面向大规模确定性网络的全局循环排队与转发机制

时延抖动敏感的工业控制和远程驾驶应用驱动网络由尽力而为服务向确定性转发服务转变。为满足确定性应用时延抖动的有界需求,工业界和学术界在逐流过滤整形和队列转发控制方面进行了大量研究,实现了小规模以太网环境下轻载稳定流的微秒级时延和亚微秒级抖动保障。多数研究因较少考虑长距离网络拓扑变化、传输时延波动和短时突发流量过载等影响,难以满足大规模骨干网场景下的确定性要求。在循环排队转发(cyclic queuing and forwarding,CQF)基础上,考虑了源目的路径特性和确定性流量强度因素,提出了全局循环排队转发三队列(global cyclic queuing and forwarding 3-queue,GCQF-3),并在基于OMNeT++搭建的确定性网络仿真系统中,比较了CQF、CQF-3和GCQF-3的转发控制机制,实验表明GCQF-3能根据确定性流量状态及时调整门控时机和排队优先级,在时延、抖动和网络利用率等方面都达到最佳。

基于MGU的大规模IP骨干网络实时流量预测

为克服长短时记忆网络(long short-term memory, LSTM)计算成本相当大的弊端,提出基于最小门控单元(minimal gated unit, MGU)的大规模IP骨干网络实时流量预测方法。试验结果表明,与基于LSTM的流量预测方法相比,该方法以较少的模型训练时间获得了相当甚至略优的流量预测性能,在流量预测精度和实时性方面也优于已有的前馈神经网络(feed forward neural network, FFNN)和门控循环单元神经网络(gated recurrent unit, GRU)方法。