一种时间敏感网络系统的参数估计方法

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种时间敏感网络系统的参数估计方法。

背景技术

TSN(Time-Sensitive Networking，时间敏感网络)标准规范了多种流调度机制和流量控制策略，保证不同优先级、不同传输模式和不同时间敏感性的数据流在同一个网络媒介中传输，并满足数据流的QoS(Quality of Service，服务质量)需求。然而，在TSN系统规划设计中，工程师需要根据数据流分布情况，对TSN缓冲区需求和数据传输时延进行分析，其目的是有效配置网络参数，部署恰当的流量调度机制，实施合理的流量控制策略。在此基础上，所实现的TSN系统才能够满足数据流的QoS需求，保证时间敏感流具有确定性时延和抖动，避免数据传输过程中出现拥塞和丢包。

TSN缓冲区需求和数据传输时延分析主要有两种方法，分别是解析法和仿真法。解析法在给定TSN系统结构、输入流量模型和流量调度模型的基础上，利用网络演算理论，导出系统到达曲线和服务曲线的解析表达式，进一步计算系统的最大积压数据量和时延上限，为网络系统规划设计提供决策支持。解析法的优点在于：具有完备的网络演算理论基础；当到达曲线和服务曲线的数学模型建立以后，系统的最大积压数据量和时延上限就很容易分析；该方法对系统规模的变化具有较好的适应性。解析法的不足之处在于：为了降低算法的复杂度，算法需要对TSN系统做诸多假设，从而降低了结果的准确性；当系统同时采用多种不同TSN流量调度机制时，服务曲线很难用解析式表达。仿真法利用网络仿真软件平台对TSN系统结构、输入流量以及流量调度机制进行建模，并进行软件仿真。仿真法不能直接得到到达曲线和服务曲线的解析表达式，但可以根据大量的TSN系统输入和输出仿真数据，利用极值理论间接估计系统的最大积压数据量和时延上限。仿真法的优点在于不需要复杂的理论支撑和前提假设，通过网络仿真可以最大限度复现实际网络系统的行为；通过图形化人际交互界面可以很容易建立复杂的网络模型和流量调度模型，既可进行网络仿真。仿真法的不足之处在于，网络参数的每次修改都要求重新启动仿真过程，分析过程耗时较大；仿真法不能直接分析系统的最大积压数据量和时延上限，需要借助于极值理论等其他手段间接得到分析结果。

发明内容

本发明的实施例提供了一种TSN系统的参数估计方法，以实现有效地分析TSN系统的性能参数。

为了实现上述目的，本发明采取了如下技术方案。

一种时间敏感网络系统的参数估计方法，包括：

给定时间敏感网络TSN系统的网络结构和流量调度策略，产生TSN系统的输入和输出数据流的样本数据集；

对输入数据流的样本数据集进行线性拟合，估计出TSN系统的确定到达曲线参数；

选择多组不同的TSN系统的输入和输出数据流样本，基于所述到达曲线的参数对所述输入和输出数据流样本重复进行最小加卷积运算，估计出TSN系统的服务曲线参数。

优选地，所述的给定TSN系统的网络结构和流量调度策略，产生TSN系统的输入和输出数据流的样本数据集，包括：

在TSN软件仿真平台上部署所要求的TSN系统的拓扑结构，配置TSN系统的流量调度策略，并设置TSN仿真参数，

根据输入流量的分布参数，产生输入数据流；执行TSN软件仿真算法，得到与输入数据流对应的TSN输出数据流；

第i次仿真得到的输入和输出数据流分别表示为：

和

其中，t

设定TSN软件仿真算法执行N次，每次生成n对输入和输出数据点，将N次生成的输入和输出数据流构成一个集合，便是样本数据集，记作：

S＝{(X(1),Y(1)),(X(2),Y(2)),...,(X(i),Y(i)),...,(X(N),Y(N))}

其中，(X(i),Y(i))表示第i组输入和输出数据点，i＝1,2,...,N。

优选地，所述的对输入数据流的样本数据集进行线性拟合，估计出TSN系统的确定到达曲线参数，包括：

设置TSN系统的到达曲线用式α(t)＝b+r·t表示，式中b和r为到达曲线的参数，TSN系统的服务曲线用式β(t)＝[R·(t-T)]

将输入数据流X(i)样本数据集中每个元素视为数据量平面上的一个点，共有(N×n)个数据点；对(N×n)个数据点进行线性拟合，得到拟合直线α′(t)＝b′+r′·t；到达曲线α(t)与拟合曲线α′(t)具有相同斜率和不同截距，且α(t)≥α′(t)；

根据网络演算理论给出的到达曲线的约束条件，找到与拟合直线α′(t)距离最大且大于α′(t)的点x

α(t)＝b+r·t

其中，r为到达数据速率，r＝r′；b为突发数据量，b＝x

将输入数据流X(i)表示成阶梯函数，计算N个阶梯函数的最大值，得到最大值包络函数，表达式为：

其中，最大值包络函数A(t)被视为到达函数；

利用网络演算理论设到达曲线α(t)的约束条件为：

对α(t)和A(t)进行检验，看是否满足所述约束条件，

优选地，所述的选择多组不同的TSN系统的输入和输出数据流样本，基于所述到达曲线的参数对所述输入和输出数据流样本重复进行最小加卷积运算，估计出TSN系统的服务曲线参数，包括：

选择一组输入和输出数据点(X(i),Y(i))，并假设具有初始参数值的服务曲线表达式为：

β(t)＝[R·(t-T)]

其中，β(t)为服务曲线，T为固定时延，R为数据服务速率；

令到达函数A(t)是输入数据X(i)的阶梯函数表示，离开函数D(t)是输出数据Y(i)的斜坡函数表示，对A(t)和β(t)做最小加卷积

根据网络演算理论，到达函数A(t)、离开函数D(t)和离开函数的下限D′(t)应满足约束条件：

A(t)≥D(t)≥D′(t)

在函数A(t)和D(t)为已知的条件下，约束条件A(t)≥D(t)≥D′(t)转化为服务曲线β(t)的约束条件。

若最小加卷积

多次选择不同的输入和输出数据流，重复最小加卷积运算，优化服务曲线参数，直到把样本数据集中的全部输入和输出数据流运算完毕，经过多次迭代，最终确定服务曲线β(t)＝[R·(t-T)]

由上述本发明的实施例提供的技术方案可以看出，本发明基于TSN软件仿真结果估计到达曲线和服务曲线的参数，利用网络演算理论，进一步确定TSN的最大缓冲区和端到端时延上限，其结果有助于TSN系统的优化设计。该方法得到的到达曲线和服务曲线解析表达式可用来分析TSN系统最大缓冲区规划和最差时延，为TSN系统的规划设计提供决策支持。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，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为本发明实施例提供的一种TSN系统的参数估计方法的处理流程图；

图2为本发明实施例提供的一种TSN系统的参数估计方法中到达曲线参数估计方法示例；

图3为本发明实施例提供的一种TSN系统的参数估计方法中服务曲线参数估计方法示例。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和和或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和和或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和和或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

为了对TSN系统的最大积压数据量和时延上限进行有效分析，较好地支撑TSN系统规划设计，本发明将解析法和仿真法进行了结合，实现了解析法和仿真法两种方法的优势互补。在仿真数据的基础上，本发明估计到达曲线和服务曲线参数，从而得到两种曲线的解析表达式，利用解析表达式进一步分析最大积压数据量和时延上限。TSN系统的到达曲线用式α(t)＝b+r·t表示，式中b和r为到达曲线的参数。同理，TSN系统的服务曲线用式β(t)＝[R·(t-T)]

本发明实施例提供的一种TSN系统的参数估计方法的处理流程如图1所示，包括以下处理步骤：

步骤S1：给定TSN系统的网络结构和流量调度策略，利用TSN软件仿真算法，产生输入和输出数据流。输入和输出数据流产生的具体过程如下：

S101：在TSN软件仿真平台上部署所要求的TSN系统的拓扑结构；

S102：配置TSN系统的流量调度策略，并设置TSN仿真参数；

S103：根据输入流量的分布参数，产生输入数据流；执行TSN软件仿真算法，得到与输入数据流对应的TSN输出数据流。

第i次仿真得到的输入和输出数据流分别表示为：

和

其中，t

步骤S2：重复执行仿真过程，得到多个输入和输出数据流，并构成样本数据集。

上述样本数据集构成的具体过程包括：设定TSN软件仿真算法执行N次，每次生成n对输入和输出数据点。将N次生成的数据点构成一个集合，便是样本数据集，记作：

S＝{(X(1),Y(1)),(X(2),Y(2)),...,(X(i),Y(i)),...,(X(N),Y(N))}

其中，(X(i),Y(i))表示第i组输入和输出数据点，i＝1,2,...,N。

步骤S3：对输入样本数据集进行线性拟合，得到拟合直线α′(t)，确定到达曲线的斜率r。到达曲线α(t)与拟合曲线α′(t)具有相同斜率和不同截距，且α(t)≥α′(t)。

通过对输入样本数据集进行线性拟合，得到拟合直线α′(t)的具体过程包括：将输入数据流X(i)样本数据集中每个元素视为数据量平面上的一个点，共有(N×n)个数据点；对(N×n)个数据点进行线性拟合，得到拟合直线α′(t)＝b′+r′·t。该直线的斜率与到达曲线相同。

步骤S4：根据网络演算理论给出的到达曲线的约束条件

S401：找到与直线α′(t)距离最大且大于α′(t)的点x

S402：将直线α′(t)向平面的左上方平移，直到经过点x

α(t)＝b+r·t

其中，r为到达数据速率，r＝r′；b为突发数据量，b＝x

S403：将输入数据流X(i)表示成阶梯函数，计算N个阶梯函数的最大值，得到最大值包络函数，表达式为：

其中，最大值包络函数A(t)被视为到达函数。

S404：利用网络演算理论对α(t)的约束条件

对α(t)和A(t)进行检验，看是否满足条件。其中，

S405：如果条件满足，则b和r为到达曲线α(t)参数的最终估计值；否则，适当增加参数b的数值，直到满足约束条件位置。

步骤S5：选择一组输入和输出数据流，假设服务曲线的参数初始值，利用最小加卷积运算，优化服务曲线β(t)参数。

优化服务曲线参数的具体过程如下：

S501：选择一组输入和输出数据点(X(i),Y(i))，并假设具有初始参数值的服务曲线表达式为：

β(t)＝[R·(t-T)]

其中，β(t)为服务曲线，T为固定时延，R为数据服务速率，

S502：令到达函数A(t)是输入数据X(i)的阶梯函数表示，离开函数D(t)是输出数据Y(i)的斜坡函数表示。因此，到达函数A(t)和离开函数D(t)都是由仿真得到的结果。对A(t)和β(t)做最小加卷积

根据网络演算理论，到达函数A(t)、离开函数D(t)和离开函数的下限D′(t)应满足约束条件

A(t)≥D(t)≥D′(t)。

在函数A(t)和D(t)为已知的条件下，约束条件A(t)≥D(t)≥D′(t)便转化为服务曲线β(t)的约束条件。

S503：若最小加卷积

S504：若运算结果满足约束条件，则选择另一组输入和输出数据流，重复S501。

步骤S6：多次选择不同的输入和输出数据流，重复最小加卷积运算，优化服务曲线参数。经过多次迭代，最终确定服务曲线参数，并确定服务曲线表达式。

估计最终服务曲线参数的具体过程包括：多次选择不同的输入和输出数据流，重复最小加卷积运算，优化服务曲线参数。直到把样本数据集中的全部输入和输出数据流运算完毕。经过多次迭代，最终确定服务曲线参数，并确定服务曲线表达式。在此，服务曲线β(t)＝[R·(t-T)]

为了进一步更好地解释本发明实施例，本发明方法中到达曲线参数估计示例如图2所示，其具体如下：

在图2中，横坐标为时间t，纵坐标为TSN系统输入数据量A(t)。为了说明到达曲线参数估计过程，图2给出了3组仿真得到的输入数据X(i)，并用实心圆点表示。对数据点进行线性拟合，得到直线α′(t)＝b′+r′·t。直线α′(t)的斜率r′视为到达曲线α(t)的斜率r，即r＝r′。在输入数据点中，算法找到与直线α′(t)距离最大且大于α′(t)的点(t

为了进一步更好地解释本发明实施例，本发明方法中服务曲线参数估计示例如图3所示，其具体内容如下：

在图3中，横坐标表示时间t，纵坐标表示TSN系统输入和输出数据量。算法选择一组仿真得到的输入数据点X(i)和输出数据点Y(i)，假设服务曲线β(t)的表达式为β(t)＝[R·(t-T)]

算法利用阶梯函数A(t)表示输入数据点X(i)，利用斜坡函数D(t)表示输出数据点Y(i)。对A(t)和β(t)做最小加卷积

A(t)≥D(t)≥D′(t)

不断优化服务曲线β(t)参数R和T的数值，并重复计算

算法以得到的优化参数值为初始值，选择另一组X(i)和Y(i)，重复上述过程，进一步优化服务曲线β(t)参数R和T的数值。直到把样本数据集中全部输入和输出数据流运算完毕。经过多次迭代，最终确定服务曲线参数，并确定服务曲线表达式。

综上所述：本发明提供的一种时间敏感网络到达曲线和服务曲线的参数估计方法，首先，给定TSN网络结构和流量调度策略，利用TSN软件仿真算法，产生输入和输出数据流；重复执行仿真算法，得到输入和输出样本数据集。然后，对输入样本数据集进行线性拟合，得到曲线α′(t)，确定到达曲线的斜率r。根据网络演算理论给出的到达曲线约束条件，将曲线α′(t)平移，使其经过最大距离点x

本发明提供的时间敏感网络到达曲线和服务曲线的参数估计方法，结合仿真法和解析法，实现两种方法的优势互补，可有效估计TSN到达曲线和服务曲线的参数。

本发明提供的时间敏感网络到达曲线参数估计方法，充分利用网络仿真的输入数据流样本数据集，采用线性拟合算法估计到达曲线斜率，然后，根据输入数据流最大值包络函数对直线进行平移，估计到达曲线的截距。经约束条件的检验，确定到达曲线参数以及解析表达式。

本发明提供的时间敏感网络服务曲线参数估计方法，充分利用网络仿真得到的输入和输出数据流样本数据集，采用最小加卷积运算，循环检验所设定的服务曲线参数是否满足约束条件，实现参数优化。经多次迭代，最终实现服务曲线的参数估计以及解析表达。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM和RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。