[发明专利]一种车载时间敏感网络中SR类流量时延预测方法及装置

说明书

本发明公开了一种车载时间敏感网络中SR类流量时延预测方法及装置，包括建立车载时间敏感网络中SR类流量时延协议数学模型；以以太网交换机作为智能体，采用Sarsa强化学习算法对所建立的协议数学模型进行学习，建立车载时间敏感网络传输时延智能体模型；基于所建立的SR类流量时延智能体模型计算SR类流量时延。本发明通过建立车载TSN时延模型，结合Sarsa强化学习方法拟合车载TSN数据转发规则，有效的提高了车载TSN中SR类流量传输时延值预测的准确性。

技术领域

本发明涉及车载以太网技术领域，具体涉及一种车载时间敏感网络中SR类流量时延预测方法及装置。

背景技术

在自动驾驶和车联网的大背景下，汽车向智能化、网联化、电动化和共享化快速发展。汽车在功能与性能上得到了很大的丰富与提升。TSN(车载时间敏感网络)由于低成本、低时延、高带宽的优势备受关注，并成为了汽车骨干网络的选择之一。在此大环境下，车载TSN快速的发展。因此，车载TSN的传输时延研究显得尤为重要。

虽然近年来TSN时延分析和建模取得很大进展，但大部分流预留类流量(SR)传输时延分析的模型中，并未考虑到相应的随机过程。最小时延分析考虑的是不受干扰理想条件下的时延大小，而最差时延分析是指所有干扰都考虑下的时延大小，即时延的最大边界值。在实际网络中，其时延可能永远达不到这个边界值，因此现有的分析模型不适用于车载TSN中SR类数据传输时延分析，迫切需要发展一套更为精确的数学模型来分析和估计车载TSN中SR类数据传输时延。

发明内容

为了解决上述问题，提高车载TSN的SR类流量传输时延分析的准确性，本发明提出了一种车载时间敏感网络中SR类流量时延预测方法及装置，根据车载以太网交换机处各类数据流的种类、预留带宽、帧长及链路负载等时延影响因素，基于Sarsa强化学习方法拟合以太网交换机处数据流转发规则，建立车载TSN时延预测方法，使时延预测更加精确。

本发明采取的技术方案如下：

本发明提供一种车载时间敏感网络中SR类流量时延预测方法，包括：

建立车载时间敏感网络中SR类流量时延协议数学模型；

以以太网交换机作为智能体，采用Sarsa强化学习算法对所建立的协议数学模型进行学习，建立车载时间敏感网络传输时延智能体模型；

基于所建立的车载时间敏感网络传输时延智能体模型计算SR类流量时延。

进一步的，所述建立车载时间敏感网络中SR类流量时延协议数学模型，包括：

R_SR＝R_FIFO+R_CBS+R_TAS；

其中，R_SR为SR类流量的时延，R_FIFO为先进先出时延，R_CBS为基于信用整形时延，R_TAS为时间感知整形时延；

先进先出时延表示为：

其中，M为待转发的数据帧帧长，C为传输速率，R为预留带宽，M′_τ为同类型数据帧阻塞等效帧，为同类型数据帧的信用值下降速率，为同类型数据帧的信用值增长速率；

基于信用整形时延表示为：

M^A′＝MA′_B，或M^A′＝M^A′_BE