技术领域
[0001] 本发明涉及节能以太网领域，特别涉及一种基于广义预测控制的周期性节能方法。
相关背景技术
[0002] 自IEEE 802.3az标准定义了低功耗空闲(LPI)状态以来，节能以太网(EEE)已成为降低以太网能耗的主流方法，并已经被许多设备所采用，例如Cisco Nexus 7000，Dell EMC N系列，QLogic bnx2，Intel X550和X710。具体地，当以太网链路处于低利用率时，比如在夜晚，将期望以太网端口处于LPI状态，从而可以减少90％的能耗。但是，在LPI状态下，EEE端口会关闭大部分组件以节省能量，在该时间内段到达的数据帧无法正常传输，将经历额外的排队延迟。因此，决定进入和离开LPI状态的时机的节能以太网策略对于EEE的节能和排队延迟都至关重要。由于策略的性能与流量场景高度相关，因此此类策略的设计留给了特定的制造商进行实施，而不是被EEE标准所定义。
[0003] 当前，已经有许多节能以太网策略，但是其中大多数策略，包括默认的帧传输策略和帧聚合策略，都需要基于特定流量进行参数配置，以在节能效率和排队延时之间取得良好的权衡。为了解决这个问题，一些工作建立了数学模型来分析帧聚合的节能效率和延迟开销。尽管它们可以在给定的流量条件下指导策略的参数配置，但是由于这种参数配置是静态的，因此它们无法适应动态的流量场景。与上述策略不同，近两年新提出的基于预测的周期性节能策略EEEP将数据的传输过程以周期进行划分，EEEP的具体内容可见文献：A.Cenedese,F.Tramarin,S.Vitturi.An Energy EfficientEthernet strategy based on traffic prediction andshaping[J].IEEE Transactions on Communications,Volume:
65,Issue:1,pp.270‑282,Jan.2017。该策略公开了在每个传输的周期，都通过预测下一个周期内传入的数据帧来规划EEE的状态转换，从而在不同的流量场景下均实现了良好的节能效率和较小的延迟。
[0004] 然而，EEEP在实际运行中，其固定周期长度参数可能会损害其性能。图1是基于预测的周期性节能以太网策略EEEP的转换示意图。如图1所示，原EEEP的周期长度为一个固定值T，在每个周期，EEEP首先基于历史流量的到达情况预测下一个周期的帧数目 该数目用于计算下一个周期的帧传输时间τ。然后EEEP将经历休眠过程ts进入到LPI状态以节省能量，该过程将持续T‑τ时间，紧接着，EEEP又将经历唤醒过程tw进入活跃状态传输数据包。
[0005] 为了探究周期长度对EEEP策略的影响，通过在NS3仿真平台进行仿真。仿真采用一个点对点的10Gbps以太网链路，发送端以5Gbps的速率向接收端发送数据包，每次仿真以10μs为粒度测量EEEP的平均排队延时Q和能耗比率R。仿真结果如图2所示，随着周期长度的增加，EEEP的平均排队延时线性增加，而能耗比率呈双曲线式的下降。如果周期长度太小，能耗会很大；反之，如果周期长度设置得太大，则可能会产生很大的排队延迟，极大地损害用户的体验。换句话说，EEEP需要合适的周期长度参数配置来实现理想的性能。然而，最佳的周期长度在实验之前是未知的，并随特定的流量场景所变化，因此，EEEP的固定周期长度设置是不合理的。
具体实施方式
[0043] 下面结合附图对本发明的具体实施方式作进一步详细描述。
[0044] 本实施例所述的基于广义预测控制的周期性节能策略GPC‑EEEP定义了一个由功耗比和平均排队延迟的线性组合的成本函数来量化EEE的性能，并使用广义预测控制方法自动将EEEP策略的周期长度参数调整为最小化该成本函数的最优解，从而使EEEP在不同场景下均能在节能和降低排队延时之间取得良好折中。
[0045] 具体来说，本实施例包括以下步骤：
[0046] 步骤一，以当前的第i个传输周期长度为Ti，在周期开始时预测本周期内到达的数据帧数目 计算本周期内的休眠时间 Ttrans为每个数据包的平均传输时间，然后转入休眠状态，直至休眠时间结束时转入活动状态，传输本周期内到达的数据帧，直至所有数据帧传输完毕，结束本周期。
[0047] 步骤二，在第i个周期结束时，统计本周期内产生的数据包平均排队延时Qi和能耗比Ri，计算出当前基于排队延时和能耗比形成的成本函数的指数加权移动平均值Pi。其中能耗比Ri的计算公式为：
[0048]
[0049] Pi的计算公式如下：
[0050] Pi＝α*Pi‑1+(1‑α)*(Ri+η*Qi)
[0051] α是指数移动加权均值系数，η表示平均排队延时和能耗比之间的折中的系数，Pi‑1为上一周期内成本函数的指数加权移动平均值。
[0052] 步骤三：基于Pi，使用受控自回归积分滑动平均模型预测第i+1个周期的成本函数：
[0053]
[0054] 其中，F,G,H分别为根据丢番图方程得出的CARIMA模型的系数，ΔTi为当前周期的长度增量。其中根据丢番图方程求出系数的方法可参考Greco C,Menga G,Mosca E,et al.Performance Improvementsof Self‑tuning Controllers by Multistep Horizons:The MUSMAR Approach[J].Automatica,1984,20(5):681‑699。
[0055] 步骤四，构建由预测的成本函数 和待求解的周期长度增量ΔTi+1组成的目标函数Ji，通过求解Ji对ΔTi+1的偏导数，得到使第i+1个周期的目标函数最小的周期长度增量其中 参数λ决定了周期长度调整过程中收敛速度和稳定性的折中，当希望周期长度迅速收敛到最优值时则减小λ；若希望周期长度在收敛过程中平稳地变化则增大λ。目标函数Ji是以ΔTi+1为唯一变量的函数，通过对Ji求ΔTi+1的偏导，并取表达式为零：
[0056]
[0057] 求解上式，得到第i+1个周期的最优周期长度增量
[0058] 步骤五，对 最优周期长度增量进行积分得到第i+1个周期的最优周期长度 即 将其设置为第i+1个工作周期的周期长度，进入下一周期并跳转步骤一循环执行。
[0059] 对本实施例所提供的方法，采用与图2相同的仿真场景进行仿真。图4绘制了GPC‑EEEP策略在连续流量场景下周期长度和成本的变化过程。结合图2可知，EEEP策略在该场景下的最优周期长度为80μs，最低成本开销为0.7344。图4的仿真结果证实了随着GPC‑EEEP策略最小化每个周期的目标函数，总成本开销会越来越低，周期长度最终收敛到最优值80μs。
[0060] 图5分别使用表1的帕累托随机流量R1,R2,R3和R4对EEEP策略进行仿真，其负载分别为5％，25％，50％和75％。同样以10μs的粒度搜索EEEP的最优周期长度，可见在R1,R2,R3和R4流量场景下EEEP的最优周期长度分别为50μs，60μs，70μs和100μs。为了进一步测试GPC‑EEEP策略在负载动态变化的场景下的性能表现，将表1的随机流量R1～R4拼接成一段流量R以模拟负载动态变化的流量场景，图6统计了GPC‑EEEP策略在R流量下的周期长度变化过程。可见，随着流量负载变化，GPC‑EEEP策略将周期长度分别调整为50μs，60μs，70μs和100μs。图7比较了R流量场景下EEEP策略与GPC‑EEEP策略的性能，后者大大降低了EEE的成本开销。
[0061] 为了测试GPC‑EEEP策略在真实流量场景下的性能，分别使用表1中的MAWI数据流量X1，X2和CADIA数据流量X3：
[0062] 表1流量信息
[0063] 流量编号 R1 R2 R3 R4 X1 X2 X3负载 5％ 25％ 50％ 75％ 9％ 47％ 37％
[0064] 其负载分别为9％，47％，37％。图8在X1～X3流量下分别对EEEP策略进行仿真，可见其最优周期长度分别为50μs，70μs，60μs，其最低成本开销分别为0.427，0.713，0.633。表2比较了X1～X3流量场景下EEEP策略的最优效果与GPC‑EEEP策略的改进效果，[0065] 表2.不同真实场景下EEEP策略的最优值与GPC‑EEEP策略的性能比较
[0066]
[0067] GPC‑EEEP策略的平均周期长度分别为46.76μs，64.1μs，54.28μs，成本开销分别为0.429，0.719，0.638。也就是说，GPC‑EEEP策略通过不断地将周期长度收敛到最优值，其各项性能指标与EEEP策略的最优值非常接近，即GPC‑EEEP策略不需要根据流量场景配置周期长度，即可自适应地实现最优效果。
