基于负载均衡的低轨卫星网络动态路由算法

顿聪颖，金凤林，谭诗翰，祁春雨

(1.陆军工程大学 指挥控制工程学院，江苏 南京 210007；2.中国人民解放军31697部队，辽宁 大连 116100)

0 引言

随着互联网、物联网及移动终端的普及和发展，人们对随时随地接入网络的需求越来越迫切，卫星网络因其覆盖范围广、不受地面灾难影响、能以低成本实现无处不在的通信而备受关注。卫星在5G生态系统中发挥了重要作用， 2017年6月，欧洲成立Sat5G (Satellite and Terrestrial Network for 5G)联盟[1]，探索卫星采用5G的可靠方案。即将到来的6G将通过卫星网络与地面蜂窝网络、机载网络集成到一个无线系统中[2]，形成全球无缝立体覆盖，实现无盲区宽带移动通信。作为天地一体化信息网络的重要组成部分[3]，各个国家都在积极发展卫星网络。

路由技术是卫星通信网络的核心，旨在保证数据在卫星节点间的高效、可靠传输。由于卫星网络与地面网络存在较大差异，难以采用地面网络中成熟的路由技术，因此需要设计符合卫星网络特点的路由策略。卫星网络的典型特点之一是网络负载不平衡。从整体看，由于卫星网络用户密度和流量需求分布的不均匀，使得卫星网络资源利用不平衡。对于单个卫星，由于卫星与地面的相对运动，单个卫星的流量负载也在不断变化，覆盖陆地的卫星一段时间后可能覆盖海洋。针对卫星网络负载不平衡的问题，已有一些解决办法被提出，基于有限状态机的链路分配方案[4]将系统周期划分为有限个时间片，并将每个时间片的网络拓扑视为一种状态，通过地面控制中心离线计算每个状态的最优路径提前上传至卫星。文献[5]提出了分布式负载均衡路由方案，从源节点到目的节点建立多条链路来共享网络流量。LIU等[6]改进了Dijkstra算法，通过降低节点的重用频率来实现负载均衡。这些算法可以在一定程度上减轻网络拥塞，但都忽略了卫星节点的拥塞程度与其覆盖区域内用户量密切相关，对流量动态变化适应性差。

对此，本文针对低轨卫星网络负载不平衡和服务高负载区域的卫星更容易发生拥塞的问题，提出了一种基于负载均衡的低轨卫星网络动态路由算法——DLR。通过改进的蚁群算法计算出尽可能绕过高负载卫星的路径，实现全局范围内均衡网络负载。对于突发的流量拥塞采用逐跳分流的方式，进行实时路由调整，从而达到更好的负载均衡效果。与经典算法比较发现，提出的算法可有效消除网络拥塞。

1 相关概念

1.1 LEO卫星网络负载均衡路由策略分类

LEO卫星网络负载均衡路由从实现效果上可分为全局负载均衡和局部负载均衡。全局负载均衡收集全网的负载状态信息，根据当前网络状态，做出全网范围内的流量均衡策略，整体的负载均衡效果好，但通信开销大，对网络拥塞的反应不灵敏。局部负载均衡允许每颗卫星根据自己的本地负载状态信息独立地做出负载均衡决策，可以对网络拥塞做出快速反应，实现局部范围内的负载均衡，通信开销较小，但容易造成局部最优或级联拥塞[7]。文献[8]提出，为了缓解卫星网络中流量集中在较高纬度的影响，路由算法应该支持链路之间更加均匀的负载分担。

典型的全局负载均衡路由算法中，基于链路状态的路由方案[9]将传播时延和排除时延的总和作为链路代价。文献[10-11]引入了位置修正因子，将热点区域的流量引导到非热点区域。文献[9-11]都是在链路代价最小的一条路径上进行数据传输。文献[12-13]则选取最优的多条路径进行数据传输。在地面网络SDN思想启发下，基于分段路由的负载均衡算法动态划分轻重负载区域，在不同区域采用不同路由方法。典型的局部负载均衡路由算法中，显式负载均衡路由算法[14]在相邻节点间交换拥塞信息，相邻卫星搜索替代路径分流。以此为基础基于信号灯的智能路由策略[15]根据信号灯颜色动态调整路由，同时提出公共等待队列方案降低丢包率。文献[16-17]将流量分解为可预测部分和突发部分，根据流量分布空间和时间的变化采用全局策略，并对突发流量引起的拥塞多跳分流。

1.2 卫星节点状态分类

卫星用户密度和流量需求的分布是可知的，服务于用户密集、流量需求大的区域的卫星更容易发生拥塞。因此根据用户密度和流量需求分布，将卫星覆盖区域分为高负载区和低负载区。覆盖高负载区域的卫星，随时有可能作为源节点或目的节点发送或接收数据包，发生拥塞的可能性更大。

根据卫星网络用户分布和数据传输过程中链路的队列占用率Q，把卫星分为3种状态：正常状态(NS)、警告状态(WS)和忙碌状态(BS)。在初始阶段，卫星网络中没有数据传输，卫星只有正常状态和警告状态2种，覆盖高负载区的卫星为警告状态，覆盖低负载区的卫星为正常状态。数据传输过程中，服务低负载区域的卫星队列占用率q超过阈值μ或服务高负载区域的卫星队列占用率超过阈值θ，卫星进入忙碌状态，其中μ>θ。卫星节点的状态转换如图1所示。根据卫星状态执行相应的负载均衡。设置服务低负载区域卫星的阈值更大，是为了避免不必要的负载平衡。设置服务低负载区域的阈值较小，可以立即对高负载区域卫星的流量做出反应。算法中全局负载均衡和局部负载均衡都在区分节点状态的前提下实现。

图1 卫星节点态转换Fig.1 State transition of satellite nodes

1.3 LEO卫星网络模型

为了屏蔽拓扑的动态变化 ，采用虚拟拓扑策略。在给定的时间间隔T内，LEO卫星网络可建模为G=(V,E,T)的有向图。其中T={t1,t2,…,tn}，即T可以被划分为n个时间片，且在每个时间片内拓扑保持不变。V是LEO卫星节点的集合，每颗卫星对应一个节点v，E={eu,v|u,v∈V}是链路的集合，eu,v=1表示节点u和v之间存在直接相连的链路。每颗卫星最多维持4条直接相连的星间链路(ISL)，分别为2条同轨道的轨道内链路和2条相邻轨道的轨道间链路。

2 算法设计与实现

2.1 设计目标

本文提出的LEO卫星网络负载均衡路由分为2个阶段实现：第1阶段为最优路径建立阶段，通过改进的蚁群算法实现全局范围的负载均衡；第2阶段为局部路由调整阶段，卫星节点变为忙碌状态时逐跳分流以实现局部的负载均衡。局部和全局2种方法相结合，可以达到更好的负载均衡效果。

Metachronous gastric cancer means here that a new cancer is found separately from an initial cancer with or without H. pylori. The metachronous gastric cancer contains gastric cancer after H. pylori eradication.

2.2 基于蚁群算法的全局负载均衡

2.2.1 蚁群算法简介

蚁群算法是意大利学者Dorigo[18]从蚁群觅食过程中获得灵感而提出。蚂蚁在环境中随机漫游，以确定食物来源，并寻找食物到巢穴之间的最短路径。为了交换路径信息，蚂蚁通过释放信息素的化学物质进行交流。当蚂蚁从巢穴移动到食物来源时，会在所经过路径上留下信息素。当绝大多数蚂蚁跟随时，这条路径变得更有吸引力。利用这种机制，蚂蚁能够高效地将食物从源头运送到巢穴。蚁群算法最早被应用于解决TSP问题，之后又被广泛用于解决车间作业调度问题、车辆派遣问题、机器人问题和网络路由问题。表1总结了传统路由算法与蚁群算法在路由信息、路由开销和负载均衡等方面的性能比较。

表1 蚁群算法与传统算法的比较Tab.1 Comparison between ant colony algorithm and traditional algorithm

创新人才应该拥有宽广深厚的文化基础知识，能通专结合，具有强烈的社会责任感以及独立的人格。通过经典阅读来促进创新人才培养，温故而知新，经典常读也会常新，在理论与实际、历史与现实之间，搭建一座智慧沟通桥梁。美国的约瑟夫·斯科特·李曾经说过：世界经典如《对话录》、《论语》，“它教导学生处处思考和感受人类关心的那些具有深刻意涵和基础性事物，跨越众多的学科、文明和时代——不是简单地重现过去，而且也想象未来”。

2.2.2 数据结构

将蚁群算法中的蚂蚁抽象为两类：前向蚂蚁和后向蚂蚁。前向蚂蚁由源卫星节点生成并发送至目的卫星节点，主要负责路由信息收集。后向蚂蚁由目的卫星节点生成，沿与前向蚂蚁相反的路径到达源节点，负责路由表的更新。在卫星网络中，蚂蚁的数据结构包含以下字段：

Ant_typesrcdstNeighborNeighbor_stateVsVs_time

其中，Ant_type为蚂蚁类型，src为源卫星节点，dst为目的卫星节点，Neighbor、Neighbor_state分别为蚂蚁可选的邻居节点集合和邻居节点状态，Vs和 Vs_time为蚂蚁已访问的卫星节点集合及经过各节点的时间戳。

为了记录和更新路由表，每颗卫星节点维护节点负载表和路由表，节点负载表记录本地节点和邻居节点负载情况，负载表结构为：

Node_IDNode_stateNeighborNeighbor_state

其中，Node_ID为当前节点，Node_state为当前节点状态，Neighbor为邻居节点，Neighbor_state为邻居节点状态。state=2表示节点处于正常状态，可以作为下一跳节点；state=1表示节点处于警告状态；state=0表示卫星节点处于忙碌状态，路由过程中应尽量避免选择警告状态和忙碌状态的节点作为下一跳。

路由表用转移概率表代替，表示目的卫星节点时当前卫星节点在邻居节点集中选择某颗卫星作为下一跳的概率，路由表结构为：

dstNeighborPij

其中，dst为目的卫星节点，Neighbor为邻居节点，Pij为节点i选择邻居节点j作为下一跳的概率。当数据包经过卫星节点i时，卫星i会根据自身路由表转发数据包。

2.2.3 路径选择规则

(1) 状态转移规则

前向蚂蚁根据以下规则来选择下一跳：首先判断目的节点是否在邻居节点集中，若在，则下一跳为目的节点；若目的节点不在邻居节点集中，则根据下式确定转移概率：

(1)

在卫星网络中，高流量负载的节点很容易成为网络瓶颈，因此增加了节点状态信息和QoS信息，在保证服务质量的同时，蚂蚁更倾向于选择正常状态节点作为下一跳，最优路径倾向于绕开覆盖高负载区域的卫星节点，路径的负载能力更强，降低拥塞发生的可能。因此将启发函数设置为链路质量的度量：

开展施工作业的时候，应当在完成了排水管道施工之后，对其进行压力试验，有助于了解施工的质量情况，对产生的问题及时予以补救，提高工程建造的质量。试验的方法可以利用气压和水压，可以通过管道的性能来判断和掌握要采用哪种方式。在试验过程中，详细检查管道的施工接缝位置，并记录结果。如果使用PP－R管的管材，那么就要开展两次试验，可以设置在整个施工的前期和后期，在试验的过程中，应当着重注意两个方面的问题。首先是连接部位，其次是室内管道部分。这些地方尤其要注意它们的密封性是否良好，否则水不能够正常地被排放出去就会引发事故。

(2)

(2) 信息素更新规则

下田插秧前还要对插秧机作一次全面仔细的检查调试，以确保插秧机能够正常工作。并要根据大田的肥力、水稻品种等，对插秧的株距、插秧的深度、每穴的秧苗株数进行检查和调整。

局部调整示图和调整后的路由表如图3所示，在使用蚁群算法计算的最优路径进行数据传输的过程中，卫星S10进入拥塞状态，会通知上一跳卫星节点S6以比率χ减小向S10的数据发送速率，同时查看自身路由表，选取除节点S10之外的转移概率最大的节点S5为分流的下一跳节点，并将1-χ比率的流量通过路径S6→S9→S13进行传输。同时，S6的路由表也随之更新。同时，因为蚁群算法蚂蚁访问列表的存在，数据包不会回传到S7。

τij(0)=j_state×C，

(3)

式中，j_state为卫星节点j的状态值，初始状态卫星节点只有正常状态和警告状态；C为常数。

式(3)的定义可以使覆盖高负载区域的节点信息素浓度更低，而相对空闲的卫星节点链路信息素浓度高，可以降低流量需求高路径的信息素浓度积累，避免流量聚集导致的网络拥塞，相比传统蚁群算法初始化信息素浓度相同，收敛速度更快。

前向蚂蚁到达目的节点后死亡，后向蚂蚁沿前向蚂蚁的路径更新信息素：

τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)，

(4)

(5)

(6)

每次聊天，高潮和“诗的妾”都是这样，任何事情，即便再风马牛不相及，都能与性津津有味地牵扯在一起，晦涩，暧昧。谁让两人都是诗人，都有着无比丰富的天才想象力呢。这样的聊天，让两人在虚拟的世界里彼此吸引，成了一对“模范夫妻”，一天不搭讪，就觉得心里空空荡荡的。

与自然界中蚂蚁相遇时触角碰触交换信息相似，当前向蚂蚁与后向蚂蚁相遇时，前向蚂蚁复制后向蚂蚁记录的数据，在选择下一跳卫星节点时可以使用到更全面的信息，从而加快收敛速度。

局部卫星网络拓扑快照及相关节点的路由如图2所示。

图2 局部网络拓扑和路由表Fig.2 Local network topology and routing table

在该拓扑中，卫星节点S1处于警告状态，其余卫星节点均处于正常状态。卫星节点S3有需要发往S13的数据。每个卫星节点都包含到邻居节点的转移概率的路由表，根据路由表，节点S3会选择路由表中转移概率最大的邻居节点S7作为下一跳；同理，卫星S7会选择S6作为下一跳，卫星S6会选择S10作为下一跳，卫星S10最后把数据包发送到目的端卫星S13。通过蚁群算法得到的最优路径为S3→S7→S6→S10→S13,路径绕过了覆盖拥塞区域的卫星S11。

综上所述，中国的乳企和养殖者之间的合约是一个权利义务相当不对等的合约，养殖者被限制交易对象的对价应该是买方保证以合理的价格收购其全部产品。对合约公平性的想象是初始合约的“参照点”，当事后谈判力弱的一方感受自己的权力受到侵害，就会“粗糙”地履行合约，导致其关系专用性投资不足，直至最终退出交易。

2.3 局部路由调整

通过上述蚁群算法可以得到尽可能绕过拥塞区域的最优路径，在很大程度上满足全网流量均衡的需求。然而，由于蚁群算法搜索时间较长，且在2次路由表更新之间可能会出现突发的流量拥塞，不能实时反映网络中负载变化情况。因此，设计局部路由调整处理突发的流量拥塞，进行实时路由调整，弥补全局负载均衡反应的不及时，从而达到更好的负载均衡效果。

每颗卫星维护一个节点状态监测定时器，以固定的时间间隔δ检测链路排队长度q，判断卫星节点状态并与相邻卫星交换状态信息。当卫星s发现链路队列占用率大于1.3节提到的阈值，进入忙碌状态时，会通知上一跳卫星分流。上一跳卫星节点根据蚁群算法计算出的转移概率表，选择除s节点外的转移概率最大的卫星节点e作为替代路由，并以比率χ降低向s的发送速率，剩余的1-χ比率的流量将发送到卫星节点e。

由于卫星节点有到邻居节点的概率表，因此与ELB等经典局部负载均衡相比，不需要重新计算备用路径，而是直接查找概率表进行分流，减少了替代路径搜索的计算开销，提高了局部调整的反应速度。此外，局部分流后，节点会根据分流比率更新转发概率表，以供蚁群算法在路径构建过程中使用。

为了降低通过高负载区域卫星流的数量，定义初始化信息素浓度为：

图3 局部调整示图和调整后的路由表Fig.3 Local adjustment graph and adjusted routing table

此外，存在2种不分流的情况：① 如果一颗过载卫星的相邻卫星的所有相邻卫星都处于忙碌状态，则不会分流；② 忙碌状态的卫星与目的卫星节点直接相连时，不进行分流。

算法的负载均衡是建立在卫星节点状态变化 的基础上的，因此设置合理的阈值以区分卫星节点不同状态至关重要。下面讨论队列占用率阈值设置和分流比设置。

(1) 队列占用率阈值设置

由表1可以看出，蚁群算法更能适应卫星网络拓扑变化频繁、流量分布不均匀的特点，且蚁群算法可扩展性高，易与其他算法结合，因此本文选择蚁群算法进行卫星网络的全局负载均衡路由。

合理选取局部路由调整阶段的队列阈值，避免卫星在高负载时发生丢包。考虑特殊情况，t时刻进行卫星状态检测时，卫星u输出链路上队列占用率接近但不超过调整阈值，此刻卫星仍处于正常状态或警告状态，但当检测时刻刚过，由于数据的持续输入队列占用率超过阈值，但还需等待δ+d时间(d为链路传输时延)卫星状态才会转换为忙碌状态。为了保证不发生丢包，链路的队列占用长度应不超过总长度，因此需满足：

以某3×750 t/d的生活垃圾焚烧发电项目为例，烟气排放设计值较严格，HCl和SO2的日均值和小时均值皆为10 mg/m3。烟气脱硫采用半干法（石灰浆） +干法（消石灰） +湿法（NaOH） 的处理工艺，其中干法为备用。

(7)

(8)

已知μ>θ，因此只需满足式(7)即可。

① 确定当前时间片下的卫星网络拓扑图G=(V,E,t)，根据卫星节点状态初始化信息素浓度和α，β，ρ等参数，设置蚂蚁数m，迭代次数N=0，最大迭代次数Nmax。

(9)

(2) 分流比设置

设置分流比的目标是使忙碌状态的卫星在预定时间ε内恢复正常状态或警告状态。设In和It分别为来自相邻卫星节点和来自覆盖区域内用户终端的流量速率。当覆盖低负载区域的卫星状态由正常状态转换为忙碌状态时，相邻卫星会降低发送速率，拥塞链路队列占用长度为：

(10)

为了使卫星在ε内恢复正常状态，即将队列占用率降低到α以下，则应满足：

(11)

式中，I′n为调整后邻居节点的发送速率。取临界情况：

(12)

分流比可通过下式计算：

(13)

同理，对于覆盖高负载区域的卫星可通过式(13)～式(15)计算分流比：

(14)

(15)

2.4 算法步骤

图5～图7分别显示了不同终端发送速率下使用DSP,ELB和本文提出的DLR算法下的低轨卫星网络丢包率、平均时延、吞吐量和流量分布指数。可以看出,相比DSP和ELB，DLR有更好的性能。

数据应用SPSS18.0进行分析，其中计数进行χ2（%）检验，计量进行t检测（±s）检验，P＜0.05提示有显著差异。

图4 算法流程Fig.4 Algorithm flow chart

④ 前向蚂蚁移动到节点j，判断j是否为目的节点d，若是，转到⑤；否则，重复③继续寻找下一跳节点。

选择-0.074 mm占41.41%、60.00%、80.00%、89.29%、99.59%的磨矿细度进行细度试验。磁性分析表明该矿以强磁性矿物为主，故磨矿细度试验采用弱磁选，弱磁选条件：磁场强度110.00 kA/m，给矿浓度35.00%。试验结果见表6。

② 确定业务流的源节点s和目的节点d，将源节点设置为蚂蚁的当前节点i，m只蚂蚁放置于当前节点，N=N+1。

③ 将当前节点i加入到已访问节点列表，每只前向蚂蚁根据式(1)独立地选择下一跳节点j。

算法的具体实现步骤如下：

⑤ 前向蚂蚁到达目的节点死亡，生成后向蚂蚁，后向蚂蚁沿前向蚂蚁经过的节点返回源节点，根据式(4)～式(6)更新链路信息素浓度，并利用新的信息素浓度更新概率表。

⑥ 判断是否进行了局部路由调整，如果是，根据调整情况更新概率表。

⑦ 若N

旅游者使用航空交通工具从出发点被带到旅游目的地，这样一来相关地区的旅游地区就会形成大量的客流源，在一定程度上带动当前地区旅游业的发展。城市当中具有的机场的数量以及相关的规模也会对进入旅游地区的人数产生重要的影响，所以说航空业能够有效地带动旅游业的发展。航空也在无形之中带动旅游业的发展，旅游业也在无形之中推进航空业的发展，两者合作共赢，相互提高。

3 仿真实验与结果分析

该节主要讨论所提算法的性能。作为比较条件，在相同场景下实现了以传播时延和排队时延作为链路代价的DSP算法和经典的局部负载均衡算法ELB。在仿真中，主要测量了终端发送速率0.5～1.4 Mb/s的链路的平均端到端时延、丢包率和流量分布指数。模拟持续时间设置为卫星绕地球运行所需的时间6 026.9 s。

3.1 仿真场景设置

本文使用网络仿真软件NS2.35评估所提算法的性能。在NS2.35中搭建了一个类铱星星座场景，其星座参数如表2所示。

表2 铱星星座参数Tab.2 Parameters of Iridium constellation

网络拓扑由铱星网络和用户终端组成。用户终端通过LEO卫星网络进行通信。终端采用ON/OFF流量发生器，周期服从参数为1.5的Pareto分布，突发和空闲的平均时长均为200 ms。星地链路和星间链路带宽均设置为25 Mb/s。数据包大小为1 kB，每个链路有一个长度为1 000个数据包的缓冲队列。蚁群算法的相关参数对算法的性能有比较大的影响，经过多次实验，选取了性能较好的组合。取m=40，α=2，β=3，ρ=0.6。流量分布如表3所示。

为模拟真实的分布，根据表6在各大洲之间设置1 800个流。各个大洲占全球的比例关系依据是其他大洲到该大洲所占的比例关系，本文简单认为到该大洲及从该大洲发出的流量是线性关系，即到该大洲的流量越多，该大洲发送的流量也越多。

3.2 结果分析

本文所提算法的执行流程如图4所示。该算法借鉴了按需路由的思想，每个卫星节点只保存相邻节点的拓扑信息，当有数据包通信任务时，才开始执行算法，寻路过程中及路径建立后，通过局部路由调整处理局部拥塞。

其验证流程也十分简明，客户端使用用户凭据登录系统，服务器验证通过后，依据上述规则生成jwt 返回给客户端。客户端之后在向服务器请求时，通过header 中的Authorization 字段以Bearer 形式携带此token 来发送至服务器端验证身份和权限。一般的token流程可以由图2 来表示，申请为1～2 步骤进行，请求资源以3～6 步骤进行。

图6 不同发送速率下的平均时延Fig.6 Average delay at different transmission rates

图7 不同发送速率下的流量分布指数Fig.7 Traffic distribution index at different transmission rates

根据丢包位置的不同，卫星网络的丢包率可以分为星间链路丢包率和星地链路的丢包率。算法主要针对星上路由，因此星间链路丢包率更能体现算法性能，测量的丢包率为星间链路丢包率。由图5可以看出，所有算法的丢包率都随着终端发送速率的提高而增大，且DLR都有最小的丢包率，这是因为DSP只使用最短路径进行流量传输，不能快速响应网络中的流量变化，流量大时必然导致最短路径上的丢包。ELB算法是在最短路径算法的基础上通过局部调整来分流，因此在较低负载时，可以缓解网络丢包，但在高负载时分流有限且会导致级联拥塞，性能下降明显。而DLR使用尽可能绕过负载区域的路径，使得链路的传输压力减小，且在出现即将拥塞时进行局部分流，因此效果最好。

平均时延是网络中所有被成功接收的数据包时延的平均值，由图6可以看出，在低负载时DSP和ELB端到端时延基本相同，DLR稍高，这是因为DLR为了绕开服务高负载区域的卫星，而导致时延增大。但随着负载的增大，DLR显示出了更好的性能，因为DLR由于全局和局部策略的结合显著减小了排队时延。ELB虽然在较高负载时由于局部分流相比DSP排队时延更小，但在高负载时也会产生数据排队。DSP由于只使用最短路径，负载增大时会导致路径较大的排队时延。

然而站上演讲台，一切都不一样了。3个多小时的论坛上，David侃侃而谈，详述新西兰葡萄酒的趋势与变化；两个半小时的大师班，David悉心讲解新西兰每个产区、每款葡萄酒的特色与亮点，大师班的开始高呼三声毛利语，激起了整个课堂的气氛；1个多小时站在品鉴会的入口背景板处与葡萄酒爱好者合照、交流，聚光灯的照射下汗水一次次浸湿手帕；4个小时的晚宴上，致开幕词不忘感谢活动的每一位组织者……晚上11点，第十届金樽奖颁奖典礼落下帷幕，David穿过走廊，慢慢地走回房间。留给他与广州相处的时间不多，第二天的中午他又要登上18个小时的飞机，回到新西兰，开始新一周的工作。

为了评价网络中流量的分布情况，引入流量分布指数TDI：

(16)

式中，m表示星间链路数量；xi表示第i条链路上的数据包个数。TDI的取值为[0,1]，数值越大，表示网络中的流量分布更均匀，负载均衡效果更好。

由图7可以看出，DSP流量分散效果最差，DLR效果最好。这是因为DSP只会在最短路径上传输，ELB可以在负载增加时快速分流，DLR从初始就使用了较多的链路，同时在负载增大时又可以将流量分散到其他路径。

4 结束语

为了有效地应对卫星网络负载的不均衡，缓解网络拥塞，提出了基于负载均衡的低轨卫星网络动态路由方法——DLR。DLR利用了卫星运动的规律主动预防拥塞，能够从全局和局部2个方面优化网络流量分配。实验结果表明，相比于传统的负载均衡路由算法，DLR平均端到端时延更小，丢包率更低，网络中流量更分散，可以为低轨卫星网络提供高效的通信服务。此外，DLR是针对典型的近极轨道星座网络结构提出的，而现实应用中，不同的星座具有不同的结构，尤其正在被深入研究的巨型星座[18]，其网络结构更复杂，拓扑变化更快。因此下一步将提高算法的兼容性，使其能应用在不同网络拓扑结构的卫星网络中。

杨秉奎摇摇头:“这雨不会下一整夜。雨后的蚊子以一当十,以十当百,以百当千当万。不相信的就让他领教领教北大荒的蚊子,哼!”