WO2023004898A1 - 一种基于路由调度与联合优化的时延确定性传输方法 - Google Patents

一种基于路由调度与联合优化的时延确定性传输方法 Download PDF

Info

Publication number
WO2023004898A1
WO2023004898A1 PCT/CN2021/113671 CN2021113671W WO2023004898A1 WO 2023004898 A1 WO2023004898 A1 WO 2023004898A1 CN 2021113671 W CN2021113671 W CN 2021113671W WO 2023004898 A1 WO2023004898 A1 WO 2023004898A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
triggered
network
scheduling
triggered service
Prior art date
Application number
PCT/CN2021/113671
Other languages
English (en)
French (fr)
Inventor
孙荣庆
朱晓荣
郑学东
李玮
刘涛
Original Assignee
南京中网卫星通信股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南京中网卫星通信股份有限公司 filed Critical 南京中网卫星通信股份有限公司
Publication of WO2023004898A1 publication Critical patent/WO2023004898A1/zh

Links

Images

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
    • H04L45/121—Shortest path evaluation by minimising delays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays

Definitions

  • the invention relates to the technical field of communication networks, in particular to a delay-deterministic transmission method based on route scheduling and joint optimization.
  • the service mode of traditional Ethernet is "best effort". This service mode will cause related problems such as packet loss when the network transmits traffic, so it cannot meet the performance requirements of the business in the current network. Therefore, IEEE802.1 task group 2005
  • the audio and video bridge was developed, which is mainly used for real-time transmission of audio and video.
  • audio and video bridging technology three key technologies are proposed to ensure real-time transmission of audio and video services: clock synchronization, resource reservation mechanism, and traffic shaping. Later, more services with deterministic quality of service requirements emerged in the network. Therefore, in 2012, the audio-video bridging task force was renamed the time-sensitive network task force. Its scope of application and ability to provide services with deterministic quality of service.
  • time-sensitive networks mainly focus on these two aspects: the innovative design of the queues of switches in time-sensitive networks; the research on the routing and scheduling of services in time-sensitive networks.
  • queue design the performance of time-sensitive network switches is improved and the computational complexity of subsequent applications in business routing and scheduling is reduced by improving the single queue.
  • routing and scheduling the routing and scheduling in time-sensitive networks are explored in terms of network dynamics, business flow scheduling, and delay.
  • the present invention applies the time-sensitive network technology to the mobile edge computing network, according to the relevant characteristics in the time-sensitive network as constraints, and takes the non-schedulable rate as the optimization goal, and proposes Considering the length of the time-triggered service flow path and the remaining link bandwidth conditions, the unschedulable rate of the time-triggered service flow in the mobile edge computing network is optimized by using the particle swarm optimization algorithm and genetic algorithm.
  • the present invention proposes a delay deterministic transmission method based on routing scheduling and joint optimization, which includes the following steps:
  • Step 1 Use the fully centralized time-sensitive network configuration model to model the routing and scheduling of time-triggered service flows in the mobile edge computing network that introduces time-sensitive network technology.
  • Step 2 Use graph theory to represent the model of the mobile edge computing network configuration that introduces time-sensitive network technology and establish a data model for time-triggered service flows.
  • Step 3 Combining the characteristics of the network and time-triggered traffic flow, determine the constraints of the four aspects of the time-sensitive network switch, obtain its constraint expression, and determine the optimization objective function.
  • Step 4 Select the most appropriate route for the time-triggered traffic flow.
  • Step 5 Use Particle Swarm Optimization and Genetic Algorithm to optimize the unschedulable rate of time-triggered traffic flow.
  • the fully centralized time-sensitive network configuration model in step 1) includes four parts: terminal equipment, time-sensitive network bridge, centralized network configuration and centralized user configuration.
  • Terminal equipment the source and destination nodes that generate data in the network topology.
  • Time-sensitive network bridge responsible for receiving the schedule generated for a certain service data from the centralized network configuration and executing the schedule, and acting as an intermediate node in the network topology to forward and transmit service data.
  • Centralized network configuration responsible for maintaining the information of related devices in the network, detecting the access and deletion of related devices in the network and updating the network topology and corresponding related information in real time, and calculating routing and scheduling for business flows, And configure this information to the corresponding terminal equipment and time-sensitive network bridge.
  • Centralized user configuration It is used to discover terminal devices, retrieve their functions, receive requests, and configure time-sensitive network features in terminal devices. It is a communication bridge between terminal devices and centralized network configuration.
  • the network model and the data model determined using graph theory in the step 2) are respectively:
  • time-triggered service flow ⁇ k ⁇ S generated by a certain device k, it consists of a tuple containing 7 elements Composition (s k , d k , L k , p k , T k , D k ), which respectively represent the source node, destination node, packet size, packet period, time of generating the packet and the deadline of the packet of the time-triggered service flow , there is a relationship D k ⁇ p k between the deadline and the packet cycle, and the Wth packet generated by the time-triggered service flow ⁇ k , its sending time and deadline are T k + (W-1) ⁇ p k and D k +(W-1) ⁇ p k .
  • the scheme for selecting a suitable route is:
  • the time-sensitive network switch in the step 3 has the following four constraints:
  • Time slot independent constraint Two time-triggered service flows cannot be transmitted in the same time slot of the same link at the same time. This constraint is expressed as:
  • the parameter ⁇ i,j,q indicates whether the qth time slot of the link ⁇ i,j has been occupied, and the parameter Indicates whether the time-triggered service flow ⁇ k uses the qth time slot of the link ⁇ i,j .
  • the optimized objective function formed is to minimize the unschedulable rate of time-triggered service flows in the mobile edge computing network:
  • optimal scheduling is carried out based on the particle swarm optimization algorithm, and the individuals in the group share the information they have obtained with each other, so the movement of the group in the solution space of the optimization problem changes from disorder to order , and then obtain the answer to the optimization problem.
  • the step of optimizing the non-schedulable rate of time-triggered service flows by using particle swarms is as follows: the first step is to initialize the number of particles to represent the scheduling order of time-triggered service flows, and the number of time-triggered service flows It can be represented by the unread parameters in the particle swarm, which is also the search space of the particle swarm, represented by the symbol "N"; when the i-th particle is at time t, its position can be expressed as: At the same time, the speed parameter of this particle can be expressed as: Its optimal location to use To represent, the optimal position of the entire particle swarm uses the symbol Represents; the velocity formula of the particle at the time t+1 is in Indicates the impact of the particle's velocity at the previous moment on its velocity at the current moment, and Indicates the distance between the current position of the particle and its optimal position, c 1 and c 2 are the weight factors, respectively representing the individual and the society; when the two parameters are constant, the performance of the particle swarm
  • the unschedulable rate of time-triggered business flow is calculated.
  • the complexity of particle swarm algorithm The degree has a linear relationship with the number of particles, the number of time-triggered business flows, and the number of iterations set, that is, O(N ⁇ M ⁇ iter).
  • optimization scheduling is performed based on genetic algorithm, and genetic algorithm uses mathematical methods and computer simulation operations to transform the solution process of the optimization problem into the process of mutation crossover and selection of chromosomes.
  • the process of the genetic algorithm used is as follows: First, coding: it is used to abstract the scheduling sequence of the time-triggered business flow in this paper into continuous specific symbols, thereby simulating the gene arrangement in the chromosome, and then firstly generating the initial population based on the coding, that is, through random A collection of several individuals is generated in a manner, and then the value of the fitness function is evaluated. The quality of the solution of the genetic algorithm needs to be judged according to the value of the fitness function, and then the number of iterations is self-increased, and the output time triggers the minimum unschedulable business flow Rate, and the scheduling sequence of the corresponding time-triggered service flow.
  • the present invention has the following beneficial effects: the introduction of the time-sensitive network technology proposed by the present invention can further ensure that many important services in the mobile edge computing network can achieve time-delay deterministic transmission.
  • the time-sensitive network acts on the L2 link layer.
  • the time-sensitive network working group does not specify the routing and scheduling algorithm of the time-sensitive network. Therefore, the present invention combines the time-sensitive network technology with the mobile edge computing network, from Two aspects of routing and scheduling are used to optimize the schedulability of time-triggered service flows in mobile edge computing networks.
  • the performance analysis method of the present invention considers the influencing factors more comprehensively, and the analysis result is more in line with the network characteristics.
  • Figure 1 is a diagram of a time-sensitive network configuration model
  • Fig. 3 is the time-delay analysis diagram of grouping in the team of time-sensitive network switches
  • Figure 4 is a flow chart of the genetic algorithm.
  • Step 1 determine configuration model, as shown in Figure 1, the present invention uses fully centralized time-sensitive network configuration model, and this model comprises with several parts: terminal equipment, time-sensitive network bridge (TSN bridge), centralized network configuration (CNC ) and four parts of Centralized User Configuration (CUC), among which:
  • Time-sensitive network bridge responsible for receiving the schedule generated for a certain service data from the centralized network configuration and executing the schedule, acting as an intermediate node in the network topology to forward and transmit service data.
  • the time-sensitive network service flow in the time-sensitive network has a priority code value, which is used for identification by the time-sensitive network switch to place the service flow in the corresponding queue.
  • the time-sensitive network service flow is placed in queue 7, which is connected to the time-aware integer shaping mechanism; the audio-video bridging service flow is placed in queue 6 and queue 5, and these two queues are connected based on Credit shaping mechanism; the remaining five queues are used to place best-effort service flows.
  • the isolation of service flows is the key to the deterministic transmission of the time-sensitive network, so a queue in a time-sensitive network switch can only be occupied by one service flow at a time.
  • Step 4 Determine the data model, and use graph theory to establish a time-triggered service flow model.
  • the set of time-triggered service flows is represented by the symbol S, and the symbol l is used to represent the number of time-triggered service flows.
  • For a time-triggered service flow generated by a certain device k ⁇ k ⁇ S consists of a tuple containing 7 elements (s k , d k , L k , p k , T k , D k ), respectively representing the source node, destination node, and packet size of the time-triggered service flow , grouping period, time of generating a grouping and the deadline of the grouping, there is a relationship D k ⁇ p k between the deadline and the grouping period, and the time triggers the Wth packet generated by the service flow ⁇ k , its sending time and
  • the cut-off times are T k +(W-1) ⁇ p k and D k +(W-1) ⁇ p k respectively .
  • the first is to initialize the number of particles with M, which is used to represent the scheduling order of time-sensitive network traffic.
  • the number of time-triggered business streams can be represented by the unread parameters in the particle swarm. This is also the search space of the particle swarm.
  • Time-sensitive network traffic The number of streams "N" to represent, when the i-th particle is at time t, its position can be expressed as: Velocity is expressed as: At the same time, the speed parameter of this particle can be expressed as: optimal location use To represent, the optimal position of the entire particle swarm uses the symbol express.
  • the individuals in the group share the information they have obtained with each other, so the movement of the group in the solution space of the optimization problem changes from disorder to order, and then the answer to the optimization problem is obtained.
  • Step 8.5 Carry out self-increment operation for the number of iterations m.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于路由调度与联合优化的时延确定性传输方法，将时间敏感网络技术引入移动边缘计算网络，确保时延确定性传输，基于图论进行建模，根据链路的剩余带宽以及路由的长度，为时间触发业务流选择最合适的路由。通过分析时间敏感网络交换机和时间触发业务流的时隙独立约束、路径依赖约束、队列独立约束条件以及时延约束四个方面的特点，推导出约束公式，以最小化移动边缘计算网络中时间触发业务流不可调度率作为最优化目标，并分别使用粒子群算法和遗传算法对时间触发业务流的不可调度率进行优化。

Description

一种基于路由调度与联合优化的时延确定性传输方法 技术领域
该发明涉及通信网络技术领域，具体涉及一种基于路由调度与联合优化的时延确定性传输方法。
背景技术
传统以太网的服务模式是“尽力而为”，这种服务模式会导致网络传输业务流时出现分组丢失等相关问题，所以它不能满足当前网络中业务的性能要求，因此IEEE802.1任务组2005年根据原有的传统以太网的架构，制定了音视频桥接，它主要用于实时传输音视频。在音视频桥接技术中，首先提出三个方面的关键技术来保证音视频业务传输的实时性：时钟同步、资源预留机制以及流量整形。之后网络中产生了更多具有确定性服务质量要求的业务，所以在2012年音视频桥接任务组改名为时间敏感网络任务组，致力于扩展和补充了上述的技术以及已有的相关协议，扩大其应用范围和为业务提供确定性服务质量的能力。
现有的时间敏感网络的研究成果主要集中在这两个方面：对时间敏感网络中交换机本身队列进行创新设计；研究时间敏感网络中业务的路由与调度问题。在队列设计方面，主要通过对单队列的改进来提高时间敏感网络交换机的性能以及降低后续应用在业务路由与调度的计算复杂度。而在路由与调度方面，针对网络的动态性、业务流的调度性以及时延等多个方面对时间敏感网络中的路由以及调度展开探索。
还有一些科研工作者更加关注时间敏感网络中时延的最小化问题，如文献的研究不仅满足于时间敏感网络中的可调度性，进一步提出着眼于降低其中业务数据时延的路由与调度方案，确定性的时间传输表的提出，减少了因为背景流而导致业务数据传输时时延抖动不确定的业务数目，还有一些科研工作者关注的是时间敏感网络与其他通信技术相结合的效应，如与波束成型相结合、与无人机相结合。
上述研究中，很多都运用启发式算法作为计算路由与调度的有力工具，但是大多数因为计算复杂度较高的问题，选择在计算时间与性能方面做平衡。
发明内容
在于解决移动边缘计算网络中实现时延确定性传输问题，本发明将时间敏感网络技术应用于移动边缘计算网络，根据时间敏感网络中相关特征作为约束条件，以不可 调度率作为最优化目标，提出综合考虑时间触发业务流路径长度以及链路剩余带宽条件，使用粒子群算法和遗传算法对移动边缘计算网络中的时间触发业务流的不可调度率进行优化。
本发明提出一种基于路由调度与联合优化的时延确定性传输方法，包括如下步骤：
步骤1：使用全集中式时间敏感网络配置模型对引入时间敏感网络技术的移动边缘计算网络中时间触发业务流的路由以及调度进行模型配置。
步骤2：使用图论对引入时间敏感网络技术的移动边缘计算网络配置的模型进行表示和对时间触发业务流建立数据模型。
步骤3：结合网络以及时间触发业务流的特性，确定时间敏感网络交换机四个方面的约束，得出其约束表达式，确定最优化目标函数。
步骤4：为时间触发业务流选择最合适的路由。
步骤5：使用粒子群算法和遗传算法对时间触发业务流的不可调度率进行优化。
优选的，所述步骤1)中全集中式时间敏感网络配置模型包括：终端设备，时间敏感网络桥、集中网络配置以及集中用户配置四个部分。
(1)终端设备：网络拓扑中产生数据的源目的节点。
(2)时间敏感网络桥：负责接收来自集中网络配置为某个业务数据生成的调度并执行这个调度，在网络拓扑中担任中间节点转发传输业务数据的角色。
(3)集中网络配置：负责维护网络中相关设备的信息，检测网络中相关设备的访问与删除并且需要实时更新网络的拓扑结构以及对应的相关信息，同时还需要为业务流计算路由以及调度，并将这些信息配置到相应的终端设备和时间敏感网络桥上。
(4)集中用户配置：用于发现终端设备，检索其功能，接收请求，并在终端设备中配置时间敏感网络特性，是终端设备与集中网络配置之间的通信桥梁。
优选的，所述步骤2)中的使用图论确定的网络模型和数据模型分别为：
网络模型：可由G(V，E)元组表示，其中V＝{v 1，v 2，v 3......}表示节点集合，它包含了终端设备集合D和时间敏感网络交换机集合B，即V＝B∪D，E是由移动边缘计算网络中的链路所构成的集合，ε i,j表示节点v i与节点v j之间存在链路连接，定义参数C i，j表 示该条链路上的剩余带宽大小。
数据模型：时间触发业务流的集合使用符号S表示，使用符号l表示时间触发业务流的数量，对于某个设备k产生的时间触发业务流λ k∈S，由一个包含7个元素的元组组成(s k，d k，L k，p k，T k，D k)，分别表示时间触发业务流的源节点、目的节点、分组大小、分组周期、产生分组的时间以及该分组的截止时间，截止时间与分组周期之间存在D k≤p k的关系，并且时间触发业务流λ k产生的第W个分组，它的发送时间以及截止时间分别为T k+(W-1)×p k以及D k+(W-1)×p k。
优选的，所述步骤4中，选择合适路由的方案为：
线下计算存储所有终端设备与终端设备之间满足跳数不超过K的候选路径，存放在集合R，使用符号R m,n表示终端设备m与n之间所有满足条件的候选路径集合，R m,n∈R，同时集合R m,n中第q条路径用符号使用π (m,n),q表示，q≥0，首先根据时间触发业务流的源节点m以及目的节点n，搜索候选路径集R m,n，使用公式
Figure PCTCN2021113671-appb-000001
计算这条时间触发业务流的带宽要求，并对集合R m,n中的路由进行筛选，将筛选之后的路径放置在集合R′ m,n中；然后遍历集合R′ m,n中的元素，即时间触发业务流的候选路径，根据公式
Figure PCTCN2021113671-appb-000002
来为时间触发业务流选择最合适的路径，其中a和b是自由参数。
优选的，所述步骤3)中的时间敏感网络交换机具有以下四个方面的约束：
(1)时隙独立约束：两条时间触发业务流不能同时在同一条链路的相同时隙进行传输，此约束用公式表示为：
Figure PCTCN2021113671-appb-000003
参数ε i,j,q表示链路ε i,j的第q个时隙是否已经被占用了，参数
Figure PCTCN2021113671-appb-000004
表示时间触发业务流λ k是不是使用链路ε i,j的第q个时隙。
(2)路径依赖约束：只有当时间触发业务流到达某个节点之后，这个时间触发业务流在该节点上才是可以传输的，用公式表示为：
Figure PCTCN2021113671-appb-000005
Figure PCTCN2021113671-appb-000006
整型参数
Figure PCTCN2021113671-appb-000007
用于表示时间触发业务流λ k在链路ε i,j上的发送时间，它的取值范围为[0,p k]。
(3)队列独立约束：时间敏感网络交换机中的队列在同一时间只能被一条时间触发业务流使用，此约束用公式表示为：
Figure PCTCN2021113671-appb-000008
Figure PCTCN2021113671-appb-000009
(4)时延约束：当时间敏感业务流完成传输时，它的时延并没有超过它所设置的截止时间，这时称这个时间触发业务流是可调度的，此约束用公式表示为：
Figure PCTCN2021113671-appb-000010
形成的最优化目标函数为：最小化移动边缘计算网络中时间触发业务流的不可调度率：
Figure PCTCN2021113671-appb-000011
优选的，所述步骤5)中基于粒子群算法进行优化调度，群体中的个体相互之间共享它们所获得的信息，所以群体在优化问题的求解空间中的运动是从无序向有序转变的，进而获得优化问题的答案。
优选的，所述使用粒子群对时间触发业务流的不可调度率进行优化步骤为：第一步先是初始化数量为M的粒子，用于表示时间触发业务流的调度顺序，时间触发业务流的数目可以使用粒子群中的未读参数表示，这也是粒子群的搜索空间，使用符号“N”来表示；第i个粒子在t时刻时，它的位置可以表示为：
Figure PCTCN2021113671-appb-000012
同时这个粒子它的速度参数可以表示为：
Figure PCTCN2021113671-appb-000013
它的最优位置使用
Figure PCTCN2021113671-appb-000014
来表示，整个粒子群的最优位置使用符号
Figure PCTCN2021113671-appb-000015
表示；粒子在t+1时刻的速度公式为
Figure PCTCN2021113671-appb-000016
其中
Figure PCTCN2021113671-appb-000017
表示粒子在前面一个时刻它的速度当前这个时刻它的速度产生的影响，
Figure PCTCN2021113671-appb-000018
和
Figure PCTCN2021113671-appb-000019
表示粒子当前的位置与它的最优位置之间的距离，c 1，c 2则权重因子，分别表示个体以及社会；当两个参数取常数时，粒子群的性能会比较好，所以将这两个值均设置为0.5；粒子在t+1时刻的位置更新公式为：
Figure PCTCN2021113671-appb-000020
选用时间触发业务流的不可调度率作为粒子群的适应度方程，当粒子的位置更新之后，去计算时间触发业务流的不可调度率，使用粒子群求解时，根据相关分析，粒子群算法的复杂度与粒子数目、时间触发业务流的数目以及设置的迭代的次数呈现线性关系，即O(N×M×iter)。
优选的，所述步骤5)中基于遗传算法进行优化调度，遗传算法使用数学方式和计算机仿真运算，将最优化问题的求解过程转化成染色体的变异交叉和选择过程。
采用的遗传算法的流程如下：首先进行编码：用于将本文的时间触发业务流的调度顺序抽象为连续的特定符号，从而模拟染色体中的基因排列，然后基于编码首先生成初始种群，就是通过随机的方式产生若干个体的集合，之后评估适应度函数数值，遗传算法的解的优劣，需要根据适应度函数的值来判断，然后迭代次数进行自增操作，输出时间触发业务流的最小不可调度率，以及对应的时间触发业务流的调度顺序。
本发明相比现有技术,具有以下有益效果：本发明提出的引入时间敏感网络技术，可以进一步保障移动边缘计算网络中许重要业务能够实现时延确定性传输。时间敏感网络作用在L2链路层，为了保证其灵活性，时间敏感网络工作组并未规定时间敏感网络的路由与调度算法，因此本发明把时间敏感网络技术与移动边缘计算网络相结合，从路由与调度两个方面对移动边缘计算网络中时间触发业务流的可调度率进行优化。本发明的性能分析方法考虑影响因素更为全面，分析结果更加符合网络特性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是时间敏感网络配置模型图；
图2是时间敏感网络交换机队列架构图；
图3是时间敏感网络交换机队中分组时延分析图；
图4是遗传算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解这些实例仅用于说明本发明而不用于限制本发明的范围。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明引入时间敏感网络技术的时间敏感网络中业务流的路由以及调度进行配置，提出一种基于路由调度与联合优化的时延确定性传输分析方法，所述方法包含以下步骤：
步骤1：确定配置模型，如图1所示，本发明使用全集中式时间敏感网络配置模型，该模型包含以几个部分：终端设备，时间敏感网络桥(TSN桥)、集中式网络配置(CNC)以及集中式用户配置(CUC)四个部分，其中：
终端设备：网络拓扑中产生数据的源目的节点。
时间敏感网络桥：负责接收来自集中网络配置为某个业务数据生成的调度并执行这个调度，在网络拓扑中担任中间节点转发传输业务数据的角色。
集中网络配置：负责维护网络中相关设备的信息，检测网络中相关设备的访问与删除并且需要实时更新网络的拓扑结构以及对应的相关信息，同时还需要为业务流计算路由以及调度，并将这些信息配置到相应的终端设备和时间敏感网络桥上。
集中用户配置：用于发现终端设备，检索其功能，接收请求，并在终端设备中配置时间敏感网络特性，是终端设备与集中网络配置之间的通信桥梁。
步骤2：分析队列模型，时间敏感网络中数据类型分为以下三类，具有严格服务质量要求，周期性产生且优先级最高的控制信息，即时间触发流时间敏感网络，具有严格服务质量要求优先级较低的音视频桥接数据，以及没有严格服务质量要求的尽力而为数据。时间敏感网络交换机内部有8个具有编号的队列，每个队列都有相应的优先级，如图2所示，队列的编号与优先级之间存在以下关系，队列编号越小，那么这个队列它的优先级就越低。在时间敏感网络中的业务流，它的分组头部有优先级代码数值，用于供时间敏感网络交换机识别从而将业务流放置在对应的队列中。在时间敏感网络交换机的8个队列中，时间敏感网络业务流放置在队列7中，连接时间感知整型整形机制；音视频桥接业务流放置在队列6与队列5中，这两个队列连接基于信用整型机制；剩余的5个队列都用于放置尽力而为业务流。在时间敏感网络中，业务流 之间相互隔离是时间敏感网络实现其确定性传输的关键之处，所以在时间敏感网络交换机中一个队列同一时间只能被一条业务流所占据。
步骤3：确定网络模型，使用图论对引入时间敏感网络技术的移动边缘计算网络配置的模型进行表示，引入时间敏感网络技术的时间敏感网络可由G(V，E)元组表示，其中V＝{v 1，v 2，v 3......}表示节点集合，它包含了终端设备集合D和时间敏感网络交换机集合B，即V＝B∪D，E是由移动边缘计算网络中的链路所构成的集合，ε i,j表示节点v i与节点v j之间存在链路连接，定义参数C i，j表示该条链路上的剩余带宽大小。
步骤4：确定数据模型，使用图论建立时间触发业务流模型，时间触发业务流的集合使用符号S表示，使用符号l表示时间触发业务流的数量，对于某个设备k产生的时间触发业务流λ k∈S，由一个包含7个元素的元组组成(s k，d k，L k，p k，T k，D k)，分别表示时间触发业务流的源节点、目的节点、分组大小、分组周期、产生分组的时间以及该分组的截止时间，截止时间与分组周期之间存在D k≤p k的关系，并且时间触发业务流λ k产生的第W个分组，它的发送时间以及截止时间分别为T k+(W-1)×p k以及D k+(W-1)×p k。分组在交换机中的时延如图3所示，接收时延是指从业务流进入时间敏感网络交换机开始，到业务流完全被时间敏感网络交换接收为止的时间，在本发明使用参数Δt in表示；处理时延是指时间敏感网络业务流被时间敏感网络交换机的引擎处理的时间，这个时延一般小于1μs，在本发明中将其忽略，不作考虑；排队时延表示时间敏感网络业务流在队列中的时间，这个时延由路由以及调度方案决定；最后是传输时延，它指的时间敏感网络业务流在信道中传输时消耗的时间，因为目前在时间敏感网络中，传输速率已经非常大，甚至可以达到1Gbit/s，而本发明研究对象时间敏感网络业务流，一般为控制信息，所以它的分组长度基本相同，因此各个业务流时间的传输时延差别不大，可以将这个时延当做一个固定值，使用符号Δt s表示。
步骤5：提出综合考虑链路的剩余带宽以及路由的长度为时间敏感网络业务流选择最合适的路由，选择时间敏感网络业务流的不可调度率作为优化目标，通过分析时间敏感网络交换机和时间敏感网络业务流的时隙独立约束、路径依赖约束、队列独立约束条件以及时延约束四个方面的特点，推导出约束公式。
(1)时隙独立约束：两条时间触发业务流不能同时在同一条链路的相同时隙进行传输，此约束用公式表示为：
Figure PCTCN2021113671-appb-000021
参数ε i,j,q表示链路ε i,j的第q个时隙是否已经被占用了，参数
Figure PCTCN2021113671-appb-000022
表示时间触发业务流λ k是不是使用链路ε i,j的第q个时隙。
(2)路径依赖约束：只有当时间触发业务流到达某个节点之后，这个时间触发业务流在该节点上才是可以传输的，用公式表示为：
Figure PCTCN2021113671-appb-000023
Figure PCTCN2021113671-appb-000024
整型参数
Figure PCTCN2021113671-appb-000025
用于表示时间触发业务流λ k在链路ε i,j上的发送时间，它的取值范围为[0,p k]。
(3)队列独立约束：时间敏感网络交换机中的队列在同一时间只能被一条时间触发业务流使用，此约束用公式表示为：
Figure PCTCN2021113671-appb-000026
Figure PCTCN2021113671-appb-000027
(4)时延约束：当时间敏感业务流完成传输时，它的时延并没有超过它所设置的截止时间，这时称这个时间触发业务流是可调度的，此约束用公式表示为：
Figure PCTCN2021113671-appb-000028
最优化目标函数：最小化时间敏感网络中时间敏感网络业务流的不可调度率：
Figure PCTCN2021113671-appb-000029
本次的优化问题非常复杂，它是一个NP难问题，所以将上述的优化问题分为路由优化以及调度优化两个部分来解决，来提高时间敏感网络业务流的可调度率。
步骤6：考虑网络资源的利用率和在线路由以及计算复杂度进行路由优化，本发 明提出的路由方案：为了减少路由生成的复杂度，提出线下计算存储所有终端设备与终端设备之间满足跳数不超过K的候选路径，存放在集合R，使用符号R m,n表示终端设备m与n之间所有满足条件的候选路径集合，R m,n∈R，同时集合R m,n中第q条路径用符号使用π (m,n),q表示，q≥0，首先根据时间敏感网络业务流的源节点m以及目的节点n，搜索候选路径集R m,n，使用公式
Figure PCTCN2021113671-appb-000030
计算这条时间敏感网络业务流的带宽要求，并对集合R m,n中的路由进行筛选，将筛选之后的路径放置在集合R′ m,n中；然后我们遍历集合R′ m,n中的元素，也就是时间敏感网络业务流的候选路径，根据公式
Figure PCTCN2021113671-appb-000031
来为时间敏感网络业务流选择最合适的路径，在这个公式中a和b是自由参数。
步骤7：基于粒子群算法进行优化调度，表1中为PSO伪代码，其中
Figure PCTCN2021113671-appb-000032
和
Figure PCTCN2021113671-appb-000033
分别表示不可调度率在全局状态下以及粒子自己的最优值，而
Figure PCTCN2021113671-appb-000034
和
Figure PCTCN2021113671-appb-000035
则表示此时相对应的粒子所处的位置，W opt表示PSO算法最后输出的最优解。
首先是初始化数量为M的粒子，用于表示时间敏感网络业务流的调度顺序，时间触发业务流的数目可以使用粒子群中的未读参数表示，这也是粒子群的搜索空间，时间敏感网络业务流的数目“N”来表示，第i个粒子在t时刻时，它的位置可以表示为：
Figure PCTCN2021113671-appb-000036
速度表示为：
Figure PCTCN2021113671-appb-000037
同时这个粒子它的速度参数可以表示为：
Figure PCTCN2021113671-appb-000038
最优位置使用
Figure PCTCN2021113671-appb-000039
来表示，整个粒子群的最优位置使用符号
Figure PCTCN2021113671-appb-000040
表示。粒子在t+1时刻的速度公式为
Figure PCTCN2021113671-appb-000041
其中
Figure PCTCN2021113671-appb-000042
表示粒子在前面一个时刻它的速度当前这个时刻它的速度产生的影响，
Figure PCTCN2021113671-appb-000043
和
Figure PCTCN2021113671-appb-000044
表示粒子当前的位置与它的最优位置之间的距离，c 1，c 2则是权重因子，分别表示个体以及社会。当两个参数取常数时，粒子群的性能会比较好，所以将这两个值均设置为0.5；粒子在t+1时刻的位置更新公式为：
Figure PCTCN2021113671-appb-000045
选用时间敏感网络业务流的不可调度率作为PSO的适应度方程，当粒子的位置更新之后，计算时间敏感网络业务流的不可调度率，使用粒子群求解时，根据相关分析，粒子群算法的复杂度与粒子数目、时间触发业务流的数目以及设置的迭代的次数呈现线性关系，即O(N×M×iter)。
表1粒子群算法伪代码
Figure PCTCN2021113671-appb-000046
基于粒子群算法进行优化调度，群体中的个体相互之间共享它们所获得的信息，所以群体在优化问题的求解空间中的运动是从无序向有序转变的，进而获得优化问题的答案。
如表2，首先顺序遍历时间触发业务流集合S，获取路由阶段为时间触发业务流选择的路由，遍历这条路由上的链路，根据约束条件来搜索在时间触发业务流在链路上的最早发送时间，并更新链路的使用状态，链路对应的参数值设置为“1”，并记录使用的链路和时隙的编号，分别加入集合LinkId与SlotId中，当完成调度之后，比较时间 触发业务流在最后一条链路上的发送时间与截止时间减去传输时延与接收时延的值的大小，如果前一个结果值小于以及等于后一个结果值，那么表示这条时间触发业务流被成功调度，如果前者大于后者，表示调度不成功，则重置当前时间触发业务流所使用的链路时隙状态为0，计数变量加1。
表2时间触发业务流调度方法
Figure PCTCN2021113671-appb-000047
步骤8：基于遗传算法进行优化调度，流程图如图4所示，m表示当前已经迭代了多少次，初始值设置为0，iter则用于表示GA算法设置的迭代数目；采用的GA算法的流程如下：首先进行编码：用于将本文的时间触发业务流的调度顺序抽象为连续的特定符号，从而模拟染色体中的基因排列，然后基于编码首先生成初始种群，就是通过随机的方式产生若干个体的集合，之后评估适应度函数数值，遗传算法的解的优劣，需要根据适应度函数的值来判断，然后迭代次数进行自增操作，输出时间触发业务流的最小不可调度率，以及对应的时间触发业务流的调度顺序；具体步骤如下：
步骤8.1：编码：使用二进制编码，根据时间敏感网络业务流的数量取值范围，分别进行4位编码、5位编码、6位编码以及7位编码。
步骤8.2：基于编码首先生成初始种群，在本发明中，就是通过随机的方式产生若干个体的集合。
步骤8.3：评估适应度函数数值遗传算法的解是好是坏，需要根据适应度函数的值来判断，在本发明中就是时间触发业务流的不可调度率，然后计算时间触发业务流的不可调度率。
步骤8.4：遗传算子，包含选择、交叉以及变异三种操作，选择算子主要用于对个体也就是解进行优胜劣汰，也就是解被遗传到下一次迭代的概率与适应度函数的计算值有关，它们之间的关系呈现反比状态，本步骤就是根据上述的概率大小，在父代中进行个体选择，选出来的个体用于遗传。交叉算子指的是，从两个配对的个体上按照一定的概率选择一部分基因进行交换，这个基因就是第一步编码时生成的特定符号串，交叉算子是遗传算法最为重要的特点，也是新个体的主要来源；变异算子指的通过修改一些个体的基因，也就是字符串中的某些符号，从而生成新的个体。
步骤8.5：迭代次数m进行自增操作。
步骤8.6：判断迭代是否已经结束，如果没有结束，就重复执行步骤8.3和步骤8.4操作，否则就执行步骤8.7。
步骤8.7：输出时间敏感网络业务流的最小不可调度率，以及对应的时间敏感网络业务流的调度顺序。
结合参数设置，可以得到遗传算法的复杂度为
Figure PCTCN2021113671-appb-000048
其中
Figure PCTCN2021113671-appb-000049
表示向上对
Figure PCTCN2021113671-appb-000050
取整。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

  1. 一种基于路由调度与联合优化的时延确定性传输方法，其特征在于，包括如下步骤：
    步骤1：使用全集中式时间敏感网络配置模型对引入时间敏感网络技术的移动边缘计算网络中时间触发业务流的路由以及调度进行模型配置；
    步骤2：使用图论对引入时间敏感网络技术的移动边缘计算网络配置的模型进行表示和对时间触发业务流建立数据模型；
    步骤3：结合网络以及时间触发业务流的特性，确定时间敏感网络交换机四个方面的约束，得出其约束表达式，确定最优化目标函数；
    步骤4：为时间触发业务流选择最合适的路由；
    步骤5：使用粒子群算法和遗传算法对时间触发业务流的不可调度率进行优化。
  2. 如权利要求1所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于：所述步骤1)中全集中式时间敏感网络配置模型包括：终端设备，时间敏感网络桥、集中网络配置以及集中用户配置四个部分；
    (1)终端设备：网络拓扑中产生数据的源目的节点；
    (2)时间敏感网络桥：负责接收来自集中网络配置为某个业务数据生成的调度并执行这个调度，在网络拓扑中担任中间节点转发传输业务数据的角色；
    (3)集中网络配置：负责维护网络中相关设备的信息，检测网络中相关设备的访问与删除并且需要实时更新网络的拓扑结构以及对应的相关信息，同时还需要为业务流计算路由以及调度，并将这些信息配置到相应的终端设备和时间敏感网络桥上；
    (4)集中用户配置：用于发现终端设备，检索其功能，接收请求，并在终端设备中配置时间敏感网络特性，是终端设备与集中网络配置之间的通信桥梁。
  3. 如权利要求1所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于，所述步骤2)中的使用图论确定的网络模型和数据模型分别为：
    网络模型：可由G(V,E)元组表示，其中V＝{v 1,v 2,v 3……}表示节点集合，它包含了终端设备集合D和时间敏感网络交换机集合B，即V＝B∪D，E是由移动边缘计算网络中的链路所构成的集合，ε i,j表示节点v i与节点v j之间存在链路连接，定义参数C i,j表示该条链路上的剩余带宽大小；
    数据模型：时间触发业务流的集合使用符号S表示，使用符号l表示时间触发业务流的数量，对于某个设备k产生的时间触发业务流λ k∈S，由一个包含7个元素的元组组成(s k，d k，L k，p k，T k，D k)，分别表示时间触发业务流的源节点、目的节点、分组大小、分组周期、产生分组的时间以及该分组的截止时间，截止时间与分组周期之间存在D k≤p k的关系，并且时间触发业务流λ k产生的第W个分组，它的发送时间以及截止时间分别为T k+(W-1)×p k以及D k+(W-1)×p k。
  4. 如权利要求3所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于，所述步骤4中，选择合适路由的方案为：
    线下计算存储所有终端设备与终端设备之间满足跳数不超过K的候选路径，存放在集合R，使用符号R m,n表示终端设备m与n之间所有满足条件的候选路径集合，R m,n∈R，同时集合R m,n中第q条路径用符号使用π (m,n),q表示，q≥0，首先根据时间触发业务流的源节点m以及目的节点n，搜索候选路径集R m,n，使用公式
    Figure PCTCN2021113671-appb-100001
    计算这条时间触发业务流的带宽要求，并对集合R m,n中的路由进行筛选，将筛选之后的路径放置在集合R′ m,n中；然后遍历集合R′ m,n中的元素，即时间触发业务流的候选路径，根据公式
    Figure PCTCN2021113671-appb-100002
    来为时间触发业务流选择最合适的路径，其中a和b是自由参数。
  5. 如权利要求4所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于：所述步骤3)中的时间敏感网络交换机具有以下四个方面的约束：
    (1)时隙独立约束：两条时间触发业务流不能同时在同一条链路的相同时隙进行传输，此约束用公式表示为：
    Figure PCTCN2021113671-appb-100003
    参数ε i,j,q表示链路ε i,j的第q个时隙是否已经被占用了，参数
    Figure PCTCN2021113671-appb-100004
    表示时间触发业务流λ k是不是使用链路ε i,j的第q个时隙；
    (2)路径依赖约束：只有当时间触发业务流到达某个节点之后，这个时间触发业务流在该节点上才是可以传输的，用公式表示为：
    Figure PCTCN2021113671-appb-100005
    Figure PCTCN2021113671-appb-100006
    整型参数
    Figure PCTCN2021113671-appb-100007
    用于表示时间触发业务流λ k在链路ε i,j上的发送时间，它的取值范围为[0,p k]；
    (3)队列独立约束：时间敏感网络交换机中的队列在同一时间只能被一条时间触发业务流使用，此约束用公式表示为：
    Figure PCTCN2021113671-appb-100008
    Figure PCTCN2021113671-appb-100009
    (4)时延约束：当时间敏感业务流完成传输时，它的时延并没有超过它所设置的截止时间，这时称这个时间触发业务流是可调度的，此约束用公式表示为：
    Figure PCTCN2021113671-appb-100010
    形成的最优化目标函数为：最小化移动边缘计算网络中时间触发业务流的不可调度率：
    Figure PCTCN2021113671-appb-100011
  6. 如权利要求1所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于：所述步骤5)中基于粒子群算法进行优化调度，群体中的个体相互之间共享它们所获得的信息，所以群体在优化问题的求解空间中的运动是从无序向有序转变的，进而获得优化问题的答案。
  7. 如权利要求6所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于：所述使用粒子群对时间触发业务流的不可调度率进行优化步骤为：第一步先是初始化数量为M的粒子，用于表示时间触发业务流的调度顺序，时间触发业务流的数目可以使用粒子群中的未读参数表示，这也是粒子群的搜索空间，使用符号“N”来表示；第i个粒子在t时刻时，它的位置可以表示为：
    Figure PCTCN2021113671-appb-100012
    同时这个粒子它的速度参数可以表示为：
    Figure PCTCN2021113671-appb-100013
    它的最优位置使用
    Figure PCTCN2021113671-appb-100014
    来表示，整个粒子群的最优位置使用符号
    Figure PCTCN2021113671-appb-100015
    表示；粒子在t+1时刻的速度公式为
    Figure PCTCN2021113671-appb-100016
    其中
    Figure PCTCN2021113671-appb-100017
    表示粒子在前面一个时刻它的速度当前这个时刻它的速度产生的影响，
    Figure PCTCN2021113671-appb-100018
    和
    Figure PCTCN2021113671-appb-100019
    表示粒子当前的位置与它的最优位置之间的距离，c 1，c 2则权重因子，分别表示个体以及社会；当两个参数取常数时，粒子群的性能会比较好，所以将这两个值均设置为0.5；粒子在t+1时刻的位置更新公式为：
    Figure PCTCN2021113671-appb-100020
    选用时间触发业务流的不可调度率作为粒子群的适应度方程，当粒子的位置更新之后，去计算时间触发业务流的不可调度率，使用粒子群求解时，根据相关分析，粒子群算法的复杂度与粒子数目、时间触发业务流的数目以及设置的迭代的次数呈现线性关系，即O(N×M×iter)。
  8. 如权利要求1所述的一种基于路由调度与联合优化的时延确定性传输方法，其特征在于：所述步骤5)中基于遗传算法进行优化调度，遗传算法使用数学方式和计算机仿真运算，将最优化问题的求解过程转化成染色体的变异交叉和选择过程；
    采用的遗传算法的流程如下：首先进行编码：用于将本文的时间触发业务流的调度顺序抽象为连续的特定符号，从而模拟染色体中的基因排列，然后基于编码首先生成初始种群，就是通过随机的方式产生若干个体的集合，之后评估适应度函数数值，遗传算法的解的优劣，需要根据适应度函数的值来判断，然后迭代次数进行自增操作，输出时间触发业务流的最小不可调度率，以及对应的时间触发业务流的调度顺序。
PCT/CN2021/113671 2021-07-27 2021-08-20 一种基于路由调度与联合优化的时延确定性传输方法 WO2023004898A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110848871.9A CN113300960B (zh) 2021-07-27 2021-07-27 一种基于路由调度与联合优化的时延确定性传输方法
CN202110848871.9 2021-07-27

Publications (1)

Publication Number Publication Date
WO2023004898A1 true WO2023004898A1 (zh) 2023-02-02

Family

ID=77331152

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/113671 WO2023004898A1 (zh) 2021-07-27 2021-08-20 一种基于路由调度与联合优化的时延确定性传输方法

Country Status (2)

Country Link
CN (1) CN113300960B (zh)
WO (1) WO2023004898A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法
CN116232984A (zh) * 2023-05-09 2023-06-06 武汉中科通达高新技术股份有限公司 一种以网络端到端延时最小化为目标的路由方法及系统
CN116319526A (zh) * 2023-02-13 2023-06-23 华南理工大学 一种不相容度感知的联合路由分区调度方法、装置及介质
CN116720638A (zh) * 2023-04-13 2023-09-08 广东工业大学 一种基于改进进化算法的逆最短路权重调整方法及系统
CN116896436A (zh) * 2023-09-11 2023-10-17 之江实验室 基于改进差分进化算法的灵活以太网时隙分配方法及装置
CN116915689A (zh) * 2023-09-13 2023-10-20 北京智芯微电子科技有限公司 确定性网络的时间触发调度方法及装置和终端设备
CN116996518A (zh) * 2023-09-26 2023-11-03 北京邮电大学 一种多级异构算力网络调度方法、装置、系统及存储介质
CN116996198B (zh) * 2023-09-25 2023-12-19 之江实验室 一种灵活以太网双向时延对称小颗粒时隙分配方法及装置
CN117499960A (zh) * 2023-12-29 2024-02-02 奥鼎智通(北京)科技有限公司 一种通信网络中资源调度方法、系统、设备及介质
CN117596159A (zh) * 2024-01-18 2024-02-23 南京绛门信息科技有限公司 一种基于边缘计算的数据处理系统及方法
CN117729567A (zh) * 2024-02-07 2024-03-19 深圳市物联微电子有限公司 无线自组网的优化方法及系统
CN116319526B (zh) * 2023-02-13 2024-06-11 华南理工大学 一种不相容度感知的联合路由分区调度方法、装置及介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172843B (zh) * 2022-01-17 2023-05-16 重庆邮电大学 一种时间敏感网络中路径选择和门控调度的联合优化方法
CN114553782A (zh) * 2022-01-28 2022-05-27 北京邮电大学 一种大规模确定性网络中基于网络边缘流量整形调度方法
CN114221912B (zh) * 2022-02-22 2022-05-03 北京科技大学 一种针对非周期时间触发业务流的时间敏感网络接入方法
CN114978927B (zh) * 2022-05-30 2023-09-26 机械工业仪器仪表综合技术经济研究所 边缘计算节点通信资源建模方法、设备和介质
CN115460130B (zh) * 2022-09-20 2023-10-13 重庆邮电大学 一种时间敏感网络中的多路径联合调度方法
CN117596200B (zh) * 2024-01-15 2024-05-07 之江实验室 一种时间敏感网络路由调度方法、电子设备、介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200136978A1 (en) * 2018-10-30 2020-04-30 Verizon Patent And Licensing Inc. Method and system for predictive edge resources
CN112039965A (zh) * 2020-08-24 2020-12-04 重庆邮电大学 一种时间敏感网络中的多任务卸载方法及系统
CN112866103A (zh) * 2021-01-12 2021-05-28 重庆大学 一种面向边缘计算的时间敏感移动前传网络保护方法
CN113032938A (zh) * 2021-03-26 2021-06-25 北京邮电大学 时间敏感流的路由调度方法、装置、电子设备及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100596102C (zh) * 2006-09-29 2010-03-24 中国电信股份有限公司 最小化路径抢占代价的标签交换路径建立方法
US8824274B1 (en) * 2011-12-29 2014-09-02 Juniper Networks, Inc. Scheduled network layer programming within a multi-topology computer network
CN103312606A (zh) * 2013-05-23 2013-09-18 杭州卓沃电子商务有限公司 一种基于多路径并发的无线Mesh网络路由及其方法
CN104244356A (zh) * 2014-09-02 2014-12-24 北京空间飞行器总体设计部 一种基于演化图全路由预测的定向蚁群路由优化方法
US20180284746A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data collection optimization in an industrial internet of things environment
US20180219765A1 (en) * 2017-01-31 2018-08-02 Waltz Networks Method and Apparatus for Network Traffic Control Optimization
CN109039897B (zh) * 2018-07-20 2020-12-01 南京邮电大学 一种基于业务感知的软件定义回程网络路由方法
CN109818866B (zh) * 2019-03-22 2021-04-16 武汉大学 一种能量意识和多维参数感知的服务质量保障路由方法
CN112671656B (zh) * 2019-10-16 2023-03-10 华为技术有限公司 一种对网络进行配置的方法和设备
CN110891093B (zh) * 2019-12-09 2022-02-22 中国科学院计算机网络信息中心 一种时延敏感网络中边缘计算节点选择方法及系统
CN111935033B (zh) * 2020-08-05 2022-11-25 上海映驰科技有限公司 用于时间敏感流的终端流预留方法、系统及计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200136978A1 (en) * 2018-10-30 2020-04-30 Verizon Patent And Licensing Inc. Method and system for predictive edge resources
CN112039965A (zh) * 2020-08-24 2020-12-04 重庆邮电大学 一种时间敏感网络中的多任务卸载方法及系统
CN112866103A (zh) * 2021-01-12 2021-05-28 重庆大学 一种面向边缘计算的时间敏感移动前传网络保护方法
CN113032938A (zh) * 2021-03-26 2021-06-25 北京邮电大学 时间敏感流的路由调度方法、装置、电子设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG CHAO, NAN JIANGUO; CHU WENKUI; DAI XICHAO: "An Improved Communication Table Generation Algorithm Based on Time-Triggered Rate Monotonic Scheduling", KONGJUN GONGCHENG DAXUE XUEBAO (ZIRAN KEXUE BAN) = AIR FORCE ENGINEERING UNIVERSITY. JOURNAL (NATURAL SCIENCE EDITION), KONGJUN GONGCHENG DAXUE, CHINA, vol. 17, no. 6, 31 December 2016 (2016-12-31), China , pages 82 - 87, XP093029171, ISSN: 1009-3516, DOI: 10.3969/j.issn.1009-3516.2016.06.015 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116319526A (zh) * 2023-02-13 2023-06-23 华南理工大学 一种不相容度感知的联合路由分区调度方法、装置及介质
CN116319526B (zh) * 2023-02-13 2024-06-11 华南理工大学 一种不相容度感知的联合路由分区调度方法、装置及介质
CN116720638A (zh) * 2023-04-13 2023-09-08 广东工业大学 一种基于改进进化算法的逆最短路权重调整方法及系统
CN116720638B (zh) * 2023-04-13 2024-03-26 广东工业大学 一种基于改进进化算法的逆最短路权重调整方法及系统
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法
CN116232984A (zh) * 2023-05-09 2023-06-06 武汉中科通达高新技术股份有限公司 一种以网络端到端延时最小化为目标的路由方法及系统
CN116232984B (zh) * 2023-05-09 2023-08-08 武汉中科通达高新技术股份有限公司 一种以网络端到端延时最小化为目标的路由方法及系统
CN116896436A (zh) * 2023-09-11 2023-10-17 之江实验室 基于改进差分进化算法的灵活以太网时隙分配方法及装置
CN116896436B (zh) * 2023-09-11 2024-02-09 之江实验室 基于改进差分进化算法的灵活以太网时隙分配方法及装置
CN116915689B (zh) * 2023-09-13 2024-01-23 北京智芯微电子科技有限公司 确定性网络的时间触发调度方法及装置和终端设备
CN116915689A (zh) * 2023-09-13 2023-10-20 北京智芯微电子科技有限公司 确定性网络的时间触发调度方法及装置和终端设备
CN116996198B (zh) * 2023-09-25 2023-12-19 之江实验室 一种灵活以太网双向时延对称小颗粒时隙分配方法及装置
CN116996518B (zh) * 2023-09-26 2023-12-26 北京邮电大学 一种多级异构算力网络调度方法、装置、系统及存储介质
CN116996518A (zh) * 2023-09-26 2023-11-03 北京邮电大学 一种多级异构算力网络调度方法、装置、系统及存储介质
CN117499960A (zh) * 2023-12-29 2024-02-02 奥鼎智通(北京)科技有限公司 一种通信网络中资源调度方法、系统、设备及介质
CN117499960B (zh) * 2023-12-29 2024-03-22 奥鼎智通(北京)科技有限公司 一种通信网络中资源调度方法、系统、设备及介质
CN117596159A (zh) * 2024-01-18 2024-02-23 南京绛门信息科技有限公司 一种基于边缘计算的数据处理系统及方法
CN117596159B (zh) * 2024-01-18 2024-03-26 南京绛门信息科技有限公司 一种基于边缘计算的数据处理系统及方法
CN117729567A (zh) * 2024-02-07 2024-03-19 深圳市物联微电子有限公司 无线自组网的优化方法及系统
CN117729567B (zh) * 2024-02-07 2024-04-23 深圳市物联微电子有限公司 无线自组网的优化方法及系统

Also Published As

Publication number Publication date
CN113300960A (zh) 2021-08-24
CN113300960B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
WO2023004898A1 (zh) 一种基于路由调度与联合优化的时延确定性传输方法
CN109818865B (zh) 一种sdn增强路径装箱装置及方法
Sun et al. Age of information: A new metric for information freshness
Liu et al. DRL-R: Deep reinforcement learning approach for intelligent routing in software-defined data-center networks
CN108040012B (zh) 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法
CN103346922A (zh) 基于sdn的确定网络状态的控制器及其确定方法
Liu et al. Drl-or: Deep reinforcement learning-based online routing for multi-type service requirements
CN115460130A (zh) 一种时间敏感网络中的多路径联合调度方法
Tran et al. Mabrese: A new server selection method for smart SDN-based CDN architecture
Huang et al. Online routing and scheduling for time-sensitive networks
CN114143264A (zh) 一种SRv6网络下基于强化学习的流量调度方法
CN114827021A (zh) 一种基于sdn和机器学习的多媒体业务流量加速系统
CN113518035A (zh) 路由确定方法及装置
Yu et al. Deep reinforcement learning based deterministic routing and scheduling for mixed-criticality flows
WO2023082431A1 (zh) 一种多口字环形结构下的流量调度方法和系统
Zhou et al. Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks
CN116455824A (zh) 基于强化学习的网络流量负载均衡方法
Chen et al. Traffic engineering based on deep reinforcement learning in hybrid IP/SR network
Hu et al. Multi-User Delay-Constrained Scheduling With Deep Recurrent Reinforcement Learning
CN114745322B (zh) Sdn环境下基于遗传算法的视频流路由方法
Liu et al. Scalable Deep Reinforcement Learning-Based Online Routing for Multi-Type Service Requirements
Liu et al. Ppo-based reliable concurrent transmission control for telemedicine real-time services
Hsieh et al. Deep reinforcement learning-based task assignment for cooperative mobile edge computing
Mellouk et al. Reinforcing probabilistic selective Quality of Service routes in dynamic irregular networks
López et al. Priority flow admission and routing in sdn: Exact and heuristic approaches

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21951475

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE