时延敏感业务流存在判断步骤,判断所述节点时延增加判断步骤所判断出的时延增加了的节点上是否存在时延敏感业务流;
时延保证准入步骤,只接受不会破坏存在时延敏感业务流的所述节点上的时延敏感业务流的新业务流。
14、一种时延预测装置,用于预测业务流在各其路径的各跳的时延,包括以下单元:
确定单元,确定各跳的最大队列长度;
排队时延预测装置,根据所述确定单元确定的各跳的最大队列长度预测各跳的最大排队时延。
15、根据权利要求14所述的时延预测装置,其特征在于,所述确定单元逐跳地确定各跳的最大队列长度。
16、根据权利要求15所述的时延预测装置,其特征在于,所述确定单元如下地确定各跳的最大队列长度:
在网络入口,根据流量整形参数推算出在入口处的最大队列长度,在其余各跳,根据可能到达的最大流量突发、流量到达的端口的速率以及流量离开的端口的速率确定在该跳的最大队列长度;而可能到达某跳的最大流量突发是在该跳的所有上游跳的最大队列长度的最大值。
17、根据权利要求16所述的时延预测装置,其特征在于,所述确定单元如下地确定非入口的各跳的最大队列长度:
如果该跳某一出口的带宽大于或等于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为入口的个数乘以最大传输单元的大小;
如果该跳某一出口的带宽小于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为可能到达所有入口的最大流量突发之和减去在接收这些突发的过程中发出的流量再加上入口的个数乘以最大传输单元的大小。
18、根据权利要求14所述的时延预测装置,其特征在于,所述排队时延预测装置用所述跳的最大队列长度除以该跳出端口的链路带宽来得到该跳的最大排队时延。
19、根据权利要求14所述的时延预测装置,其特征在于,还包括总时延预测装置,将所述最大排队时延与最大传输时延、传播时延、处理时延相加来得到该跳的总时延。
20、根据权利要求14所述的时延预测装置,其特征在于,还包括:
存储单元,存储所计算出的各跳的最大队列长度;
更新单元,在加入新业务流时,更新所述存储单元中各跳的最大队列长度。
21、一种业务流路径选取装置,包括:
路径总时延确定单元,根据所述业务流路径各跳的最大排队时延确定所述路径的总时延,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
路径选取单元,选取所述总时延小于所要求的总时延的路径。
22、一种路由确定装置,根据业务流的时延要求确定业务流路径的下一跳,包括:
链路代价确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的链路代价;
最小时延代价确定单元,根据所述业务流各跳的最大排队时延计算当前最后一跳到与之相邻的多个节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
下一跳确定单元,当到所述多个节点的链路代价中,具有最小链路代价的节点有多个时,将具有最小时延代价的节点确定为下一跳。
23、根据权利要求22所述的路由确定装置,还包括:
累积时延确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的各节点的累积时延;
比较单元,将所述累积时延确定单元所确定的各累积时延与所要求的时延相比较,排除所述累积时延大于所要求的时延的节点。
24、一种路由确定装置,根据业务流的时延要求确定业务流路径的下一跳,包括:
时延代价确定单元,根据所述业务流各跳的最大排队时延确定业务流路径的当前最后一跳到与之相邻的多个节点中的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
下一跳确定单元,将具有最小时延代价的节点确定为下一跳。
25、根据权利要求24所述的路由确定装置,还包括:
累积时延确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的各节点的累积时延;
比较单元,将所述累积时延确定单元所确定的各累积时延与所要求的时延相比较,排除所述累积时延大于所要求的时延的节点。
26、一种时延保证准入控制装置,用于新业务的准入控制,包括:
节点时延增加判断单元,根据新业务路径各节点的最大排队时延判断新业务是否会使新业务路径上的某些节点的最大时延增加,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
时延敏感业务流存在判断单元,判断所述节点时延增加判断单元所判断出的时延增加了的节点上是否存在时延敏感业务流;
时延保证准入单元,只接受不会破坏存在时延敏感业务流的所述节点上的时延敏感业务流的新业务流。
27、一种服务质量保证系统,包括:
时延预测装置,用于预测业务流在其路径的各跳的时延;
服务质量控制装置,用于根据所述时延预测装置所预测的各跳的时延,进行服务质量控制;
所述时延预测装置包括:
确定单元,确定各跳的最大队列长度;
排队时延预测装置,根据所述确定单元确定的各跳的最大队列长度预测各跳的最大排队时延。
28、根据权利要求27所述的服务质量保证系统,其特征在于,
所述服务质量控制装置包括时延保证准入控制装置、路由确定装置、业务流路径选取装置中至少其中之一,
所述时延保证准入控制装置用于执行新业务的准入控制,包括:
节点时延增加判断单元,根据新业务路径各节点的最大排队时延判断新业务是否会使新业务路径上的某些节点的最大时延增加,所述最大排队时延根据所述新业务流路径各跳的最大队列长度获得;
时延敏感业务流存在判断单元,判断所述节点时延增加判断单元所判断出的时延增加了的节点上是否存在时延敏感业务流;
时延保证准入单元,只接受不会破坏存在时延敏感业务流的所述节点上的时延敏感业务流的新业务流,
所述业务流路径选取装置用于对业务流路径进行选择,包括:
路径总时延确定单元,根据所述业务流路径各跳的最大排队时延确定所述路径的总时延,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
路径选取单元,选取所述总时延小于所要求的总时延的路径。
29、根据权利要求28所述的服务质量保证系统,其特征在于,所述路由确定装置用于确定新业务的路由,包括:
链路代价确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的链路代价;
最小时延代价确定单元,根据所述业务流各跳的最大排队时延计算当前最后一跳到与之相邻的多个节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
下一跳确定单元,当到所述多个节点的链路代价中,具有最小链路代价的节点有多个时,将具有最小时延代价的节点确定为下一跳。
30、根据权利要求28所述的服务质量保证系统,其特征在于,所述路由确定装置用于根据业务流的时延要求确定业务流路径的下一跳,包括:
时延代价确定单元,根据所述业务流各跳的最大排队时延确定业务流路径的当前最后一跳到与之相邻的多个节点中的各节点的时延代价,所述最大排队时延根据所述业务流路径各跳的最大队列长度获得;
下一跳确定单元,将具有最小时延代价的节点确定为下一跳。
31、根据权利要求29或30所述的服务质量保证系统,其特征在于,还包括:
累积时延确定单元,确定业务流路径的当前最后一跳到与之相邻的多个节点的各节点的累积时延;
比较单元,将所述累积时延确定单元所确定的各累积时延与所要求的时延相比较,排除所述累积时延大于所要求的时延的节点。
32、根据权利要求31所述的服务质量保证系统,其特征在于,所述确定单元如下地确定各跳的最大队列长度:
在网络入口,根据流量整形参数推算出在入口处的最大队列长度,在其余各跳,根据可能到达的最大流量突发、流量到达的端口的速率以及流量离开的端口的速率确定在该跳的最大队列长度;而可能到达某跳的最大流量突发是在该跳的所有上游跳的最大队列长度的最大值。
33、根据权利要求32所述的服务质量保证系统,其特征在于,所述确定单元如下地确定非入口的各跳的最大队列长度:
如果该跳某一出口的带宽大于或等于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为入口的个数乘以最大传输单元的大小;
如果该跳某一出口的带宽小于流量可能到达该跳的所有入口的带宽之和,在该出口的最大队列长度为可能到达所有入口的最大流量突发之和减去在接收这些突发的过程中发出的流量再加上入口的个数乘以最大传输单元的大小。
34、根据权利要求27所述的服务质量保证系统,其特征在于,所述确定单元根据以下公式确定所述路径各跳的最大队列长度Qj max:
其中k是现有从该边缘节点输入的时延敏感业务流的个数,bi是第i个业务流的突发流量的大小,Qmax,j h表示从第h个输入端口到达的EF流量的突发的最大值,Ch,j表示输入端口的链路带宽,Cj+1表示输出端口的链路带宽,m是EF流量的输入端口的个数,而MTU表示最大传输单元的大小。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005101079948A CN1941737A (zh) | 2005-09-30 | 2005-09-30 | 预测节点时延的方法和装置以及时延保证的方法和装置 |
JP2006271242A JP2007104677A (ja) | 2005-09-30 | 2006-10-02 | ノード遅延予測方法とその装置、及び遅延保証方法とその装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005101079948A CN1941737A (zh) | 2005-09-30 | 2005-09-30 | 预测节点时延的方法和装置以及时延保证的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1941737A true CN1941737A (zh) | 2007-04-04 |
Family
ID=37959533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005101079948A Pending CN1941737A (zh) | 2005-09-30 | 2005-09-30 | 预测节点时延的方法和装置以及时延保证的方法和装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2007104677A (zh) |
CN (1) | CN1941737A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478456B (zh) * | 2009-01-16 | 2011-02-09 | 华中科技大学 | 一种快速转发服务端到端延时预测方法 |
CN101459852B (zh) * | 2008-12-22 | 2011-04-13 | 华为技术有限公司 | 预测视频业务发生时延的方法和装置 |
CN102761894A (zh) * | 2012-06-30 | 2012-10-31 | 华为技术有限公司 | 获取路径的方法、装置及系统 |
CN104348599A (zh) * | 2013-07-26 | 2015-02-11 | 富士施乐株式会社 | 通信装置和信息处理系统 |
CN106506275A (zh) * | 2016-11-09 | 2017-03-15 | 中国科学院计算技术研究所 | 一种预测交换节点目的端口传输时延的方法及装置 |
WO2018001062A1 (zh) * | 2016-06-29 | 2018-01-04 | 华为技术有限公司 | 一种计算转发路径的方法及网络设备 |
CN107743094A (zh) * | 2016-08-30 | 2018-02-27 | 腾讯科技(深圳)有限公司 | 路由接入方法及路由接入装置 |
CN108696455A (zh) * | 2017-04-11 | 2018-10-23 | 华为技术有限公司 | 用于处理业务流的方法及装置 |
CN112616157A (zh) * | 2020-12-11 | 2021-04-06 | 大连大学 | 基于网络演算的无线多跳Mesh网络端到端时延上界获取方法 |
CN113783793A (zh) * | 2021-07-23 | 2021-12-10 | 北京邮电大学 | 对时间敏感的数据帧的流量调度方法及相关设备 |
WO2022042282A1 (zh) * | 2020-08-28 | 2022-03-03 | 中兴通讯股份有限公司 | 一种无损流量拥塞自适应方法、系统和网络设备 |
CN114389726A (zh) * | 2022-01-18 | 2022-04-22 | 即刻雾联科技(北京)有限公司 | 一种基于边缘设备的智能组网方法、系统及存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101400753B1 (ko) | 2008-01-02 | 2014-05-29 | 연세대학교 산학협력단 | 서비스 패킷의 서비스 품질 레벨에 따라 동작하는 중계기및 중계기의 동작 방법 |
JP5150976B2 (ja) * | 2008-09-30 | 2013-02-27 | 日本電気株式会社 | ネットワークシステム、制御装置及び通信フローの制御方法 |
WO2011089899A1 (ja) | 2010-01-25 | 2011-07-28 | パナソニック株式会社 | 半導体システム、中継器およびチップ回路 |
JP5439297B2 (ja) * | 2010-06-30 | 2014-03-12 | 株式会社日立製作所 | 制御サーバ、および、ネットワークシステム |
EP2975812A4 (en) * | 2013-03-12 | 2016-11-02 | Panasonic Ip Man Co Ltd | BUS SYSTEM, AND COMPUTER PROGRAM |
CN112583735A (zh) | 2019-09-27 | 2021-03-30 | 华为技术有限公司 | 确定传输数据流的需求带宽的方法、设备和系统 |
CN112733303B (zh) * | 2019-10-11 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 基于确定性网络演算的多策略工业tsn整形器建模方法 |
CN112565014B (zh) * | 2020-12-04 | 2023-11-07 | 大连大学 | 基于网络演算的卫星网络端到端时延上界获取方法 |
US11768629B2 (en) * | 2021-04-28 | 2023-09-26 | Micron Technology, Inc. | Techniques for memory system configuration using queue refill time |
-
2005
- 2005-09-30 CN CNA2005101079948A patent/CN1941737A/zh active Pending
-
2006
- 2006-10-02 JP JP2006271242A patent/JP2007104677A/ja active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459852B (zh) * | 2008-12-22 | 2011-04-13 | 华为技术有限公司 | 预测视频业务发生时延的方法和装置 |
CN101478456B (zh) * | 2009-01-16 | 2011-02-09 | 华中科技大学 | 一种快速转发服务端到端延时预测方法 |
CN102761894A (zh) * | 2012-06-30 | 2012-10-31 | 华为技术有限公司 | 获取路径的方法、装置及系统 |
CN102761894B (zh) * | 2012-06-30 | 2015-01-21 | 华为技术有限公司 | 获取路径的方法、装置及系统 |
CN104348599A (zh) * | 2013-07-26 | 2015-02-11 | 富士施乐株式会社 | 通信装置和信息处理系统 |
US10855574B2 (en) | 2016-06-29 | 2020-12-01 | Huawei Technologies Co., Ltd. | Method and network device for computing forwarding path |
CN107547393B (zh) * | 2016-06-29 | 2021-06-01 | 华为技术有限公司 | 一种计算转发路径的方法及网络设备 |
CN107547393A (zh) * | 2016-06-29 | 2018-01-05 | 华为技术有限公司 | 一种计算转发路径的方法及网络设备 |
US11431611B2 (en) | 2016-06-29 | 2022-08-30 | Huawei Technologies Co., Ltd. | Computing forwarding paths based on notification packet delays |
WO2018001062A1 (zh) * | 2016-06-29 | 2018-01-04 | 华为技术有限公司 | 一种计算转发路径的方法及网络设备 |
CN113395210A (zh) * | 2016-06-29 | 2021-09-14 | 华为技术有限公司 | 一种计算转发路径的方法及网络设备 |
CN107743094A (zh) * | 2016-08-30 | 2018-02-27 | 腾讯科技(深圳)有限公司 | 路由接入方法及路由接入装置 |
CN107743094B (zh) * | 2016-08-30 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 路由接入方法及路由接入装置 |
CN106506275B (zh) * | 2016-11-09 | 2019-08-20 | 中国科学院计算技术研究所 | 一种预测交换节点目的端口传输时延的方法及装置 |
CN106506275A (zh) * | 2016-11-09 | 2017-03-15 | 中国科学院计算技术研究所 | 一种预测交换节点目的端口传输时延的方法及装置 |
CN108696455B (zh) * | 2017-04-11 | 2021-06-15 | 华为技术有限公司 | 用于处理业务流的方法及装置 |
CN108696455A (zh) * | 2017-04-11 | 2018-10-23 | 华为技术有限公司 | 用于处理业务流的方法及装置 |
WO2022042282A1 (zh) * | 2020-08-28 | 2022-03-03 | 中兴通讯股份有限公司 | 一种无损流量拥塞自适应方法、系统和网络设备 |
CN112616157A (zh) * | 2020-12-11 | 2021-04-06 | 大连大学 | 基于网络演算的无线多跳Mesh网络端到端时延上界获取方法 |
CN112616157B (zh) * | 2020-12-11 | 2024-03-08 | 大连大学 | 基于网络演算的无线多跳Mesh网络端到端时延上界获取方法 |
CN113783793A (zh) * | 2021-07-23 | 2021-12-10 | 北京邮电大学 | 对时间敏感的数据帧的流量调度方法及相关设备 |
CN113783793B (zh) * | 2021-07-23 | 2023-07-25 | 北京邮电大学 | 对时间敏感的数据帧的流量调度方法及相关设备 |
CN114389726A (zh) * | 2022-01-18 | 2022-04-22 | 即刻雾联科技(北京)有限公司 | 一种基于边缘设备的智能组网方法、系统及存储介质 |
CN114389726B (zh) * | 2022-01-18 | 2023-03-10 | 即刻雾联科技(北京)有限公司 | 一种基于边缘设备的智能组网方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2007104677A (ja) | 2007-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1941737A (zh) | 预测节点时延的方法和装置以及时延保证的方法和装置 | |
Huang et al. | When backpressure meets predictive scheduling | |
CN1756233A (zh) | 电信网络中的路由选择方法和装置 | |
CN108429701A (zh) | 网络加速系统 | |
EP2901625A1 (en) | System and methods for improved network routing | |
Banaie et al. | Load-balancing algorithm for multiple gateways in fog-based internet of things | |
CN110784399A (zh) | 一种mptcp网络多路径优化组合传输方法及系统 | |
Rugwiro et al. | Task scheduling and resource allocation based on ant-colony optimization and deep reinforcement learning | |
CN109412963A (zh) | 一种基于流拆分的服务功能链部署方法 | |
CN1885824A (zh) | 主动队列管理的分类器实现方法 | |
Fu et al. | Top-k taxi recommendation in realtime social-aware ridesharing services | |
CN110048966B (zh) | 基于截止时间的最小化系统开销的Coflow调度方法 | |
Farahnakian et al. | Bi-LCQ: A low-weight clustering-based Q-learning approach for NoCs | |
Wang et al. | Edge intelligence in motion: Mobility-aware dynamic DNN inference service migration with downtime in mobile edge computing | |
CN1753389A (zh) | 波长路由光网络的实时软抢占方法 | |
CN109165729A (zh) | 神经网络的调度方法及系统 | |
CN108833295B (zh) | 面向sdn的基于禁忌搜索的虚拟网络重配置方法 | |
Chetty et al. | Dynamic decomposition of service function chain using a deep reinforcement learning approach | |
Bensalem et al. | Towards optimal serverless function scaling in edge computing network | |
Xiao et al. | A sub-action aided deep reinforcement learning framework for latency-sensitive network slicing | |
CN114124778B (zh) | 一种基于QoS约束的任播服务源路由方法及装置 | |
Marcon et al. | Evaluation of algorithms for low energy mapping onto NoCs | |
CN1390020A (zh) | 通信路径设计方法,设计装置和使计算机执行该方法的程序 | |
Yang et al. | A novel hierarchical distributed vehicular edge computing framework for supporting intelligent driving | |
CN114422453A (zh) | 一种在线规划时间敏感流的方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20070404 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |