CN117997704B - 一种空天地一体化网络管控平台 - Google Patents
一种空天地一体化网络管控平台 Download PDFInfo
- Publication number
- CN117997704B CN117997704B CN202410396978.8A CN202410396978A CN117997704B CN 117997704 B CN117997704 B CN 117997704B CN 202410396978 A CN202410396978 A CN 202410396978A CN 117997704 B CN117997704 B CN 117997704B
- Authority
- CN
- China
- Prior art keywords
- space
- network
- vnf
- node
- time
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 66
- 238000007726 management method Methods 0.000 description 22
- 230000005540 biological transmission Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004808 supercritical fluid chromatography Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Radio Relay Systems (AREA)
Abstract
本申请提供一种空天地一体化网络管控平台,涉及异构资源管理技术领域,包括:获取***用于获取空天地一体化网络中待处理的应用任务和网络拓扑信息;计算***用于利用层次化时间扩展图模型,对网络拓扑信息进行处理,生成部署VNF功能模块的约束条件;基于应用任务和约束条件,确定部署VNF功能模块的部署方案;部署***用于基于部署方案,得到应用服务网络;管控***用于基于待处理的应用任务,对应用服务网络进行控制。本申请利用面向异构节点层次化时间扩展图模型,在空天地一体化网络内部署VNF功能模块,并管理空天地一体化网络中的异构资源,整合了网络中各节点的存储,计算和通信资源。
Description
技术领域
本申请涉及异构资源管理技术领域,具体而言,涉及一种空天地一体化网络管控平台。
背景技术
空天地一体化网络(SAGIN)提供了一个全面的连接解决方案,确保超越地理限制和物理障碍的全球覆盖。它采用多层架构,增强了网络冗余和可靠性,增强了***的弹性和容错能力,这对于支持需要高数据速率的计算密集型服务特别有益。然而,在如此大规模和动态的网络中物理资源的异构性带来了资源高效管理与调度的重大挑战。
现有的空天地一体化网络的资源管理方法主要有以下三种:第一种是基于软件定义网络与网络功能虚拟化实现的;第二种是基于图模型实现的;第三种是基于强化学习实现的。
第一种方法通常旨在优化特定SFC的部署,调整静态网络中SFC以平衡资源消耗和运营开销之间的权衡。现有技术往往仅仅侧重于SDN的灵活转发和NFV的网络部署,一是忽略了SAGIN中的节点、链路异构性,VNF 部署中尚未有效考虑不同传输模式引入的差异延迟,导致资源调度效果不佳;二是现有架构主要面向地面网络中SFC约束的流路由策略,此种场景下SDN管控方法通常基于静态网络拓扑,无法适用于在动态网络中的资源管理。
第二种方法中,快照图将时变分割为更小的时间粒度,每个时段都要进行建模与存储,开销很大;普通的时间扩展图能将网络时变特性表述,但在建模SAGIN这种大规模网络上缺乏可扩展性,难以表征异构节点;时间聚合图存储开销低,但由于用连续序列表征离散数值,精度有所欠缺。
第三种方法将VNF部署到合适的节点上并有效地路由数据流,通常存在两个问题,一是每个节点(UVA或卫星)只可以部署一个VNF,二是把UAV节点只看做中继节点,这对求解问题的简化是有帮助的,但是大大浪费了这些节点的资源。同时,强化学习模型通常需要大量的试验和迭代才能找到最优或近似最优的策略,特别是在状态和动作空间大的情况下。这可能导致模型在实际环境中的部署和应用变得困难。
发明内容
本申请实施例的目的在于提供一种空天地一体化网络管控平台,用以解决了现有技术存在的上述问题,可轻量化、高效的管理空天地一体化网络中的资源。
本申请提供了一种空天地一体化网络管控平台,该平台可以包括:获取***、计算***、部署***和管控***;
所述获取***,用于获取空天地一体化网络中待处理的应用任务和网络拓扑信息;其中,所述空天地一体化网络包括航空设备运行的空层和卫星运行的天层,所述空天地一体化网络中的节点包括所述空层的任一航空设备和所述天层的任一卫星;
所述计算***,用于利用层次化时间扩展图模型,对所述网络拓扑信息进行处理,生成部署VNF功能模块的约束条件;基于所述应用任务和所述约束条件,确定部署VNF功能模块的部署方案;其中,所述VNF功能模块的部署方案包括部署所述VNF功能模块的空层和/或天层的目标节点;
所述部署***,用于基于所述部署方案,得到应用服务网络;
所述管控***,用于基于所述待处理的应用任务,对所述应用服务网络进行控制。
在一个可选的实现中,所述获取***,还用于获取处理所述应用任务所需的目标资源;
所述网络拓扑信息包括:所述空天地一体化网络的网络拓扑结构和各节点的实时资源。
在一个可选的实现中,所述计算***,具体用于:利用层次化时间扩展图模型,基于所述网络拓扑信息生成部署VNF功能模块的约束条件;基于所述目标资源和所述各节点的实时资源,生成部署VNF功能模块的目标函数;基于所述约束条件和所述目标函数,得到多个部署VNF功能模块的初始部署方案;从所述初始部署方案中,筛选得到满足预设条件的VNF部署方案。
在一个可选的实现中,所述计算***,还具体用于:
基于各目标资源和所述各节点的实时资源,利用标准微分规则计算得到所述目标函数的梯度;
将所述目标函数的梯度,投影到各初始部署方案上,得到各初始部署方案对应的投影梯度;
若任一投影梯度满足预设阈值,则将所述投影梯度对应的初始部署方案作为VNF部署方案。
在一个可选的实现中,所述计算***,还具体用于若各初始部署方案对应的投影梯度均不满足预设阈值,则触发所述获取***重新获取所述空天地一体化网络新的网络拓扑信息。
在一个可选的实现中,所述计算***,还具体用于:
将所述空天地一体化网络划分为多个连续的时间区间,得到所述空天地一体化网络的层次化时间扩展图模型;
基于所述层次化时间扩展图模型,分析任一时间区间内所述空天地一体化网络的网络拓扑结构,得到所述空天地一体化网络的链接路径和通道模型;
基于所述链接路径、通道模型和各节点的实时资源,得到部署所述VNF功能模块的约束条件。
在一个可选的实现中,所述实时资源,包括:实时通信资源和实时流量资源;
所述约束条件,包括:通信约束条件和流量约束条件。
在一个可选的实现中,所述部署方案还包括各目标节点的目标链接路径;
所述部署***,具体用于将所述VNF功能模块部署在所述空层和/或天层相应的目标节点上;基于所述目标链接路径为各目标节点建立链接;基于建立链接后的各目标节点,得到应用服务网络。
本申请利用面向异构节点层次化时间扩展图模型,在空天地一体化网络内部署VNF功能模块,并管理空天地一体化网络中的异构资源(如无人机、卫星等异构节点,以及空-地、星-地、星间等异构链路),整合了网络中各节点的存储,计算和通信资源。
本申请构建了三层协同的空天地一体化网络管控平台,不仅考虑了卫星和航空设备的不同属性,实现了不同类型的资源的有效调度;同时,通过有选择的激活节点子集的策略,提高了资源协调的效率,降低了资源协调的开销,使其成为SAGIN固有的大规模优化问题的高效管控方案。
本申请基于信任区域自适应更新的连续正则化投影牛顿算法将投影梯度法与信任区域法相结合,在快速收敛和鲁棒稳定性之间实现了有效的平衡;通过利用信任区域更新策略并在每次迭代时自适应地调整时间步长,不仅能收敛到全局最优,同时显着降低计算复杂度,提高了管控的效率以及复杂度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种空天地一体化网络管控平台的架构图;
图2为本申请实施例提供的一种空天地一体化网络管控平台示意图;
图3为本申请实施例提供的一种层次化时间扩展图模型示意图;
图4为本申请实施例提供的一种目标公式预处理时间开销对比图;
图5为本申请实施例提供的一种SSG与HTEG建模下最大传输流量对比图;
图6为本申请实施例提供的一种网络最大流量与计算影响因子和步长的关系示意图;
图7为本申请实施例提供的性能对比图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,并不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
VNF功能模块,指提供虚拟网络功能的功能模块;VNF可非常灵活地部署在各种物理平台上,包括卫星、无人机(UAV)和地面基站(BS)。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示,本申请实施例提供的空天地一体化网络管控平台的平台架构,可以包括:获取***110、计算***120、部署***130和管控***140;
获取***110,用于获取空天地一体化网络的网络拓扑信息、网络中待处理的应用任务以及处理各应用任务所需的目标资源;其中,网络拓扑信息包括:空天地一体化网络的网络拓扑结构和各节点的实时资源;实时资源包括:实时通信资源和实时流量资源;
计算***120,用于利用层次化时间扩展图模型,对网络拓扑信息进行处理,生成部署VNF功能模块的约束条件;基于应用任务和约束条件,确定部署VNF功能模块的部署方案;
部署***130,用于基于部署方案,得到应用服务网络;
管控***140,用于基于待处理的应用任务,对应用服务网络进行控制。
在本申请实施例中,空天地一体化网络的架构是地面站、航空设备节点、卫星节点及其互联链路的融合,可以包括:
地层(Ground Network):包括地面基站和其它地面设施,用于为用户或应用服务提供直接的接入点,获取用户或应用服务的应用需求,并生成应用任务;还用于获取空天地一体化网络的网络拓扑信息;
空层(Aerial Network):包括无人机和其他航空设备;任一无人机或任一航空设备可作为一个动态的资源节点,帮助扩展网络覆盖范围,特别是在地面基站不能直接覆盖的地方;
天层(Space Network):由各种卫星组成,一个卫星为一个节点;用于提供广泛的全球网络覆盖,特别是在遥远和偏远地区。
如图2所示,空天地一体化网络在数学上可以表示为一个图,,其中,/>表示空天地一体化网络的节点集合,/>,N表示节点的个数,节点类型包括源节点/>,目的节点/>,航空设备节点/>,卫星节点;/>; L表示空天地一体化网络的链路集合。需要特定服务的任务流必须从地面节点/>遍历到另一个地面节点/>。值得注意的是,虽然这两个节点是接地的,但促进该任务流程所需的VNFs部署在网络内的无人机和卫星上,利用这些空中平台的特殊功能。终端用户的业务请求以各种特定VNFs组成的业务功能链为特征。包含/>函数的SFC被描述为/>,其中每个函数/>表示一个不同的计算服务。这些服务可以包含大量的操作,例如防火墙、图像压缩和对象检测等。
在本申请实施例中,计算***基于应用任务和约束条件,确定部署VNF功能模块的部署方案,具体包括:
计算***利用层次化时间扩展图模型,基于网络拓扑信息生成部署VNF功能模块的约束条件;基于目标资源和各节点的实时资源,生成部署VNF功能模块的目标函数;基于约束条件和目标函数,得到多个部署VNF功能模块的初始部署方案;从初始部署方案中,筛选得到满足预设条件的VNF部署方案。
在本申请实施例中,计算***利用层次化时间扩展图模型,基于网络拓扑信息生成部署VNF功能模块的约束条件,具体包括:
将空天地一体化网络划分为多个连续的时间区间,得到空天地一体化网络的层次化时间扩展图模型;基于层次化时间扩展图模型,分析任一时间区间内空天地一体化网络的网络拓扑结构,得到空天地一体化网络的链接路径和通道模型;基于链接路径、通道模型和各节点的实时资源,得到部署VNF功能模块的约束条件。
在本申请实施例中,层次化时间扩展图模型(HTEG)是基于时间扩展图(TEG)构建的,用于解决VNF在动态和异构的SAGIN中的部署问题,优化网络资源管理。
在本申请实施例中,层次化时间扩展图模型,如下:考虑一个周期的时间视角,在这个视界内,空天地一体化网络可以被划分为/>个连续的时间区间,表示为/>;每个时间槽/>由区间/>描述,其中条件/>对所有都成立。值得注意的是,网络拓扑在特定的时间槽/>内保持不变,尽管它可能在不同的时间槽中表现出变化。如图3所示,本申请描述了SAGIN中具有3个时隙的VNF的HTEG模型。在每个时隙/>中,将函数为/>的节点视为虚拟子节点/>。没有函数的节点记为,作为中继节点。
在空天地一体化网络中有三种直连链路:存储链路、传输链路和虚拟传输链路。用表示存储链路集,表示节点在时间段/>内存储数据;传输链路表示为/>。实际传输链路包括地面对无人机(G2U)、无人机对无人机(U2U)、无人机对卫星(U2S)、卫星对卫星(S2S)和卫星对地面(S2G)等多种通道。虚拟传输链路在/>和虚拟子节点/>之间。图3中,节点/>承载功能/>和/>,双向虚拟传输链路/>与/>和虚拟次节点/>之间。因此可以推断出/>,其中/>以及/>。SAGIN中的链接表示为。
在空天地一体化网络中,本申请区分了五种类型的通信通道:地面对无人机(G2U)、无人机对无人机(U2U)、无人机对卫星(U2S)、卫星对卫星(S2S)和卫星对地面(S2G)。由于U2U、U2S和S2S通道都涉及视距通信,因此它们可以统称为空对空(A2A)通道。因此,可以有效地将空天地一体化网络中的通信通道分为三种不同的模型:G2U, A2A和S2G。这种分类简化了网络的表示,同时仍然保持了SAGIN网络中通信动态的全面视图。
各通信通道模型的信噪比如下:
G2U通信模型考虑到无人机的天线高度明显高于地面站,G2U信道的信噪比由下式给出:
(1)
其中,为地面站到无人机(或其他航空设备)的发射功率,/>为加性高斯白噪声的功率;常数/>、/>、/>和/>表示与环境条件有关的参数。
A2A的信噪比可表示为:
(2)
其中,、/>、/>、/>、/>、/>、/>、/>、/>分别为发射功率、发射天线增益、接收天线增益、光速、载波频率、发送端与接收端在时隙内的距离/>、玻尔兹曼常数(J/K)、***总噪声温度(K)、带宽。
S2G的信噪比为:
(3)
其中,为发射功率,/>为近地轨道卫星发射天线增益,/>为地面站接收天线增益,/>为自由空间损耗,/>为雨水衰减,/>为S2G通信带宽。由于LEO卫星与地面站之间的距离在单个时隙内基本保持不变,因此认为/>为固定值。
应用香农定理,G2U、A2A、S2U信道的最大数据速率可以统一为:
(4)
在本申请实施例中,VNF功能模块的部署目标为优化网络资源管,即在给定时间段内最大限度地提高数据传输总量,同时考虑到资源限制、延迟以及无人机和卫星的独特特性。考虑到SAGIN中卫星和无人机的不同属性,如动态变化的位置、能源限制等,不可能或不经济地始终激活所有节点。因此,本申请提出了一种策略,根据当前的需求和网络条件,有选择地激活一部分节点,从而达到最大化网络性能的目的。这样,既可以确保服务的质量,又可以节省能源和减少管理开销。卫星虽然具有更大的计算能力,但由于距离地面较远,因此具有较高的延迟。相反,无人机距离更近,延迟时间更短,但计算能力更弱。在每种类型的节点提供的好处之间取得平衡,以实现最大的总体数据传输是目标之一。所有这些都必须确保满足SFC要求,并考虑到每个节点的独特约束和优势。
如图2所示,在该网络管控结构下,对于需要五个VNFs的SFC,存在三个潜在的路由路径。SFC规划的一个基本策略将是跨五个UAV节点部署VNFs,实现任务流执行四跳传输。然而,选择path2会导致更少的跳数,这意味着传输消耗的减少,但代价是由于额外的VNF而增加了计算资源利用率。进一步扩展网络架构,包括卫星,如path3所示,可以大大减少跳变延迟,从而提高网络性能效率。然而,这种效率伴随着卫星到地面传输的更高时间成本。
在本申请实施例中,VNF功能模块部署的约束条件包括:通信约束条件和流量约束条件。
具体的,通信约束条件也为资源约束,即传输链路应遵守通信容量/>设定的上界。也就是说,在/>上传输的所有虚拟流的总数据量不应超过这个容量。
在本申请实施例中,通信约束条件,包括:
(5)
其中,表示虚拟任务流;/>表示从节点/>向节点/>传输的数据量,/>;
对于虚拟传输链路,考虑到SFC的具体顺序,
当时,
(6)
(7)
当时,
(8)
(9)
其中,表示节点/>在时间槽/>内向其虚拟子节点/>传输的数据量,其中/>;/>表示虚拟子节点/>在时隙/>中向其/>传输的数据量,其中/>。
根据可用资源和VNF部署情况对数据传输速率的约束可表述为:
(10)
其中,是一个二元变量,表示是否在时隙/>中分配VNF/>用于节点和/>之间的数据传输;
存储在链路上的数据受到存储容量/>的限制,如下:
(11)
其中,表示节点/>上存储的数据量;
在计算能力方面,从虚拟流切换到/>时,以每单位数据流的处理单元数表示的计算负荷用/>表示:
(12)
其中,表示该时间段内可用的最大数据处理能力。
在本申请实施例中,流量约束条件即流量守恒约束,流量守恒约束保证进入节点的流量与退出节点的流量相等,保持***内的流量平衡。
具体的,对于SAGIN中没有函数的每个节点和每个时隙/>,流动守恒约束可表示为:
(13)
其中,表示时隙/>中从节点/>向节点/>传输的数据量;/>表示节点/>上从时隙/>到/>存储的数据量。
当虚拟流进入节点/>时,受特定计算函数的影响,数据量会发生变化。用/>作为函数/>与函数/>之间的影响因子,可以得到:
(14)
数据传输速率与数据传输量的关系,如下:
(15)
其中,表示在时间槽/>中从节点/>到节点/>的数据传输速率。
将从源节点出发的数据量记为/>,将到达目的节点/>的数据量记为/>。根据以上分析,
(16)
网络的最大流量问题可归结为:
(17)
由于网络的最大流量问题既涉及整数决策变量又涉及非线性元素,因此可以将其归类为MILP问题;目标函数是,/>,/>,/>和/>是线性函数,因此它是凸函数。大多数约束也是线性的,因此也是凸的。
在本申请实施例中,VNF功能模块部署的目标函数采用拉格朗日函数,具体如下:
(18)
其中,λ、θ和φ表示拉格朗日乘子,e、y和表示原始变量;目标函数求解目标是找到使这个拉格朗日函数最大化的λ、θ和φ。
在本申请实施例中,基于约束条件和目标函数,得到多个部署VNF功能模块的初始部署方案,即对公式(6)至公式(10)以及公式(13)至公式(16)进行求解,得到可行解集C即为包含多个初始部署方案的集合。
在本申请实施例中,计算***从初始部署方案中,筛选得到满足预设条件的VNF部署方案,具体包括:
基于各目标资源和各节点的实时资源,利用标准微分规则计算得到目标函数的梯度;将目标函数的梯度,投影到各初始部署方案上,得到各初始部署方案对应的投影梯度;判断各投影梯度是否满足预设阈值,若满足,则将投影梯度对应的初始部署方案作为VNF部署方案;若各初始部署方案对应的投影梯度均不满足预设阈值,则触发获取***重新获取空天地一体化网络新的网络拓扑信息,并基于新的网络拓扑信息生成部署VNF功能模块的新的约束条件,再次进行部署方案的生成以及筛选,直至得到投影梯度满足预设阈值的部署方案。
在本申请实施例中,采用基于信任区域自适应更新的连续正则化投影牛顿算法从初始部署方案中,筛选得到满足预设条件的VNF部署方案,具体执行步骤包括:
首先,利用标准微分规则得到目标函数的梯度:利用下式计算向量状态变量在可行解集C上的投影:
(19)
其中,是最接近x且满足所有约束条件的解;
其次,利用下式计算投影梯度:
(20)
其中,表示梯度/>与可行集/>之间距离最小的解。计算/>通常需要解决另一个优化问题。这个子问题可能比原始问题更简单,但在许多情况下,它仍然是非平凡的。根据约束的复杂程度,可能有简单的封闭解,也可能需要使用数值方法。一旦得到投影梯度p,就用它在不违反约束条件的情况下,沿着减小目标函数的方向更新变量,这可以用线搜索或类似的方法来完成。
在本申请实施例中,为解决与不定式方程相关的约束优化问题,采用基于投影牛顿流法正则化技术的策略;在方案的每次迭代中,首先初始化,/>和/>,其中,/>表示对偶变量,/>;然后,计算目标函数/>的梯度,以及Hessian矩阵/>。由这些量,求解线性***得到搜索方向/>,其中,/>是拟牛顿近似,/>是将解投射到可行域的投影矩阵;利用下式计算步长:
(21)
然后,更新和/>通过:
(22)
在正则化投影牛顿法中,迭代次数,用k表示,是由程序固有的数值稳定性约束的。然而,在每次迭代中自适应调整时间步长使本申请能够绕过这一限制并提高该方法的整体效率。估计实际减少量与预测减少量的比值:
(23)
其中,是目标函数在/>方向上的二次模型;根据/>的值,调整信任域半径/>;如果/>很小,则表明二次模型不能很好地近似当前步骤的函数,因此减小/>。反之,若/>很大,即当前步长导致函数值大幅减小,则增大/>。如果目标函数的梯度足够小,或者达到最大迭代次数,则停止迭代。否则,增加迭代计数器并继续进行下一次迭代。在本申请的正则化投影牛顿法中,该过程的数值稳定性固有地限制了迭代计数(表示为k)。然而,在每次连续迭代中,时间步长(表示为/>)的自适应调制提供了一种克服这一限制的机制,从而提高了本申请的整体效率。
为了保证方法的整体稳定性和收敛性,关键是要有策略地选择初始时间步长和正则化参数/>,这决定了拟牛顿近似的正则化强度。这些值通常是根据特定问题的知识来选择的,包括目标函数的大小和行为以及约束,问题的潜在物理或数学性质,或者通过初步的数值实验。在本申请中使用投影矩阵/>不仅可以保证求得的解保持在问题的可行域内,而且有助于控制算法的收敛性。由于投影运算在下降方向上可能会有一定的损失,实际中可以采用直线搜索或其他方法来保证每次迭代都有足够的下降,从而保证本申请的收敛性。
为了减少计算时间,本申请利用正则化延拓方法,简化二次模型,如下所示:
(24)
其中,时间步长在每次迭代中根据后续比率动态调整:
(25)。
在实际计算中,投影矩阵根据/>是小于等于/>还是大于等于/>,使用不同的公式定义。因此,本申请给出了投影梯度/>的计算公式如下:
(26)
其中,矩阵和/>来自矩阵/>的QR分解。考虑到时间消耗,本申请利用Broyden-Fletcher-Goldfarb-Shanno(BFGS)对/>进行更新,得到:
(27);
因此,本申请提出以下具体调整策略:
(28)
在本申请实施例中,采用基于信任区域自适应更新的连续正则化投影牛顿算法满足预设条件的VNF部署方案的确定,将投影梯度法与信任域法相结合,在快速收敛和鲁棒稳定性之间取得了有效的平衡。在每个迭代阶段,算法计算拉格朗日函数的梯度。然后,将该梯度投影到可行集上,得到投影梯度,然后利用该投影梯度求解信任域子问题,进而确定搜索方向。然后,算法开始更新决策变量和拉格朗日乘子,根据先前建立的搜索方向进行更新。当约束条件不满足时,算法在增大正则化参数的同时减小信任域半径。反之,当约束条件满足时,算法会减小正则化参数,从而增大信任域半径。该算法持续执行这些迭代计算,直到投影梯度的范数低于预定的容差阈值。这表明该算法成功地确定了一个既满足约束又满足目标函数的平稳点的解。这个过程确保了在给定约束条件下的最优解,同时根据需要最大化或最小化目标函数。
在本申请实施例中,由于节点中存在航空设备节点,而航空设备节点并不是一直处于静止状态,而航空设备节点的运动会导致网络拓扑信息(包括拓扑节点与各节点所具备的实时资源)产生变化,但是应用任务所需的目标资源、其他信息以及卫星节点并不会发生改变,因此,本申请在基于当前网络拓扑信息等不能得到满足标准的部署方案时,仅对网络拓扑信息进行更新,从而得到新的约束条件,而对于其他信息或数据并不会进行更新,从而提高降低数据处理量,提高方案生成的效率。
在本申请实施例中,VNF功能模块的部署方案包括部署VNF功能模块的空层和/或天层的目标节点以及各目标节点的目标链接路径。本申请的目标节点可仅为航空设备节点,也可仅为卫星节点,也可同时包含卫星节点和航空设备节点。在现有技术中,仅仅把无人机或其他航空设备作为中继节点,但是本申请将无人机或其他航空设备作为资源节点,且在资源节点为卫星时,无需无人机或其他航空设备作为中继节点。
在本申请实施例中,部署***,具体用于将VNF功能模块部署在空层和/或天层相应的目标节点上;基于目标链接路径为各目标节点建立链接;基于建立链接后的各目标节点,得到应用服务网络。
下面结合仿真实验对本申请实施例提供的空天地一体化网络管控方法的技术效果作进一步说明。
本仿真实验中的小规模空天地一体化网络由2颗卫星、6架无人机和2个地面基站作为源节点和目的节点组成;大规模空天地一体化网络由6颗卫星、18架无人机和2个地面基站组成。卫星节点和无人机节点可以随机选择作为功能节点。时间范围T设置为60分钟,其中每个时间段为1分钟。S2G链路的带宽范围为[50,300]Mbps,卫星间链路的带宽范围为[100,1000]Mbps,S2U链路的带宽范围为[50,300]Mbps,无人机间链路的带宽范围为[10,100]Mbps, G2U链路的带宽范围为[10,100]Mbps。与功能节点相关的计算能力是从预先确定的范围内随机选择的,具体在200到500个单位之间。每架无人机和卫星的存储容量分别设置为100Gbits和500Gbits。
在本仿真实验中,将每个无人机节点在每个时间片/>内的数据处理能力/>设置为300个单位/秒,而每个卫星节点/>的数据处理能力/>设置为500个单位/秒。每个无人机节点/>的传输容量/>设置为5GB/s,每个卫星节点/>的传输容量/>设置为20GB/s;地面基站之间的链路设置为28db;地面基站到无人机的链路设置为18db;无人机到卫星的链路设置为12db;利用MATLAB R2022b中的YALMIP对约束和最大流量目标函数进行了描述。
在本仿真实验中,将本申请实施例提供的基于信任区域自适应更新的连续正则化投影牛顿算法(CRPN)与全局搜索算法、进化算法以及分支定界算法进行了对比。
仿真实验结果如下:
本实验在MATLAB R2022b中调用的Gurobi 10.0.2解决了空天地一体化网络的最大流量问题问题。预设SFC的长度为5,指定SFC由五个函数组成。图4显示了求解公式(17)和公式(18)所消耗的平均CPU时间作为服务数量的函数。在本实验中,考虑了两类时间消耗,即解决时间和处理时间。前者压缩了消除多余约束、为变量赋固定值以及由Gurobi合并变量或约束所花费的时间。值得注意的是,观察表明,公式(18)的求解时间较短,这表明本申请对目标函数的优化为求解过程提供了便利。这种便利表现为计算空间的减少和冗余变量的减少。显然,公式(18)的执行比公式(17)的执行效率高得多。当服务数量设置为5时,这种效率特别明显,其中求解公式(17)的CPU时间超过80秒,而求解公式(18)所需的CPU时间不到20秒。
由图5的网络最大流量与功能节点的计算和存储容量的关系图可知,本申请实施例提供的层次化时间扩展图模型(HTEG)内的网络最大流量明显超过快照图(SSG)模型内的网络最大流量。随着计算能力的增加,SSG中的流量逐渐增加,这是由于SSG模型中存储链路未被利用。因此,计算和通信能力无法与存储容量同步。在本申请实施例提供的层次化时间扩展图模型的框架中,网络最大流量随着计算能力的增加而大幅增加。随着存储容量的增加,SSG模型中网络最大流量水平保持一致,而HTEG模型中网络最大流量水平逐渐增加。同时,随着存储容量的增加,HTEG模型中的网络最大流量达到饱和点,因为HTEG内部的通信和计算资源成为限制因素。
CRPN中一个重要的参数是函数和函数/>之间影响因子/>的选择;/>值越高,表示函数之间的相互作用或依赖程度越高。这可能意味着函数/>的输出以某种方式能够增强函数/>的性能,从而提高整个SFC的效率,从而导致网络的最大流量增加。当业务功能链中的函数数量增加时,需要通过更多的功能来处理数据,这可能会导致处理延迟增加,或者由于函数之间的相互作用,可能会出现瓶颈或性能下降,从而导致整个网络的最大流量减少。
CRPN中另一个重要的参数是步长。鉴于连续牛顿流在瞬态阶段的巨大方差,本申请选择初始小时间步长/>(例如,/>)来准确跟踪其轨迹。这种初始时间步长选择方法与线搜索方法进行了对比。在线搜索法中,初始步长从1开始,模拟牛顿法,在平稳点附近获得快速的收敛速度。从图6中可以看出,当/>= 0.5,/>= 2时,最大流量可以达到很高的值。
为了模拟一系列拓扑结构,本实验程序地生成了35个小规模SAGIN实例,每个实例都显示了不同的参数,如带宽、计算能力、存储容量和信噪比。如图7所示,CRPN方法具有高效的时间消耗和一致性稳定性,优于同类方法。这可归因于其可调节的步长过程。相比之下,全局搜索方法可能会在广泛的计算持续时间和更高的内存需求下受限。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样,倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内,则本申请实施例中也意图包含这些改动和变型在内。
Claims (3)
1.一种空天地一体化网络管控平台,其特征在于,包括:获取***、计算***、部署***和管控***;
所述获取***,用于获取空天地一体化网络中待处理的应用任务、网络拓扑信息和处理所述应用任务所需的目标资源;其中,所述空天地一体化网络包括航空设备运行的空层和卫星运行的天层,所述空天地一体化网络中的节点包括所述空层的任一航空设备和所述天层的任一卫星;所述网络拓扑信息包括:所述空天地一体化网络的网络拓扑结构和各节点的实时资源;
所述计算***,用于利用层次化时间扩展图模型,对所述网络拓扑信息进行处理,生成部署VNF功能模块的约束条件;基于所述应用任务和所述约束条件,确定部署VNF功能模块的部署方案;其中,所述VNF功能模块的部署方案包括部署所述VNF功能模块的空层和/或天层的目标节点;
所述部署***,用于基于所述部署方案,得到应用服务网络;
所述管控***,用于基于所述待处理的应用任务,对所述应用服务网络进行控制;
所述计算***,具体用于:利用层次化时间扩展图模型,基于所述网络拓扑信息生成部署VNF功能模块的约束条件;基于所述目标资源和所述各节点的实时资源,生成部署VNF功能模块的目标函数;基于所述约束条件和所述目标函数,得到多个部署VNF功能模块的初始部署方案;从所述初始部署方案中,筛选得到满足预设条件的VNF部署方案;
所述利用层次化时间扩展图模型,基于所述网络拓扑信息生成部署VNF功能模块的约束条件,具体包括如下步骤:
将所述空天地一体化网络划分为多个连续的时间区间,得到所述空天地一体化网络的层次化时间扩展图模型;
基于所述层次化时间扩展图模型,分析任一时间区间内所述空天地一体化网络的网络拓扑结构,得到所述空天地一体化网络的链接路径和通道模型;
基于所述链接路径、通道模型和各节点的实时资源,得到部署所述VNF功能模块的约束条件;
从所述初始部署方案中,筛选得到满足预设条件的VNF部署方案,具体包括如下步骤:
基于各目标资源和所述各节点的实时资源,利用标准微分规则计算得到所述目标函数的梯度;
将所述目标函数的梯度,投影到各初始部署方案上,得到各初始部署方案对应的投影梯度;
若任一投影梯度满足预设阈值,则将所述投影梯度对应的初始部署方案作为VNF部署方案;
若各初始部署方案对应的投影梯度均不满足预设阈值,则触发所述获取***重新获取所述空天地一体化网络新的网络拓扑信息。
2.如权利要求1所述的平台,其特征在于,所述实时资源,包括:实时通信资源和实时流量资源;
所述约束条件,包括:通信约束条件和流量约束条件。
3.如权利要求1所述的平台,其特征在于,所述部署方案还包括各目标节点的目标链接路径;
所述部署***,具体用于将所述VNF功能模块部署在所述空层和/或天层相应的目标节点上;基于所述目标链接路径为各目标节点建立链接;基于建立链接后的各目标节点,得到应用服务网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396978.8A CN117997704B (zh) | 2024-04-03 | 2024-04-03 | 一种空天地一体化网络管控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396978.8A CN117997704B (zh) | 2024-04-03 | 2024-04-03 | 一种空天地一体化网络管控平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117997704A CN117997704A (zh) | 2024-05-07 |
CN117997704B true CN117997704B (zh) | 2024-06-18 |
Family
ID=90895464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410396978.8A Active CN117997704B (zh) | 2024-04-03 | 2024-04-03 | 一种空天地一体化网络管控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117997704B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743717A (zh) * | 2016-05-04 | 2016-07-06 | 武汉大学 | 基于sdn技术的天地一体化空间信息网络***及通信方法 |
CN113365355A (zh) * | 2021-04-29 | 2021-09-07 | 西安交通大学 | 一种空天地一体化网络下的多维资源管理方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037628B (zh) * | 2022-05-23 | 2023-08-22 | 郑州轻工业大学 | 一种基于深度强化学习的自适应服务功能链映射方法 |
CN115514652B (zh) * | 2022-09-19 | 2023-12-19 | 北京航空航天大学 | 服务功能链部署方法、装备及存储介质 |
-
2024
- 2024-04-03 CN CN202410396978.8A patent/CN117997704B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743717A (zh) * | 2016-05-04 | 2016-07-06 | 武汉大学 | 基于sdn技术的天地一体化空间信息网络***及通信方法 |
CN113365355A (zh) * | 2021-04-29 | 2021-09-07 | 西安交通大学 | 一种空天地一体化网络下的多维资源管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117997704A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A dynamic resource scheduling scheme in edge computing satellite networks | |
CN113346944B (zh) | 空天地一体化网络中时延最小化计算任务卸载方法及*** | |
Lakew et al. | Intelligent offloading and resource allocation in heterogeneous aerial access IoT networks | |
Zhou et al. | Collaborative data scheduling with joint forward and backward induction in small satellite networks | |
Al-Hilo et al. | RIS-assisted UAV for timely data collection in IoT networks | |
CN113543074A (zh) | 一种基于车路云协同的联合计算迁移和资源分配方法 | |
Kang et al. | Cooperative UAV resource allocation and task offloading in hierarchical aerial computing systems: A MAPPO-based approach | |
Wang et al. | Fuzzy-CNN based multi-task routing for integrated satellite-terrestrial networks | |
Mershad et al. | Cloud-enabled high-altitude platform systems: Challenges and opportunities | |
You et al. | Joint task scheduling, resource allocation, and UAV trajectory under clustering for FANETs | |
Chen et al. | Multi-tier hybrid offloading for computation-aware IoT applications in civil aircraft-augmented SAGIN | |
Zhang et al. | Heterogeneous traffic offloading in space-air-ground integrated networks | |
Ebrahim et al. | A deep learning approach for task offloading in multi-UAV aided mobile edge computing | |
Cao et al. | Space-based cloud-fog computing architecture and its applications | |
Pham et al. | When RAN intelligent controller in O-RAN meets multi-UAV enable wireless network | |
Hwang et al. | Decentralized computation offloading with cooperative UAVs: Multi-agent deep reinforcement learning perspective | |
Huda et al. | Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications | |
Yu et al. | Federated imitation learning: A cross-domain knowledge sharing framework for traffic scheduling in 6G ubiquitous IoT | |
Alharbi et al. | Energy efficient uav-based service offloading over cloud-fog architectures | |
Wang et al. | Load-balancing method for leo satellite edge-computing networks based on the maximum flow of virtual links | |
He et al. | Balancing total energy consumption and mean makespan in data offloading for space-air-ground integrated networks | |
Henna et al. | Distributed and collaborative high-speed inference deep learning for mobile edge with topological dependencies | |
CN113627013A (zh) | 基于无人机二元卸载边缘计算的***吞吐量最大化方法 | |
CN117997704B (zh) | 一种空天地一体化网络管控平台 | |
CN116208968B (zh) | 基于联邦学习的轨迹规划方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |