舰船编队是由多艘舰船组成的一个集体,通常按照一定的编队形式,紧密地结合在一起,以实现更好地合作和协同作战[1]。而舰船编队的有效合作离不开通信网络。但通信网络面临着各种不可预测的因素和挑战,为了提高网络的抗干扰和适应能力,确保数据的可靠传输[2-3],需要研究一种通信网络数据调度方法。
目前,有较多学者对调度方法进行研究。杨毅等[4]研究基于云计算平台的多数据库并行调度算法,通过提取数据序列的特征,实现数据的调度,但在该方法的调度下通信开销较大。王然等[5]研究基于预测的数据中心间混合流量调度算法,主要针对流量进行调度,虽然通过该方法的调度可以改善通信开销,但在通信过程中仍然存在一定的时延。
为此,研究舰船编队通信网络混合数据智能调度方法,提高混合数据传输过程中的分组投递率,改善通信网络的通信效率。
1 混合数据智能调度方法研究 1.1 舰船编队通信网络结构分析在舰船编队中,各个舰船之间需要保持密切地沟通和协调。为此,通信、指挥和控制等方面的设施和机制非常重要[6]。
针对舰船编队,可以将每一艘舰船的通信信号看作拓扑图中的一个定点,不同舰船之间的通信通道则可视为拓扑图中相邻顶点的边,通过
$ {\boldsymbol{A}}=\left({a}_{ij}\right)\in {R}^{N\times N}=\left\{\begin{array}{l}1\text{,}\left(i,j\right)\in E\text{,}\\ 0\text{,}\text{others}\text{。}\end{array}\right. $ | (1) |
式中,
考虑上述分析得到的舰船编队通信网络结构情况,为实现舰船编队通信网络混合数据的智能调度,需要考虑多种因素[7]。本文构建如下目标函数,通过对多种目标的优化,实现混合数据的智能调度:
$ \min X = A\left[ {\min \bar D + \min NRL + \min \left( { - PDF} \right)} \right]\text{。} $ | (2) |
式中:
对每一优化目标进行分析:
1)端到端平均时延。当端到端的时延越小,说明通信网络越通畅,为此,将这一指标作为混合数据智能调度的优化目标,可通过如下公式计算端到端平均时延:
$ D\left( i \right) = {T_r}\left( i \right) - {T_s}\left( i \right) \text{,}$ | (3) |
$ \bar D = \frac{1}{N}\sum\limits_{i - 1}^N {D\left( i \right)} \text{。}$ | (4) |
式中:
2)路由开销。通过路由开销,可以表示通信网络的堵塞程度,当路由开销越大,说明通信网络的堵塞概率越大,导致混合数据的传输越困难,而路由开销公式为:
$ NRL = \frac{{NRC}}{{NRP}} \text{。}$ | (5) |
式中:
3)分组投递率。衡量了通信网络中传输数据包的成功程度。当分组投递率越高,说明通信网络混合数据传输的可靠性越好,从而使得混合数据传输的完整性更强。分组投递率计算式为:
$ PDF = \frac{{NRF}}{{NSP}} \text{。}$ | (6) |
式中:
深度强化学习方法是一种可以通过神经网络与通信网络的交互,实现智能调度的学习策略。当利用该方法进行优化调度时,神经网络可在当前舰船编队通信网络状态
为精准实现调度目标优化,需先定义深度强化学习方法在学习过程中需要使用的参数,分别为通信网络状态空间
1)在通信网络状态空间
$ s\left( k \right) = \left[ {a\left( k \right),z\left( k \right)} \right]\min X\text{。} $ | (7) |
2)将端到端平均时延、路由开销以及分组投递率3项组成的目标函数
$ c\left( k \right) = s\left( k \right)\sum\limits_{m \in \varPhi } {{a_m}} \left( k \right) - a \cdot {\varepsilon _m}\left( {{a_{m \in \varPhi 2}}\left( k \right) > {x_{m \in \varPhi 2}}} \right)\text{。} $ | (8) |
式中:
当进行训练时,网络利用μ-greedy策略对舰船编队通信网络进行探索。当进行决策搜索时,可自动生成一个随机数
$ V\left[ {s\left( k \right),d\left( k \right)\left| w \right.} \right] = c\left( k \right) + \gamma \min V\left( {s\left( {k + 1} \right),d\left( k \right)\left| w \right.} \right) \text{。}$ | (9) |
式中:
由于在学习过程中,最小化函数
$ L\left( w \right) = \left[ {V\left( {s\left( k \right),d\left( k \right)\left| w \right.} \right)} \right] - {\left[ {V' \left( {s'\left( k \right),d' \left( k \right)\left| {{w_N}} \right.} \right)} \right]^2} \text{。}$ | (10) |
式中:
$ {\nabla _w}L\left( w \right) = L\left( w \right) \times {\nabla _w}V\left[ {s\left( k \right),d\left( k \right)\left| w \right.} \right] \text{。}$ | (11) |
式中:
为验证本文构建的混合数据智能调度方法是否真实有效,设计舰船编队模拟场景进行仿真,在模拟场景下进行通信网络混合数据的调度,从而验证该调度方法的有效性,具体仿真设计参数如表1所示。
![]() |
表 1 实验模拟仿真参数设计 Tab.1 Design of experimental simulation parameters |
利用表1中的仿真参数,设计混合数据智能调度任务,共设计10个调度任务,其中,任务1~任务10均为混合数据发送任务,其中,任务1、任务2的发送内容为指挥和控制数据,包括指挥官对出舰船编队的指示、指令和决策和行动计划等;任务3、任务4的发送内容为情报和情报分析数据,包括来自航空侦察、电子侦察、卫星侦察和情报分析等方面的情报数据;任务5、任务6中发送的内容为传感器数据,如雷达数据、声呐数据、红外数据等;任务7、任务8发送的数据为通信数据,包括语音通信、视频通信和文本通信等;任务9、任务10发送的数据为舰船系统状态和健康信息:其中包含舰船各个系统和设备的状态。同时,每一项任务中的数据量有所不同,应用本文方法,对这些不同任务进行混合数据调度设计。
2.1 调度时延分析分析应用本文方法优化前后,舰船编队通信网络在不同节点速度下的所有任务混合数据调度时的端到端时延变化,分析结果如图1所示。
![]() |
图 1 混合数据调度时的时延分析 Fig. 1 Delay analysis in mixed data scheduling |
可知,经过本文方法的调度后,通信网络中混合数据的端到端时延明显下降,可以实现数据的迅速传输,从而保证舰船编队数据交互的稳定性。
2.2 路由开销分析分析应用本文方法进行全部任务的混合数据调度时,不同数据量情况下的路由开销情况,分析结果如图2所示。
![]() |
图 2 路由开销情况分析 Fig. 2 Analysis of routing cost |
可知,随着节点速度的增加,会导致不同混合数据在传输过程中的路由开销逐渐上升。而通过本文调度方法的优化后,可以看出不同混合数据之间的最大路由开销未超过40,在该方法的调度下,可以维持较小的路由开销。同时,当数据报文长度为4 094 bit时,路由开销最高仅为35左右,随着数据量的增大,路由开销仍然可以保持较小水平。因此,该调度方法可有效降低通信网络的路由开销。
2.3 分组投递率分析设置不同的调度任务,每一任务需调度的混合数据量均有所不同,分析通过本文方法在进行不同任务调度时的分组投递率,从而验证该方法对不同混合数据调度任务的处理能力,分析结果如表2所示。
![]() |
表 2 不同任务调度过程中的分组投递率分析 Tab.2 Analysis of group delivery rates during different task scheduling processes |
可知,经该方法调度后可有效保证混合数据传输的完整性,从而实现高质量的混合数据传输。
2.4 调度性能分析应用本文方法对不同混合数据传输任务进行调度,分析经过调度后,通信网络在处理不同任务时的吞吐量,以及通信网络在接收数据时节点是否发生堵塞现象,分析结果如表3所示。
![]() |
表 3 本文方法调度性能分析 Tab.3 Analysis of the scheduling performance of this method |
可知,通过该方法的调度,可以使通信网络保持较高的吞吐量,同时在混合数据传输时,通信网络未发生堵塞现象,可以看出该方法具有较强的调度能力,可维持混合数据平稳传输。
3 结 语本文通过对混合数据调度目标函数的优化,改善混合数据传输时的时延、路由开销等问题,保障舰船编队通信网络混合数据顺利传输。未来可在此基础上继续优化调度方案,提高数据传输效率,提高舰船编队之间的通信可靠性。
[1] |
董然, 孙创, 傅强, 等. 基于非线性干扰观测器的舰船编队控制方法[J]. 哈尔滨工程大学学报, 2022, 43(5): 697-705. DONG Ran, SUN Chuang, FU Qiang, et al. A ship formation control method using a nonlinear disturbance observer[J]. Journal of Harbin Engineering University, 2022, 43(5): 697-705. |
[2] |
王丽媛, 郭树生, 安吉祥. 基于枚举法的海上风电智能运维调度模型[J]. 舰船工程, 2022, 44(2): 28−34. WANG Liyuan, GUO Shusheng, AN Jixiang . Intelligent operation and maintenance dispatching model of offshore wind power based on the enumeration method [J]. Ship Engineering 2022, 43(5): 697−705. |
[3] |
杨晨, 邓茹凤, 张宏, 等. 基于网络通信的设备互操和数据热备份的设计方法[J]. 船海工程, 2022, 15(5): 11-14. YANG Chen, DENG Ru-feng, ZHANG Hong, et al. Design Method for equipment interoperation and data hot-backup based on network communication[J]. Ship & Ocean Engineering, 2022, 15(5): 11-14. |
[4] |
杨毅, 熊鹰. 基于云计算平台的多数据库并行调度算法仿真[J]. 计算机仿真, 2023, 40(6): 459-462+527. YANG Yi, XIONG Ying. Simulation of multi database parallel scheduling algorithm based on cloud computing platform[J]. Computer Simulation, 2023, 40(6): 459-462+527. |
[5] |
王然, 张宇超, 王文东, 等. 基于预测的数据中心间混合流量调度算法[J]. 计算机研究与发展, 2021, 58(6): 1307-1317. WANG Ran, ZHANG Yuchao, WANG Wendong, et al. Algorithm of mixed traffic scheduling among data centers based on prediction[J]. Journal of Computer Research and Development, 2021, 58(6): 1307-1317. |
[6] |
牟军敏, 郭绍卿, 张志江, 等. 基于AIS数据的水域航路网络提取方法[J]. 中国航海, 2023, 46(2): 152-160. MOU Junmin, GUO Shaoqing, ZHANG Zhijiang, et al. Extraction of ship track pattern from AIS data[J]. Navigation of China, 2023, 46(2): 152-160. |
[7] |
白响恩, 李博翰, 徐笑锋, 等. 基于AIS数据的航运物流港口调度优化研究[J]. 包装工程, 2023, 44(5): 211-221. BAI Xiang-en, LI Bo-han, XU Xiao-feng, et al. Scheduling Optimization of shipping logistics port based on AIS data[J]. Packaging Engineering, 2023, 44(5): 211-221. |
[8] |
王栽毅, 杨照. 船联网智能数据传输与通信算法研究[J]. 中国海洋大学学报(自然科学版), 2021, 51(7): 108-114. WANG Zaiyi, YANG Zhao. Research on intelligent data transmission and communication algorithms for ship networking[J]. Periodical of Ocean University of China, 2021, 51(7): 108-114. DOI:10.16441/j.cnki.hdxb.20190101 |