HSTC：TSN 中的混合流量调度机制

尹长川，李妍珏，朱海龙，何欣欣，韩文璇

（1.北京邮电大学先进信息网络北京实验室，北京 100876；2.北京邮电大学网络与交换技术国家重点实验室，北京 100876)

0 引言

随着工业4.0 时代的到来，工业生产控制系统智能化程度越来越高，对信息的实时性和确定性传输提出了更高要求。为保证系统安全性和灵活性，同一交换设备必须支持时间敏感流与大带宽流的混合传输。传统以太网在可扩展性和成本特性等方面具有很大优势[1]，但其并不适合对实时性和安全性有较高要求的应用[2]。为保证实时信息的确定性传输，目前工业自动化网络中发展出一系列成熟的解决方案，如EtherCAT、AFDX、EtheReal、Powerlink等主流的现场总线技术。这些技术均是对以太网协议的扩展[3]，并通过各自专用的以太网设备和技术标准来实现流量整形，因此很难实现彼此兼容，更无法与传统IP 以太网互联通信，网络灵活性较差。IEEE 802.1 时间敏感网络（TSN,time-sensitive networking）任务组致力于将以太网的实时和安全关键机制标准化[4]，从而实现时间敏感流与非时间敏感流在以太网中的混合共存[5-6]，为关键通信提供确定性时延保障。

TSN 作为一种扩展的标准以太网技术，其可向后兼容标准以太网，从而获得低时延抖动的高稳健通信链路。同时，TSN 是一个协议簇，其包含多个实现不同功能的子协议。例如，IEEE 802.1 AS[7]提出精确时间协议（gPTP,general precise time protocol）来实现TSN 全局网络的时钟统一，为确定性的网络传输提供基准保障。IEEE 802.1Qbv[8]中定义时间感知整形（TAS,time-aware shaper），通过控制交换机门控列表来实现网络中的流量整形。IEEE 802.1Qch[9]中定义了循环排队转发（CQF,cyclic queuing and forwarding）机制，通过循环切换乒乓队列实现流量整形，实现了对TAS 机制的简化。IEEE 802.1Qav[10]提出了基于信用的整形（CBS,credit-based shaper）机制。IEEE 802.1Qcc[11]对TSN的管理和配置进行了说明。

流量调度是保证TSN 系统中信息实时性、确定性传输的关键技术，研究人员对此进行了大量研究探索。为优化现有调度机制的性能，文献[12]提出验证网络调度性的方法和门控列表的启发式求解算法，以解决TAS 门控列表配置复杂的问题；文献[13]通过比较不同数据压缩方法对CBS 机制性能的影响，提出一种TSN 的流压缩算法，降低了流的端到端时延；文献[14]提出一种注入时间规划算法来调整流注入交换机的时间，以实现CQF 机制中的全局流量规划，并在多种典型的网络拓扑下进行了评估验证；文献[15]提出一种动态的流注入时间调度算法，充分挖掘基于CQF 机制的TSN 的确定性传输能力，根据网络资源利用率调整网络适配器上的发送时间，实现对网络中新时间敏感流的调度。而目前对TSN 混合调度技术的研究多集中于TAS 与CBS 的结合，例如，文献[16]以最小化流预留（SR,stream reservation）流的预留带宽为目标，引入数据包的传输时延作为约束，减小了BE（best-effort）流的端到端时延，但相同优先级间的流量会产生相互干扰，导致SR 流的预留带宽增大，降低系统资源利用率；文献[17]提出了一种感知的分组加权循环策略，根据子周期长度调度音视频桥接（AVB,audio-video-bridging）队列，减少了AVB 帧的平均调度间隔，并将整个调度周期分为一个受保护的时隙和一个不受保护的时隙，利用动态规划最小化保护带，从而提高带宽利用率。事实上，相对于CBS，CQF 调度方案的求解和时延分析更简单，虽然其调度粒度较粗，但仍能满足大带宽周期流的传输需要。因此，若将CQF 与能实现高精度调度的TAS相结合，即可在满足混合流传输需求的前提下，降低调度方案的求解复杂度。但目前关于该混合调度机制的研究仍较少。文献[18]提出限制TAS 队列与CQF 队列不可同时开启，以实现时间敏感流的零抖动，并降低时间敏感流对其他周期流的影响，但CQF 的双关门机制会带来缓存资源和传输带宽的浪费；文献[19]对TAS 结合CQF 的混合传输框架进行了探究，提出一种参数选择方法来确定网络的循环周期和时间调度单元，以实现减少低时间敏感流的平均时延，但该方案只给出了高时间敏感流的调度方案，且在确定时间调度单元时，对于CQF 机制带给网络的约束考虑不够全面。因此，基于现有研究的不足，本文提出一种将TAS 与CQF 结合的流量调度（HSTC,hybrid traffic scheduling combining TAS and CQF）机制，以实现TSN 中混合流的高效调度。

本文的主要贡献如下。

1) 提出一种采用HSTC 机制的新型TSN 系统设计方案，可满足时间敏感流与大带宽流的混合传输需求，并给出调度方案的完整求解步骤。

2) 在提出的系统架构下设计确定网络最小调度时隙的方法，并基于该最小时隙调整预订流量（ST,scheduled traffic）流的采样周期，通过降低ST流对发送带宽的占用，为SR 流预留更多传输资源，从而提升网络可调度性。

3) 进一步针对SR 流，提出奇偶映射的流映射策略，并且，当网络中出现SR 流不可调度的情况时，设计流偏移规划（FOP,flow offset planning）算法，对SR 流的注入时间进行偏移调整，通过提高系统资源利用率，进一步提升网络可调度性。

1 预备知识

TSN 是一个协议簇，其中包含多种实现不同功能的子协议，本文关注的问题是TSN中的流量调度技术，并提出一种将现有的TAS 与CQF 结合的混合流量调度机制，下面首先对2 种相关TSN 协议进行介绍。

1.1 IEEE 802.1Qbv

在TSN 中，IEEE 802.1Qbv[8]基于系统时间同步定义了时间感知整形机制，该机制提供基于流量等级的周期性流量调度，每个队列优先级不同，进入交换机的数据包根据帧头的优先级信息，被转发至相应队列。TAS 机制如图1 所示，其中，各队列出口侧都有一个时间感知门，当门控编码为O 时，门开启，可以发送数据；当门控编码为C 时，门关闭。当多个门同时开启时，优先级选择器根据队列优先级由高至低传输数据包，队列门控由门控列表进行周期性控制。

图1 TAS 机制

TAS 通过门控列表进行流量调度，控制精度很高，适用于传输对时延要求较高的时间敏感流。但随着网络中流数量的增加，门控列表的计算复杂度会迅速提升，因此，如何高效求解门控列表是TAS机制需要解决的核心问题。

1.2 IEEE 802.1Qch

IEEE 802.1Qch[9]提出循环排队转发的流量整形机制，该机制可被看作TAS 机制的简化形式，其同样需要基于全局系统的精准时间同步。为降低对时间同步的要求，文献[20-21]对循环特定转发等CQF 的改进机制进行了研究。

具体地，CQF 机制将2 个出口队列划分为一组，通过“乒乓”式的策略，按队列循环周期交替开启2 个队列的门控，从而实现流量整形。如图2 所示，奇数时隙，队列1 门控打开，可以进行传输，而队列2 门控关闭，只能进行数据包的接收缓存；偶数时隙，2 个队列进行状态切换。

图2 CQF 机制

基于上述的存储转发机制，当采用CQF 机制进行流量调度时，数据包在单个交换机内部经历的最大转发时延是确定的，数据包的端到端时延仅与其经过的交换机跳数有关。因此，CQF 机制大大降低了TAS 机制中门控列表带来的计算复杂度，且时延抖动很小[22]，但相对于TAS，CQF 的控制精度较低，数据包时延较大，并不适合传输时间敏感度较高的关键信息。

综上，本文提出一种将TAS 与CQF 进行有机结合的混合流量调度机制，该机制在满足混合流传输需求的前提下，降低了调度方案的求解复杂度，并通过提高系统的资源利用率，大幅提升了网络调度成功率，实现了TSN 中的高效流调度。

2 系统模型

2.1 系统架构

本文所提混合流量调度机制的TSN 交换机结构如图3 所示，其中，系统共有w个流输入端口，每个输出端口前有8 个输出队列。由于TSN使用IEEE 802.3[1]中虚拟局域网（VLAN,virtual local area network）头中的PCP（priority code point）字段（0～7）标记特定流的优先级，因此输出队列至多可分为 8 个优先级。本文为采用TAS 机制的队列分配最高优先级7，为采用CQF机制的两组队列分配优先级6 和5，为BE 队列分配最低优先级4，其余2 个队列可根据实际情况扩展使用。输入流经过交换结构后，流过滤器根据PCP 字段将流转发至相应队列。队列出口侧采用门控列表控制，当多个门控同时打开时，优先级选择器按照队列优先级由高到低将数据包转发至输出端口。

图3 TSN 交换机结构

2.2 问题描述

本文将输入流映射为四类，分别为ST 流、SR_A类流、SR_B 类流及BE 流。其中，ST 流传输控制信息、同步信息等时间敏感信息，这些流数量少且包长短，但对时延和抖动有很高要求，传输过程应尽可能无等待，因此ST 队列采用TAS 机制并具有最高优先级7。本文假设网络中共有n条ST 流，由文献[23-25]可知，关键控制流的采样周期通常在一定范围内可调，因此在本文中，每条ST 流定义为一个五元组，其中，为流最小采样周期，为流最大采样周期，为数据包总长度，为流截止时间，PT为流优先级，所有ST 流优先级都为7。

SR 流是网络中传输非关键信息的大带宽周期流，相对于ST 流，其采样周期大且对时延和抖动的要求低，但往往数量较多且包长较长。本文假设网络中共有m条SR 流，每条SR 流定义为一个四元组，其中，为采样周期，为包长，为截止时间（DDL，dealine），为优先级，SR 流被划分为A 类和B 类，优先级分别为6 和5。

BE 流为网络中尽力传输的流，无固定周期，本文不考虑BE 流的具体参数，仅将其优先级定义为最低优先级4。

为更充分地利用系统资源，提高网络可调度性，实现工业网络中混合流的高效传输，本文提出一种结合TAS 与CQF 的TSN 混合流量调度机制，在该机制的设计过程中，主要需解决以下2 个问题。

1) 确定ST 流实际采样周期

ST 流承载网络关键信息，应尽可能无等待传输，但由于ST 队列具有最高优先级，若多个门控同时打开，当且仅当ST 队列为空时，其他队列才有传输机会。若ST 流始终按照最小采样周期采样，随着ST 流数量上升，大部分传输带宽将被ST 流占用。调整ST 流采样周期如图4 所示，应尽可能增大ST 流的实际采样周期，以降低其带宽占用，为SR 流预留更多传输资源。图4 中，Tu为网络最小时间调度单位。

图4 调整ST 流采样周期

2) SR 流规划

本文使用两组不同优先级队列传输SR 流，因此如何进行合理的流映射是SR 流规划中首先解决的问题。

其次，由于系统单位时隙的最大吞吐量以及交换机队列的最大缓存有限，随着SR 流数目增加，仅仅依靠调整ST 流，难以保证全局流的可调度性，因此需对SR 流进行调整。SR 流对时延保障要求较低，只需在截止时间前传输完成即可，但由于CQF严格的存储转发机制，上一时隙到达交换机的数据包必须在下一时隙全部发送，因此本文对SR 流的调整方式为时延源节点处数据包的发送时间，以实现SR 流在交换机处的时延注入。为实现对各源节点数据传输的精确控制，本文所提机制均假设基于集中式软件定义网络（SDN,software defined network）架构[26]，即存在集中用户配置（CUC，central user configuration）实现流拆包、传输时间计算以及路由选择，存在集中式网络配置器（CNC,central network controller）来接收流传输请求，对网络带宽和时延进行监控，并实现配置信息下发。

网络拓扑及流特性如图5 所示。设图5 中4 条数据流具有相同流特性，最大传输单元（MTU,maximum transmission unit）为网络最大传输帧长，交换机队列的最大缓存为2MTU。若不对SR 流进行注入时间调整，如图6 所示，由于交换机缓存溢出，流3 和流4 的所有数据包都会被丢弃；若将二者在每个周期均向后偏移一个Tu注入，如图7所示，则网络中所有数据包均可成功传输。

图5 网络拓扑及流特性

图6 未调整SR 流注入时间

图7 调整SR 流注入时间

当对SR 流进行注入调整时，除了避免缓存溢出，还需考虑在发送时刻来自更高优先级流的干扰，当待发送数据量超过单位时隙的最大吞吐量时，网络将发生丢包。

2.3 网络约束

在本文中，对于TSN 中一组给定的流，求解的流调度方案需满足以下网络约束。

1) 最小时隙约束

由于Tu为最小时间调度单位，因此所有流周期都必须为Tu的整数倍，令为所有SR 流周期的最大公约数，则Tu的最大取值需小于，且Tu的取值范围为的因数集L={l1,l2,…,lk}，即

由于ST 流的采样周期有上下界，因此Tu需大于或等于所有ST 流采样周期最小值中的最大值，小于或等于所有ST 流采样周期最大值中的最小值，即

为减少关键流的时延和抖动，本文假设在某一时隙采样的ST 流数据包需在该时隙内全部传输完成，即

对于SR 流，由于采用CQF 机制，为保证时延可控，在上一个时隙内注入交换机的数据包需其在下一个时隙内全部转发，即

其中，BufSize 是交换机单个队列的最大缓存，B是链路传输速率，δmax是网络中由于时间同步精度等问题引起的最大时延。

2) 门控约束

对于SR 队列，由于CQF 机制以Tu为门控状态切换周期，上一个Tu内关闭的队列一定在下一个Tu打开，反之亦然。因此，所有SR 队列的门控周期TCQF均为2T u，即

对于采用TAS 机制的ST 队列，其门控循环周期TTAS为所有ST 流实际采样周期的最小公倍数，如式(6)所示。

门控列表的总循环周期TGate为ST 队列与SR 队列门控循环周期的最小公倍数，即

由于交换机内存有限，在一个门控循环周期内，交换机最多可存储Gatemax个门控事件，因此TGate不能大于Gatemax，即

3) ST 流约束

② 总线占用率约束。为保证网络中的流均可调度，首先需保证在任意单位时隙Tu内，ST 流对总线的占用率均不大于1，即

③截止时间约束。本文取的实际采样周期为其截止时间，则的数据包从产生到发送完成的总时延需小于或等于该流的截止时间，即

对于ST 流，由于所有ST 流具有相同最高优先级7，在任意时隙内，当且仅当ST 队列为空时，其余队列才能进行发送。此外，在本文约束条件下，任意Tu内ST 队列及SR 队列内待发送的数据包都将在该时隙内发送完成，因此不需要考虑上一时隙发送的数据包对下一个时隙造成的干扰。则对于任意一条ST 流，其时延包括比先进入队列的ST 流数据包的传输时间、自身数据包的传输时间。ST 流时延构成如图8 所示，的时延可由式(12)计算得到。

图8 ST 流时延构成

4) SR 流约束

①转发时延约束。为保证转发时延可控，CQF机制要求在上一个Tu内进入队列缓存的数据包必须在下一Tu内全部发送。数据包在交换机内经历的转发时延包括两部分，第一部分为缓存时延，第二部分为传输时延。因为门控切换周期为Tu，所以缓存时延和传输时延的上界均为Tu。因此，数据包在交换机内部经历的转发时延需小于或等于2T u，即

② 最大偏移约束。本文以时刻0 作为计算相对偏移量的参考点，由转发时延约束可知，SR 流数据包的最大转发时延为2T u，因此的最大注入偏移为其截止时间减去最大转发时延，即

对于任意一条SR 流，由于采用CQF 机制，其时延包括以下部分：更高优先级流的发送时延，其中包括ST 流及优先级高于的其他SR 流；优先级与相同，但先进入队列的其他SR 流的发送时延；交换机缓存时延；数据包的发送时延。本文假设入队速率远大于出队速率，因此所有SR 流数据包在交换机中的缓存时延均为Tu。令hp(i)表示所有优先级高于的流合集，sp(i)表示所有优先级与相同的流合集。SR 流时延构成如图9 所示，则的时延可由式(16)计算得到。

图9 SR 流时延构成

本文的研究问题为如何在满足以上所有约束的前提下，实现对TSN 流调度方案的高效求解。为评估所提方案性能，本文采用网络调度成功率SRate[27]作为性能衡量指标，该指标表示当满足网络的全部约束条件时，可成功求解出网络调度方案的仿真实验次数ns与总实验次数nall的比值，即

3 HSTC 机制

本文所提的HSTC 机制可分为以下两部分。

1) 根据网络约束，确定网络最小时隙Tu，并调整ST 流的采样周期，降低ST 流对总线的占用，为SR 流预留更多传输资源，提高网络调度成功率。

2) 对SR 流进行规划。首先，采用奇偶映射的方法将SR 流映射为SR_A 类及SR_B 类；其次，当经过ST 流采样周期调整后，网络状态仍为不可调度时，采用FOP 算法对SR 流进行注入偏移调整，进一步提升网络可调度性。

3.1 确定 Tu 调整ST 流采样周期

由网络约束可知，Tu与流属性、链路速率、交换机缓存大小、最大门控数量等因素有关，而TAS的控制精度与Tu成反比，因此需在满足所有网络约束的前提下，求解网络最小时隙，以尽可能提升TAS 的控制精度。其次，由ST 流的采样周期约束可知，对于ST 流，其实际采样周期上界为k iTu，Tu越小，k iTu接近理想采样周期上界的可能性越大，则当对所有ST 流进行采样周期调整后，ST 流整体总线占用率就越小。因此，本文提出一种在HSTC 机制中确定最小时隙Tu并调整ST 流采样周期的方案，具体步骤如下。

步骤1将的因数集L内的元素按升序排列，并令x=1，Tu=L(x)。

步骤2检查此时Tu的取值是否满足式(1)～式(4)的最小时隙约束，若满足进入步骤3，否则令x=x+1，Tu=L(x)，重复步骤2。

步骤3按照流编号，对每一条ST 流计算

步骤4检查此时各参数取值是否满足式(5)～式(8)的门控约束，若满足则流程结束，否则令x=x+1，Tu=L(x)，返回步骤2。

上述算法的流程如图10 所示。

图10 确定Tu 并调整ST 流采样周期算法流程

3.2 SR 流规划

3.2.1 SR 流映射

现有的流分类方法通常是将更高优先级分配给时间敏感度高的流，例如IEEE 802.1QBA[28]中将发送间隔和截止时间更小的流分为A 类，其余分为B 类，但在本文研究场景下，这样的流映射方式并不合理。如图11(a)所示，对于一组给定的SR 流，若将截止时间较短的前50%的流映射为A 类，后50%映射为B 类，则当对SR 流进行注入调整时，由于A 类流的最大可偏移量小于B 类流的最小可偏移量，则相对于B 类流，A 类流的调整范围集中在偏移量较小的少量时隙中，很容易发生缓存溢出，且偏移量较大时隙的缓存资源被浪费。而对于B 类流，由于可调整范围较大，应尽可能利用偏移量较大时隙的缓存资源，将偏移量小的缓存时隙留给A 类流。

因此，为充分利用SR 队列缓存资源，本文采用奇偶映射的方式对SR 流进行分类，如图11(b)所示。将所有SR 流按截止时间升序排序并编号后，将奇数流映射为A 类，偶数流映射为B 类，从而平衡两组SR 队列的可偏移范围，减少由于缓存溢出导致的调度失败，从而提高网络的可调度性。

图11 SR 流映射

3.2.2 FOP 算法

采用2.1 节提出的方案确定Tu及ST 流实际采样周期，可为SR 流预留更多传输资源，但当SR流数量较大时，该方案仍难以保证网络的可调度性，因此，在2.1 节基础上，本文进一步提出FOP算法对SR 流进行注入时间规划。

ST 流具有最高优先级，在每个时隙Tu内优先传输，且由式(13)中SR 流转发时延约束可知，对于任意SR 队列，门控开启后该队列内数据包必须在一个时隙内全部发送，因此在进行注入调整时，只需保证被调度的SR 流满足相关约束，则其就不会对下一时隙的ST 流造成干扰。

超周期Tsup是网络中ST 流及SR 流的流周期的最小公倍数，如式(18)所示。由于ST 流及SR 流都是周期流，因此整个网络以Tsup为循环周期，在求解调度方案时，仅需保证一个超周期内网络的可调度性即可。

Qbuf1和Qbuf2记录优先级为6 和5 的两组队列在各时隙内的缓存占用率，即

由式(14)中SR 流最大偏移约束可知，对于任意一条SR 流，其至多可推迟个时隙注入交换机，即在考虑注入偏移时，已将SR 流在交换机中的最大转发时延2T u考虑在内；其次，由于SR 队列采用CQF 机制，因此在任意时隙内，同一优先级的一组队列中有且只有一个队列进行缓存，另一队列进行数据发送。综上，在进行偏移注入调整时，只需保证表Qband、Qbuf1和Qbuf2中没有任何时隙的带宽占用率或缓存占用率大于1，即可保证调度方案满足式(15)中SR 流的时延约束。FOP 算法伪代码如算法1 所示。

算法1FOP 算法

在算法1 中，步骤1)进行初始化，此时还未对SR 流进行调度，因此只需根据式(19)更新ST流在各时隙的发送带宽占用率，fail_tmp 用来标记是否存在不可调度的SR 流，将Schedulability 的初始值设为真，即网络可调度。

步骤2)对SR 流进行流排序，由于采用逐流调度，先调度流可选择利用的网络资源更多，因此流调度顺序对网络调度成功率有重要影响[14-15]，应综合考虑流特性，优先调度占用资源多的流。例如，优先调度包长最长的流，优先调度周期最短的流，优先调度截止时间更短的流；为综合考虑以上特性，本文方案采用加权求和方式得到每条SR 流的调度优先值ovj，并按ovj大小对SR 流降序排序并编号，ovj计算式为

其 中，x1、x2和x3分别为包长、周期和 截止时间的权重。由于3 种流特性维度不同，因此先通过将各流参数与所有待调度流中该参数的最大值相除，进行归一化处理后再进行加权求和。由于3 种因素对网络调度成功率的影响并不相同[14]，且影响程度与系统中流参数的取值范围紧密相关，为确定权重大小，本文在相同的网络参数生成范围内进行蒙特卡罗仿真实验，每次实验给定一组TSN 流，并分别仅按一种因素进行流排序，其余调度步骤相同，最终比较3 种策略下的网络调度成功率。经大量实验发现，在本文采用的网络配置和流配置下，以3 种方案中最优策略和次优策略间性能差值最大点的网络调度成功率之比作为权重之比时，加权排序算法的性能较优，因此本文按照该方式确定x1、x2、x3的取值。

步骤3)～步骤22)按照流排序结果，依次对SR 流进行调度，其中，cspace 是待调度流可选注入时隙的集合。在每个循环中，步骤4)将cspace初始化为空。步骤5)～步骤9)在流的可调整偏移范围内，通过check_slot 依次检查每个时隙是否可用，具体过程如下。

1) 对于待调度流，通过式(23)和式(24)计算其在一个时隙内对带宽的占用率q1及对缓存的占用率q2。

2) 对于偏移调整范围内的任意时隙c_tmp，若流在该时隙注入，需保证一个超周期内的任意发送时隙和缓存时隙均不存在溢出，即当c_tmp 满足式(25)和式(26)的约束时，c_tmp为一个可用偏移时隙。

3) 将可用偏移时隙加入集合cspace。为均衡各时隙负载，充分利用系统资源，减少发送溢出和缓存溢出，应优先选择资源利用率低的时隙注入，步骤11)对筛选出的时隙按综合利用率occ_tmp进行升序排序，occ_tmp计算式为

4 实验和评估

为验证所提HSTC 机制核心算法的性能，本文搭建实验平台，从ST 流带宽占用率、流调度优先级、SR 流映射、注入时隙选择等角度，将本文所提机制与现有机制进行性能仿真对比验证，对比当网络中的ST 流及SR 流都经由图3 所示结构的TSN 交换机转发至同一接收端时，不同调度方案的性能。

4.1 实验参数设置

实验设置网络最大帧长MTU=1 500 B，交换机单队列的最大缓存值BufSize=6MTU，链路速率B=1 000 Mbit/s，δmax=1 μs。每条ST 流的最大采样周期和包长分别从集合{0.6,0.8,1,1.2,1.6}ms 和{0.4,0.5,0.6,0.7,0.8,0.9,1}KB 中随机选取，所有ST 流的最小采样周期均设为0.1 ms，ST 流的截止时间为其实际采样周期。SR 流采样周期和包长分别从集合{4,6,8,10,12,16,20}ms 和{1.5,2,2.5,3,3.5,4,4.5}KB 中随机选取，每条SR 流的截止时间取范围内一个随机整数值。

4.2 实验结果分析

1) ST 流带宽占用率

为验证调整ST 流采样周期对网络性能的影响，实验在不考虑网络中存在其他类型流的前提下，仿真当网络中存在2～12 条ST 流时，调整采样周期前后ST流对系统发送带宽的占用率，实验结果如图12 所示。

图12 ST 流对系统发送带宽的占用率

由图12 可知，当不进行采样周期调整，始终以相同最小采样周期作为ST 流的实际采样周期时，随着流数量的增加，ST 流对发送带宽的占用率近似呈线性关系增长，当流数目达到12 时，发送ST 流占据了80%以上的网络带宽，这将导致SR 流几乎无法传输。而采用本文所提方案调整采样周期后，ST 流的带宽占用率大幅降低，为SR 预留出了更多传输资源，从而有利于提高网络可调度性。

2) 流调度优先级

在逐流调度过程中，先调度流可选择利用的网络资源更多，为提升网络调度成功率，应优先调度占用资源较多的流。因此，在本文所提的FOP 算法中，综合考虑了截止时间、采样周期及包长3 个衡量资源占用的流参数，通过加权求和对SR 流进行排序调度。实验与3 种常用的流排序方案，即最短截止时间优先、最小采样周期优先和最大包长优先的方案进行对比，仿真当网络中存在10 条ST 流、180～250 条SR 流时，不同流排序方案的网络调度成功率，仿真结果如图13 所示。

图13 不同流排序方案的网络调度成功率

实验结果表明，本文所提方案具有最优性能，其余3 种方案性能排序依次为最大包长优先、最短截止时间优先、最小采样周期优先。其中，当SR流数量为210 条时，最大包长优先方案与最短截止时间优先方案的网络调度成功率差值达到最大，此时3种方案的网络调度成功率之比约为0.62:0.26:0.12，因此本文按照该比值确定加权排序算法中x1、x2、x3的权重。实验结果表明，相对于次优的最大包长优先方案，HSTC 机制所采用的加权排序方案至多能将网络调度成功率提高52%。

3) SR 流映射

为提高交换机缓存利用率，减少偏移量较小时隙的缓存溢出，本文提出奇偶映射的流映射策略，为验证该方法性能，与文献[28]所提的按DDL映射的方案进行对比。在对比实验中，将截止时间最短的前50%的流映射为SR_A 类，后50%的流映射为SR_B 类，其他参数相同，仿真当网络中存在10 条ST 流、200～250 条SR 流的情况下，2 种流映射方案的网络调度成功率，仿真结果如图14 所示。

图14 不同流映射方案的网络调度成功率

由图14 可知，随着SR 流数量的增加，奇偶映射方案对提升网络调度成功率的影响越显著，2 种方案的网络调度成功率的最大差值达到0.2，因此可证明，在本文所研究场景下，奇偶映射是一种合理有效的流映射方案。

4) 注入时隙选择

在FOP 算法中，当采用加权排序确定SR 流调度顺序后，针对某条待调度流，本文采用时隙排序方案确定流的实际注入时隙，为验证该方案的有效性，实验与随机选择注入及文献[29]所采用的最近注入的方案进行对比，仿真在网络中存在10 条ST流、100～280 条SR 流的情况下，不同注入选择方案的网络调度成功率和平均带宽利用率，仿真结果如图15 和图16 所示。

图15 不同注入选择方案的网络调度成功率

图16 不同注入选择方案的平均带宽利用率

由图15 可知，相较于次优的随机选择注入方案，HSTC 中的时隙排序方案可将网络调度成功率的值至多提升0.77。同时，由图16 仿真结果可知，时隙排序方案的极限带宽利用率可达88%，而其余2 种方式仅能达到62%和76%，这表明，本文的注入时隙选择方案实现了更好的负载均衡，通过增大系统带宽利用率来提升网络可调度性。

5) 综合对比

为对所提出的HSTC 机制进行性能综合验证，在本文所研究场景下，以相同网络配置及流参数与文献[14]所提结合特定领域知识的启发式求解（Tabu-ITP-交换）方案及文献[15]所提在线逐流调度（FITS,flow injection time scheduling）方案进行性能对比。其中，禁忌表的长度为100 条，交换概率系数设为0.8，仿真当网络中存在10 条ST 流、220～250 条SR 流的情况下，3 种方案的网络调度成功率和求解时间，仿真结果如图17 和图18 所示。

图17 不同方案的网络调度成功率

图18 不同方案的求解时间

由图 17 可知，使用启发式方法求解的Tabu-ITP-交换方案具有最高网络调度成功率，该方案通过引入流密度和流多级排序，获得收敛速度和映射质量之间的良好折中，但由图18 的求解时间可知，相对于逐流调度的2 种方案，启发式方案的求解时间复杂度仍旧极高，难以实现系统流的快速求解及部署。HSTC 与TA-ITP-交换方案的最大网络调度成功率差值小于4%，且随流数目增加性能差距不断减小，并大幅降低求解时长。FITS 方案以最小的队列消耗增量确定偏移量以实现负载均衡，且求解时间复杂度较低，但在确定流调度顺序时，没有考虑不同流参数对网络调度成功率的影响大小，采取直接将不同维度的流参数相乘求积后排序的方法，且没有考虑截止时间的影响，因此相较其余2 种方法，网络调度成功率较低。综上，在本文所研究场景下，HSTC 机制实现了降低求解复杂度与提升调度性能的双重优化。

5 结束语

目前，如何在工业网络中充分发挥TSN 精准的流量调度能力，为生产控制系统提供确定性和实时性保障，仍是TSN 的一个研究重点。为此，本文提出HSTC 机制，将TAS 与CQF 这2 种现有方案进行有机结合，并根据时间敏感流和大带宽流的流特性，为两类流制定不同的调度策略。实验结果表明，HSTC 机制通过提升系统资源利用率显著提高了网络可调度性，实现了TSN 混合流的高效调度。

现有对TSN 的网络规划多基于离线调度场景，但在实际工业网络中，还存在由事件触发的少量突发流量，这些流无固定参数，但对系统的正常运转有着重要影响，因此如何改进现有方案，使之同时支持突发流的混合传输，是本文下一步的研究方向。