本發明涉及無線通信,尤其涉及一種基于5g和tsn融合的qos映射方法、裝置、設備、介質及產品。
背景技術:
1、針對5g與tsn融合網絡的qos映射方法,目前有利用改進的k均值聚類算法為tsn業務流分配qos優先級的方案:將tsn業務流分成k個聚類得到聚類中心,基于最終聚類中心的qos特性給聚集流分配優先級;然后,基于粗糙集的5g?qos標識符5qi動態映射算法,為每個聚集流計算5qi近似集,并根據計算的5qi近似集執行映射,在映射過程中,按照優先級順序給聚集流分配5qi;進而將后續的業務流根據相似度聚類到相應的聚集流中,每隔一段時間更新聚類中心和檢測是否需要繼續擴展5qi集合。
2、但是,現有的技術方案在tsn業務流的qos優先級映射方面存在不足,使用聚類的方式為tsn業務流分配qos優先級的方案,算法效果不是很理想,而且每隔一段時間都需要更新聚類中心并檢測是否需要擴展5qi集合,靈活性較差。
技術實現思路
1、本發明所要解決的技術問題在于,提供一種基于5g和tsn融合的qos映射方法、裝置、設備、介質及產品,在5g與tsn的協同傳輸中,采用強化學習dqn網絡自適應地學習和調整每個tsn業務流在5g網絡中的qos優先級,從而適應不同的業務需求和網絡條件,具有較高的靈活性,能夠實現最大化網絡資源的利用效率,提高網絡性能和用戶體驗。
2、為了實現上述目的,本發明實施例提供了一種基于5g和tsn融合的qos映射方法,包括:
3、根據tsn業務流參數,計算tsn業務流在5g網絡中傳輸的預期時延;
4、將所述tsn業務流在5g網絡中傳輸的預期時延以及5g網絡觀測參數作為輸入數據,輸入至預設的tsn業務流qos優先級模型,得到所述tsn業務流qos優先級模型輸出的qos優先級配置參數;其中,所述tsn業務流qos優先級模型為dqn算法模型;
5、根據所述qos優先級配置參數,配置所述tsn業務流在5g網絡中傳輸的qos優先級。
6、作為上述方案的改進,所述根據tsn業務流參數,計算tsn業務流在5g網絡中傳輸的預期時延,包括:
7、根據tsn業務流參數,計算tsn業務流在tsn網絡內的傳輸時延;
8、根據端到端數據傳輸的總時延、所述tsn業務流在tsn網絡內的傳輸時延以及有線鏈路傳輸時延,計算所述tsn業務流在5g網絡中傳輸的預期時延。
9、作為上述方案的改進,所述tsn業務流qos優先級模型的訓練過程包括:
10、初始化深度神經網絡以及經驗回放緩沖區;其中,所述深度神經網絡用于近似q值函數;
11、輸入狀態,將所述tsn業務流在5g網絡中傳輸的預期時延以及所述5g網絡觀測參數輸入至所述深度神經網絡;其中,所述5g網絡觀測參數包括5g網絡利用率、5g網絡延遲、5g網絡中高優先級服務的數據流量以及tsn業務流中高優先級報文的數據流量;
12、從所述深度神經網絡輸出的q值中選取q值最大的作為動作,執行選取的動作后,5g網絡進入到下一個狀態,并觀測對應的獎勵;
13、將狀態、動作、下一個狀態和執行動作后獲得的獎勵作為數據存儲在所述經驗回放緩沖區中,直至所述經驗回放緩沖區中的數據數量達到預設容量;
14、從所述經驗回放緩沖區中隨機選擇一批經驗,用于訓練所述深度神經網絡;
15、根據選取的經驗以及貝爾曼方程計算目標q值;
16、根據所述目標q值以及所述深度神經網絡的估計q值,計算均方誤差損失函數,并使用反向傳播更新所述深度神經網絡的權重參數,直至達到預設的訓練輪數或收斂條件,得到訓練好的tsn業務流qos優先級模型。
17、作為上述方案的改進,所述獎勵為所述tsn業務流在5g網絡中傳輸的預期時延與實際時延之間的差值;其中,所述實際時延根據所述tsn業務流進入5g網絡的時間以及離開5g網絡的時間計算得到。
18、作為上述方案的改進,所述方法還包括:
19、根據所述tsn業務流在5g網絡中傳輸的預期時延以及實際時延,計算所述tsn業務流在5g網絡中的延遲率;
20、根據所述延遲率以及預設的延遲率閾值,對所述tsn業務流在5g網絡中傳輸的qos優先級進行動態調整。
21、作為上述方案的改進,所述根據所述延遲率以及預設的延遲率閾值,對所述tsn業務流在5g網絡中傳輸的qos優先級進行動態調整,包括:
22、若所述延遲率小于所述延遲率閾值,且所述延遲率不小于0,則調低所述tsn業務流在5g網絡中傳輸的qos優先級;
23、若所述延遲率不小于所述延遲率閾值,且所述延遲率小于1,則不調整所述tsn業務流在5g網絡中傳輸的qos優先級;
24、若所述延遲率小于0,或者所述延遲率不小于1,則調高所述tsn業務流在5g網絡中傳輸的qos優先級。
25、本發明實施例還提供了一種基于5g和tsn融合的qos映射裝置,包括:
26、時延計算模塊,用于根據tsn業務流參數,計算tsn業務流在5g網絡中傳輸的預期時延;
27、參數輸出模塊,用于將所述tsn業務流在5g網絡中傳輸的預期時延以及5g網絡觀測參數作為輸入數據,輸入至預設的tsn業務流qos優先級模型,得到所述tsn業務流qos優先級模型輸出的qos優先級配置參數;其中,所述tsn業務流qos優先級模型為dqn算法模型;
28、優先級配置模塊,用于根據所述qos優先級配置參數,配置所述tsn業務流在5g網絡中傳輸的qos優先級。
29、本發明實施例還提供了一種終端設備,包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序,所述處理器執行所述計算機程序時實現上述任一項所述的基于5g和tsn融合的qos映射方法。
30、本發明實施例還提供了一種計算機可讀存儲介質,所述計算機可讀存儲介質包括存儲的計算機程序,其中,在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行上述任一項所述的基于5g和tsn融合的qos映射方法。
31、本發明實施例還提供了一種計算機程序產品,所述計算機程序產品包括計算機程序或計算機指令,所述計算機程序或所述計算機指令被處理器執行時實現上述任一項所述的基于5g和tsn融合的qos映射方法。
32、相對于現有技術,本發明實施例提供的一種基于5g和tsn融合的qos映射方法、裝置、設備、介質及產品的有益效果在于:通過根據tsn業務流參數,計算tsn業務流在5g網絡中傳輸的預期時延;將所述tsn業務流在5g網絡中傳輸的預期時延以及5g網絡觀測參數作為輸入數據,輸入至預設的tsn業務流qos優先級模型,得到所述tsn業務流qos優先級模型輸出的qos優先級配置參數;其中,所述tsn業務流qos優先級模型為dqn算法模型;根據所述qos優先級配置參數,配置所述tsn業務流在5g網絡中傳輸的qos優先級。本發明實施例在5g與tsn的協同傳輸中,采用強化學習dqn網絡自適應地學習和調整每個tsn業務流在5g網絡中的qos優先級,從而適應不同的業務需求和網絡條件,具有較高的靈活性,能夠實現最大化網絡資源的利用效率,提高網絡性能和用戶體驗。