一体化网络流量理论与链路汇聚及网络融合机理

潘成胜 杨 力 张钟铮 魏德宾,4 石怀峰,

1.南京信息工程大学电子与信息工程学院 江苏 南京 210044 2.南京理工大学自动化学院 江苏 南京 210094 3.北方自动控制技术研究所 山西 太原 030006 4.大连大学信息工程学院 辽宁 大连 116622

战场空袭装备不断升级, 新质作战力量不断涌现, 传统分工明确的防空系统难以应对强对抗、高机动的战场目标, 为此, 构建一体化、高可靠、模块化陆军战术防空指挥控制系统, 解决原有系统互联互通差导致的混编使用难, 动态重组慢导致的多代指挥弱等顽疾, 成为近年来美军网络中心战和我军相关工程实施中, 陆军防空反导领域研究的热点和难点[1-2].

伊拉克战争中, 美军防空反导系统在支持旅级、营级、连级等不同级别的任务需求时, 灵活性和协调性严重不足, 为此美国陆军逐步发展陆军防空反导一体化系统, 其关键是陆军防空反导一体化指挥控制系统, 主要破解两方面的问题：一是原有系统互联互通差、混编使用难的问题；二是原有系统动态重组难、多代指挥弱的问题. 目前已经完成关键技术测试与系统试验, 预计2022年以后开始列装[3].

我陆军战术防空指挥控制系统历经发展, 新老通信体制、防空装备、指挥控制系统共存. 其中陆军防空指挥控制通信网络系统的异构链路多达10 种以上,异构网络也多达10 种以上.光纤、短波等10 多种异构链路协议差异大、传输速率波动大、业务QoS 需求差异大, 导致链路汇聚复杂；战术电台互联网、超短波指挥/情报网等10 多种异构网络中, IP 和ATM 等交换方式并存,系统无法有效互联互通、无法高效动态重组.怎样破解新老通信体制无法有效互联互通导致的新老装备混编使用难、动态重组慢导致的多代指挥弱这些历史顽疾, 成为提升陆军防空作战效能的关键.

在国家863 计划项目和长期的型号研制过程中,提出了支撑新老通信体制高效互联互通和系统快速动态重组的一体化网络流量理论, 构建了基于一体化网络流量理论的异构链路汇聚机理、异构网络融合机理以及网链融合技术, 在我陆军战术防空指挥控制系统中应用, 实现了异构链路高效汇聚和异构网络高效统一承载, 解决了长期困扰我陆军战术防空指挥控制系统存在的新老通信体制无法有效互联互通、动态重组慢的历史顽疾.

本文系统梳理了在一体化网络流量理论、陆军战术防空通信网络异构链路汇聚机理、异构网络融合机理, 以及网链融合技术方面进行探索与实践的成果, 期望为新一代陆军防空反导系统的建设提供理论与技术支撑.

1 一体化网络流量的概念、定义和主要定理

一体化网络由空间信息网络和地面信息网络组成[4-6], 如图1 所示, 一体化网络的主要特征是时空变化大尺度、网络流量高时变、流量强度高突发, 存在的难点问题是流量特征建模难、性能边界确定难、流量规律预测难, 导致网络难以有效管理. 然而, 国内外没有空间信息网络流量理论, 一体化网络流量理论缺失. 为此, 在构建空间信息网络体系架构和网络协议的过程中, 提出并论证了空间信息网络流量的自相似性, 明晰了缓存容量理论边界与网络流量自相似程度的关系, 揭示了空间信息网络流量演变的规律[7]. 进而, 构建了特征、边界和规律“三位一体”的一体化网络流量理论. 一体化网络流量理论和模型关系如图2 所示.

图1 天地一体化网络结构示意图Fig.1 Schematic diagram of the space-terrestrial integrated network structure

图2 一体化网络流量理论和模型关系图Fig.2 Relationship diagram between integrated network traffic theory and model

1.1 一体化网络流量的自相似性（特征）

网络流量是信息或数据在通信网络中的“流动”,其研究源于公共交换电话网络. 长期以来人们认为语音流量, 以及扩展到数据流量, 都可以用特定的马尔可夫模型（如泊松模型）来充分描述, 这些模型在一定程度上可以进行流量的精确分析和有效控制.但随着一体化网络时空大尺度变化、网络规模扩大、用户数量激增与业务种类层出不穷等, 网络中业务流不再是单一的, 而是呈现出高复杂性, 即网络流量高时变、流量强度高突发等, 这种复杂性决定了可将网络流量看作一种类似于“湍流”的自然现象, 即网络流量的自相似性. 网络流量的自相似性是指在不同观测时间尺度网络流呈现相同的突发特性, 即无论增大还是减小时间尺度, 汇聚业务的突发性会得到保持. 如果将网络流量看作是随机过程, 可用如下的数学定义描述自相似.

定义1 连续自相似过程[8]：如果广义平稳随机过程满足

上述是连续的自相似随机过程, 对于离散序列可根据序列二阶特性定义二阶自相似. 广义平稳随机序列的长度为n 的聚集序列定义为

定义3 渐近二阶自相似[8]：如果聚集序列的自相关函数满足条件

关于网络流量的自相似性, 文献[9]指出, 文件的大小和到达时间间隔的重尾分布是导致网络流量自相似特征的主要物理根源. 文献[10]利用ON/OFF 模型建模数据源在发送数据和不发送数据这两种状态之间交替更迭. 其中, ON 对应发送数据期间, 而OFF对应不发送数据期间, 网络流量可以看作是由一系列ON/OFF 源叠加共同作用产生的.

把时间尺度增加K 倍, 那么在（0, Kt]的时间内,链路上传输的累计源包数为

当汇聚的异构链路越多, 汇聚的时间越长, 链路上传输的累计数据包变化规律就是具有自相似统计特征的分形布朗运动, 即数据包数主要由一个常数决定, 而且以这个常数为中心做上下波动. 即当业务源的总数M 和时间缩放因子足够大时（仿真中M 取20, K 取100 s）, 随机过程的统计特性接近于

其中, 设TON和TOFF分别为业务源ON 持续的时间和OFF 持续的时间的对应的随机变量；E（TON）和E（TOFF）分别为它们的均值；c 是一个取决于TON和TOFF分布的因子, BH（t）表示分形布朗运动.

在强对抗、高机动的复杂战场环境下, 一体化网络中的链路随机通断的概率增加, 网络拓扑高动态变化, 如果将网络中链路的通断也看作ON/OFF 过程, 并用ΘON和ΘOFF分别表示链路连通时间和断开时间对应的随机变量. 进一步, 设TON、TOFF、ΘON和ΘOFF均服从重尾分布, 并且当x→∞时, 它们的累积分布函数分别为

认为TON和ΘON同时发生时, 发送数据包；TOFF和ΘOFF只要有一个发生, 则不发送数据包. 于是数据包发送时间的分布函数可用Z=min（TON, ΘON）表示, 数据包不发送时间的分布函数可用Z=max（TOFF, ΘOFF）表示.

于是

这里假设β2>β1, 容易证明

定理1 当业务源的ON 和OFF 时长, 以及链路连接时长均为重尾分布的条件下, 在t 时刻, 对于足够大的M 和K, 聚合行为的统计行为收敛于

式（15）表明, 当业务源的ON 和OFF 时长, 以及链路连接时长均为重尾分布时, 网络流量仍具有自相似性.

1.2 基于网络流量自相似性的缓存容量与服务速率设置（边界）

网络流量的自相似性使得汇聚业务的突发性会得到保持. 异构链路聚集业务的突发性会导致缓存溢出率高、时延变长. 此外, 缓冲区队列长度影响着业务的丢包率和时延, 如果缓冲区太大, 队列的丢包率可以满足要求, 但时延不能得到保障；反之, 如果缓冲区太小, 数据包时延可以满足要求, 但较低丢包率可能得不到保障. 为此, 根据自相似网络流量特点,分别给出了满足丢包率要求的缓存理论最小值, 以及满足时延要求的缓存理论最大值.

为了准确描述异构链路汇聚业务流的自相似性,在此用Norros 提出分形布朗运动业务模型[11]

进一步, 假设允许的溢出概率最大值为ε, 则结合溢出概率表达式可得

于是

因此有：

进一步, 引入具有自相似特性的分形漏桶来描述网络流量的到达曲线[13]

其中,

其中, ρ 为业务长期平均速率；b 为突发量；γ 为正常数（一般取6）；σ 为标准差；H 为自相似参数. 假设网络积压在T 处取得, 即B（t）=b+ρT, 其中, T 为网络节点服务延迟, 包括排队时延、处理时延和发送时延.设业务在网络节点处能容忍的最大时延为dmax, 通常情况下dmax>T, 则网络节点缓存的理论最大值为：b+ρdmax. 于是有

定理3 设网络流量的到达曲线A（t）=ρt+b 符合自相似特性的分形漏桶特性, 其中,, 业务允许的最大延迟为dmax, 则网络节点缓存的理论最大值为

假设链路带宽与缓存服务速率相同为C, 网络的缓存最大值大于等于网络节点的最大积压, 即Cdmax≥b+ρT.得到在最大时延dmax约束下的链路带宽最小值为

综上所述, 得到：

定理4 在定理3 的约束条件下, 链路带宽C 最小值为

其中, ρ 为业务长期平均速率；γ 为正常数（一般取6）；σ 为标准差；H 为自相似参数.

1.3 基于网络流量自相似性的流量预测与控制（规律）

传统网络认为丢包的原因就是拥塞, 通过发送端不断地向网络注入数据, 依据数据包返回的ACK的时延来判断网络是否发生拥塞, 若发生拥塞, 则采取减轻拥塞的措施, 是一种试探性并且事后补救的方法, 无法避免拥塞发生带来的损失. 对于强对抗、高机动复杂战场环境下的无线通信网络, 丢包并不意味着网络拥塞, 有可能是干扰、断链等导致的链路错误或重路由, 由此引起的数据包传输延迟, 如果据此进行流量控制将导致链路利用率的降低和网络吞吐量的下降.

为此, 提出了网络流量预测和控制机制, 揭示了一体化网络流量的规律：缓存溢出概率随缓存尺寸的增加呈现负指数降低, 但溢出概率的增长幅度随自相似程度H 的增大趋于倍增关系（2X）.根据式（17）可以得到P（X>x）与x 的关系曲线如图3 所示.

图3 P（X>x）与x 的关系曲线Fig.3 Relationship between P（X > x）and X

从图中可以看出, P（X>x）随x 的变化趋势与H有关, 当x 超过一定值时, 随着x 的增加, H 越大, 曲线下降越缓慢, 即对于自相似性强的业务流, 增大缓存容量并不能有效地改善溢出.

此外, 网络流量的自相似特性意味着在大范围的时间尺度上存在着低活动和高活动（即突发）的集中时期, 这给基于QoS 服务质量的资源调度带来了新的复杂性, 但同时也开辟了一个网络流量拥塞控制的新的研究途径——即在更大的时间尺度上, 可以利用存在的自相似特性, 通过队列管理与调度等进行更好的拥塞控制.

在流量控制方面, 针对网络流量的自相似特性,提出了基于小波分析和LFSN 模型的网络流量预测和控制方法. 该方法在网络节点处对经预处理的流量做小波分解, 形成包含高频和低频两部分的多个分支, 利用LFSN 模型分别对重构后的单支进行预测并合成流量, 返回预测结果, 发送端根据业务属性,利用动静结合的多级多元令牌桶带宽分配方法控制发送速率, 控制的过程如图4 所示.

图4 基于自相似流量模型的流量控制原理Fig.4 Flow control principle based on self-similarity flow model

由STK 和OPNET 共同构建仿真系统. 卫星网络部分使用66 颗铱星通信系统, 设置2 个需要铱星系统中继通信的地面区域, 每个区域中包含50 个地面终端. 其中, 星间链路带宽25 Mb/s, 终端与卫星链路带宽1.5 Mb/s, 采用最短路径算法路由. 如图5 所示,验证表明利用基于预测的流量控制, 其端到端吞吐量最多可提高约40%.

图5 基于预测的流量控制的网络端到端吞吐量Fig.5 Network end-to-end throughput based on predictive traffic control

2 基于一体化网络流量理论的异构链路汇聚和异构网络融合机理

在陆军战术防空通信网络中, 采用有线、光纤、短波、超短波、空中中继、卫星等多种异构链路, 构建了地面、空中、天基相结合, 初级战术互联网、战术互联网、专用通信网等多种网络相融合的一体化网络（以下简称一体化网络）. 基于特征、边界和规律“三位一体”的一体化网络流量理论, 实现了一体化网络中异构链路高效汇聚和异构网络融合, 以及面向业务的网系/链路自动优选的网链融合, 支撑了话音、数据、图像、视频等防空业务的高效传输.

2.1 基于一体化网络流量理论的异构链路汇聚机理

在一体化网络中, 异构链路协议差异大、传输速率波动大、业务QoS 需求差异大, 导致异构链路汇聚复杂. 国内外现有基于流量短相关特性的汇聚技术,无法准确刻画流量突变导致的汇聚难点, 不能有效解决上述问题.

为此, 提出了基于一体化网络流量理论的异构链路汇聚新机理[14-18], 实现了异构链路的高效汇聚,破解了一体化网络系统互联互通的技术瓶颈. 各关键技术之间的交互关系如图6 所示.

图6 基于一体化网络流量理论的异构链路汇聚关键技术Fig.6 Key technologies of heterogeneous link aggregation based on integrated network traffic theory

本文重点阐述队列综合调度, 自适应帧生成, 队列管理解决与谁汇聚的问题, 自适应帧生成解决何时汇聚的问题, 队列调度和队列综合调度解决高效汇聚的问题, 其关系如图7 所示.

图7 异构链路汇聚流程Fig.7 Heterogeneous link aggregation process

2.1.1 基于一体化网络流量自相似性的队列综合调度方法

在传统研究中, 队列管理算法主要负责节点缓存资源的分配, 队列调度算法主要负责链路带宽资源的分配, 两类算法研究成果的相关性弱、耦合度低. 然而, 从资源管理的角度来看, 队列管理和队列调度是相辅相成、紧密耦合的, 只有两者相互配合才能获得最优的流量控制效果. 为此, 基于一体化网络的网络流量特征, 提出了一种队列管理算法与队列调度算法相结合的队列综合调度方法[13].

1）队列管理算法

本文1.1 节中阐明了一体化网络流量的特征, 网络流量强度高突发, 即流量的自相似性, 依据定理2和式（17）, 自相似性越强, 异构链路汇聚节点的排队性能受到的影响越大, 单纯依靠增加缓存容量, 并不能显著改善系统性能, 甚至会增加延时. 为此, 构建基于Hurst 参数的长度阈值计算模型, 设计基于流量突发性表征参数以及流量等级预测结果的分组丢弃概率, 即何时丢包？丢什么样的包？解决和谁汇聚的问题. 该算法采用基于Hurst 值与优先级的两级丢包策略, 即包丢弃概率Pb 由两级丢弃概率, 粗粒度丢弃概率Pb1 和细粒度丢弃概率Pb2 决定. 粗粒度丢弃概率Pb1 重在对所有包的公平性, 即依据网络流量的平均速率m、方差系数a 和Hurst 值, 调整下一时间间隔内包的丢弃概率的大小；细粒度丢弃概率Pb2, 重在确保VIP 业务优先传输. 为每个队列分配一个优先级, 同一个队列中的包具有相同的优先级,根据包的优先级调整细粒度丢弃概率.

由此, 既保证了队列的包丢弃概率依据流量的自相似程度动态调整, 又保证了高优先级业务具有较低的包丢弃概率.

2）队列调度算法

在完成队列管理算法设计的基础上, 设计了基于边界可移动的队列调度算法. 根据业务优先级和队列等待时间完成队列的动态赋权与敏捷调度, 解决高效汇聚的问题. 将队列分为VIP 队列、同步队列和异步队列, 队列中的数据则相应为VIP 数据、同步数据和异步数据. 由于VIP 数据要随到随传, 下面重点分析同步队列的调度算法、异步队列的调度算法和队列综合调度方法.

a）同步队列的调度算法

对于视频业务和音频业务的同步队列的传输,设计了一种新的加权周期轮询调度算法, 即如果分配给同步队列VC1、VC2 的时隙数分别为n1、n2,时隙数n1 内首先调度n1 个VC1, 时隙数n2 内再调度n2 个VC2. 实现了同步业务基于公平性的传输时延性能的提升.

b）异步队列的调度算法

对异步队列, 在传统动态优先级调度算法的基础上, 设计了一种自适应动态优先级调度算法：

即构建各异步队列的动态优先级Dpi, 并设置每个异步队列的最大延时Ti,

式中, Dpi为包丢弃概率Pi时第i 个队列的动态优先级；mi为第i 个队列的紧迫度系数, 当该队列有待传的帧时；Bi为1, 否则Bi为0；Fi为第i 个队列在缓存内待传的帧数为第i 个队列的时延, Ti为第i 个队列的最大时延.

判断是否有超过最大延时的异步队列, 若有选择超出时间最多的一个；否则传送动态优先级最高的异步队列.

3）队列综合调度方法

将队列管理算法和队列调度算法有效结合起来,提出了基于一体化网络流量自相似性的队列综合调度方法（HPRED-DS）. 在队列管理阶段, HPRED 算法重点解决节点缓存资源的分配, 在队列调度阶段, 边界可移动的VIP/同步/异步队列混合调度算法进行动态调度, 重点解决带宽资源的分配, 进一步提升汇聚的效率,即高效汇聚,具体算法见文献[14].

利用MATLAB 仿真工具对HPRED-DS 算法性能进行了验证, 参数设置为：Qmax=200 packets, Qmin=100 packets, 每帧封装的包个数N=3. 各虚拟信道的平均包到达率（packets/s）、优先级和紧迫度系数如表1 所示.

表1 虚拟信道参数设置Table 1 Setting of virtual channel parameters

结果如图8～图9 所示. 验证表明：在保持高处理效率和吞吐率的同时, 该算法可稳定队列长度, 平均排队时延降低40%以上, 实现了对战术指挥控制网络中异构链路传输业务的有效管理.

图8 各队列的队列长度（H=0.8）Fig.8 Queue length of each queue（H=0.8）

图9 排队延时Fig.9 Queuing delay

2.1.2 面向多业务多链路的自适应帧生成方法

基于一体化网络流量的边界与规律, 对未被丢弃的包, 设计最优帧长, 确定VIP 数据、同步数据和异步数据等的最佳成帧时间, 保障复用效率的同时, 降低时延敏感业务的成帧时间, 解决何时汇聚的问题.

VIP 数据、同步数据和异步数据这3 类数据的成帧方式如下：

1）VIP 数据的成帧方式

VIP 数据的实时性最强, 用VIP 虚拟信道传输,只要出现VIP 数据, 则VIP 虚拟信道将抢占系统的资源, 采用即入即出的成帧方式, 使其在最短的时间内得到传输.

2）同步数据的成帧方式

音频、视频等流媒体的帧之间具有严格的时序性和实时性, 因此, 构建了基于同步虚拟信道分配的等时成帧方式.

3）异步数据的成帧方式

有效载荷状态、基于作战效果评估的战后复原等异步数据, 时序性和实时性低, 因此, 构建基于异步虚拟信道动态传输的等长成帧方式.

然而, 在一体化网络中, 10 多种以上异构链路并存, 传输路径此断彼通、信道状态多变. 当传输信道状态变化时, 固定的帧长会造成吞吐量大幅降低, 从而影响系统性能. 为此, 根据信道状态完成了自适应帧长的设计, 获得了最优帧长, 保证了系统吞吐量始终最大化[15].

a）帧长与吞吐量的关系模型

成帧解决了何时汇聚的问题, 汇聚后系统的传输性能是由归一化吞吐量来描述的, 归一化的吞吐量定义为

其中, r 为信道编码效率；ηf为帧效率（传输帧中帧数据域长与帧长之比）, ηd为帧数据域的效率, 假设为1；Lf为帧长；pe为信道误比特率, 设信道为无记忆随机差错信道, 即前后码元互不相关, 具有等概率无记忆特性. 由式（28）可得不同信道误比特率下帧长与吞吐量的关系如图10 所示.

图10 不同误比特率下帧长与吞吐量的关系Fig.10 Relationship between frame length and throughput under different bit error rates

图10 描述了归一化吞吐量与帧长Lf、信道误比特率pe之间的关系. 当pe小于10-6时, 帧长对吞吐量性能影响较小, 即信道传输特性较好时, 帧长可取较大值, 以提高帧效率；当pe大于10-5时, 帧长对吞吐量性能影响较大, 吞吐量随着帧长的增大有一个小幅增量, 然后迅速下降. 因此, 需要基于信道传输特性, 设计最优帧长（Lfo）, 使系统获得最大吞吐量.

b）最优帧长设计

其中,Cf是帧头的长度,由0

图11 不同误比特率情况下的最优帧长Fig.11 Optimal frame length under different bit error rates

图12 比较了3 种调制下, 采用最优帧长和固定帧长时系统的归一化吞吐量. 其中, 固定帧长分别选取了1 024 B、500 B、100 B 和50 B, 如图12 所示.

图12 本算法与固定帧长的吞吐量比较Fig.12 The throughput of this algorithm compared with that of fixed frame length

验证结果表明：在BPSK、8PSK 和16QAM 3 种调制方式下, 本算法设计的最优帧长明显大于任意一种固定帧长条件下的归一化吞吐量, 能够显著提升大容量数据业务吞吐能力.

2.2 基于一体化网络流量理论的异构网络融合机理

在陆军战术防空通信网络中, 异构网络包括战术电台互联网、超短波指挥/情报网等, 异构网络中IP 和ATM 等交换方式并存, 国内外现有的网络互联方式设备复杂、转换效率低、路由收敛慢导致系统无法有效互联互通和快速动态重组, 难以满足多业务多QoS 需求.

为此, 提出了基于一体化网络流量理论的异构网络融合新机理[16-23], 构建MPLS 多协议标签交换架构, 从而有效屏蔽协议类型及数据单元格式的差异性, 解决“联得通”的问题. 基于网络流量特征以及业务的差异化传输需求, 构建多业务路由优化方法, 解决“传得快”的问题, 实现对网络资源的统一调配与集中控制, 以及网络层ATM、IP 等不同交换体制间的信息交互, 保障承载数据分发的及时性, 破解了系统快速动态重组的难题. 本文重点分析多业务路由优化方法.

本文的1.3 节揭示了一体化网络流量的规律, 提出了基于小波分析和LFSN 模型的网络流量预测方法, 以此预测结果作为输入, 针对当前一体化网络路由方案缺乏对业务QoS 需求与链路实时状态关联关系的考量, 导致多业务路由收敛慢、网络效率低的问题. 综合分析不同业务对QoS 的不同要求, 利用动态本征向量法确定丢包率、时延抖动、带宽等多QoS指标的权值, 将一体化网络的多业务路由问题转化为多目标决策优化问题, 构建一种基于多目标决策的多业务路由优化方法.

2.2.1 一体化网络业务QoS 指标的表征模型

一体化网络业务种类繁多, 不同业务有不同的QoS 要求, 一体化网络中QoS 指标包括：丢包率、时延抖动、带宽等, 可分别用可乘性参数、可加性参数和凹性参数来描述. 用Sij表示第i 条链路的QoS 中j指标值；TS表示整个路径的QoS 指标值；TS 表示整个路径的链路集, 则丢包率、时延抖动、带宽等表征模型如表2 所示.

表2 QoS 指标的表征模型Table 2 Characterization model of QoS index

2.2.2 基于多目标决策的多业务路由优化方法

利用动态本征向量法确定了不同业务的丢包率、时延抖动、带宽等QoS 指标的权值后, 构建多目标决策优化方法.

在可行链路域存在多条可选链路, 对于A 类业务, 若链路i*, 其丢包率、时延抖动、带宽等QoS 指标分别都满足下列条件：

多目标决策优化方法就是为每种业务寻找与理想链路最接近的实际通信链路组成的传输路径, 即满足以下条件的实际通信链路

其中, i 为A 业务TS 传输路径中第i 个链路；wj为A业务中第j 个QoS 指标的权值；（j=1, 2, …, N）；N 为A 业务的QoS 指标数.

采用1.3 节设置的仿真拓扑, 2 个通信区域内终端数目设置为各15 个, 其他参数设置相同. 对上述多目标决策的多业务路由优化算法的性能进行了验证, 如图13、图14 所示.

图13 网络吞吐量Fig.13 Network throughput

图14 负载分布指数Fig.14 Load distribution index

验证结果表明：该算法使得网络吞吐量提升16%以上, 同时均衡了负载.

2.3 陆军战术防空通信网络网链融合的实践

针对陆军防空指控通信网络, 基于一体化网络流量理论的异构链路汇聚机理, 即通过队列综合调度、自适应帧生成和变速率传输的协同获得最优流量控制, 形成了异构链路寻址交换体系；基于异构网络融合机理, 即通过多协议标签交换、多业务路由优化和路由快速收敛的协同, 获得均衡流量, 形成了异构网络寻址交换体系, 如图15 所示.

图15 陆军防空指挥通信网络网链融合关键技术示意图Fig.15 Schematic diagram of key technologies of network chain integration of army air defense command and communication network

3 一体化网络流量理论和关键技术面临的挑战

近年来, 美军不断创新作战理论, 提出了多域联合作战、马赛克作战、分布式作战、无人机蜂群作战等新型作战样式, 使得战争从网络中心战向智能化战争飞速转化. 我军为应对新军事变革, 加速从网络中心战向智能化战争转变. 支持网络中心战的是天地一体化通信网络系统, 支持智能中心战的是天地一体化智能通信网络系统. 增加“智能”后, 智能网络具有了新的特征, 天地一体化智能网络最显著的特征, 就是节点绿色泛在, 关键节点具有计算和存储功能. 节点绿色泛在使得网络流量的强突发性进一步增强, 关键节点由于具备计算能力, 原来的大容量数据得到处理变成小容量数据, 数据的内容得到压缩,流量特性将随之改变, 由于具备存储和转发能力, 网络流量的突发性得到减弱或增强, 流量特性也将随之改变. 上述变化将影响网络流量聚合与传播中数据包的分布规律和统计特性, 使得与时间相关和连接相关的流量特征描述发生变化, 降低了流量分类的可靠性, 影响网络流量模型、链路汇聚和网络融合. 因此, 智能网络流量理论如何描述？基于智能网络流量理论能否有效实现智能网络中异构链路的高效汇聚？能否实现智能网络中多网络的统一承载等,是新的挑战和难点所在.

4 结论

本文提出了支撑高效互联互通和快速动态重组的一体化网络流量理论, 揭示了基于一体化网络流量理论的异构链路汇聚机理、异构网络融合机理, 应用于陆军战术防空指挥控制系统, 破解了陆军战术防空通信网络互联互通差导致混编使用难、动态重组慢导致多代指挥弱等难题. 但是面向智能化战争,智能网络应运而生, 其关键节点的计算与存储功能,给网络流量理论和基于网络流量理论的异构链路高效汇聚和智能融合带来了新的挑战, 也将成为未来的难点和研究热点.