【技术实现步骤摘要】
本专利技术属于飞机天线设计，具体涉及一种无损以太网流控方法和装置。
技术介绍
1、无损以太网在传统以太网的基础上进行增强，借助流控技术避免网络丢包，大大提高了以太网的实时性和可靠性。主要的两种技术就是基于优先级的流控(pfc)和量化拥塞通知(qcn)。pfc基于端口进行流控，控制颗粒度粗，往往作为qcn的补充。qcn使用显示拥塞通知(ecn)机制进行流量控制，可对单条流进行限速，使用该机制的典型算法有dctcp、dcqcn等。
2、传统ecn流控机制是一种静态的方法，需要用户手动设置ecn门限参数，通过预先设置好的阈值来判别拥塞情况，能够一定程度上进行流量控制。然而，ecn的参数值选取需要综合考虑多种复杂的网络因素，因此参数的选取困难。而且由于数据规模的不断升级，静态选择ecn门限已经难以适应突发流量、不同规模的并发流量等场景。具体来说，面对较大数据流时，需要设置较高的ecn门限来保证传输带宽，但同时对于小数据流来说会使得缓存较大、队列较深，导致时延较高。面对较小的数据流时设置较低的ecn门限来保证较低的时延，但是对于大数据流来说不能保证高吞吐的要求。综上所述，静态的ecn门限显然不能同时兼顾小数据流和大数据流混合场景，已无法应对目前复杂多变的网络环境。
3、随着智能技术的逐渐成熟，动态调整门限的智能算法成为目前的热门研究方向。目前的动态ecn调整策略主要有两种。第一种动态ecn策略主要使用统计数学例如多队列权重分配，从而更好地进行资源利用，典型的算法有mq-ecn、demepro以及demt。第二种动态
技术实现思路
1、本专利技术提供一种无损以太网流控方法和装置，结合了强化学习思想和卷积神经网络模型，能够为复杂多变的网络环境提供一套动态门限调节机制，使得ecn门限和pfc门限之间的缓存空间能够容纳ecn拥塞标记之后到源端降速之前这段时间发送过来的流量，尽可能地避免触发网络pfc流控，最大化发挥rdma中的pfc和ecn效能，实现无损以太网在复杂多变网络环境下抗丢包、高带宽利用率和低延迟传输。
2、本专利技术第一方面提供一种无损以太网流控方法，包括：
3、s1、获取t时刻的仿真以太网环境；
4、s2、获取t时刻的仿真以太网环境的以太网流量的数据包特征信息；数据包特征信息包括：流量特征状态信息；
5、s3、构建残差结构的浅层卷积神经网络作为策略生成网络，将流量特征状态信息输入到策略生成网络模型进行特征提取，得到编码后的特征向量，编码后的特征向量包括多个具有不同概率的门限信息决策结果；
6、s4、将编码后的特征向量流量特征状态信息输入至dqn模型，利用dqn模型的ε-greedy策略得到最优的无损以太网流控动态门限信息，并输入到仿真以太网环境，进行流量特征状态信息更新。
7、可选的，所述无损以太网流控方法还包括：
8、构建目标策略网络，目标策略网络为残差结构的浅层卷积神经网络；
9、在生成最优动态门限信息后，输入仿真以太网环境执行，根据更新后的流量特征状态信息采用如下的奖励函数获取奖励值w；
10、
11、将奖励值和更新后的流量特征状态信息分别输入到策略生成网络和目标策略网络的损失函数中，完成残差结构的浅层卷积神经网络模型的一次训练更新；
12、其中，k1，k2，k3为平均传输时延、平均吞吐量、丢包率各自的奖励系数，ρ表示折扣因子，g表示奖励阈值，τ为预设最大平均传输时延、η为预设最小平均吞吐量、δ为预设最大丢包率，dt为平均传输时延、tt为平均吞吐量、lt为丢包率。
13、可选的，所述无损以太网流控方法还包括：
14、采用随机数据源在仿真网络环境中进行测试，通过检测是否存在丢包，以验证无损以太网流控的动态门限信息的有效性。
15、可选的，获取t时刻的仿真以太网环境，包括：
16、搭建仿真以太网环境，配置预设最大平均传输时延、预设最小平均吞吐量、预设最大丢包率；
17、其中，仿真以太网环境为多对一的以太网仿真环境；以太网仿真环境部署pfc和ecn基础传输策略。
18、可选的，数据包特征信息包括
19、其中，表示发送端和接收端所有端口n在周期t上的流量特征状态信息，fbandwidth表示发送端和接收端当前链路的带宽，fdelay表示时延，fpackets表示数据包数量，fdemand表示当前累计数据流量大小，fqdepth表示队列深度，fincast表示多打一的值。
20、可选的，编码后的特征向量为
21、其中，pbuffer表示当前拥塞区域内的缓冲区大小，pxon和pxoff表示拥塞控制区域内开始数据传输和停止数据传输阈值，ebuffer表示入口区域内的缓冲区大小，exon和exoff分别表示入口控制区域内增加数据传输和减慢数据传输阈值。
22、本专利技术第二方面提供一种无损以太网流控装置，包括：
23、仿真以太网环境获取模块，用于获取t时刻的仿真以太网环境；
24、数据包特征信息获取模块，用于获取t时刻的仿真以太网环境的以太网流量的数据包特征信息；数据包特征信息包括：流量特征状态信息；
25、编码后的特征向量获取模块，用于构建残差结构的浅层卷积神经网络作为策略生成网络，将流量特征状态信息输入到策略生成网络模型进行特征提取，得到编码后的特征向量，编码后的特征向量包括多个具有不同概率的门限信息决策结果；
26、无损以太网流控动态门限信息获取模块，用于将编码后的特征向量流量特征状态信息输入至dqn模型，利用dqn模型的ε-greedy策略得到最优的无损以太网流控动态门限信息，并输入到仿真以太网环境，进行流量特征状态信息更新。
27、可选的，无损以太网流控装置还包括：
28、网络构建模块，用于构建目标策略网络，目标策略网络为残差结构的浅层卷积神经网络；
29、奖励获取模块，用于在生成最优动态门限信息后，输入仿真以太网环境执行，根据更新后的流量特征状态信息采用如下的奖励函数获取奖励值w；
30、
31、训练模块，用于将奖励值和更新后的流量特征状态信息分别输入到策略生成网络和目标策略网络的损失函数中，完成残差结构的浅层卷积神经网络模型的一次训练更新；
【技术保护点】
1.一种无损以太网流控方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，获取T时刻的仿真以太网环境，包括：
5.根据权利要求1所述的方法，其特征在于，数据包特征信息包括
6.根据权利要求1所述的方法，其特征在于，编码后的特征向量为
7.一种无损以太网流控装置，其特征在于，包括:
8.根据权利要求7所述的装置，其特征在于，还包括：
【技术特征摘要】
1.一种无损以太网流控方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，获取t时刻的仿真以太网环境，包...
【专利技术属性】
技术研发人员：李斌，高驰，袁涛，代真，谢锋，夏祥峰，
申请(专利权)人：中国航空工业集团公司成都飞机设计研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。