基于粒子群算法的大规模低轨星座队列调度优化方法与流程

本发明涉及卫星，尤其涉及一种基于粒子群算法的大规模低轨星座队列调度优化方法。

背景技术：

1、大规模低轨星座(large-scale leo satellite networks)，在网络空间中空间拓扑呈周期性时变，且不断有新的时间敏感性业务流量注入网络中，网络中各节点出端口负载不断变化。若各节点出端口用于传输时间敏感性业务流量的队列长度太短、队列数量太少，则会在出端口发生拥塞，导致丢包。若各节点出端口的队列长度太长、队列数量太多则会导致排队时延过长，业务流量的端到端时延超过最大服务时间，流量不可调度，而且因占用过多底层硬件资源而导致实现难度过大、成本过高。

2、综上，目前大规模低轨星座中各节点出端口的队列长度与队列数量的设置亟需合理选择与优化。

技术实现思路

1、为解决上述现有技术中存在的技术问题，本发明的目的在于提供一种的基于粒子群算法的大规模低轨星座队列调度优化机制，可解决目前大规模低轨星座中各节点出端口的队列长度与队列数量的设置亟需合理选择与优化的问题。

2、为实现上述发明目的，一种基于粒子群算法的大规模低轨星座队列调度优化方法，包括以下步骤：

3、步骤s1、对大规模低轨星座中各节点出端口的用于传输时间敏感业务流量的队列数量进行初始化设置；根据设定的优化启动检测时间间隔，对各所述节点传输的所述时间敏感业务流量的丢包率进行定时检测；

4、步骤s2、当各所述节点传输的所述时间敏感业务流量的丢包率达到设定阈值时，根据所述大规模低轨星座中传输的所述时间敏感业务流量的业务类型和相关数据，计算所述大规模低轨星座中各类型业务流量传输的超周期；

5、步骤s3、根据所述大规模低轨星座中传输的所述时间敏感业务流量的业务类型和相关数据，计算一个所述超周期内，所述大规模低轨星座中各所述节点的出端口上的最高时敏业务负载lpeak；

6、步骤s4、根据各所述节点的出口端的负载的高低，判断cqf转发机制是否满足需求；

7、步骤s5、根据cqf转发机制不能满足需求，利用粒子群算法计算满足需求的队列长度lb以及用于传输所述时间敏感业务流量的队列数量nb。

8、根据本发明的一个技术方案，在所述步骤s1中，所述大规模低轨卫星中传输的时间敏感业务流量的业务类型包括等时流fis、循环流fcy、视频流fvd、尽力而为流fbe；

9、所述时间敏感业务流量的相关参数包括发包周期、最大时延和包大小。

10、根据本发明的一个技术方案，所述等时流fis的发包周期为100us～2ms；所述等时流fis的最大时延为不超过其发包周期；所述等时流fis的包大小为30～100字节；

11、所述循环流fcy的发包周期为2ms～1s；所述循环流fcy的最大时延为不超过周期；所述循环流fcy的包大小为50～1000字节；

12、所述视频流fvd的发包周期由视频码率决定；所述视频流fvd的最大时延为不超过10ms；所述视频流fvd的包大小为1000～1500字节。

13、根据本发明的一个技术方案，在所述步骤s4中，根据各所述节点的出口端的负载高于预设阈值，判定所述cqf机制不能满足需求。

14、根据本发明的一个技术方案，在所述步骤s5中，所述队列长度l设置为l＝mtu·u,其中，mtu表示所述大规模低轨星座中传输的所述时敏业务流的最大传输单元，u表示队列中包含的所述最大传输单元个数，队列数量为n。

15、根据本发明的一个技术方案，所述队列数量n设置为2≤n≤7；所述队列中包含的所述最大传输单元个数u设置为1≤u≤20。

16、根据本发明的一个技术方案，在所述步骤s5中，具体包括以下步骤：

17、步骤s51、进行粒子群算法的各项参数的初始化；

18、所述粒子群算法的参数包括群体粒子数np、学习因子c1和学习因子c2、迭代次数t、惯性权重ω、各粒子位置的最大值xmax、各粒子位置的最小值xmin、各粒子速度的最大值vmax、各粒子速度的最小值vmin；

19、所述各粒子位置的最大值xmax表示为xmax＝(umax,nmax)；

20、所述各粒子位置的最小值xmin表示为xmin＝(umin,nmin)；

21、步骤s52、随机初始化群体各粒子的初始位置xi＝(ui,ni),随机初始化群体各粒子的初始速度vi，计算此时各粒子的适应度函数值pi，记录各粒子的个体的历史最优位置pbesti和群体的全局最优位置gbest；

22、所述各粒子的适应度函数值pi的计算公式如下：

23、pi＝[mtu·ui·(ni-1)-lpeak]2     (1)

24、其中，i表示计算适应度函数值的粒子的序号；

25、步骤s53、根据各粒子的个体历史最优位置和群体的全局历史最优位置，利用速度更新公式更新各粒子的速度和各粒子的位置；

26、所述速度更新公式如下：

27、v'i＝ω·vi+c1·rand()·(pbesti-xi)+c2·rand()·(gbest-xi)   (2)

28、其中，v'i表示更新后的第i个粒子的速度，rand()表示0～1之间的随机数；

29、所述位置更新公式如下：

30、x'i＝xi+v'i     (3)

31、其中，x'i表示第i个粒子更新后的位置；

32、步骤s54、根据更新后各粒子的速度和位置，计算更新后的各粒子的适应度函数p'i，并更新各粒子的个体历史最优位置pbesti和群体的全局最优位置gbest；

33、步骤s55、返回执行步骤s53，迭代地计算各粒子的个体历史最优位置pbesti和群体的全局最优位置gbest，直至迭代达到设置的迭代次数，获得最终的群体的全局最优位置gbest＝(ub,nb)作为利用pso算法计算求得的最优解，其中，ub表示队列长度的最优解，nb表示队列数量的最优解。

34、根据本发明的一个技术方案，在所述步骤s5中，还包括：

35、步骤s56、对所述步骤s55中得到的最优解向上取整，根据各所述节点的出口端上的最高时敏业务负载lpeak，判断优化是否成功；

36、若满足以下条件，则优化成功：

37、mtu·ub·(nb-1)≥lpeak    (4)

38、其中，ub和nb分别表示对ub和nb的取整结果；

39、否则，判定为优化失败，返回所述步骤s51。

40、根据本发明的一个方面，提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如上述技术方案中任一项所述的一种基于粒子群算法的大规模低轨星座队列调度优化方法。

41、根据本发明的一个方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，实现如上述技术方案中任一项所述一种基于粒子群算法的大规模低轨星座队列调度优化方法。

42、本发明与现有技术相比，具有如下有益效果：

43、本发明提出了一种基于粒子群算法的大规模低轨星座队列调度优化方法，综合考虑了大规模低轨星座中空间拓扑结构周期性时变、新的时间敏感业务流注入网络等情况，当时间敏感业务的丢包率达到阈值时，对各节点进行传输时间敏感业务流量的队列长度和队列数量的重新计算，从而实现依据大规模低轨星座中业务的实时状态对各节点的负载进行动态优化和调整，避免因拥塞导致丢包，进而实现对时间敏感业务流量低丢包率的实时维护与保证。

44、本发明，通过分析大规模低轨星座中各时间敏感业务流量的相关参数，计算各时间敏感业务流量的超周期，并计算一个超周期内各节点出端口的最高时敏业务负载，并将其作为优化目标。可确保在最高时敏业务负载时，各节点出端口仍不会因为出现拥塞而丢包。

45、本发明，优先考虑双队列的循环排队转发机制，在负载相对较低时实现了具有配置简单、易于实现的门控列表的转发。降低了大规模低轨星座的复杂性。

46、本发明，在负载较高的情况下，利用粒子群算法，计算出最优的各节点出端口传输时间敏感业务流量的队列长度以及队列数量。利用粒子群算法计算得到的队列长度以及队列数量在满足不会因拥塞导致丢包的前提下占用底层硬件资源尽可能小，既保证了各时间敏感业务流量不会因为端到端时延过高而无法调度，又保证了实现难度和成本不会过高。