Auto-learning TSN:时间敏感网络(TSN)的可用性优化

许多网络应用(如工业控制)都要求网络提供确定性的传输服务,传统的统计复用网络无法满足这一类应用需求。IEEE 802.1时间敏感网络(TSN)相关标准和研究能够在以太网上提供确定性的网络服务。简述TSN的基本原理,利用网络演算对TSN中的关键排队机制进行了定量分析,并提出自学习TSN机制,通过网络智能化自适应支持非TSN端侧设备组网,结合时延保证算法形成端到端TSN方案,为TSN技术的进一步推广和应用打下了基础。

大规模确定性网络转发技术

提出了一种适用于大规模网络部署的3层转发技术——LDN(large-scale deterministic network),在保留传统IP转发技术统计复用的优势基础之上,LDN技术可实现对端到端时延上界及抖动上界的严格保证,为5G uRLLC(ultra-reliable low-latency communication)切片、工业互联网等未来应用场景提供网络服务支持。通过仿真实验对比了在相同网络环境下,传统IP及确定性IP在端到端最差时延及抖动上的差异,证明了LDN技术的有效性。

DVBMT问题的一种改进算法

研究多播端到端时延受限条件下的最优时延抖动问题,目前已经出现了许多启发式算法,如DVMA(delayvariation multicastalgorithm)、DDVCA(delayand delayvariation constraintalgorithm)。DDVCA的时延抖动小于DVMA。Cheng等人也提出了一种算法,它的时延抖动小于DDVCA。在此基础上提出了一种有效的多播路由算法。仿真结果表明,该算法的平均时延抖动小于Cheng等人的平均时延抖动。

DVBMT问题的改进算法

对E-DVMA所研究的多播端到端时延受限条件下的最优时延抖动问题进行了改进。在不增大时延抖动的基础上,有效地降低了平均时延。仿真结果表明,该算法的平均时延小于E-DVMA的平均时延。