2. 广西信息职业技术学院,广西 南宁 530299;
3. 广西水利电力职业技术学院,广西 南宁 530023
2. Guangxi University of Information Engineering, Nanning 530299, China;
3. Guangxi Vocational College of Water Resources and Electric Power, Nanning 530023, China
海上环境复杂多变,船舶分布广泛且移动性强,加之船载设备种类繁多、数据传输量大,这些都给船用网络的稳定运行带来巨大压力。其中,网络拥塞是指网络中的传输流量超过网络的接收能力,导致网络传输速率下降、延迟增加和数据丢失等问题[1];这些问题不仅会影响船舶的通信效率,还可能对船舶的安全运行构成威胁。因此,需针对网络拥塞现象进行有效处理,以此避免通信过程中数据丢失,保证船舶通信的实时性[2]。
国内外诸多相关学者对此展开研究。陈世河等[3]深入研究深度学习算法,并用于网络拥塞控制中,保证网络在通信过程中满足通信的动态变化,避免网络发生拥塞;但深度强化学习需要大量的计算资源和时间来进行训练,计算成本高,降低网络的实时性。通信容量分配作为网络运行管理的一种有效措施,唐婧壹等[4]将其用于网络管理中,然而当用户行为存在不可预测性以及信道质量的波动等,算法可能无法迅速调整通信容量的分配,导致网络拥塞调整性能下降。能量效率是用于衡量系统或设备对能量资源的利用效率的指标,因此,李信等[5]在考虑能量效率的情况下,以实现网络通信能量效率最大化为核心目标,进行网络功率分配,以此提升网络的传输效率;但是通信设备的差异会导致算法在应用过程中的性能下降,功率分配效果不理想。
5G通信技术传输速率高、满足数个网络设备之间连接的需求,并且能够有效解决网络的传输效率;同时该技术具备内容分发网络,能够缓解网络拥塞,提升用户访问互联网的服务质量,提出了5G通信技术的船用网络防拥塞机制。
1 船用网络防拥塞机制 1.1 船用网络数据传输场景船用网络需要覆盖船舶的各个区域,包括驾驶室、机舱、货舱、船员生活区等,以此确保船舶内部各个系统之间的信息交流和共享,确保船舶运营效率和安全。但是由于海上环境较为恶劣,同时并且网络设备的类别较多,应用需求较多,包括实时监控系统、导航系统、通信系统、娱乐系统等,它们都需要通过船用网络进行数据传输和共享,因此,会导致网络发生拥塞现象。船用网络数据传输场景如图1所示。
![]() |
图 1 船用网络数据传输场景 Fig. 1 Marine network data transmission scenario |
可知,监控系统、导航系统、通信系统、娱乐系统等多个发送端同时进行数据传输或者共享时,这些数据如果同时传送至总控中心时,即为发送至同一个接收端。如果各个发送端在进行数据传输时的平均发包速率用
$ L = Mvt - Nt。$ | (1) |
式中,
船用网络在进行数据传输时,如果
基于5G通信技术对船用网络进行设计和规划时,以其网络切片技术为核心,实现带宽的动态分配,该分配的核心目的是依据传输流量需求完成带宽的实时调整。结合船用网络的场景情况,其传输流量需求即为缓冲数据队列长度
$ B\left( S \right) = \xi \times f\left( L \right) 。$ | (2) |
式中,
为保证船用网络支持边缘计算和多接入边缘计算,网络规划时的物理布局以及资源位置选择尤为重要,因此,充分考虑多传送端的传送需求,将计算资源部署在接近传送端的位置,以此保证传送端在数据传输时的效率,降低传输时延。如果资源分配策略用
$ C = \frac{R}{d} 。$ | (3) |
式中:
资源分配策略
![]() |
图 2 船用网络规划结果 Fig. 2 Results of marine network planning |
采用5G通信技术进行船用网络规划后,可将其通过有向图
为更有效地实现船用网络防拥塞,在规划后的网络中基于节点-链路控制进行其防拥塞处理。考虑节点在移动过程中,会对不同的交换机作为中继节点而进行区域的频繁覆盖,发送端在数据传输时以多径传输为主,一旦交换机发生能量受限,则会导致多个传输节点发生通信异常以及数据重传现象。因此,为更好避免船用网络发生拥塞,考虑节点随机失效的特点以及对通信和数据传输造成影响后链路的抖动情况,计算网络中当前存在的干扰噪声
$ G\left( {{\varepsilon _k}} \right) = \frac{1}{{\sqrt 2 {\text{π}} }}\exp \left( { - \frac{{\varepsilon _k^2}}{{2{\text{π}} }}} \right)B\left( e \right)。$ | (4) |
式中,
采用差分的方式进行处理后得出其差分结果
$ {\Delta _i} = \frac{{{\rm d}\big[ {G\left( {{\varepsilon _k}} \right)} \big]}}{{{\rm d}{\varepsilon _k}}} 。$ | (5) |
当触发缓冲数据队列长度
$ q = \frac{{{\mathrm{d}}\eta \left( \Delta \right)}}{{{\mathrm{d}}t}} > 0 。$ | (6) |
式中:
将
$ F\left( {{q_k}} \right) = \frac{{\Delta _i^k}}{{i!}}{e^{ - {\Delta _i}}} 。$ | (7) |
式中:
如果节点触发式(7)后,则表示该节点能量受限,发生通信拥塞,此时对船用网络中各个节点的功率
$ \bar P = \frac{1}{n}\sum\limits_{i = 1}^n {{P_n}}。$ | (8) |
式中:
依据式(8)获取
以某船务公司船舶网络为例展开研究,该网络体系整体包含船上网络和岸上网络,其中岸上网络为公司总控中心。该船务公司初始网络中,船用网络使用的为4G无线网络、岸上网络为有线网络,通过文中的5G技术对网络结构进行优化后,通过部署兼容天线、5G路由器以及万兆工业交换机,并且增加多个无线路由节点,可利用5G通信技术的低时延优化网络结构,规划后测试船舶网络组成结构如图3所示。
![]() |
图 3 测试船舶网络结构 Fig. 3 Test ship network structure |
为验证本文机制对应拥塞的处理效果,网络中存在不同程度负载时,通过该机制进行防拥塞处理后,获取网络中各个节点的拥塞程度,该结果采用网络拥塞窗口大小描述,测试结果如表1所示。可知,网络节点负载程度不断增加,通过文中机制进行防拥塞处理后,拥塞窗口大小明显降低,最大值仅为151.6 kB,明显低于原始网络的拥塞窗口大小,有效避免网络发生拥塞,保证通信效率。
![]() |
表 1 网络拥塞窗口大小测试结果 Tab.1 Test results of network congestion window size |
为进一步验证文中机制对于防拥塞的应用效果,本文采用网络碰撞概率作为评价指标,该指标是用于描述网络传输中,多个信号或数据包在同一时间或同一信道上发生冲突或相互干扰的概率,能够反映网络的拥塞情况,利用文中机制进行网络的防拥塞处理后,通过上述公式获取在不同发送终端数量下,进行不同大小数据包传输时,网络碰撞概率测试结果,期望标准低于0.2,测试结果如图4所示。分析可知,通过文中的5G通信技术进行船用网络的防拥塞处理后,网络在不同发送中断数量下,进行不同大小数据包传输时,网络碰撞概率的测试结果整体呈现缓慢上升趋势,即使在进行500 MB大小的数据传输时,网络碰撞概率值均在0.15以下,依旧满足期望应用标准。
![]() |
图 4 网络碰撞概率测试结果 Fig. 4 Network collision probability test results |
船用网络的通信效果对于船舶航行安全、航线控制等具备重要作用,一旦网络中发生拥塞,会导致航行数据、控制指令以及岸上控制中心和船上执行中心之间的交互受阻。因此,本文研究5G通信技术的船用防拥塞机制,对该机制的应用效果进行相关分析后得出,该机制应用后可有效降低通信时的拥塞窗口大小,降低多个发送端在传输时的网络碰撞概率,保证网络通信安全和效率。
[1] |
陈立家, 周为, 许毅, 等. 一种基于SDN的多约束无人船网络传输路由算法[J]. 中国舰船研究, 2022, 17(4): 107-113. CHEN Lijia, ZHOU Wei, XU Yi, et al. Multi-constrained unmanned surface vessel network transmission routing algorithm based on SDN[J]. Chinese Journal of Ship Research, 2022, 17(4): 107-113. |
[2] |
胡思尧, 杨柳涛. 集装箱船LoRa无线网络控制策略的设计及优化[J]. 中国航海, 2023, 46(3): 111-117. HU Siyao, YANG Liutao. Design and optimization of LoRa wireless network control strategy for container ship[J]. Navigation of China, 2023, 46(3): 111-117. DOI:10.3969/j.issn.1000-4653.2023.03.016 |
[3] |
陈世河, 徐彦彦, 潘少明. 基于深度强化学习的无线自组网拥塞控制性能提升方法[J]. 计算机应用研究, 2023, 40(7): 2138-2145. CHEN Shihe, XU Yanyan, PAN Shaoming. Method of improving performance of congestion control in wireless Ad hoc network based on deep reinforcement learning[J]. Application Research of Computers, 2023, 40(7): 2138-2145. |
[4] |
唐婧壹, 唐杰. 基于最小流量的宽带电子设备通信容量分配算法设计[J]. 电子器件, 2023, 46(6): 1615-1620. TANG Jingyi, TANG Jie. Design of communication capacity allocation algorithm for broadband electronic equipment based on minimum traffic[J]. Chinese Journal of Electron Devices, 2023, 46(6): 1615-1620. DOI:10.3969/j.issn.1005-9490.2023.06.025 |
[5] |
李信, 李勇军, 赵尚弘. 基于能量效率的星地NOMA网络功率分配算法[J]. 电子学报, 2023, 51(5): 1310-1318. LI Xin, LI Yongjun, ZHAO Shanghong. Power allocation in satellite-terrestrial NOMA network based on energy efficiency[J]. Acta Electronica Sinica, 2023, 51(5): 1310-1318. |