IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

基于网络演算的时间敏感网络时延上界分析模型研究

已有 500 次阅读 2023-11-30 14:09 |系统分类:博客资讯

引用本文

 

胡文学, 孙雷, 王健全, 朱渊, 毕紫航. 基于网络演算的时间敏感网络时延上界分析模型研究. 自动化学报, 2023, 49(11): 22972310 doi: 10.16383/j.aas.c220577

Hu Wen-Xue, Sun Lei, Wang Jian-Quan, Zhu Yuan, Bi Zi-Hang. Research on a latency upper-bound analysis model based on network calculus in time-sensitive networking. Acta Automatica Sinica, 2023, 49(11): 22972310 doi: 10.16383/j.aas.c220577

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220577

 

关键词

 

时间敏感网络,网络演算,时延上界分析模型,门控设置 

 

摘要

 

时间敏感网络(Time-sensitive networking, TSN)作为一种新兴工业通信技术, 能够为工业控制业务提供高可靠及确定性时延保障. 针对时间敏感网络在工业场景中广泛采用的时间感知整形(Time-aware shaper, TAS)机制, 提出一种基于网络演算的时延上界分析模型, 对多节点组网下端到端时延上界进行定量分析, 用以评估门控 (Gate control list, GCL)设置是否满足业务服务质量(Quality of service, QoS)需求, 有助于简化多节点组网场景下门控设置复杂度. 模型仿真部分对影响端到端时延的主要因素进行了对比分析, 并通过OMNeT++ 实时仿真验证了所提出时延上界分析模型的有效性.

 

文章导读

 

时间敏感网络(Time-sensitive networking, TSN)具有低时延、高可靠、确定性及多业务统一承载能力, 因而受到工业界广泛关注. 然而, TSN的标准协议中仅定义了数据转发和处理的方法, 并未对TSN在工业环境下的组网进行规范. 因此, 在复杂工业网络环境下, 面向时延、抖动、丢包率及速率等多业务服务质量(Quality of service, QoS)指标约束[1], 建立时间敏感网络多节点组网环境下端到端时延分析模型, 对网络在极端情况下的时延性能进行定量分析, 是当前时间敏感网络应用面临的难题, 也是本文拟解决的关键问题.

 

TSN是在传统以太网基础上构建的具有确定性时延数据传输能力的新型网络[2]. 传统以太网缺乏确定性的主要原因在于其本质上是一个共享传输介质, 当网络中流量过大时会出现拥塞, 排队时间便无法预测, 确定性也就难以保证[3]. TSN作为运营技术(Operational technology, OT)和信息技术(Information technology, IT)融合[4]的产物, 既能满足工业控制的实时性和确定性, 又能兼容普通以太网业务流, 实现工业控制数据和非实时以太网数据的混合传输[5]. 然而TSN本身并非是一项全新的技术, 最早是由IEEE 802/视频桥接(Audio video bridging, AVB)工作组进行标准化, 2012年更名为TSN工作组, 提出了一系列标准集, 其中包括时钟同步、流量调度、路径控制等, 意图在传统以太网基础上重构数据链路层协议, 以对其进行技术增强, 为高优先级工业控制业务提供确定性时延保障. TSN作为新一代以太网技术, 除了在工业互联网领域应用之外, 还能广泛地应用于航空电子网络、车载网络等多个领域, 因此也得到了学术界和工业界的持续关注[6].

 

对于TSN而言, 其主要任务之一就是保障时间敏感业务流的端到端时延和抖动要求, 因此, 端到端时延的有界性是TSN传输确定性的首要特征. 本文主要讨论时延的上界, 并且针对最差情况进行分析. 网络演算是一种基于最小加代数 (Min-plus algebra)的确定性排队理论, 近年来被广泛引入对网络性能边界进行刻画, 包括对网络节点或端到端时延界限的刻画[7-8]. 文献[9]利用以太网AVB业务流的固有特性, 分析了在非帧抢占(Non-preemption)策略下, 业务流的端到端最差时延; 文献[10]分析了在基于信用值的整形器(Credit-based shaper, CBS)及异步流量整形器(Asynchronous traffic shaping, ATS)下网络拥塞的形成因素, 并对不同速率情况下网络节点的时延性能进行了评估; 文献[11]为获得准确的时延上界, 在对其进行分析时, 仅将同时满足队列中有待发报文并且整形器允许数据传输的时间间隔作为获取服务曲线的时间段. 文献[12-13]针对CBS调度整形特征对业务流数据帧的到达曲线和服务曲线进行了刻画, 分析了网络在最差情况下的时延(Worst-case delay, WCD); 文献[14-15]给出了两种不同的TTEthernet中速率受限(Rate-constrainted, RC)业务流数据的端到端WCD分析方法, TTEthernet普遍被认为在原理上与TSN一致, 它们均是采用时间触发传输机制实现多业务流的确定性传输. 文献[16]针对IEEE 802.1Qbv协议中门控列表(Gate control list, GCL)时间分配对端到端时延的影响, 利用网络演算提出了一种基于灵活窗口的GCL调度模型, 并对该模型在不同配置下端到端时延的上界进行了分析.

 

可以看出, 目前TSN中基于网络演算的时延边界的分析, 一方面, 对业务流的到达曲线进行刻画十分简单, 多数采用突发长度这个量进行描述; 另一方面, 现有的研究主要基于标准中定义的CBS流量整形器对业务流进行端到端时延的分析. 如何通过网络演算对业务流进行建模, 指导流量整形器的设计, 是当前具有挑战价值和研究意义的.

 

与端到端时延分析时一般所用的整形机制不同, 本文针对TSN引入的时间感知整形(Time-aware shaper, TAS)机制[17], 利用网络演算对周期性到达的业务流进行极端情况下端到端时延上界分析. TAS是由IEEE 802.1Qbv标准定义, 通过GCL来指定每一时刻对应优先级的业务流能否进行消息传输, 在全网时钟同步的情况下, TASGCL周期性地控制各队列出口门控的开闭, 并且遵循严格优先级的方式进行传输. 然而IEEE 802.1Qbv仅仅对门控机制进行定义, 即在单交换节点中如何通过GCL的定义来保证高优先级业务的确定性. 此外, 在多节点协同组网时, 为了避免低优先级业务对高优先级业务的干扰, 一般不会将高优先级业务门控与低优先级业务门控 重叠”, 这不仅增加了队列门控协同安排的难度, 同时也牺牲了网络带宽, 以此换取高优先级业务传输的 确定性”.

 

因此, 论文的创新点如下:

1) 本文基于不同队列间 可重叠的机制对业务时延上界进行分析, 引入了低优先级队列对高优先级业务传输的干扰;

2) 为进行端到端时延上界的分析, 本文引入了基于网络演算的时延上界分析模型, 以对门控设置是否满足业务QoS要求进行评判, 保证在简化门控设置的同时, 保证高优先级业务的时延要求.

 

此外, 本文还搭建了基于OMNeT++ 的仿真平台, 模拟实际网络运行模式, 对业务流端到端时延的分布情况进行仿真, 以验证对于时延上界的分析是有效的.

 1  基于网络演算的性能指标分析

 2  到达曲线图形

 3  服务曲线样例

 

本文针对TSN引入的TAS机制, 在多节点组网场景下, 基于不同队列门控间可 重叠情形, 通过网络演算对网络端到端时延的上界进行求解. 在交换节点处, 通过 到达服务曲线模型中两曲线间的最大水平偏差对时延上界进行表示. 对于本文所做的工作, 可分为如下几点:

1) 对多交换节点进行了多组GCL设置, 基于Matlab仿真软件, 对每组门控设置下高优先级业务端到端时延上界进行了分析. 通过时延上界值之间的比较, 分析了影响实验结果的因素, 其中队列间门控窗口的重叠、队列窗口的开启时长均会对结果的大小造成影响.

2) 为说明时延上界结果的准确性, 在门控确定的情况下, 通过改变业务流信息, 并将其输入至OMNeT++ 仿真平台, 通过输出的端到端时延分布对其加以验证. 根据文中箱线图的显示, 统计的时延均小于时延上界, 这证明了基于网络演算时延上界分析模型的有效性.

 

在未来的工作中, 一方面, 对于有线与无线融合组网的工业场景, 为实现工厂内局域确定性机制, 如何对基于网络演算的端到端时延分析模型进行刻画还有待进一步研究; 另一方面, 根据业务性能的QoS指标, 如何自适应地调整TSN交换节点的GCL也有待进行更多的探索.

 

作者简介

 

胡文学

北京科技大学自动化学院博士研究生. 主要研究方向为工业确定性网络, 时间敏感网络路由与调度联合技术. E-mail: liter_ustb@xs.ustb.edu.cn

 

孙雷

北京科技大学副教授. 主要研究方向为5G-TSN, 时间敏感网络和资源管理技术. 本文通信作者. E-mail: sun_lei@ustb.edu.cn

 

王健全

北京科技大学教授. 主要研究方向为工业互联网与异构网络协同, 移动通信和网络关键技术. E-mail: wangjianquan@ustb.edu.cn

 

朱渊

北京科技大学自动化学院硕士研究生. 主要研究方向为5G-TSN协同架构. E-mail: m202120748@xs.ustb.edu.cn

 

毕紫航

北京科技大学自动化学院硕士研究生. 主要研究方向为工业网络流量调度整形机制. E-mail: zihang5663@163.com



https://blog.sciencenet.cn/blog-3291369-1411849.html

上一篇:基于状态识别的高炉料面视频关键帧提取方法
下一篇:基于深度学习初始位姿估计的机器人摄影测量视点规划
收藏 IP: 117.114.9.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-2-22 02:10

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部