SDOG：基于动态在线分组的工业时间敏感网络中可扩展的流量调度方法

论文标题

中文标题：SDOG：基于动态在线分组的工业时间敏感网络中可扩展的流量调度方法
英文标题：SDOG: Scalable Scheduling of Flows Based on Dynamic Online Grouping in Industrial Time-Sensitive Networks

作者信息

Chang Liu, Jin Wang, Chang Liu Sr, Jie Wang, Li Tian, Xiao Yu
State Grid Hubei Electric Power Research Institute, Wuhan, China
Min Wei
Chongqing University of Posts and Telecommunications, Chongqing, China
通讯作者：Chang Liu (liuchang.sgcc@foxmail.com)

论文出处

International Journal of Network Management, 2025
DOI: 10.1002/nem.70001

摘要

本文提出了一种基于动态在线分组的可扩展时间触发（TT）流量调度方法（SDOG），用于工业时间敏感网络（TSN）。该方法通过建立基于TT流量冲突指数的无向加权流量图，并将可用时间划分为等间距的时间窗口，在每个窗口内动态对TT流量进行分组调度。通过动态分组，SDOG能够在流量数量翻倍时实现可扩展且高效的调度解决方案，避免数据通信中的冲突。此外，该方法还采用了拓扑剪枝策略，减少不必要的链路变量，进一步缩短调度时间。实验结果验证了SDOG在整体流量可调度性和单个流量调度时间方面的优势。

1. 引言

工业物联网（IIoT）作为物联网的重要应用，正在迅速发展。随着智能设备种类和数量的增加，大量数据流涌入IIoT应用，导致数据流规模迅速增长。时间敏感数据（如控制数据）需要严格的低延迟、低抖动和高可靠性传输。传统工业网络通过专用现场总线实现实时数据传输，但存在带宽有限、设备维护成本高等问题。TSN作为一种基于以太网的解决方案，结合了信息技术和操作技术，提供了精确的时钟同步机制、数据调度机制和帧复制与取消机制。然而，TSN的固有机制在处理动态和快速调度时存在带宽浪费和可扩展性低的问题。本文旨在解决工业场景中动态和快速调度TT流量的研究问题。

2. 相关工作

本文回顾了多种流量调度方法，包括整数线性规划（ILP）、启发式算法和基于SMT/OMT的调度方法。ILP通过遍历整个解空间寻找最优解，但其时间成本高，难以扩展到工业场景。启发式算法通过迭代搜索解空间获得高质量解，但在动态流量调度中表现不足。SMT/OMT方法将约束视为子句，但在处理指数级增长的TT流量时，迭代次数多，求解速度慢，可扩展性低。这些方法大多关注小规模静态调度，难以应对IIoT中动态生成的TT流量。

3. 系统建模与问题描述

3.1 网络模型与流量模型

网络拓扑通过有向图表示，假设所有网络链路为全双工链路。流量模型假设所有TT流均为单播流，每个流由源节点、目的节点、周期、持续时间和传输截止时间描述。通过最短路径算法为每个TT流找到候选路径。

3.2 需解决的问题

时间敏感网络需要满足低延迟和高可靠性的数据传输要求。TSN的固有调度机制难以在调度方案质量和运行时间之间实现有效平衡，且大多数现有调度机制仅适用于小规模静态场景，不适用于IIoT中动态变化的TT流量。

4. 基于动态在线分组的可扩展TT流量调度

4.1 动态在线分组

本文提出了一种动态在线分组方法，通过将时间划分为等间距的时间窗口，并在每个窗口内对TT流量进行分组调度，以提高调度效率。分组基于流量之间的冲突指数（CI），通过构建无向加权流量图实现。初始化分组通过全局模块度Q衡量分组质量，并通过模块度增量∆Q动态调整分组结构。动态跟踪流量分组包括跟踪新到达的TT流量和移除已调度的TT流量。

4.2 调度优先级与拓扑剪枝

调度优先级通过计算每个分组中所有流量的平均截止时间来确定，优先调度截止时间较短的分组。拓扑剪枝通过删除每个分组中未使用的链路来简化网络拓扑，减少求解规模。

4.3 整数线性规划建模

定义了二进制决策变量，包括链路占用变量、时间槽分配变量和链路与路径的关系变量。约束条件包括每个TT流只能选择一条路径进行传输，且路径不能分配到同一时间槽。目标函数是最大化网络中可容纳的流量数量，同时确保端到端延迟。

5. 实验结果与分析

5.1 实验设置

实验使用Erdős–Rényi模型生成随机网络拓扑，通过Networkx、NumPy和Pandas进行网络分析和数据处理，使用IBM Cplex Optimization Studio求解ILP模型。实验评估了星型、环型和树型三种典型网络拓扑，随机选择30%的节点作为边缘节点，生成不同规模的TT流量。

5.2 实验内容

5.2.1 拟合分析

使用归一化互信息（NMI）验证动态在线分组方法的有效性。结果表明，动态在线分组方法与基于模块度Q的基准算法结果高度一致，且计算效率更高。

5.2.2 可调度性

实验比较了SDOG方法与增量RS方法和最优解的性能。结果表明，SDOG在小规模流量时与最优解一致，随着流量规模增加，SDOG的可调度性略低于最优解，但在大规模流量场景下仍优于增量RS方法。SDOG在不同周期的TT流量调度中表现出良好的可扩展性。

5.2.3 调度运行时间

SDOG方法的平均调度时间显著低于增量RS方法。在大规模流量场景下，SDOG的运行时间仅为增量RS方法的一半左右。此外，不同周期的TT流量调度时间也有所不同，低频周期流量的调度时间最短。

6. 结论

本文提出的SDOG方法通过动态在线分组实现了工业时间敏感网络中可扩展的TT流量调度。实验结果表明，该方法在可调度性和运行时间方面具有显著优势，适用于动态和复杂的工业环境。未来工作将考虑将非实时流量与实时流量综合设计路由和调度方法，进一步提高网络资源利用率。