-
摘要: 随着工业4.0的发展, 不同种类的新型工业应用被部署到工厂中, 这对现有工业无线技术提出了实时性和高速率的要求. 为了同时满足这两种需求, 本文在支持高速率的IEEE802.11的基础上, 提出了基于软件定义的动态时分多址(Time division multiple access, TDMA)机制无线接入系统. 首先, 为了提供时延有界的传输服务, 设计并实现了基于MAC (Medium access control)层的动态TDMA接入机制. 然后, 为了满足工业无线网络中的动态变化的带宽需求, 考虑设备数据量的动态变化, 在SDN (Software defined network)控制器上通过基于最小二乘法的线性回归算法预测设备时隙需求, 再将动态时隙分配问题转化为优化问题以最大化网络中所有设备动态时隙需求. 最后, 通过仿真对比TDMA时隙分配算法的性能, 并在实际网络环境中开展系统部署与测试. 结果表明, 相对于其他TDMA接入机制, 动态TDMA机制在保障时延有界的同时能有效提升传输性能.Abstract: With the development of Industry 4.0, various types of new industrial applications are deployed in factories, which introduces real-time and high-rate requirements for existing industrial wireless technologies. To satisfy the two requirements simultaneously, we propose a software-defined based dynamic TDMA (time division multiple access) wireless access system with high-speed IEEE802.11. Firstly, to guarantee the transport service with bounded delay, we design a dynamic TDMA access mechanism based on MAC (medium access control) layer. Moreover, to meet the dynamic bandwidth requirements in industrial wireless networks, the linear time-regression algorithm based on the least square method on the SDN (software defined network) controller considering the dynamic changes in the amount of device data is used to predict the device time slot requirements, then the dynamic time slot allocation problem is translated into an optimization problem to maximize the dynamic slot requirements of all devices in the network. Finally, we conduct simulations to compare the performance of TDMA channel resources management algorithms, and implement them in real networks to evaluate the performance of dynamic TDMA system. The experimental results demonstrate that comparing with existing TDMA wireless access mechanisms, the dynamic TDMA mechanism can guarantee delay bound and improve the transmission performance efficiently.
-
随着工业4.0的蓬勃发展, 工业物联网(Industrial internet of things, IIoT)中的智能制造和管理技术引起工业界和学术界的极大关注[1-2]. 为了实现工业系统中的智能决策和自动工控, 工厂中会部署种类繁多的感知设备和控制设备, 例如移动巡检机器人、自动运输车和监控摄像头等, 这些工业设备在实时性和可靠性等方面对传统工业网络提出了严格的挑战[3]. 针对工业网络的实时性和可靠性需求, IEEE和IETF工作组分别提出了应用于链路层的TSN (Time sensitive networking)标准体系[4-5]和应用于网络层的DetNet标准体系[6], 然而这些技术均属于有线网络技术, 不能够很好地支持设备的移动性且布线成本较高. 与有线技术相比, 无线技术[7]由于具有易部署、成本低和支持移动性等优势, 可以很好地应用于工业领域. 目前最常用的工业无线标准WirelessHART、ISA100.11a和WIA-PA都基于IEEE802.15.4[8-10], 且只适用于低速率且数据量小的工控信息传输, 无法满足新型工业物联网设备的高速率传输要求[11-14]. IEEE802.11系列协议适用于高速率传输, 但由于信道接入采用竞争机制, 无法提供低且有界的时延传输服务[15]. 与传统工业应用相比, 现代工厂中的业务传输的数据不再是单一且固定的小流量数据, 而是具有非周期性规律的高动态变化流量的数据. 因此, 如何在保障工业物联网设备时延有界的同时, 提升传输效率是现代工业无线技术需要解决的难点问题.
现有研究成果根据其是否需要修改802.11协议的信道接入机制分成两类. 第1类方法无需修改信道接入机制, 以Cena等[16]的研究方案为代表, 通过最大化无缝冗余信道提高基于802.11协议的WiFi可靠性. 但这类方案需要在终端设备上部署多个无线网卡设备, 因此会增加部署成本和难度. 同时, 802.11协议中基于载波侦听多址接入(Carrier sence multiple access, CSMA)的机制引入了随机性时延, 无法保证时延有界. 第2类方法对802.11协议的CSMA机制进行改进. 一部分研究人员提出在MAC (Medium access control)层采用时分多址(Time division multiple access, TDMA)机制取代CSMA机制. 例如, Wei等[17]通过修改商用无线网卡驱动, 在WiFi下设计并实现高吞吐量和低时延的实时高速无线通信协议RT-WiFi (Real time WiFi). 然而, RT-WiFi的设计初衷是针对固定速率数据传输的感应设备, 它为每个设备分配固定的信道资源, 无法适应业务需求的变化. 随后, Cheng等[18]在RT-WiFi的基础上提出了一种适用于移动设备的工业无线多跳网络协议Det-WiFi. 尽管固定TDMA方案可以为设备分配固定的接入信道从而确保实时通信, 但是存在可扩展性差和信道利用率低的问题.
为此, 研究者们提出同时结合TDMA和CSMA优势的混合TDMA/CSMA 的接入机制[19]. Shahin等[20]设计并实现了一种基于802.11的混合TDMA/CSMA信道接入方式hMAC, 其中在TDMA阶段为时延敏感业务提供时延有界传输保证, CSMA阶段用于兼容IEEE802.11. hMAC不足之处在于只设计下行传输的混合TDMA/CSMA传输机制, 无法提供上行数据的可靠传输. Shoaei等[21]提出了基于机器学习的混合TDMA/CSMA协议. 在提出的协议中, 具有高吞吐量的用户被安排在TDMA阶段进行数据传输, 而低流量的用户在CSMA阶段进行接入信道, 竞争传输数据. 但此方案根据吞吐量的高低进行分级传输, 无法保证网络中所有数据的时延有界. Cruces等[22]提出了一种确定性混合网络架构, 其中无线接入部分采用TDMA方式传输时敏业务, CSMA方式传输尽力而为数据. 然而, 该方案中的TDMA阶段采用固定时隙分配方式, 不能合理利用信道资源. 此外, IEEE于2019年5月成立P802.11be Task Group (TGbe)专门用于解决WiFi用于工业物联网的实时性和可靠性问题[23].
综上所述, 现有的研究虽然从多个方面对WiFi协议进行修改, 从而提高WiFi传输的可靠性和实时性, 但是缺乏对工业场景中无线终端流量动态变化的考虑, 导致无法满足工业设备实时变化的数据传输需求.
针对工业无线网络中时延有界保障和动态流量的需求的问题, 本文提出了一种基于软件定义的动态TDMA系统(Dynamic TDMA system, DTS). 在MAC层引入动态TDMA分配和反馈机制, 为数据提供时延有界传输保障. 同时, 在控制器上通过收集的用户状态信息对用户需要的时隙数目进行预测, 再通过动态时隙分配算法获得最优时隙分配, 以满足网络中不同业务的动态需求. 最后, 通过仿真和真实网络部署测试对DTS性能进行验证, 仿真和测试的结果均表明, 与已有的方案相比, DTS既能为传输设备提供时延有界的服务, 又能提高网络的总吞吐量.
本文的主要贡献如下:
1) 为了确保工业无线网络中业务传输的时延有界需求, 在WiFi原有CSMA阶段引入用户设备时隙需求协商机制, 同时采用TDMA时隙用于用户设备数据传输, 可提供时延有界的传输性能;
2) 为了满足用户设备变化的带宽需求, 提出一种动态时隙分配算法, 采用基于最小二乘法的线性回归算法预测用户设备的时隙需求, 然后通过预测函数建立目标函数, 求解出所有设备分配的时隙数目和位置, 以提升网络吞吐量;
3) 设计并实现基于软件定义的动态TDMA系统, 将所提出的动态TDMA接入机制和时隙分配算法进行工程实现. 首先将动态时隙分配算法部署到SDN控制器, 实现全网时隙资源的动态分配; 其次通过修改商用无线网卡驱动, 实现用户设备以TDMA方式接入系统, 但该方式需要对用户设备的网络驱动进行修改, 造成一定程度的不便利.
1. 动态TDMA无线接入
1.1 问题分析
如图1所示, 在工厂中, 各种应用通过工业网络对生产流程进行管理和监控, 例如, 无线监视摄像头、移动巡检机器人、手持便携、液压感应器和机械臂等工业物联网设备都通过工业无线网络进行传输. 其中会出现如下问题: 1) 等待分配信道资源: 便携设备和巡检机器人等工业物联网移动设备由于不会长期存在一个网络中, 因此通常不会分配专属的信道资源, 这导致移动设备加入网络时需要等待无线访问接入点(Access point, AP)分配信道资源; 2) 出现空闲信道: 压力计和机械臂等传统工业传感器由于传输数据量小且发送频率固定, 无法完全使用分配的信道资源, 造成信道资源浪费; 3) 分配信道资源不足: 由于监控和图像分析摄像头等多媒体设备传输的数据量大且不确定, 这将导致分配的信道资源无法满足动态传输需求.
综上所述, 由于现有工业无线接入技术中的信道资源分配相对固定, 无法为移动设备及时地分配可用的信道资源, 造成设备入网产生排队时延. 同时, 不同设备具有不同的数据发送频率和信息时效性要求, 即网络的带宽需求在实时变化和需要兼顾不同设备的时延标准. 因此如何动态且合理地分配信道资源, 满足工业无线网络中动态带宽的变化及实时性需求是本文所要解决的问题.
1.2 超帧设计
为了有效地管理和分配信道资源, 本文将采取超帧形式对信道资源进行划分. 如图2所示, 按照时间顺序将信道资源划分成一个个连续的超帧, 其中超帧的长度为Tsp. 超帧由3个阶段组成, 分别是Beacon阶段、CSMA阶段和TDMA阶段. 为了确保各类数据的时延有界, 本文采用TDMA方式进行数据传输, 同时为适应数据流量动态变化的需求, 在CSMA阶段实现AP与用户设备之间的无线信道资源协商, 并且在一个超帧周期后动态调整用户设备的时隙分配. 具体功能如下:
1) Beacon阶段: 其长度为TB. 为了保证网络时钟同步和广播时隙表, AP在此阶段向所在网络广播Beacon帧. 其中, 网络时钟同步采用原有IEEE802.11中的TSF (Timing synchronization function)机制, 确保纳秒(ns)级别的时间同步.
2) CSMA阶段: 其长度为TC. 主要有两个功能: 一是新设备入网协商, 其中包括传输的数据类型和初始分配的时隙数目; 二是用户设备向控制器反馈与协商时隙资源需求.
3) TDMA阶段: 其长度为TD. 此阶段由m个长度为Ts的时隙组成. 每个时隙有且只允许一个设备(包括用户设备和AP)进行数据传输.
2. 动态TDMA时隙分配
2.1 动态时隙需求预测
用户设备n通过超帧中CSMA阶段反馈当前数据量Tn, 控制器根据反馈的数据量Tn为设备分配时隙, 然而, 当下一个超帧到来进行时隙分配时, 用户设备可能会产生新数据, 使得其实际需要的时隙数目大于原来反馈的Tn. 因此, 为进一步地准确得到用户设备实际需求的时隙数目Sn, 控制器通过离线模式和在线模式对各个用户设备需求的时隙数进行预测. 在离线模式阶段, 通过训练大量收集的历史数据求出线性回归函数的参数; 在在线模式阶段, 通过线性回归函数预测用户设备实际需要的时隙数目.
根据机器学习拟合, 建立基于线性回归的时隙数目预测模型, 如式(1)所示. 其中,
$f({T_n})$ 表示在Tn下预测的时隙数目, ω和b均是预测函数的参数, 预测函数的目的是让$f({T_n})$ 的值靠近设备n实际需要的时隙数目Sn, 即$f({T_n}) \approx{S_n}$ .$$f({T_n}) = \omega {T_n} + b$$ (1) 均方误差是线性回归中最常用的性能指标, 通过最小化均方误差可以求解ω和b的值.
因此, 为求解ω和b的值, 本文采用最小二乘法建立数学模型进行求解. 已知历史数据集D =
$\{(T_1,S_1),\;( T_2,S_2),\cdots, (T_N,S_N)\}$ , 并建立均方误差最小化优化函数为$$\mathop {{\rm{min}}}\limits_{\omega ,b} \displaystyle\sum\limits_{j = 1}^N {{{({S_j} - \omega {T_j} - b)}^2}} $$ (2) 为求解该函数, 通过求解函数
${E_{(\omega ,b)}} = \sum\nolimits_{j = 1}^N {({S_j} - }$ $\omega {T_j} - b{)^2}$ 的偏导数, 分别得出ω和b的特定值, 计算结果为$$\omega = \dfrac{{\displaystyle\sum\limits_{j = 1}^N {({T_j} - \overline T )({S_j} - \overline f )} }}{{\displaystyle\sum\limits_{j = 1}^N {{{({T_j} - \overline T )}^2}} }}$$ (3) $$b = \overline f - \omega \overline T \quad\quad\quad\quad\quad\quad$$ (4) 其中,
$\overline T = \frac{1}{N}\sum\nolimits_{j = 1}^N {{T_j}} $ ,$\overline f = \frac{1}{N}\sum\nolimits_{j = 1}^N {f({T_j})} $ .2.2 动态时隙分配模型
通过上述时隙预测算法, 可以得到每个设备所需要的时隙数目
$f({T_n})$ , 假设当前网络设备的总数目为k, Tn表示设备n产生的数据量, 超帧的长度为Tsp.${\alpha _n} \in \left\{ {0,1} \right\}$ 表示设备n的数据量因子, 代表设备n是否产生数据量,${\alpha _n} = 1$ 表示设备$n$ 产生了数据量, 否则没有.${\beta _{in}} \in \left\{ {0,1} \right\}$ 表示第i个时隙与设备n的关联关系, 若第i个时隙分配给设备n, 则${\beta _{in}} = 1$ , 否则为0. 记xn表示控制器为每个设备最终分配的时隙数目, 本文旨在满足设备时延有界的条件下, 动态分配信道资源, 以满足网络中所有设备的动态时隙需求, 则建立目标函数如下:$$ \begin{aligned} & {\min }{\displaystyle\sum\limits_{n = 1}^k {{\alpha _n}\left| {{x_n} - f\left( {{T_n}} \right)} \right|} } &(5{\rm{a}}) \\ & {{\rm{s}}{\rm{.t}}{\rm{.}}}\;\;{f\left( {{T_n}} \right) = \omega {T_n} + b,}\quad\forall n = 1,2, \cdots ,k &(5{\rm{b}}) \\ &\qquad{{\rm{ }}{x_n} = \displaystyle\sum\limits_{i = 1}^m {{\beta _{in}},} }\quad{\forall n = 1,2, \cdots ,k} &(5{\rm{c}})\\ &\qquad{{\rm{ }}{\alpha _n} \in \left\{ {0,1} \right\},}\quad{\forall n = 1,2, \cdots, k} &(5{\rm{d}})\\ &\qquad{{\rm{ }}{\beta _{in}} \in \left\{ {0,1} \right\},}\quad{\forall i = 1,2, \cdots ,m} &(5{\rm{e}})\\ &\qquad{{\rm{ }}\displaystyle\sum\limits_{n = 1}^k {{\beta _{in}} = 1,} }\quad{\forall i = 1,2, \cdots ,m} &(5{\rm{f}})\\ &\qquad{\displaystyle\sum\limits_{n = 1}^k {{\alpha _n}{x_n}} \leq m} &(5{\rm{g}})\\ &\qquad\ell {T_{sp}} + {T_B} + {T_C} + i{\beta _{in}}{T_s} \leq D_n^{\max }, &{}\\ & \qquad\qquad\qquad\qquad\qquad\;\;\forall i = 1,2, \cdots ,m &(5{\rm{h}}) \end{aligned}$$ 其中, 目标函数为最大化网络中每个设备最终分配的时隙数目无限接近于其需求时隙数目, 约束条件(5f)表示每一个时隙只能分配给一个设备, 约束条件(5g)表示所有设备所分配的数目和不能大于总时隙数目, 约束条件(5h)表示每个设备的传输时延不能超过其最大允许时延
$D_n^{\max }$ , 其中$\ell \in \left[ {0,\infty } \right)$ 的自然数.2.3 动态时隙分配算法
动态TDMA时隙分配算法如算法1所述. 其中, 步骤1控制器根据历史数据集D分别计算出
$\overline T $ 和$\overline f $ , 步骤2 ~ 8通过历史数据训练分别求得预测参数ω和b, 步骤9则获得预测函数$f({T_n})$ , 然后根据获得的预测函数和设备向控制器反馈的数据量, 步骤10和步骤11求得所有设备所需要的时隙数, 步骤13是将动态时隙分配问题转化为时隙分配优化问题构建优化目标函数以满足网络中所有设备的动态时隙需求, 从而获得最优动态时隙分配方案.算法 1. 动态时隙分配算法
输入. 历史数据集D =
$\{(T_1,S_1),( T_2,S_2),\cdots, (T_N,S_N)\}$ , 设备数目k, 设备$n$ 的数据量Tn, 设备n的数据量因子$\alpha_n $ , 超帧的长度为Tsp, 时隙数目m.输出. 第i个时隙与设备n的分配关系
$\beta_{{in}} $ , 控制器为每 个设备最终分配的时隙数目xn.1) 计算
$\overline T = \frac{1}{N}\sum\nolimits_{j = 1}^N {{T_j}}$ ,$\overline f = \frac{1}{N}\sum\nolimits_{j = 1}^N {f({T_j})}$ ;2) 初始化num = 0, d = 0;
3) for
$ j = 1,2, \cdots ,N$ do4) 计算
$ num + = ({T_j} - \overline T )({S_j} - \overline f )$ ;5) 计算
$ d + = {({T_j} - \overline T )^2}$ ;6) end for
7) 计算
$ \omega = num/d$ ;8) 计算
$ b = \overline f - \omega \overline T$ ;9) 构建预测函数
$ f({T_n}) = \omega {T_n} + b$ ;10) for n = 1, 2, ···, k do
11) 计算
$ f\left( {{T_n}} \right) = \omega {T_n} + b$ ;12) end for
13) 构建目标函数
$\min \sum\nolimits_{n = 1}^k {{\alpha _n}\left| {{x_n} - f\left( {{T_n}} \right)} \right|}$ ;14) 求解目标函数, 得到
$\beta_{{in}} $ ;15) 获得控制器为每个设备最终分配的时隙数目
${x_n} = \sum\nolimits_{i = 1}^m {{\beta _{in}}}$ .该算法的计算复杂度主要包括两个过程: 历史数据集有N个, 网络中设备数量为k个, 总时隙数目为m个, 首先对网络中所有设备实际需要的时隙数进行预测的时间复杂度为
${\rm{O}} (N+k)$ ; 然后为网络中所有设备分配最优时隙的时间复杂度为${\rm{O}} (km)$ . 算法总的时间复杂度为${\rm{O}} (N+k(m+1))$ .3. DTS系统实现
3.1 系统总体设计
为了实现动态时隙分配算法和机制, 本文设计并实现到基于软件定义的动态TDMA系统, 如图3所示. DTS的系统结构自上而下分为应用层、控制层和基础设施层. 应用层向网络管理者提供各种应用服务, 控制层通过SDN控制器[24-26]提供网络流量控制, 此外, 控制层提供两个重要的接口, 分别是北向接口和南向接口. 其中, 北向接口为应用层提供可编程接口, 从而让应用层无需处理复杂物理底层参数; 南向接口主要负责与基础设施层中网络元件进行交互, 其中Openflow协议[27]是南向接口协议. 基础设施层主要负责无线接入用户设备的数据传输和转发, 其主要网络元件是AP和用户设备. AP与用户设备通过超帧进行交互, 其中, AP在Beacon阶段广播超帧信息; 用户设备通过CSMA阶段发送反馈管理帧, 上报当前设备情况; 在TDMA阶段, AP和用户设备按照时隙表进行数据传输.
控制器主要功能包括可编程接口、管理与控制、时隙管理和消息处理.
AP主要功能包括提供时隙同步、时隙表更新、数据收发控制和数据转发.
用户设备需要控制数据缓存队列和反馈队列状态信息, 如图3所示. 当设备采样的数据量发生变化时, 用户设备将通过向控制器反馈的缓存队列信息来表示当前数据量的变化, 从而让控制器对信道资源进行动态调整分配. 用户设备的信息反馈过程如下:
1) 设备将在当前超帧的CSMA阶段内发送INFO_FEEDBACK帧, 如图4所示. 其中, INFO_FEEDBACK帧是根据IEEE 802.11管理帧进行构造, 它主要包含当前设备的数据缓存队列长度信息.
2) 如果用户设备在CSMA阶段成功发送INFO_FEEDBACK帧, 则AP将会返回ACK应答帧, 同时用户设备将会在下一个Beacon帧中提取出属于自身的时隙表信息; 如果发送失败, 则用户设备将在下一个CSMA阶段内重新发送.
3.2 控制器实现
1) 系统配置
配置模块用于处理配置请求以及设置物理和虚拟资源, 其中包括虚拟网络(SSID (Service set identifier)、网络规模、策略、时隙等)、用户服务(应用程序的传输规则和QoS (Quality of service), 例如吞吐量、时延等)和访问点设备(通道、电源、策略等). 数据库采用MySQL数据库, 其中, 配置数据库和状态数据库用于维护物理资源和虚拟资源的状态、属性、功能和配置记录; 资源数据库用于记录并维护时隙长度、超帧参数、用户时隙数目、历史数据量等信道资源.
2) 功能管理
管理模块用于提供各种无线网络管理功能, 可以分为两个部分. 第1部分是基本管理, 主要负责管理用户访问、身份验证、系统监视、拓扑管理、链接发现和自定义插件等功能. 第2部分是时隙管理, 如图5所示. 管理模块首先通过从事件模块获取的用户反馈信息和从资源数据库中获取的历史数据量进行时隙数目预测, 然后将预测时隙数目通过动态时隙分配算法得出时隙分配结果, 最后将时隙分配结果通过消息模块下发到AP. 以上的管理功能都通过消息模块下发到相应的网络设备, 同时网络设备反馈的状态信息也将通过事件模块报告到管理模块.
3) 网络可编程性
控制器为管理员和上层应用程序提供一组可编程接口. 管理员可以通过可编程接口修改时隙分配算法或路由算法. 例如图5中, 管理员可以通过上层应用直接更换时隙预测模型或者动态时隙分配算法. 同时控制器提供了一系列事件和参数, 应用程序可以通过注册进行获取. 当响应事件发生时, 控制器将触发对应消息, 并通过回调函数上报给应用程序.
3.3 AP实现
本文通过修改现有Atheros无线网卡驱动, 在原网卡驱动上添加了消息模块、管理模块、时隙模块、数据缓存模块和定时器模块, 如图6所示. 管理模块和消息模块部署在用户空间. 其中, 管理模块用于验证新用户需求、管理时隙信息、收集和上报用户状态信息; 消息模块用于处理控制器下发的命令或反馈用户信息. 时隙模块、定时器模块和发送模块部署在内核空间. 其中, 时隙模块用于记录和广播时隙表; 定时器模块是以时隙长度为中断间隔提供中断服务; 数据缓存模块用于存储和控制发送的数据帧. AP主要完成如下两个功能:
1) 时隙表更新
控制器下发的新时隙表信息通过消息模块进行提取后, 通过AP用户空间中的管理模块进行处理. 首先管理模块检查时隙长度、超帧长度等基本参数是否需要更改, 然后通过NetLink套接字将新时隙表下发至内核空间中时隙模块, 最后时隙模块将时隙表以二维数组的形式写入到Beacon帧的可选字段并进行广播发送.
2) 发送调度
由于AP需要与多个用户设备进行交互, AP的数据缓存模块通过“数组+链表”的方式进行存储和控制用户发送数据. 数组以设备ID作为索引存储对应链表的首地址. AP根据每个数据帧对应的描述结构体ath_buf中的设备ID, 将数据帧添加到相应的链表后. 当定时器模块的中断函数ath_isr触发发送事件后, 函数DTS_tasklet根据时隙表调度对应设备的数据帧到硬件数据队列中, 从而进行数据传输.
3.4 用户设备实现
本文对用户设备的网卡驱动程序进行简单的修改, 添加了反馈、队列和定时器3个模块, 如图7所示. 其中反馈模块用于构造反馈管理帧和存储时隙表; 队列模块用于存储和控制终端应用的传输数据; 定时器模块提供以时隙长度为时间间隔的中断服务. 主要功能如下:
1) 数据传输
与AP不同, 用户设备需要交互的对象单一, 因此采用简单的队列进行存储和控制数据帧. 在ath9k驱动程序层中, 将终端应用程序产生的数据帧存储在队列模块DTS_fifo软队列中. 本文设计的DTS_fifo是采用Linux环形缓冲区的数据结构kfifo. 当定时器模块触发了发送事件后, DTS_fifo能快速将数据帧通过底层发送函数ath_tx_txqaddbuf进行数据传输.
2) 状态信息反馈
用户设备需要定期将当前DTS_fifo队列状态反馈到控制器, 因此本文通过管理模块获取用户设备的当前DTS_fifo长度, 并将其封装进管理帧INFO_FEEDBACK中. 当定时器模块触发了反馈事件, 管理模块将确定当前时隙是否为CSMA阶段. 若是, 则通过底层发送函数ath_tx_txqaddbuf将INFO_FEEDBACK放入硬件队列中进行传输.
4. 实验测试
在本节, 首先通过仿真实验, 对动态TDMA时隙分配算法的性能进行对比分析. 然后将DTS系统进行实现, 并将其与RT-WiFi部署于相同实际网络环境, 进行性能测试.
4.1 算法性能仿真对比
本文采用MATLAB分别对DTS时隙分配算法、RT-WiFi[17]、Hmac[20]和自适应TDMA-CSMA[21] (ADWiFi)进行对比测试. 仿真环境中, 采用超帧长度为8 ms, 时隙长度为250 μs, 因此一个超帧中有32个时隙. 周期性数据设备将每秒发包125个, 每个数据帧长度为250字节; 多媒体设备将产生1000字节的数据帧, 每秒平均发包375个.
图8所示为在设备数量不断增加时, 4种算法在3种数据类型下的平均时延结果分析图. 从图8(a)可以发现, DTS和RT-WiFi在传输周期性数据时, 两者时延较低, 远小于Hmac和ADWiFi, 且DTS的时延更加稳定, 而ADWiFi的时延性能最差. 这是由于DTS、RT-WiFi和Hmac都为每个周期性数据设备分配对应的TDMA时隙, 保障周期性数据的时延有界, 而ADWiFi使用CSMA时隙传输周期性数据, 无法保障时延的有界. 从图8(b)可以发现, 随着多媒体设备数量的增加, DTS的时延稳定在1.2 ~ 1.4 ms, ADWiFi时延有一定增长(1.2 ~ 2 ms), 而RT-WiFi和Hmac时延性能衰减过大(1.2 ~ 3 ms). 在图8(c)中, 在混合数据时延结果上可以发现类似的现象. 得益于DTS和ADWiFi为多媒体设备分配足够的TDMA时隙, 而RT-WiFi是固定分配TDMA时隙, 无法适应数据需求, 因此性能较差, 而Hmac将多媒体数据放在CSMA时隙传输, 时延无法得到保障. 进一步分析发现, DTS的时隙分配算法通过预测多媒体数据的时隙数量, 可动态分配连续的时隙, 所以其多媒体数据传输时延性能更好.
图9所示为在设备数量不断增加时, 4种算法在3种数据类型下的吞吐量结果分析图. 从图9(a)可以发现, DTS和RT-WiFi在传输周期性数据时吞吐量没有损失, ADWiFi损失较小, 而ADWiFi吞吐量降低较明显. 这是由于DTS、RT-WiFi和Hmac都为每个周期性数据设备分配对应的TDMA时隙, 保障周期性数据设备的吞吐量, 而ADWiFi使用CSMA时隙传输周期性数据, 无法保障稳定吞吐量. 从图9(b)可以发现, 随着多媒体设备数量增多时, DTS和ADWiFi吞吐量能用户设备的带宽需求增大而变化, 而RT-WiFi和Hmac吞吐量衰减较大. 在图9(c)中, 在混合数据吞吐量也可以发现类似的现象. 这是由于DTS和ADWiFi为多媒体业务分配足够的TDMA时隙, 而RT-WiFi是固定分配TDMA时隙, 很难适应数据量变化, 因此无法提供动态的带宽服务, 而HMAC将多媒体设备放在CSMA时隙传输, 容易产生数据传输碰撞现象, 导致吞吐量下降. DTS通过设备需求时隙反馈能进一步提升时隙的利用率, 从而提高网络的吞吐量.
4.2 真实网络场景系统部署
本文将DTS和RT-WiFi[17]部署于如图10所示的网络环境进行对比测试, 设备硬件参数如表1所示. 通过周期性数据和多媒体视频数据来模拟工厂数据流, 其中多媒体视频数据是通过电脑摄像头产生, 周期性数据是通过无线路由器在STA模式下运行UDP灌包程序产生. 通过大量测试得出将Tsp设置为8 ms和Ts设置为250 μs时, 能使得设备在100 ~ 200 μs内完成网络同步, 同时允许最多20个设备进行接入, 提供最高44 Mbps的吞吐量、22.2 μs的时延抖动和0.64%的丢包率的传输质量, 这足以满足工业设备的传输要求.
表 1 测试硬件设备以及参数Table 1 Testing hardware devices and parameters设备名称 设备型号 数目 CPU 内存 网卡 操作系统 控制器 台式机 1 I5-7300 四核 16 GB AR9580 Windows7 AP WNDR4300 1 QCA9553 128 MB AR9580 OpenWRT 多媒体设备 台式机 4 E7200 双核 2 GB AR9280 Ubuntu14 周期性数据设备 WNDR3800 12 AR7161 128 MB AR9220 OpenWRT 1) 每组数据是由在特定的设备数目下的网络总吞吐量和每个用户设备的吞吐量与时延组成的;
2) 每组数据测试5次, 每次运行30 min, 取平均值作为最终结果;
3) 周期性数据设备和多媒体设备产生的数据特征如表2所示, 其中设备数目变化规律是周期性数据设备数量增加3个, 多媒体设备数量增加1个, 移动终端设备增加1个(提供移动接入功能);
表 2 数据帧参数设置Table 2 Data frame parameter数据类型 帧长 (Byte) 平均发包数目 (个/s) 周期性数据 260 125 多媒体数据 860 ~ 1060 250 移动端数据 550 Random (250) 4) DTS和RT-WiFi都采用IEEE 802.11a协议的5GHz频段的157信道进行测试.
4.3 真实网络测试结果分析
图11所示为在设备总数不断增加的情况下, DTS和RT-WiFi在两种数据类型下的平均时延结果分析图. 从图11(a)可以看出, DTS和RT-WiFi在传输周期性数据具有类似的时延性能. 从图11(b)可以发现, 随着多媒体设备数量增加, DTS的时延比RT-WiFi更加稳定, DTS的时延约为1.84 ms, RT-WiFi的时延在2.3 ms内, DTS相对于RT-WiFi平均降低了19%的延迟时间. 这得益于DTS的时隙分配算法通过预测多媒体数据的时隙数量, 进而动态分配连续的时隙, 所以减少了多媒体数据的传输时延.
图 11 真实网络中不同类型数据的平均时延Fig. 11 The average delay of different types of data in real network图12给出了在不同设备数量下DTS和RT-WiFi的网络吞吐量性能对比. 从图12(a)可以看出, DTS的总吞吐量比RT-WiFi平均提高了22%, 这是由于DTS根据时隙分配算法来动态分配空闲时隙, 从而提高了吞吐量. 但随着所接入设备数量的不断增加, AP的信道资源也将耗尽, RT-WiFi的吞吐量接近于DTS的吞吐量. 图12(b)给出了在设备总数不断增加的情况下, DTS和RT-WiFi传输周期性数据的吞吐量. 可见, DTS和RT-WiFi的性能基本相同, 这是因为周期性数据帧只有260字节且传输频率很低, 所以RT-WiFi和DTS的固定时隙分配均能满足需求. 图12(c)给出了DTS和RT-WiFi传输多媒体数据的吞吐量, DTS性能比RT-WiFi提升了20%. 由于多媒体视频数据帧较大(约9 ~ 65 KB, 需要IP层分片传输), 并且发送频率高, DTS通过时隙预测为多媒体设备动态调整时隙数目, 从而提高吞吐量.
图 12 真实网络中不同类型数据的吞吐量Fig. 12 The throughput of different types of data in real network综上所述, DTS确保了工厂周期性工控数据的可靠传输, 同时能根据用户设备的传输需求动态调整信道资源, 从而有效提升无线网络传输性能.
5. 结束语
针对工业无线网络中时延不确定性和信道资源分配不合理等问题, 本文设计了一种基于SDN的动态TDMA接入系统. 通过建立线性回归用户流量模型快速计算用户数据需求, 在CSMA阶段实现控制器与用户设备之间的时隙协商, TDMA阶段为每个用户设备分配足够的时隙, 在保障周期性数据的时延有界的同时, 为多媒体数据提供更高的传输性能. 首先通过在仿真实验场景对比现有方法, 验证了动态TDMA时隙分配算法的有效性; 然后, 将DTS系统部署在实际网络环境进行性能对比测试; 最后仿真和测试的结果均证明了本文所提出的动态TDMA机制相对于现有的方法, 在保障时延有界的同时能有效地提升传输性能. 目前, 本文所实现的系统需要对用户设备代码进行修改, 以实现用户设备的TDMA接入, 为了提升系统的部署便利性, 未来将研发通用性更强的TDMA插件.
-
图 11 真实网络中不同类型数据的平均时延
Fig. 11 The average delay of different types of data in real network
图 12 真实网络中不同类型数据的吞吐量
Fig. 12 The throughput of different types of data in real network
表 1 测试硬件设备以及参数
Table 1 Testing hardware devices and parameters
设备名称 设备型号 数目 CPU 内存 网卡 操作系统 控制器 台式机 1 I5-7300 四核 16 GB AR9580 Windows7 AP WNDR4300 1 QCA9553 128 MB AR9580 OpenWRT 多媒体设备 台式机 4 E7200 双核 2 GB AR9280 Ubuntu14 周期性数据设备 WNDR3800 12 AR7161 128 MB AR9220 OpenWRT 
下载: 导出CSV
表 2 数据帧参数设置
Table 2 Data frame parameter
数据类型 帧长 (Byte) 平均发包数目 (个/s) 周期性数据 260 125 多媒体数据 860 ~ 1060 250 移动端数据 550 Random (250)
下载: 导出CSV
-
[1] Vitturi S, Zunino C, Sauter T. Industrial communication systems and their future challenges: next-generation ethernet, IIoT, and 5G. Proceedings of the IEEE, 2019, 107(6): 944-961. doi: 10.1109/JPROC.2019.2913443 [2] 王飞跃, 张军, 张俊, 王晓. 工业智联网: 基本概念、关键技术与核心应用. 自动化学报, 2018, 44(09): 1606-1617.Wang Fei-Yue, Zhang Jun, Zhang Jun, Wang Xiao. Industrial Internet of Minds: Concept, Technology and Application. Acta Automatica Sinica, 2018, 44(09): 1606-1617. [3] Boyes H, Hallaq B, Cunningham J, Watson T. The industrial internet of things (IIoT): an analysis framework. Computers in Industry, 2018, 101: 1-12. doi: 10.1016/j.compind.2018.04.015 [4] Bello L L, Steiner W. A perspective on IEEE time-sensitive networking for industrial communication and automation systems. Proceedings of the IEEE, 2019, 107(6): 1094-1120. doi: 10.1109/JPROC.2019.2905334 [5] Jin X, Xia C, Guan N, Xu C, Li D, Zeng P. Real-time scheduling of massive data in time sensitive networks with a limited number of schedule entries. IEEE Access, 2020, 8: 6751-6767. doi: 10.1109/ACCESS.2020.2964690 [6] 黄韬, 汪硕, 黄玉栋等. 确定性网络研究综述. 通信学报, 2019, 40(06): 160-176.Huang Tao, Wang Shuo, Huang Yu-Dong, et al. Survey of the deterministic network. Journal on Communications, 2019, 40(06): 160-176. [7] Liu Y, Kashef M, Lee K B, Benmohamed L, Candell R. Wireless network design for emerging IIoT applications: reference framework and use cases. Proceedings of the IEEE, 2019, 107(6): 1166-1192. doi: 10.1109/JPROC.2019.2905423 [8] Yousefi H H, Kavian Y S, Mahmoudi A. A Markov model for investigating the impact of IEEE802.15.4 MAC layer parameters and number of clusters on the performance of wireless sensor networks. Wireless Networks, 2019, 25(7): 4415−4430 [9] Papadopoulos G Z, Matsui T, Thubert P, Texier G Watteyne T, Montavont N. Leapfrog collaboration: Toward determinism and predictability in industrial-IoT applications. In: Proceedings of the 2017 IEEE International Conference on Communications (ICC), Paris, France: IEEE, 2017. 1−6 [10] Koutsiamanis R A, Papadopoulos G Z, Fafoutis X, Julian M, Fiore D, Thubert P, Montavont N. From best effort to deterministic packet delivery for wireless industrial IoT networks. IEEE Transactions on Industrial Informatics, 2018, 14(10): 4468-4480. doi: 10.1109/TII.2018.2856884 [11] Prinz F, Schoeffler M, Lechler A, Verl A W. Dynamic real-time orchestration of I4.0 components based on time-sensitive networking. Procedia CIRP, 2018, 72: 910-915. doi: 10.1016/j.procir.2018.03.174 [12] Messenger J L. Time-sensitive networking: an introduction. IEEE Communications Standards Magazine, 2018, 2(2): 29-33. doi: 10.1109/MCOMSTD.2018.1700047 [13] Nasrallah A, Thyagaturu A S, Alharbi Z, Wang C, Shao X, Reisslein M, ElBakoury H. Ultra-low latency networks: The IEEE TSN and IETF DetNet standards and related 5G ULL research. IEEE Communications Surveys & Tutorials, 2018, 21(1): 88-145. [14] Xia N, Chen H H, Yang C S. Radio resource management in machine-to-machine communications—a survey. IEEE Communications Surveys & Tutorials, 2017, 20(1): 791-828. [15] Genc E, Del Carpio L F. Wi-Fi QoS enhancements for Downlink Operations in industrial automation using TSN. In: Proceedings of the 15th IEEE International Workshop on Factory Communication Systems (WFCS), Sundsvall, Sweden: IEEE, 2019.1−6 [16] Cena G, Scanzio S, Valenzano A. Improving effectiveness of seamless redundancy in real industrial Wi-Fi networks. IEEE Transactions on Industrial Informatics, 2017, 14(5): 2095-2107. [17] Wei Y H, Leng Q, Han S, Mok A K, Zhang W, Tomizuka M. RT-WiFi: Real-time high-speed communication protocol for wireless cyber-physical control applications. In: Proceedings of the 34th IEEE Real-Time Systems Symposium, Vancouver, Canada: IEEE, 2013. 140−149 [18] Cheng Y, Yang D, Zhou H. Det-wifi: a multihop tdma mac implementation for industrial deterministic applications based on commodity 802.11 hardware. Wireless Communications and Mobile Computing, 2017, 2017: 1-10. [19] Amodu O A, Othman M. A survey of hybrid MAC protocols for machine-to-machine communications. Telecommunication Systems, 2018, 69(1): 141-165. doi: 10.1007/s11235-018-0434-4 [20] Shahin N, Ali R, Kim Y T. Hybrid slotted-csma/ca-tdma for efficient massive registration of iot devices. IEEE Access, 2018, 6: 18366-18382. doi: 10.1109/ACCESS.2018.2815990 [21] Shoaei A D, Derakhshani M, Parsaeefard S, LeNgoc T. Learning-based hybrid TDMA-CSMA MAC protocol for virtualized 802.11 WLANs. In: Proceedings of the 26th IEEE Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC), Hong Kong, China: IEEE, 2015. 1861−1866 [22] Cruces C, Torrego R, Arriola A, Val I. Deterministic hybrid architecture with time sensitive network and wireless capabilities. In: Proceedings of the 23rd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Turin, Italy, IEEE, 2018. 1119−1122 [23] Adame T, Carrascosa M, Bellalta B. Time-sensitive networking in IEEE 802.11 be: on the way to low-latency WiFi 7. Computer Science, 2019, 1912. [24] Yu M, Rexford J, Freedman M J, Wang J. Scalable flow-based networking with difane. ACM SIGCOMM Computer Communication Review, 2011, 41(4): 351-362. [25] Xu C, Jin W, Wang X H, Zhao G F, Yu S. MC-VAP: a multi-connection virtual access point for high performance software-defined wireless networks. Journal of network and computer applications, 2018, 122: 88-98. doi: 10.1016/j.jnca.2018.08.009 [26] Sood K, Yu S, Xiang Y. Software-defined wireless networking opportunities and challenges for internet-of-things: a review. IEEE Internet of Things Journal, 2015, 3(4): 453-463. [27] McKeown N, Anderson T, Balakrishnan H, Parulkar G, Peterson L, Rexford J. Openflow: enabling innovation in campus networks. ACM SIGCOMM Computer Communication Review, 2008, 38(2): 69-74. doi: 10.1145/1355734.1355746 期刊类型引用(2)
1. 秦凡，李明. 一种海域无人机集群动态组网传输与动态调度方法. 宇航学报. 2023(11): 1706-1715 . 
百度学术2. 邢媛，徐川，纪伟星，赵国锋，程克非. 面向卫星编队飞行的有线无线时隙融合调度方案研究. 电子与信息学报. 2023(12): 4271-4279 . 百度学术其他类型引用(8)
-
下载:
计量
- 文章访问数: 1759
- HTML全文浏览量: 965
- PDF下载量: 253
- 被引次数: 10
