CN114374427A - 软件定义的中低轨卫星网络中控制器动态部署方法及*** - Google Patents
软件定义的中低轨卫星网络中控制器动态部署方法及*** Download PDFInfo
- Publication number
- CN114374427A CN114374427A CN202210061886.5A CN202210061886A CN114374427A CN 114374427 A CN114374427 A CN 114374427A CN 202210061886 A CN202210061886 A CN 202210061886A CN 114374427 A CN114374427 A CN 114374427A
- Authority
- CN
- China
- Prior art keywords
- satellite
- controller
- control
- topological
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008859 change Effects 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 230000005012 migration Effects 0.000 claims description 109
- 238000013508 migration Methods 0.000 claims description 109
- 230000001105 regulatory effect Effects 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000006641 stabilisation Effects 0.000 claims description 32
- 238000011105 stabilization Methods 0.000 claims description 32
- 230000002776 aggregation Effects 0.000 claims description 31
- 238000004220 aggregation Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 20
- 230000006872 improvement Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000011664 signaling Effects 0.000 claims description 16
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000006116 polymerization reaction Methods 0.000 claims description 8
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- YVPYQUNUQOZFHG-UHFFFAOYSA-N amidotrizoic acid Chemical compound CC(=O)NC1=C(I)C(NC(C)=O)=C(I)C(C(O)=O)=C1I YVPYQUNUQOZFHG-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 108010015532 surfacen Proteins 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18521—Systems of inter linked satellites, i.e. inter satellite service
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供了一种软件定义的中低轨卫星网络中控制器动态部署方法及***,包括:计算中低轨卫星网络拓扑变化发生的时间;将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;构建初始管控域,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。本发明联合考虑卫星负载和运动,实现了更准确的负载预测精度,可以保障完整网络运行周期内的总管控开销有界。
Description
技术领域
本发明涉及卫星网络技术领域,具体地,涉及一种软件定义的中低轨卫星网络中控制器动态部署方法及***。
背景技术
在软件定义中低轨(即非高轨NGEO:Non-geostationary)卫星网络中,数据均根据节点上的流表进行传输。由于每个节点的流表都是向控制器请求得到的,过长的管控时延将从根本上限制网络对于突发事件的响应能力。例如,当网络发生拥塞时,如果流表请求时间较长将导致发送策略调整的滞后,这将进一步加剧链路拥塞。因此,优化的控制器的部署策略是保障网络高效传输的基础,它需要能够在网络运行的过程中根据实时网络状态动态调整。
现有方法无法在动态的软件定义卫星网络达到全局优化的效果。具体地,针对地面网络中控制器部署的方法是将控制器放置在固定的位置,当卫星网络拓扑结构和负载分布发生变化时,这种部署策略将不再适用。同时,现有针对NGEO卫星网络控制器动态部署的研究沿用了地面网络类似的方法,即在每个时隙贪心地优化该时隙的控制开销,使得卫星不得不频繁地从一个控制器迁移到另一个控制器,引入了较高的迁移开销,进而导致了全局总开销较高。比如,相关学者(Sahand Torkamani-Azara,Mohsen Jahanshahib.A newGSO based method for SDN controller placement.Computer Communications,Vol.163,2020,pp.91-108)提出了一种高效的地面网络控制器部署方法,考虑控制器异构的计算能力,将地面控制器部署问题建模为0-1背包问题,并提出启发式方法进行求解最优控制器部署位置。此外,刘治国等(刘治国,卢美玲,李慧,刘庆利。基于SDN的卫星网络多控制器部署方法研究,计算机仿真,37(4),第4期,2020,第62-66页)提出了一种基于遗传算法的卫星网络控制器动态部署方法,首先将卫星运动周期切分成一个个时间窗口,考虑时延和控制器负载均衡,贪心计算每个时间窗口的控制器部署策略。
在公开号为CN112817605A的中国专利文献中,公开了一种软件定义卫星网络控制器部署方法、装置及相关设备,该方法构建软件定义卫星网络架构,获取所述软件定义卫星网络架构在故障条件下的网络状态延迟,基于模拟退火算法计算获取所述网络状态延迟的最优解和对应的控制器部署方案,最后基于所述控制器部署方案对所述软件定义卫星网络架构中的控制器进行部署。
本发明针对现有方法不足,提出了高效的NGEO卫星网络控制器动态部署方法。该方法联合考虑卫星运动和负载动态性,自适应调整卫星控制器数量、位置以及管控关系,并利用正则化方法,避免了卫星的频繁迁移,在保障管控效率的同时实现了全局总管控开销的最小化。
专利文献CN113595613A(申请号:CN202110727381.3)公开了一种用于低轨软件定义卫星网络的控制器部署方法,该方法包括:在一个卫星星座运行周期内选择多个预设控制器位置,在多个预设控制器位置上分别部署SDN控制器;基于SDN控制器的静态部署方式,根据卫星网络拓扑变化计算SDN交换机与SDN控制器的动态分配关系,根据动态分配关系将SDN交换机分配给SDN控制器。但该发明不能够根据网络负载、实时拓扑自适应地动态调整控制器的数量、位置以及管控关系。总之,现有工作在中低轨卫星网络中带来了较大的网络管理开销。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种软件定义的中低轨卫星网络中控制器动态部署方法及***。
根据本发明提供的一种软件定义的中低轨卫星网络中控制器动态部署方法,包括:
步骤S1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
步骤S2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
步骤S3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
步骤S4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
步骤S5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
优选地,在所述步骤S1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述步骤S2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
优选地,在所述步骤S3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
步骤S3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
步骤S3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
步骤S3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
优选地,在所述步骤S4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下步骤:
步骤S4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
步骤S4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
步骤S4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
步骤S4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
步骤S4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行步骤S4.3;
步骤S4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
步骤S4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行步骤S4.4;
步骤S4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
优选地,在所述步骤S4中:
所述步骤S4.2中:
所述步骤S4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述步骤S4.6中:
拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G'(V',E'),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,定义第j个管控域为Dj,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路即从到的链路,并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和。
根据本发明提供的一种软件定义的中低轨卫星网络中控制器动态部署***,包括:
模块M1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
模块M2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
模块M3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
模块M4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
模块M5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
优选地,在所述模块M1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述模块M2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
优选地,在所述模块M3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
模块M3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
模块M3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
模块M3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
优选地,在所述模块M4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下模块:
模块M4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
模块M4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
模块M4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
模块M4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
模块M4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行模块M4.3;
模块M4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
模块M4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行模块M4.4;
模块M4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
优选地,在所述模块M4中:
所述模块M4.2中:
所述模块M4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述模块M4.6中:
拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G'(V',E'),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,定义第j个管控域为Dj,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路即从到的链路,并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和。
与现有技术相比,本发明具有如下的有益效果:
1、本发明能够根据网络负载、实时拓扑自适应地动态调整控制器的数量、位置以及管控关系,在保障高效管控的前提下大幅降低了管控开销,为卫星网络、天地一体化网络高效传输提供保障;
2、本发明联合考虑历史负载和卫星运动,实现了更准确的负载预测精度;
3、本发明采用相对熵函数正则化部署策略对迁移开销的影响,可以保障完整网络运行周期内的总管控开销有界。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所提出的面向软件定义NGEO卫星网络的控制器动态部署方法流程;
图2为本发明实施例中负载预测模型示意;
图3为本发明实施例中管控域调整流程示意;
图4为本发明实施例中面向软件定义NGEO卫星网络的控制器动态部署***示意。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
根据本发明提供的一种软件定义的中低轨卫星网络中控制器动态部署方法,如图1-图4所示,包括:
步骤S1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
步骤S2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
步骤S3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
步骤S4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
步骤S5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
具体地,在所述步骤S1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述步骤S2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
具体地,在所述步骤S3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
步骤S3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
步骤S3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
步骤S3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
具体地,在所述步骤S4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下步骤:
步骤S4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
步骤S4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
步骤S4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
步骤S4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
步骤S4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行步骤S4.3;
步骤S4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
步骤S4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行步骤S4.4;
步骤S4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
具体地,在所述步骤S4中:
所述步骤S4.2中:
所述步骤S4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述步骤S4.6中:
拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G'(V',E'),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,定义第j个管控域为Dj,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路即从到的链路,并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和。
实施例2:
实施例2为实施例1的优选例,以更为具体地对本发明进行说明。
本领域技术人员可以将本发明提供的一种软件定义的中低轨卫星网络中控制器动态部署方法,理解为软件定义的中低轨卫星网络中控制器动态部署***的具体实施方式,即所述软件定义的中低轨卫星网络中控制器动态部署***可以通过执行所述软件定义的中低轨卫星网络中控制器动态部署方法的步骤流程予以实现。
根据本发明提供的一种软件定义的中低轨卫星网络中控制器动态部署***,包括:
模块M1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
模块M2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
模块M3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
模块M4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
模块M5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
具体地,在所述模块M1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述模块M2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
具体地,在所述模块M3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
模块M3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
模块M3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
模块M3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
具体地,在所述模块M4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下模块:
模块M4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
模块M4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
模块M4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
模块M4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
模块M4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行模块M4.3;
模块M4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
模块M4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行模块M4.4;
模块M4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
具体地,在所述模块M4中:
所述模块M4.2中:
所述模块M4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述模块M4.6中:
拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G'(V',E'),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,定义第j个管控域为Dj,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路即从到的链路,并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和。
实施例3:
实施例3为实施例1的优选例,以更为具体地对本发明进行说明。
一种软件定义的中低轨(NGEO)卫星网络中控制器动态部署方法,包括以下步骤:
步骤S1:根据NGE0卫星轨道参数,计算卫星进入/离开极地区域时间,由于NGE0卫星星座的跨轨道星间链路在经过极地地区断开,该时间即为NGE0卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
步骤S2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,即拓扑不发生变化的最长时间窗口,并计算下一拓扑稳定期中每对卫星间数据传输跳数(即距离),其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期;
步骤S3:地面管理层将卫星运动和地面活动对卫星负载的影响解耦,基于长短期记忆网络,分别预测地面和卫星产生的负载,然后联合卫星运动规律,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
步骤S4:地面管理层根据卫星能力构建初始管控域,联合考虑卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,基于Louvain算法,以保障管控效率的同时最小化管控开销为目标,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
步骤S5,地面管理层将计算结果上传至各卫星,各控制器根据计算结果开启或关闭,各卫星根据管控关系迁移至对应控制器。
所述步骤S3中卫星负载和星间链路负载的预测方法包含以下步骤:
步骤S3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
步骤S3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
步骤S3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
所述步骤S3.2中深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含但不限于当前时间、当前天气状况等;
所述步骤S4中基于Louvain方法的卫星控制器的部署策略计算方法包含以下步骤:
步骤S4.1:定义具有计算能力,安装有作为控制器所必须***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点称为普通卫星节点;
步骤S4.2:每个控制器及其所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,并移除所有节点属性,即将所有节点视为普通卫星节点;
步骤S4.3:计算网络总体管控开销和管控效率,并通过相对熵函数来正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
步骤S4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升;
步骤S4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,回到步骤S4.3;
步骤S4.6:构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
步骤S4.7如果拓扑聚合图不等于原始拓扑图,回到步骤S4.4;
步骤S4.8:计算每个管控域的最优控制器位置,并由该控制器管控所在域所有其它卫星节点。
所述步骤S4.3中管控开销包含但不限于卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
所述步骤S4.3中的基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,即当输入值为正数时返回输入值,否则输出0;
所述步骤S4.6中拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G′(V′,E′),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路即从到的链路,并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和;
一种面向软件定义的中低轨卫星网络中控制器动态部署***,包括以下模块:
模块M1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
模块M2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
模块M3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
模块M4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
模块M5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
实施例4:
实施例4为实施例1的优选例,以更为具体地对本发明进行说明。
本发明提供了一种软件定义的中低轨(NGE0)卫星网络中控制器动态部署方法及***,包括:NEG0卫星网络拓扑计算,即根据NGE0卫星轨道参数,计算NGE0卫星网络拓扑变化时间点,以及NEG0卫星网络拓扑稳定期状态;NGE0卫星网络负载预测,即地面管理层基于历史信息以及卫星位置,预测下一拓扑稳定期卫星负载状况;NGE0卫星网络控制器最优策略计算,即根据拓扑信息和负载信息,地面管理层以保障管理效率的同时最小化管控开销为目标,计算下一拓扑稳定期的卫星控制器数量、位置以及管控关系;卫星控制器动态部署,即地面管理层将计算结果上传至各卫星,各控制器根据控制器部署策略开启或关闭,各卫星迁移至对应控制器。本发明联合考虑卫星网络时变拓扑和负载的动态性,自适应调整控制器的数量、位置以及管控关系,在保障管理效率的同时大大降低了管控开销,为NGEO卫星网络、天地一体化网络中数据的高效传输提供保障。
根据本发明提供的一种软件定义NGEO卫星网络控制器动态部署方法,参照图1,包括以下步骤:
步骤S1:根据NGEO卫星轨道参数,计算卫星进入/离开极地区域时间,在此基础上,计算NGEO卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
步骤S2:基于NGEO卫星轨道参数,计算下一拓扑稳定期中每对卫星间数据传输跳数,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期;
步骤S3:地面管理层将卫星运动和地面活动对卫星负载的影响解耦,基于长短期记忆网络,分别预测地面和卫星产生的负载,然后联合卫星运动规律,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载,相比于传统直接预测的方式,这种预测方式可以达到更高的预测精度;
步骤S4:地面管理层根据卫星能力构建初始管控域,联合考虑路由请求和卫星迁移过程量化管控开销和管控效率,基于Louvain方法,以保障管控效率的同时最小化管控开销为目标,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
步骤S5,地面管理层将计算结果上传至各卫星,各控制器根据控制器部署策略开启或关闭,各卫星根据管控关系迁移至对应控制器。
具体地,步骤S1中拓扑变化时间是指,NGEO卫星网络跨轨道星间链路在经过极地地区时断开,因此拓扑变化时间可以通过卫星进入/驶出极地地区的时间进行计算。具体地,定义Tm为某卫星进入极地区域与最近一次有卫星离开极地区域之间的时间间隔,并定义Tc为连续两颗卫星进入极地区域之间的时间间隔,则拓扑发生变化的时间点集合为{k·Tc,k·Tc+Tm|k∈[0,+∞)};
具体地,所述步骤S3中卫星负载和星间链路负载的预测方法包含以下步骤:
步骤S3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域;
步骤S3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
步骤S3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星覆盖区域产生的负载总和加上卫星自身产生的负载。
具体地,步骤S3.1中地面区域划分可以5°×5°为单位将地面划分为24×12个区域;
具体地,步骤S3.2中深度神经网络包含如图2所示两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含但不限于当前时间、当前天气状况等;
具体地,所述步骤S4中基于Louvain方法的卫星控制器的部署策略计算方法包含如图3所示以下步骤:
步骤S4.1:定义具有计算能力,安装有作为控制器所必须***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点称为普通卫星节点;
步骤S4.2:每个控制器及其所有管控的节点构成一个管控域,定义节点到管控域之间的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,并移除所有节点属性,即将所有节点视为普通卫星节点;
步骤S4.3:计算网络总体管控开销和管控效率,并通过相对熵函数来正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
步骤S4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升;
步骤S4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,回到步骤S4.3,如图3所示,将卫星u移动到管控域D1带来性能提升最高;
步骤S4.6:构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合,如图3所示,原始拓扑图包含3个管控域,聚合成3个点;
步骤S4.7如果拓扑聚合图不等于原始拓扑图,回到步骤S4.4;
步骤S4.8:计算每个管控域的最优控制器位置,并由该控制器管控所在管控域所有其它卫星节点;
具体地,步骤S4.3中管控开销包含但不限于卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内流量总和;
具体地,从第t-1个拓扑稳定期到第t个拓扑稳定期的迁移开销通过如下方式计算,定义为卫星u迁移到控制器v的开销,是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,表示从第t-1个拓扑稳定期到第t个拓扑稳定期卫星u是否迁移到控制器v,从第t-1个拓扑稳定期到第t个拓扑稳定期的迁移开销等于
具体地,第t个拓扑稳定期的路由请求开销通过如下方式计算,定义lt为第t个拓扑稳定期的长度,为卫星u在t个拓扑稳定期的负载预测值,k为单位路由请求开销,为第t个拓扑稳定期卫星u和卫星v之间的跳数,则第t个拓扑稳定期的路由请求开销等于
具体地,所述步骤S4.3中整体管控性能是指,考虑控制器部署的目标是最小化管控开销的同时最大化管控效率,首先将最大化网络效率(即模块化程度)转化为最小化域间流量然后总体性能为管控开销和域间流量的加权,定义λ为权重,整体性能为
具体地,第t个拓扑稳定期的域间流量计算方式为:
具体地,步骤S4.3中的基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为了正则化当前决策对未来迁移开销的影响,使用相对熵函数替换该方法可以保证完整卫星网络运行周期内的总迁移开销有界;
根据权利要求4所述的面向软件定义NGEO卫星网络的控制器动态部署方法:所述步骤S4.6中拓扑聚合图的构建方法是指,定义聚合前后拓扑图分别为G(V,E)和G′(V′,E′),其中V和E分别代表拓扑图的点集合和边集合,原始拓扑图G被划分为N个不相交管控域,定义第i个管控域为Di,聚合时,对每个管控域Di构建节点对于管控域Di和管控域Dj,将Di中节点到Dj中节点的所有链路聚合为链路并将Dj中节点到Di中节点的所有链路聚合为链路链路负载为所聚合的所有链路负载总和;
具体地,步骤S4.7中聚合拓扑图与原始拓扑图相同是指,V=V′且E=E′;
根据上述发明技术实现的面向异构天地一体化网络的传输层自适应拥塞控制***,参照图4,该***包括以下模块:
模块M1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
模块M2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
模块M3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
模块M4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
模块M5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种软件定义的中低轨卫星网络中控制器动态部署方法,其特征在于,包括:
步骤S1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
步骤S2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
步骤S3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
步骤S4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
步骤S5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
2.根据权利要求1所述的软件定义的中低轨卫星网络中控制器动态部署方法,其特征在于:
在所述步骤S1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述步骤S2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
3.根据权利要求1所述的软件定义的中低轨卫星网络中控制器动态部署方法,其特征在于,在所述步骤S3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
步骤S3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
步骤S3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
步骤S3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
4.根据权利要求1所述的软件定义的中低轨卫星网络中控制器动态部署方法,其特征在于,在所述步骤S4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下步骤:
步骤S4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
步骤S4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
步骤S4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
步骤S4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
步骤S4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行步骤S4.3;
步骤S4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
步骤S4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行步骤S4.4;
步骤S4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
5.根据权利要求4所述的软件定义的中低轨卫星网络中控制器动态部署方法,其特征在于,在所述步骤S4中:
所述步骤S4.2中:
所述步骤S4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述步骤S4.6中:
6.一种软件定义的中低轨卫星网络中控制器动态部署***,其特征在于,包括:
模块M1:根据中低轨卫星轨道参数,计算中低轨卫星网络拓扑变化发生的时间;
模块M2:基于拓扑变化时间,将卫星网络运行周期划分为一系列拓扑稳定期,计算下一拓扑稳定期中每对卫星间数据传输跳数;
模块M3:分别预测地面和卫星产生的负载,预测下一拓扑稳定期每个卫星的实际负载以及每条星间链路实际负载;
模块M4:构建初始管控域,根据卫星负载、星间链路负载和卫星迁移过程,量化管控开销和管控效率,计算下一拓扑稳定期的卫星控制器位置、数量、以及管控关系;
模块M5:将计算结果上传至卫星,根据计算结果开启或关闭控制器,卫星根据管控关系迁移至对应控制器。
7.根据权利要求6所述的软件定义的中低轨卫星网络中控制器动态部署***,其特征在于:
在所述模块M1中:
根据中低轨卫星轨道参数,计算卫星进入和离开极地区域时间,由于中低轨卫星星座的跨轨道星间链路在经过极地地区断开,该时间为中低轨卫星网络拓扑变化发生的时间,其中拓扑变化指的是星间链路断开或重建;
拓扑变化时间是指中低轨卫星网络跨轨道星间链路在经过极地地区时断开,拓扑变化时间通过卫星进入和驶出极地地区的时间计算;
在所述模块M2中:
拓扑稳定期为拓扑不发生变化的最长时间窗口,数据传输跳数为距离,其中连续两次拓扑变化之间的时间间隔称为拓扑稳定期。
8.根据权利要求6所述的软件定义的中低轨卫星网络中控制器动态部署***,其特征在于,在所述模块M3中:
卫星负载和星间链路负载的预测方法包含以下步骤:
模块M3.1:将地表按照经纬度均匀划分的Nlat×Nlon个地理区域,Nlat为纬度均分的数量,Nlon为经度均分的数量;
模块M3.2:为每个地理区域、卫星和每个星间链路构建深度神经网络;
所述深度神经网络包含两部分,第一部分为长短期记忆网络,第二部分为全连接神经网络,历史负载信息通过长短期记忆网络与其它特征一起嵌入全连接神经网络,其它特征包含当前时间、当前天气状况;
模块M3.3:计算下一拓扑稳定期卫星总负载,该负载等于卫星对应地面区域产生的负载总和加上卫星自身产生的负载。
9.根据权利要求6所述的软件定义的中低轨卫星网络中控制器动态部署***,其特征在于,在所述模块M4中:
基于Louvain方法的卫星控制器的部署策略计算方法包含以下模块:
模块M4.1:定义具有计算能力和安装了预设***的卫星为控制器备选,初始化所有控制器备选为卫星控制器,其余节点定义为普通卫星节点;
模块M4.2:每个控制器及控制器所有管控的节点构成一个管控域,定义节点到管控域的距离为节点到管控域中节点的跳数最小值,将普通卫星节点放入最近的控制器管控域中,完成初始管控域构建,移除所有节点属性,将所有节点定义为普通卫星节点;
模块M4.3:计算网络总体管控开销和管控效率,并正则化当前决策对未来开销的影响,保障完整网络运行周期内总管控开销;
模块M4.4:依次计算将每个节点迁移至其相邻管控域后的网络总体开销和管控效率,并计算该迁移带来的性能提升量;
模块M4.5:如果存在正收益迁移,执行带来性能提升最高的迁移,跳转运行模块M4.3;
模块M4.6:如果不存在正收益迁移,构建拓扑聚合图,图中每一个点为一个管控域,每一条边代表跨域链路的聚合;
模块M4.7:如果拓扑聚合图不等于原始拓扑图,跳转运行模块M4.4;
模块M4.8:如果拓扑聚合图等于原始拓扑图,计算每个管控域的最优控制器位置,并由最优控制器管控所在域所有其它卫星节点。
10.根据权利要求9所述的软件定义的中低轨卫星网络中控制器动态部署***,其特征在于,在所述模块M4中:
所述模块M4.2中:
所述模块M4.3中:
管控开销包含卫星迁移开销和路由请求开销,其中:每个卫星迁移开销等于该卫星在迁移过程中引入的控制信令传输量,总体卫星迁移开销等于所有卫星迁移开销的总和;每个卫星的路由请求开销等于该卫星负载乘以每个路由请求引入的控制信令传输量,总路由请求开销等于所有卫星路由请求开销的总和;卫星管控效率使用网络的模块化程度量化,等于域内负载总和;
基于相对熵函数的正则化方法是指,迁移代价中,卫星u是否迁移至控制器v,可表达为其中是二进制决策变量,代表第t个拓扑稳定期下卫星u是否被控制器v控制,为第t-1个拓扑稳定期下卫星u是否被控制器v控制,( )+为取正函数,当输入值为正数时返回输入值,否则输出0;
所述模块M4.6中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061886.5A CN114374427A (zh) | 2022-01-19 | 2022-01-19 | 软件定义的中低轨卫星网络中控制器动态部署方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061886.5A CN114374427A (zh) | 2022-01-19 | 2022-01-19 | 软件定义的中低轨卫星网络中控制器动态部署方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114374427A true CN114374427A (zh) | 2022-04-19 |
Family
ID=81146170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210061886.5A Pending CN114374427A (zh) | 2022-01-19 | 2022-01-19 | 软件定义的中低轨卫星网络中控制器动态部署方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114374427A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745279A (zh) * | 2022-03-30 | 2022-07-12 | 中山大学 | 一种软件定义控制器的部署及优化方法 |
CN116170066A (zh) * | 2023-04-21 | 2023-05-26 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
CN116208229A (zh) * | 2023-01-12 | 2023-06-02 | 南京航空航天大学 | 巨型卫星星座的拓扑动态演化及维护方法、装置及介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789658A (zh) * | 2016-12-29 | 2017-05-31 | 南京邮电大学 | 基于sdn控制器的卫星mpls网络流量均衡方法 |
US20170230451A1 (en) * | 2016-02-04 | 2017-08-10 | Citrix Systems, Inc. | System and method for cloud aware application delivery controller |
CN107276662A (zh) * | 2017-07-27 | 2017-10-20 | 大连大学 | 一种软件定义空间信息网络多控制器动态部署方法 |
CN107294592A (zh) * | 2017-06-16 | 2017-10-24 | 大连大学 | 一种基于分布式sdn的卫星网络及其构建方法 |
CN108768504A (zh) * | 2018-06-07 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于leo/meo的软件定义卫星网络的控制报文快照路由方法 |
CN108768698A (zh) * | 2018-05-02 | 2018-11-06 | 长沙学院 | 一种基于sdn的多控制器动态部署方法和*** |
CN109921991A (zh) * | 2019-01-14 | 2019-06-21 | 湘潭大学 | 一种基于Dinkelbach的SDN控制器部署方法 |
CN110149671A (zh) * | 2019-05-28 | 2019-08-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无人机蜂群网络的路由选择方法 |
CN111342993A (zh) * | 2020-02-03 | 2020-06-26 | 西安交通大学 | 一种基于sdn空天地控制器部署架构及控制方法 |
CN111447005A (zh) * | 2020-03-26 | 2020-07-24 | 北京卫星信息工程研究所 | 软件定义卫星网络的链路规划方法和装置 |
WO2020160176A1 (en) * | 2019-01-29 | 2020-08-06 | Apple Inc. | Mechanisms to converge the wi-fi access network with the 5g new radio (nr) access network within the radio access network |
CN111970143A (zh) * | 2020-07-21 | 2020-11-20 | 哈尔滨工业大学 | 基于sdn控制器的空间信息网络可视化方法的低轨卫星组网方法 |
CN112272412A (zh) * | 2020-10-28 | 2021-01-26 | 南京邮电大学 | 一种基于sdn的低轨卫星物联网信道资源动态分配方法 |
CN112702186A (zh) * | 2020-11-23 | 2021-04-23 | 福建师范大学 | 一种sd-wan环境下的多控制器部署方法及终端 |
CN112733311A (zh) * | 2019-10-10 | 2021-04-30 | 北京邮电大学 | 卫星通信仿真方法及卫星通信仿真平台 |
CN112817605A (zh) * | 2021-01-19 | 2021-05-18 | 鹏城实验室 | 一种软件定义卫星网络控制器部署方法、装置及相关设备 |
CN113014302A (zh) * | 2021-01-29 | 2021-06-22 | 北京邮电大学 | 一种面向卫星网络的网络功能服务链部署方法 |
CN113169930A (zh) * | 2018-11-30 | 2021-07-23 | 思科技术公司 | 跨多个管理域的端到端身份知晓路由 |
CN113315569A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学 | 一种链路生存时长加权的卫星可靠性路由方法及*** |
CN113595613A (zh) * | 2021-06-29 | 2021-11-02 | 中国人民解放军国防科技大学 | 用于低轨软件定义卫星网络的控制器部署方法 |
EP3917095A1 (en) * | 2020-05-27 | 2021-12-01 | Juniper Networks, Inc. | Multi-protocol service chaining among devices of interconnected topology |
-
2022
- 2022-01-19 CN CN202210061886.5A patent/CN114374427A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170230451A1 (en) * | 2016-02-04 | 2017-08-10 | Citrix Systems, Inc. | System and method for cloud aware application delivery controller |
CN106789658A (zh) * | 2016-12-29 | 2017-05-31 | 南京邮电大学 | 基于sdn控制器的卫星mpls网络流量均衡方法 |
CN107294592A (zh) * | 2017-06-16 | 2017-10-24 | 大连大学 | 一种基于分布式sdn的卫星网络及其构建方法 |
CN107276662A (zh) * | 2017-07-27 | 2017-10-20 | 大连大学 | 一种软件定义空间信息网络多控制器动态部署方法 |
CN108768698A (zh) * | 2018-05-02 | 2018-11-06 | 长沙学院 | 一种基于sdn的多控制器动态部署方法和*** |
CN108768504A (zh) * | 2018-06-07 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于leo/meo的软件定义卫星网络的控制报文快照路由方法 |
CN113169930A (zh) * | 2018-11-30 | 2021-07-23 | 思科技术公司 | 跨多个管理域的端到端身份知晓路由 |
CN109921991A (zh) * | 2019-01-14 | 2019-06-21 | 湘潭大学 | 一种基于Dinkelbach的SDN控制器部署方法 |
WO2020160176A1 (en) * | 2019-01-29 | 2020-08-06 | Apple Inc. | Mechanisms to converge the wi-fi access network with the 5g new radio (nr) access network within the radio access network |
CN110149671A (zh) * | 2019-05-28 | 2019-08-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无人机蜂群网络的路由选择方法 |
CN112733311A (zh) * | 2019-10-10 | 2021-04-30 | 北京邮电大学 | 卫星通信仿真方法及卫星通信仿真平台 |
CN111342993A (zh) * | 2020-02-03 | 2020-06-26 | 西安交通大学 | 一种基于sdn空天地控制器部署架构及控制方法 |
CN111447005A (zh) * | 2020-03-26 | 2020-07-24 | 北京卫星信息工程研究所 | 软件定义卫星网络的链路规划方法和装置 |
EP3917095A1 (en) * | 2020-05-27 | 2021-12-01 | Juniper Networks, Inc. | Multi-protocol service chaining among devices of interconnected topology |
CN111970143A (zh) * | 2020-07-21 | 2020-11-20 | 哈尔滨工业大学 | 基于sdn控制器的空间信息网络可视化方法的低轨卫星组网方法 |
CN112272412A (zh) * | 2020-10-28 | 2021-01-26 | 南京邮电大学 | 一种基于sdn的低轨卫星物联网信道资源动态分配方法 |
CN112702186A (zh) * | 2020-11-23 | 2021-04-23 | 福建师范大学 | 一种sd-wan环境下的多控制器部署方法及终端 |
CN112817605A (zh) * | 2021-01-19 | 2021-05-18 | 鹏城实验室 | 一种软件定义卫星网络控制器部署方法、装置及相关设备 |
CN113014302A (zh) * | 2021-01-29 | 2021-06-22 | 北京邮电大学 | 一种面向卫星网络的网络功能服务链部署方法 |
CN113315569A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学 | 一种链路生存时长加权的卫星可靠性路由方法及*** |
CN113595613A (zh) * | 2021-06-29 | 2021-11-02 | 中国人民解放军国防科技大学 | 用于低轨软件定义卫星网络的控制器部署方法 |
Non-Patent Citations (5)
Title |
---|
ARLED PAPA: "Dynamic SDN Controller Placement in a LEO Constellation Satellite Network", 《2018 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》, 21 February 2019 (2019-02-21) * |
SAHAND TORKAMANI-AZAR: "A new GSO based method for SDN controller placement", 《COMPUTER COMMUNICATIONS》, 12 September 2020 (2020-09-12) * |
刘治国: "基于SDN 的卫星网络多控制器部署方法研究", 《计算机仿真》, 15 April 2020 (2020-04-15) * |
杨虹: "面向复杂空天地一体化网络的SDN控制器的研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》, 8 January 2019 (2019-01-08) * |
陈金涛: "软件定义卫星网络多控制器部署策略", 《西安电子科技大学学报》, 8 December 2021 (2021-12-08) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745279A (zh) * | 2022-03-30 | 2022-07-12 | 中山大学 | 一种软件定义控制器的部署及优化方法 |
CN114745279B (zh) * | 2022-03-30 | 2023-02-03 | 中山大学 | 一种软件定义控制器的部署及优化方法 |
CN116208229A (zh) * | 2023-01-12 | 2023-06-02 | 南京航空航天大学 | 巨型卫星星座的拓扑动态演化及维护方法、装置及介质 |
CN116170066A (zh) * | 2023-04-21 | 2023-05-26 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
CN116170066B (zh) * | 2023-04-21 | 2023-09-19 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410046B2 (en) | Learning-based service migration in mobile edge computing | |
CN114374427A (zh) | 软件定义的中低轨卫星网络中控制器动态部署方法及*** | |
CN111953759B (zh) | 基于强化学习的协同计算任务卸载和迁移的方法及装置 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
Negenborn et al. | Multi-agent model predictive control for transportation networks: Serial versus parallel schemes | |
Jagannathan et al. | Predictive congestion control of ATM networks: multiple sources/single buffer scenario | |
Zhu et al. | Drl-based deadline-driven advance reservation allocation in eons for cloud–edge computing | |
Bouzidi et al. | Deep reinforcement learning application for network latency management in software defined networks | |
Kovalenko et al. | Horizontal scaling method for a hyperconverged network | |
Sangeetha et al. | A heuristic path search for congestion control in WSN | |
Padakandla et al. | Energy sharing for multiple sensor nodes with finite buffers | |
CN114422349A (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
Kim et al. | Network-Aided Intelligent Traffic Steering in 5G Mobile Networks. | |
Shi et al. | An sdn-enabled framework for a load-balanced and qos-aware internet of underwater things | |
CN114710439B (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
Hahn et al. | Distributed MPC with prediction of time-varying communication delay | |
WO2024146193A1 (zh) | 一种基于sdn的路由路径选择方法、装置及存储介质 | |
Islam et al. | Software-defined network-based proactive routing strategy in smart power grids using graph neural network and reinforcement learning | |
CN115225512B (zh) | 基于节点负载预测的多域服务链主动重构机制 | |
CN113783720B (zh) | 一种基于参数化动作空间的网络能耗两级控制方法 | |
CN114024894B (zh) | 软件定义天地一体化网络中的动态传算方法及*** | |
US20230216811A1 (en) | Method and apparatus for managing network traffic via uncertainty | |
CN115665264A (zh) | 一种基于时延感知的电力通信网自主业务编排方法和装置 | |
Liu et al. | A routing model based on multiple-user requirements and the optimal solution | |
Lent | Dynamic Routing in Challenged Networks with Graph Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |