[发明专利]一种5G与TSN融合网络QoS映射方法

权利要求书

1.一种5G与TSN融合网络QoS映射方法，其特征在于：包括以下步骤：

S1：通过改进K-均值聚类算法将TSN业务流分成K个聚类，获得聚类中心，基于最终聚类中心的QoS特性给聚集流分配优先级；

S2：通过基于粗糙集的5G QoS标识符5QI动态映射算法，为每个聚集流计算5QI近似集，并根据计算的5QI近似集执行映射，在映射过程中，按照优先级顺序给聚集流分配5QI；

S3：将后续的业务流根据相似度聚类到相应的聚集流中，每隔一段时间更新聚类中心和检测是否需要继续扩展5QI集合；

本方法基于以下5G-TSN融合网络动态映射模型：

5G作为一个逻辑网桥与TSN融合，5G核心网和接入网对TSN透明；5G TSN逻辑网桥包括用户平面和控制平面的TSN转换功能，用于在TSN和5G系统之间进行交互操作；在用户平面，TT功能包括网络侧转换器NW-TT和设备侧转换器DS-TT，用于提供对TSN的入口和出口端口的支持；NW-TT位于用户平面UPF，支持到TSN域的连接；DS-TT位于UE，与协议数据单元PDU会话相关联，提供到TSN网络的连接；在控制平面，5G通过TSN AF实现与CNC实体的通信，用于完成网络配置、管理信息的映射和互通；AF与PCF交互进行策略控制，影响用户平面的流量路由；

N条不同类型的业务流由TSN注入到5G网桥，系统将其映射到相应PDU会话的5G QoS流，5G系统通过TSN AF从CNC接收来自TSN业务流的相关QoS信息，基于该信息，5G PCF为每个业务流选择合适的配置文件，并通知给SMF以建立5G QoS流，从而实现TSN和5G之间的映射；RAN根据QoS流的QoS配置文件对其执行调度和资源分配；5G系统中UE和UPF之间的QoS流根据资源类型、优先级、分组延迟预算PDB、分组错误率PER和最大数据突发量QoS特征表示；所述QoS特征由5QI引用，应用通过指定QoS配置文件中的5QI或其他QoS参数来定义连接所需的QoS；业务流到5G QoS流的映射问题即业务流QoS需求到5QI参数的映射；

将5G-TSN异构网络中的N条业务流定义为由一组QoS需求表示的多变量向量f_n＝[q₁，q₂，...，q_R]，n∈(1，2，...，N)，其中，R是业务流QoS需求参数的个数，q_r表示不同的QoS需求指标，包括优先级、数据传输保证、时延、数据大小和丢包率；一个时隙内的业务流集合表示为F＝{f₁，f₂，...，f_N}，N为该时隙内业务流的数量；将N个业务流分成K(K＜N)个不同的聚集流集合，然后发送给5G系统进行进一步映射；每个聚集流中的业务流具有相似的QoS特性，将聚集流k表示为其中n_k表示聚集流k中的业务流数目；聚合后的业务流表示为F_A＝{A₁，A₂，...，A_K}；将系统支持的5QI表示为向量形式I_j＝[q′₁，q′₂，...，q′_R]，其中，q′_r表示其包含的QoS特性指标，包括优先级、资源类型、数据包延迟预算、最大数据突发量和包错误率，分别与业务流QoS需求对应；

对聚集流A_k(1≤k≤K)执行动态映射，以获得TSN业务流到QoS流的映射结果：

F＝{f₁，f₂，...，f_N}→F′＝{(f₁，I₁)，(f₂，I₂)，...，(f_N，I_N)}

5G-TSN异构融合网络中基于聚类的动态QoS映射问题的目标是最小化异构网络QoS类别的差异，即映射后的QoS类别应尽可能接近原始QoS类别，以最大限度减少QoS映射造成的传输质量损失，表示为：

其中，Q(·)表示原始QoS队列，由QoS需求向量表示；Q′(·)表示映射后的QoS队列；N表示业务流的数目；d()表示两个QoS队列向量之间的相似度，采用欧氏距离计算；

约束表示映射的5QI必须属于系统预配置的5QI特性表，当网络负载较大时，动态映射方案应能够及时调整业务流的映射QoS队列5QI；

所述改进K-均值聚类算法具体包括：

A1：根据TSN网络的业务流QoS分类特性来定义初始聚类中心；

A2：获得初始聚类中心后，依次计算每个业务流f_n＝[q₁，q₂，...，q_R](n＝1，2，...，N)到聚类中心c_k(k＝1，2，...，K)的欧氏距离：

其中w_r(0＜w_r＜1)为每个QoS需求的权重因子；

A3：按照最小距离准则，找到业务流f_n到c_k的最小距离，并将其分配到距离最小的聚集流A_p中：

A4：基于初次聚类结果，按照下式重新计算K个聚类中心

其中表示第k个聚类在第m次迭代后的新聚类中心，n_k为聚类A_k中业务流的个数；

A5：设置算法收敛阈值α，若即算法不收敛，继续按照步骤A1-A4进行聚类调整，直到即连续两次迭代后的聚类中心基本一致，此时代价函数V接近最小，算法收敛并结束：

或达到最大迭代次数算法结束；

A6：对得到的聚类结果进行整理，将聚集流中的业务流按照优先级从高到底排序，并基于最终聚类中心的QoS特性给聚集流分配优先级；

在所述基于粗糙集的5QI动态映射算法中，将上下近似集的定义为：

将每个聚集流A_k满足映射条件的5QI表示为一个粗糙集S_k，每个粗糙集具有边界集使用隶属度定量表示处于边界集5QI对聚集流A_k的适应程度，包括以下步骤：

B1：对于每个5QI向量I_j＝[q₁，q₂，...，q_R](1≤j≤J)，计算每个5QI到聚类中心c_k的欧氏距离：

B2：找到最小欧式距离，并判断最小距离是否小于最小距离阈值tl，若小于tl，则将该5QI值分配到距离最小的聚集流的下近似5QI集中，若大于tl，则该5QI值只属于其上近似集；

如果存在其他满足(I_j，c_k)≤tl的5QI值，也放入其下近似5QI集S_k中；

B3：判定是否存在聚集流A_k的相对较近5QI，相对距离阈值为th，表示为：

如果表示存在相对较近5QI，则

B4：记录每个聚集流可映射的下近似5QI集S_k和上近似集计算上近似集中每个5QI对聚集流的隶属度：

其中，d_jk表示5QI I_j和聚集流A_k的聚类中心c_k之间的距离；

B5：按照隶属度由大到小对边界集的5QI进行排序，隶属度越大表示该5QI越适合聚集流；

B6：根据计算的5QI粗糙集执行映射：

a)若下近似集S_k和边界集B不为空，即该聚集流有上下近似5QI集，优先给其配置下近似集中距离最小的5QI；若该聚集流中负载过大(n_k＞n_max)，则按隶属度顺序给超过n_max的业务流配置上近似集中的5QI；

b)若边界集B为空，即该聚集流只有下近似5QI集，则映射到下近似集中的5QI；若下近似集5QI被过多配置，则排队等待，或另外创建非标准5QI；

c)若下近似集为空，即当前系统配置的5QI表中不存在满足该聚集流QoS要求的5QI，则直接创建新的非标准5QI；

在映射过程中，按照优先级顺序给聚集流分配5QI。

2.根据权利要求1所述的5G与TSN融合网络QoS映射方法，其特征在于：通过提前聚类学习获得网络的总体流量特征，将初始阶段计算获得的非标准5QI预配置到系统的备选QoS配置文件中，后续阶段周期性的更新聚类中心和5QI集。