面向5G对承载网提出的大带宽、低时延、网络分片、灵活连接、高精度时间同步等新需求,结合综合业务承载需求,提出全新的切片分组网(Slicing Packet Network,SPN)技术体系。本文介绍SPN演进目标、技术架构,重点分析SPN关键技术,包括转发面、超高精度时间同步、集中管控的软件定义网络(Software Defined Network,SDN)技术等,致力于构建新一代面向5G及综合业务的低成本、大容量、低时延、灵活管控的承载网。
迄今为止,第四代移动通信4G已基本满足用户大部分通信及娱乐需求。未来随着物联网的兴起,移动通信技术又将成为万物互联的基础,为满足由此带来的爆炸性移动数据流量增长、海量设备连接、不断涌现的各类新业务和应用场景,第五代移动通信5G应运而生。相比于4G移动通信技术关注单点技术突破,5G移动通信不仅关注为用户提供更大带宽,更低时延,更高可靠性的智能灵活、高效开放的移动通信网络,更多关注多种技术深度融合及网络架构的革新。目前,随着国内5G通信全面商用的推进,各大运营商纷纷提出针对5G的解决方案,基于此设备制造商推出支持5G的PTN设备。本文基于中国移动提出的全新切片分组网SPN传输网体制,提出一种处于切片分组层的用于组建客户专线业务的L3VPN技术的设计模型,重点研究L3VPN在业务转发层面实现原理及L3VPN中关键技术。本文主要研究的工作内容如下:(1)介绍5G通信国内外发展趋势,分析5G通信的业务和技术需求及5G通信面临的技术挑战。分析5G通信网络架构及SPN新传输架构,阐述本文研究意义。(2)介绍SPN架构中采用的分段路由技术SR技术。此技术是一种源路由机制,继承MPLS技术的数据转发方式并在控制平面进行优化。使用IGP替代RSVP/LDP进行标签的分发,同时利用了IGP FRR实现了节点间的可靠保护,支持绑定标签,可以很好的支持异构网络的互通。将SR技术与SDN控制器结合,可以支持静态或动态配置业务,同时可以保障业务无中断。(3)基于一款支持5G的PTN设备设计一种组建虚拟专用网的L3VPN技术模型。按功能分为面向用户侧接口处理,面向网络侧接口处理及隧道处理和MAC学习等几部分,从业务转发层面出发结合API阐述L3VPN业务建立过程,并分析报文转发过程。同时分析SR技术与L3VPN技术结合的实现方式。(4)使用上述PTN设备,搭建仿真环境。验证L3VPN转发模型及L3VPN over SR模型的可实现性。
5G+与垂直行业的融合创新催生了1Gbps以下的小颗粒带宽承载需求。而作为以新一代融合承载网架构SPN(Slicing Packet Network,切片分组网)为基础并融入了细粒度技术发展而来的FGU(Fine Granularity Unit,小颗粒技术)将网络切片的颗粒细化为10Mbps,具有低成本,精细化,硬隔离的优点,很好的满足了5G+垂直行业下的业务承载需求,是未来5G+应用部署的关键力量。但SPN小颗粒技术的承载和分配还是业界没有解决的难题,存在着诸多技术上和方案上的问题。本文依托烽火公司的SPN小颗粒项目,研究和总结了SPN小颗粒切片业务的隔离和承载方案。并使用其中偏向扁平化的MTN(Metro Transport Network,城域传输网络)电路交换作为本文方案主要研究了在SPN小颗粒场景下的资源分配问题,重点对有双向时延差要求的业务(如电力通信网中的配网差动保护)和时延敏感性业务的资源分配问题进行研究。
本文主要的研究内容和成果如下:
(1)针对动态场景中SPN小颗粒资源分配问题,本文研究分析了承载不同类型小颗粒业务的难点,主要有时隙资源较多,业务需求多样化和业务之间存在相互干扰的问题。对于两种典型的小颗粒业务设计了一种区分业务的小颗粒资源分配算法,两种算法均采取了先选择路径再选择时隙的方式。对于配网差动保护业务,先使用综合权重的KSP算法(K-Shortest Paths,最短路径)算法算出备选路径,然后在每个备选路径中使用时隙选择算法分配时隙,选出各个节点符合平均双向时延差的时隙组合,其中针对时隙选择提出了节点双向时延差矩阵,将时隙组合的寻找转化为了矩阵中元素的寻找。最后在K条备选路径中按照基于负载均衡的评价函数进行评分选取其中评分最高的路径和时隙分配方式作为最终方案。对于时延敏感性业务,先使用了拉格朗日松弛算法选出满足时延和传送花费要求的路径,然后使用基于优先权的时隙均分算法进行时隙分配,最大化的减小此类业务时延值的上限。经过仿真实验表明,两类业务的时隙分配算法都有着良好的性能,并且整个小颗粒资源分配算法能有效地提升网络性能。
(2)针对静态场景中配网差动保护业务的资源分配问题,本文以满足业务要求同时最小化时隙资源占用量为目标。建立了整数线性规划(Integer Linear Programming,ILP)模型,并使用粒子群算法求解。然后针对传统粒子群算法收敛困难,易陷入局部最优解的问题,设计了粒子群优化逐步收敛算法(Particle Swarm Optimization By Gradual Convergence,PSO-GC)和基于高斯扰动的粒子群逐步收敛算法(Particle Swarm Optimization By Gradual Convergence Based on Gaussian perturbation,PSOGCGP)。相比于传统的粒子群优化,PSO-GC算法通过对决策路径提前的剪枝,提高了粒子群算法的收敛能力。PSO-GCGP在PSO-GC的基础上,通过判决器决定是否对速度加入高斯干扰。其中加入的高斯干扰随着适应度函数不变的的迭代次数增加而增加,维持了粒子的多样性。经过仿真实验表明,两种算法均有很好的收敛性,在所提问题中有着良好的效果,并且后者的收敛速度更快。
暂无评论