曹志鵬，劉勤讓，劉冬培，張 霞

（中國人民解放軍戰(zhàn)略支援部隊信息工程大學(xué)信息技術(shù)研究所，鄭州450001）

0 概述

時間敏感網(wǎng)絡(luò)（Time-Sensitive Network，TSN）是一種新型的數(shù)據(jù)確定性傳輸網(wǎng)絡(luò)，在以太網(wǎng)的基礎(chǔ)上加入了時間同步、傳輸調(diào)度、路徑控制、資源預(yù)留、可靠冗余等新機(jī)制，使得時間關(guān)鍵或任務(wù)關(guān)鍵應(yīng)用的服務(wù)質(zhì)量（Quality of Service，QoS）得到保證［1］。TSN 支持時間敏感流量和盡力而為（Best Effort，BE）流量在同一網(wǎng)絡(luò)中進(jìn)行傳輸，并對前者提供低延遲、低抖動和低丟包率［2］服務(wù)。由于TSN 能夠?qū)⒁蕴W(wǎng)的低成本、高帶寬特點(diǎn)與高質(zhì)量的數(shù)據(jù)傳輸相結(jié)合，因此TSN 相關(guān)技術(shù)已經(jīng)得到了學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注［3-5］。盡管TSN 具有以上優(yōu)點(diǎn)，但是在實(shí)際的分析和計算中，由于網(wǎng)絡(luò)結(jié)構(gòu)眾多、數(shù)據(jù)流QoS 各異，因此會導(dǎo)致TSN 系統(tǒng)的調(diào)度計算呈現(xiàn)出復(fù)雜性。已有眾多研究表明，TSN 中的流量調(diào)度問題是NP 完全問題［6-8］。低效率、拓展性差的調(diào)度計算方法將會導(dǎo)致計算時間消耗大、計算顆粒度粗等問題，不利于TSN 系統(tǒng)的快速、高質(zhì)量部署。

眾多學(xué)者針對上述問題進(jìn)行了大量研究。ARESTOVA 等［7］綜合考慮了網(wǎng)絡(luò)設(shè)備、TSN 流的屬性和不同路由方式帶來的影響，設(shè)計一種基于混合遺傳算法的計算方法，并對調(diào)度結(jié)果進(jìn)行壓縮。PAHLEVAN 等［9］同時考慮路由約束和調(diào)度約束，采用啟發(fā)式列表調(diào)度方法提高計算性能，并對分布式系統(tǒng)、多播流和流關(guān)系進(jìn)行討論。GAVRILUT 等［10］在計算中增加了對AVB 流量的考慮，利用GRASP 算法同時進(jìn)行路由和調(diào)度計算，使得系統(tǒng)中的時間敏感流量和AVB 流量都能滿足傳輸需求。DURR 等［11］針對計算粒度粗、帶寬浪費(fèi)等問題，將調(diào)度問題映射到經(jīng)典JSP 問題，利用禁忌搜索進(jìn)行調(diào)度計算，并通過調(diào)度壓縮節(jié)省帶寬?？傮w而言，上述各項研究均從不同角度完成了對TSN 網(wǎng)絡(luò)的路由和調(diào)度計算，但也存在路由調(diào)度分離、計算效率低、顆粒度粗等問題，在計算速度和優(yōu)化效果上有待提升。

本文從高效率流量路由調(diào)度計算的角度出發(fā)，提出一種基于最短路徑負(fù)載均衡和改進(jìn)遺傳算法的流量調(diào)度方法。在路由計算部分，考慮到流與流在傳輸過程中的相互影響，利用鏈路負(fù)載均衡的思想進(jìn)行規(guī)劃。在調(diào)度計算部分，使用優(yōu)勢個體保留的選擇算子和自適應(yīng)交叉變異概率，對遺傳算法進(jìn)行改進(jìn)，防止過早收斂和陷入局部極值，以充分提升算法的搜索效率。

1 問題建模

1.1 網(wǎng)絡(luò)模型與流量模型

在TSN 網(wǎng)絡(luò)模型中包含終端、交換機(jī)、傳輸鏈路這3 種要素，其中終端和交換機(jī)合稱為節(jié)點(diǎn)。各個節(jié)點(diǎn)均是支持TSN 特性的設(shè)備，傳輸鏈路是全雙工的以太網(wǎng)鏈路。將網(wǎng)絡(luò)屬性歸結(jié)為關(guān)于拓?fù)洇雍凸?jié)點(diǎn)數(shù)量n的二元組，如式（1）所示：

對于特定拓?fù)涞木W(wǎng)絡(luò)而言，可以將其表示為有向圖，如式（2）所示：

其中：vi∈V表示節(jié)點(diǎn)，包含終端和交換機(jī)；(va,vb),(vb,va)∈E表示節(jié)點(diǎn)之間雙向鏈路的集合。

將從源節(jié)點(diǎn)開始且按照一定要求傳輸?shù)侥康墓?jié)點(diǎn)的有序數(shù)據(jù)序列稱為流，并將所有時間敏感流的集合記為F。對于每種不同的流，其主要參數(shù)包含流的傳輸路徑R、流的傳輸周期T、流的負(fù)載值P、流的端到端時間限制D。例如，對于流fi，可用以下四元組表示：

不同的流可能通過不同的路徑進(jìn)行傳輸，對于源節(jié)點(diǎn)是vsrc、目的節(jié)點(diǎn)是vdst且中間經(jīng)過v1,v2,…,vn共n個節(jié)點(diǎn)的流，可將其路徑表示為。流負(fù)載的單位是字節(jié)，每個幀的最大長度為以太網(wǎng)的最大傳輸單元（Maximum Transmission Unit，MTU）。每個時間敏感流都有端到端的時間限制，即目的節(jié)點(diǎn)處的接收時間與源節(jié)點(diǎn)處的發(fā)送時間之差應(yīng)在規(guī)定范圍內(nèi)，用Di表示。

1.2 TSN 傳輸約束

在TSN 網(wǎng)絡(luò)中，為了確保時間敏感的數(shù)據(jù)流量能夠及時準(zhǔn)確送達(dá)，需要對網(wǎng)絡(luò)傳輸行為施加一定的約束。本文的研究目標(biāo)是求出在滿足這些約束條件下的可行解，并去尋求最優(yōu)解或近似最優(yōu)解，同時盡量提高計算效率和可擴(kuò)展性。路由問題的核心是在減小鏈路負(fù)載和擁塞的情況下，求解不同流的傳輸路徑。調(diào)度問題的核心可以歸結(jié)為計算每條鏈路上傳輸時間窗的開窗時間與關(guān)窗時間。在TSN 中，共有5 種傳輸約束［12-14］。

約束1對于任一條鏈路上的時間窗而言，其開窗時間不應(yīng)超過其關(guān)窗時間，如式（4）所示：

其中：fe i,m表示流fi在鏈路e上的第m幀；ts表示開窗時間；te表示關(guān)窗時間。

約束2對于同一條鏈路，應(yīng)當(dāng)滿足首幀的發(fā)送時間為非負(fù)，且各幀按照先后順序進(jìn)行發(fā)送，如式（5）、式（6）所示：

約束3在同一段傳輸時隙內(nèi)，鏈路資源應(yīng)當(dāng)是被當(dāng)前流所獨(dú)占的，不同的流之間不會發(fā)生碰撞，如式（7）、式（8）所示：

約束4同一數(shù)據(jù)流在不同鏈路上的傳輸是有先后順序的，如式（9）所示：

約束5流的端到端時延不應(yīng)超出最大限制，如式（10）所示：

2 基于最短路徑負(fù)載均衡與MGA的流量調(diào)度

2.1 基于K 最短路徑的負(fù)載均衡路由算法

根據(jù)IEEE Std 802.1Qca-2015［15］，傳統(tǒng)TSN 系統(tǒng)中采用帶有約束的最短路徑優(yōu)先（Constrained Shortest Path First，CSPF）路由。如果同源節(jié)點(diǎn)和目的節(jié)點(diǎn)之間同時有多條最短路徑路由，那么會根據(jù)一定的約束條件進(jìn)行剪枝。然而文獻(xiàn)［16］研究表明，采用最短路徑算法（Shortest Path Algorithm，SPA）有可能產(chǎn)生額外的延遲。數(shù)據(jù)的路由不僅需要減少轉(zhuǎn)發(fā)操作，而且要使其路由通過有較少數(shù)據(jù)重疊的路徑。當(dāng)每種數(shù)據(jù)流僅按照自身的最短路徑進(jìn)行路由而不考慮流與流之間的相互影響時，雖然自身可能是最優(yōu)解，但是也可能會導(dǎo)致整體時延的增加。因此，本文提出一種基于K 最短路徑的負(fù)載均衡路由算法（Load Balancing Routing Algorithm based on K Shortest Path，LBRA-KSP）。該算法能夠針對不同的數(shù)據(jù)流尋找路由，使得鏈路負(fù)載達(dá)到最小。LBRA-KSP 算法流程如圖1所示。

圖1 LBRA-KSP 算法流程Fig.1 Procedure of LBRA-KSP algorithm

LBRA-KSP 算法的輸入為網(wǎng)絡(luò)拓?fù)?、?shù)據(jù)流及其屬性，輸出為每條流所對應(yīng)的路由路徑，主要步驟如下：

1）數(shù)據(jù)的初始化。對于輸入的拓?fù)浣Y(jié)構(gòu)，將圖中各條鏈路的初始負(fù)載值設(shè)置為0。對于輸入的流，LBRA-KSP 算法主要考慮其源地址、目的地址和流負(fù)載這3 種屬性，并將所有的輸入流按照流負(fù)載從小到大進(jìn)行排序。

2）計算備選路徑。LBRA-KSP 算法綜合考慮路徑長度和流之間的相互作用，以此來獲得更優(yōu)質(zhì)的傳輸路徑。對于某條流，采用KSP 算法，計算從源節(jié)點(diǎn)到目的節(jié)點(diǎn)的前K條最小距離路由。

3）路由選優(yōu)。路由選優(yōu)是LBRA-KSP 算法的關(guān)鍵，對于計算所得到的K條路由路徑，計算每條備選路徑的負(fù)載值，將新的負(fù)載值更新為歷史負(fù)載值和新添加負(fù)載值之和，然后選擇其中總負(fù)載值最小的那條路徑作為該流的傳輸路徑。

算法1路由選優(yōu)算法

2.2 MGA 算法

遺傳算法借助生物界中的優(yōu)勝劣汰思想和基因遺傳原理，通過對自然種群繁衍進(jìn)化的模擬來求得優(yōu)化過程中的最優(yōu)解。但是，遺傳算法通常存在搜索效率較低、過早收斂、容易陷入局部極值等問題，JIA 等［17］針對上述問題進(jìn)行優(yōu)化形成改進(jìn)的遺傳算法（Modified Genetic Algorithm，MGA）。本文對MGA的選擇算子和交叉變異概率進(jìn)行改進(jìn)，并結(jié)合LBRA-KSP 的結(jié)果進(jìn)行計算，全面提升了MGA 的運(yùn)行效果，如圖2所示。為便于計算，本文采取與文獻(xiàn)［11］相同的假設(shè)，即各流的傳輸周期保持相同。

圖2 改進(jìn)的MGA 算法流程Fig.2 Procedure of improved MGA algorithm

2.2.1 路徑矩陣與時間矩陣

路徑矩陣用于表示每條待調(diào)度的流所經(jīng)過的各段鏈路，如式（11）所示：

在路徑矩陣中，行表示流的數(shù)量，列表示流的傳輸路徑，行與列的下標(biāo)均從0 開始計數(shù)。例如，流3表示其傳輸路徑經(jīng)過鏈路11、鏈路4、……、鏈路9。相同的鏈路用同一種數(shù)字表示，不同的鏈路用不同的數(shù)字表示。例如，流1 所經(jīng)過的第0 個傳輸鏈路與流3 所經(jīng)過的第1 個傳輸鏈路、流4 所經(jīng)過的第1 個傳輸鏈路是相同的。為了防止鏈路沖突的發(fā)生，需要進(jìn)一步的調(diào)度計算。

時間矩陣表示數(shù)據(jù)流在每條鏈路上傳輸所消耗的時間，如式（12）所示：

時間矩陣ttime與路徑矩陣rroute一一對應(yīng)，在每條傳輸路徑上可以根據(jù)負(fù)載值計算出相對應(yīng)的數(shù)據(jù)傳輸用時。

2.2.2 適應(yīng)度函數(shù)

時間敏感網(wǎng)絡(luò)的核心為關(guān)鍵流量的確定性傳輸，并且對于每一條時間敏感的流，其端到端的傳輸時間不能夠超過其最大時限。從整體而言，整個網(wǎng)絡(luò)的流量調(diào)度總時間也要盡量短，使得整體GCL 調(diào)度表盡量緊湊。因此，在調(diào)度計算時，不但需要滿足每條流的時限，而且需要總?cè)蝿?wù)的完成時間盡可能短。將適應(yīng)度函數(shù)定義為：若某條染色體未能在時限內(nèi)完成調(diào)度，則規(guī)定其適應(yīng)度為-1，在之后的計算中將直接被淘汰，而其余在時限內(nèi)的染色體適應(yīng)度值設(shè)置為最大關(guān)窗時間減去最小開窗時間，如式（13）所示：

算法2適應(yīng)度計算算法

2.2.3 基于優(yōu)勢個體保留的選擇算子

輪盤賭是遺傳算法中最常見的選擇算子，輪盤賭選擇算子的基本思想為：個體選中的概率與其適應(yīng)度函數(shù)的函數(shù)值成正比，以便能夠盡可能多地復(fù)制種群中的優(yōu)秀個體。假設(shè)群體的大小為n，個體i的適應(yīng)度為Fi，則個體i被選中遺傳到下一代群體的概率如式（14）所示：

然而，在遺傳算法的實(shí)際運(yùn)行過程中，當(dāng)?shù)幱诔跏茧A段時，輪盤賭選擇算子會選擇較多的高適應(yīng)度個體，這些高適應(yīng)度個體經(jīng)過復(fù)制所得到的子代數(shù)目也會相應(yīng)增加，導(dǎo)致整體種群喪失了多樣性。當(dāng)?shù)幱谀┪矔r期時，種群個體之間的差異已很小，適應(yīng)度非常接近，此時再采用輪盤賭策略意義不大，于是本文使用優(yōu)勢個體保留的思想對其進(jìn)行改進(jìn)，具體步驟為：

步驟1對種群進(jìn)行適應(yīng)度排序，按照適應(yīng)度從高到低的順序分成優(yōu)秀個體、一般個體和較差個體這3 個分區(qū)。

步驟2淘汰所有較差個體分區(qū)內(nèi)的染色體，并用優(yōu)秀個體中的染色體進(jìn)行替代。

步驟3對步驟2 中的種群進(jìn)行交叉和變異操作得到新的子代，再將該種群按照步驟1～步驟3 的順序進(jìn)行操作，以此類推，直到生成最終結(jié)果。

2.2.4 自適應(yīng)交叉和變異算子

交叉算子采用順序交叉（Order Crossover，OX）算子，基本操作過程為：首先選擇一對用于交換的父代染色體，并且隨機(jī)選擇用于交換的基因片段；然后根據(jù)切割點(diǎn)，生成新的子代，并且保證切割區(qū)域內(nèi)的內(nèi)容不變；最后按照順序依次將另一個父代中的其他基因填入子代中的空白區(qū)域。交叉算子的操作過程如圖3所示。變異算子采用位置變異算子，對于某條染色體，隨機(jī)產(chǎn)生兩個變異的位置并對其進(jìn)行交換。變異算子的操作過程如圖4所示。

圖3 交叉算子的操作過程Fig.3 Operation process of crossover operator

圖4 變異算子的操作過程Fig.4 Operation process of mutation operator

在遺傳算法中，參數(shù)的交叉概率和變異概率對算法的性能有著較大的影響。對于交叉算子，在迭代前期交叉概率取大值為佳，能擴(kuò)大搜索范圍和加快進(jìn)化速度。在后期交叉概率取小值為佳，使得種群相對穩(wěn)定。對于變異算子，在迭代后期時，變異概率應(yīng)當(dāng)增加，以防止陷入局部極值，減弱種群的多樣性。因此，本文采用簡單遺傳算法（Simple Genetic Algorithm，SGA）［18］自適應(yīng)的遺傳概率，交叉概率Pc和變異概率Pm能夠根據(jù)適應(yīng)度自動做出改變，如式（15）、式（16）所示：

其中：fmax為每代群體中的最大適應(yīng)度；favg為每代群體中的平均適應(yīng)度；f′為需要交叉的兩個個體中較大的適應(yīng)度值；f為需要變異的個體的適應(yīng)度值。

3 實(shí)驗與結(jié)果分析

3.1 實(shí)驗平臺與參數(shù)設(shè)置

為證明本文方法的可行性與高效性，將LBRAKSP+MGA 與SPA+MGA 和LBRA-KSP+SGA 方法進(jìn)行對比分析。相關(guān)程序使用Python 3.7 進(jìn)行編寫，硬件環(huán)境為Intel Core i5-7300HQ 和16 GB RAM。所采用的IDE 為PyCharm Community 2019.3 版本。

為了體現(xiàn)本文方法在各種應(yīng)用場景下的普適性，首先采用與文獻(xiàn)［16］相同的方法，產(chǎn)生隨機(jī)的ER 網(wǎng)絡(luò)［19］和隨機(jī)的BA 網(wǎng)絡(luò)［20］進(jìn)行仿真驗證，再針對真實(shí)的網(wǎng)絡(luò)場景數(shù)據(jù)集進(jìn)行仿真計算。對于隨機(jī)生成流，源節(jié)點(diǎn)和目的節(jié)點(diǎn)在可選范圍內(nèi)隨機(jī)生成，流負(fù)載值參考文獻(xiàn)［9］進(jìn)行設(shè)定，每條流在［1，99］中任意選取。6 種配置場景下的拓?fù)湟?guī)模（節(jié)點(diǎn)數(shù)量與鏈路數(shù)量）如表1所示。

表1 實(shí)驗參數(shù)設(shè)置Table 1 Setting of experimental parameters

本文采用MGA 進(jìn)行調(diào)度，由于MGA 特性導(dǎo)致運(yùn)行結(jié)果具有一定的隨機(jī)性，因此為了保證數(shù)據(jù)的正確性，每組實(shí)驗均進(jìn)行5 次并取其平均值作為最終數(shù)據(jù)。MGA 算法參數(shù)設(shè)置如表2所示。

表2 MGA 算法參數(shù)設(shè)置Table 2 Setting of MGA algorithm parameters

3.2 結(jié)果分析

實(shí)驗1對比并分析LBRA-KSP 路由算法與SPA 路由算法對調(diào)度計算的影響（均使用MGA 進(jìn)行調(diào)度計算）。該實(shí)驗采用表1 中的參數(shù)設(shè)置，對比在相同節(jié)點(diǎn)數(shù)量和相同流數(shù)量情況下，算法最終收斂的f值。圖5 分別給出了流數(shù)量為5、10 和25 下的調(diào)度結(jié)果?？梢钥闯觯琇BRA-KSP 路由算法能夠明顯地降低每次調(diào)度的最大完成時間，而SPA 路由算法僅考慮自身的最短路徑，在流與流之間發(fā)生相互影響時，會導(dǎo)致調(diào)度時延的增加。而由于鏈路負(fù)載生成的隨機(jī)性，可能會導(dǎo)致LBRA-KSP+MGA 方法最終的最大適應(yīng)度值f偏大，但是從統(tǒng)計意義上看，LBRA-KSP+MGA 方法在整體上還是降低了f值，平均比SPA 路由算法降低了23.11%。

圖5 LBRA-KSP 和SPA 路由算法的最大完成時間對比Fig.5 Comparison of the maximum completion time between LBRA-KSP and SPA routing algorithms

實(shí)驗2對比并分析MGA 和SGA 算法對調(diào)度計算的影響（均使用LBRA-KSP 進(jìn)行路由計算）。如圖6所示，該實(shí)驗主要將LBRA-KSP+MGA 和LBRA-KSP+SGA 方法進(jìn)行對比研究，觀察收斂性能。實(shí)驗分別選擇以下4 種情況進(jìn)行對比分析：1）配置場景為ER2、節(jié)點(diǎn)數(shù)量為20、流數(shù)量為10；2）配置場景為ER3、節(jié)點(diǎn)數(shù)量為20、流數(shù)量為25；3）配置場景為BA2、節(jié)點(diǎn)數(shù)量為20、流數(shù)量為10；4）配置場景為BA3、節(jié)點(diǎn)數(shù)量為30、流數(shù)量為25。從圖6 中可以看出，帶有MGA 的方法相較SGA 方法明顯迭代次數(shù)更少，收斂到的終值質(zhì)量更優(yōu)，并且隨著網(wǎng)絡(luò)規(guī)模的增加，最終收斂到的f值也會相應(yīng)增大。

圖6 MGA 和SGA 調(diào)度對比Fig.6 Scheduling comparison between MGA and SGA

實(shí)驗3對比并分析不同節(jié)點(diǎn)數(shù)量和流數(shù)量對于LBRA-KSP+MGA 方法調(diào)度計算的影響。該實(shí)驗在ER1-ER3、BA1-BA3 場景配置下，對應(yīng)的節(jié)點(diǎn)數(shù)量分別設(shè)置為10、20 和30，流數(shù)量分別為5、10 和25。主要考察最終收斂到的f值與平均收斂的迭代次數(shù)i，經(jīng)過仿真運(yùn)行得到的結(jié)果如表3所示。由于啟發(fā)式算法的隨機(jī)性和流負(fù)載生成的隨機(jī)性，會導(dǎo)致部分?jǐn)?shù)據(jù)比較特殊。從整體趨勢上看，節(jié)點(diǎn)數(shù)量越多，調(diào)度最終收斂到的f值越大，而平均迭代次數(shù)i值會變?。粡牧鲾?shù)量的角度上看，隨著流數(shù)量的增加，f值和i值都在不斷增加，而ER 和BA 配置場景對調(diào)度的影響較小。

表3 不同參數(shù)對LBRA-KSP+MGA 方法的影響Table 3 The influence of different parameters on the LBRA-KSP+MGA method

實(shí)驗4驗證LBRA-KSP 算法在真實(shí)網(wǎng)絡(luò)環(huán)境下能進(jìn)行有效的流量調(diào)度。對于有限帶寬且多節(jié)點(diǎn)的控制系統(tǒng)、工業(yè)互聯(lián)網(wǎng)、汽車內(nèi)網(wǎng)等復(fù)雜大型系統(tǒng)中的內(nèi)部網(wǎng)絡(luò)，能夠同時產(chǎn)生和傳輸多種不同QoS要求的流量。本文選取TSN 領(lǐng)域中基于SAE 環(huán)境和CEV 環(huán)境的數(shù)據(jù)集［2］。SAE 和CEV 環(huán)境下的拓?fù)浣Y(jié)構(gòu)如圖7、圖8所示，其中，SW1～SW7 表示交換節(jié)點(diǎn)，es 前綴表示終端節(jié)點(diǎn)。

圖7 SAE 環(huán)境下的拓?fù)浣Y(jié)構(gòu)Fig.7 Topology structure under SAE environment

圖8 CEV 環(huán)境下的拓?fù)浣Y(jié)構(gòu)Fig.8 Topology structure under CEV environment

在數(shù)據(jù)預(yù)處理階段，對于數(shù)據(jù)流按照式（3），針對不同實(shí)驗拓?fù)鋵⒏鳁l流整理為包含源端口、目的端口、流負(fù)載和流的端到端時延的四元組。在SAE環(huán)境中待調(diào)度的時間敏感數(shù)據(jù)流共有40 條，在CEV環(huán)境中待調(diào)度的時間敏感數(shù)據(jù)流共有30 條。該實(shí)驗對比并分析了LBRA-KSP+MGA、LBRA-KSP+SGA、SPA+MGA、SPA+SGA 這4 種方法，運(yùn)行結(jié)果如圖9、圖10所示?？梢钥闯?，在兩種運(yùn)行場景下，LBRA-KSP+MGA 方法在收斂速度、最終f值的指標(biāo)上均有明顯優(yōu)勢，其收斂的平均迭代次數(shù)為52 和46，最終的平均f值為15.58 ms 和6.35 ms?？紤]到路由的影響，LBRA-KSP 相較SPA 算法，最終f值分別下降了57.7%和59.4%，大幅減小了因為鏈路擁塞而導(dǎo)致的時延，而在調(diào)度上通過利用MGA 算法，使計算結(jié)果快速收斂?？梢?，LBRA-KSP 算法在真實(shí)網(wǎng)絡(luò)環(huán)境下能進(jìn)行有效的流量調(diào)度。

圖9 基于SAE 環(huán)境的數(shù)據(jù)集運(yùn)行結(jié)果Fig.9 Running results of dataset based on SAE environment

圖10 基于CEV 環(huán)境的數(shù)據(jù)集運(yùn)行結(jié)果Fig.10 Running results of dataset based on CEV environment

4 結(jié)束語

本文針對TSN 時間敏感流量調(diào)度中存在的計算效率低、迭代收斂慢和路由路徑之間相互影響等問題，提出一種基于最短路徑負(fù)載均衡和改進(jìn)遺傳算法的流量調(diào)度方法。在路由計算上，解決了由于使用CSPF 路由而導(dǎo)致的時延增加問題，借助鏈路負(fù)載均衡的思想，盡可能降低擁塞的發(fā)生概率。在調(diào)度計算上，對傳統(tǒng)遺傳算法選擇算子的交叉與遺傳概率進(jìn)行改進(jìn)，提升了迭代收斂的效率。仿真實(shí)驗和真實(shí)網(wǎng)絡(luò)環(huán)境實(shí)驗結(jié)果表明，本文方法能夠有效縮短時延敏感流量調(diào)度任務(wù)的完成時間，提高調(diào)度與路由計算效率。后續(xù)將在時間敏感流量調(diào)度計算的基礎(chǔ)上添加其他數(shù)據(jù)流量進(jìn)行計算，以實(shí)現(xiàn)更系統(tǒng)高效的流量調(diào)度。