(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(22)申請(qǐng)日2025.05.07(43)申請(qǐng)公布日2025.06.06地址710000陜西省西安市友誼西路127號(hào)HO4L41/16(2022.(56)對(duì)比文件權(quán)利要求書(shū)1頁(yè)說(shuō)明書(shū)6頁(yè)附圖3頁(yè)其是涉及一種流特征增強(qiáng)后合并的TSN調(diào)度優(yōu)化板匹配生成優(yōu)化調(diào)度方案；在檢測(cè)到流量波動(dòng)請(qǐng)通過(guò)引入流特征增強(qiáng)算法和動(dòng)態(tài)門(mén)控調(diào)整機(jī)制，顯著降低大規(guī)模流量和復(fù)雜拓?fù)湎碌膯?wèn)題復(fù)雜度，快速生成優(yōu)化方案，有效保障2所述調(diào)度優(yōu)化單元包括時(shí)間感知整形器TAS、增強(qiáng)型流特征分析模塊ESAM以及門(mén)控自在所述調(diào)度優(yōu)化單元?jiǎng)討B(tài)調(diào)整當(dāng)前周期內(nèi)的門(mén)控配置之前，還包括時(shí)間感知整形器并結(jié)合增強(qiáng)后的流特征信息重新計(jì)算門(mén)控配置；所述門(mén)控自適應(yīng)控制器GAC重新計(jì)算門(mén)控計(jì)算門(mén)控關(guān)閉時(shí)間C,其中T表示當(dāng)前時(shí)間窗口長(zhǎng)度，D表示數(shù)據(jù)流的實(shí)際傳輸延遲；3技術(shù)領(lǐng)域[0001]本發(fā)明屬于時(shí)間敏感網(wǎng)絡(luò)(TSN)調(diào)度優(yōu)化技術(shù)領(lǐng)域，具體為一種流特征增強(qiáng)后合背景技術(shù)[0002]時(shí)間敏感網(wǎng)絡(luò)(TSN)作為一種支持高實(shí)時(shí)性和確定性傳輸?shù)木W(wǎng)絡(luò)技術(shù)，廣泛應(yīng)用于工業(yè)自動(dòng)化、車載通信和多媒體傳輸?shù)阮I(lǐng)域。在TSN中，調(diào)度算法的設(shè)計(jì)對(duì)保證時(shí)間觸發(fā)(TT)流的低延遲和高可靠性傳輸至關(guān)重要。門(mén)控列表(GCL)作為基于時(shí)間感知整形器(TAS)調(diào)度的核心元素，通過(guò)規(guī)定不同時(shí)間段內(nèi)允許哪些數(shù)據(jù)流通過(guò)交換機(jī)端口，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)傳絡(luò)拓?fù)鋱?chǎng)景下，現(xiàn)有技術(shù)難以滿足實(shí)時(shí)性和確定性的要求。[0003]目前，可滿足性模理論(SatisfiabilityModuloTheories,SMT)求解器被廣泛用于解決約束條件問(wèn)題，并在TT流調(diào)度中取得了一定成果。例如基于SMT的回溯算法，將幀偏移量和隊(duì)列分配定義為整數(shù)變量，通過(guò)增量添加約束探索有效解，從而逐一流進(jìn)行調(diào)度。Li等人則進(jìn)一步優(yōu)化了SMT算法，通過(guò)使用鏈路中所有TT流的最大公約數(shù)取代原有的鏈路超周期，減少了GCL中的時(shí)隙數(shù)量，簡(jiǎn)化了配置并加快在面對(duì)復(fù)雜網(wǎng)絡(luò)拓?fù)浜痛笠?guī)模流量時(shí)，仍存在顯著不足。傳統(tǒng)的確定性求解算法(如分支限界法、整數(shù)規(guī)劃算法等)通常具有指數(shù)級(jí)或階乘級(jí)的計(jì)算復(fù)雜度，隨著問(wèn)題規(guī)模的增大，求解時(shí)間急劇增加，難以滿足TSN網(wǎng)絡(luò)對(duì)實(shí)時(shí)性的嚴(yán)格要求。[0004]此外，復(fù)合調(diào)度方法通過(guò)結(jié)合多種算法試圖實(shí)現(xiàn)更優(yōu)的調(diào)度目標(biāo)。例如將傳輸路徑規(guī)劃問(wèn)題轉(zhuǎn)化為沖突圖中的極大獨(dú)立點(diǎn)集問(wèn)題，利用整數(shù)線性規(guī)劃(ILP)與極大獨(dú)立點(diǎn)集的復(fù)合方法遍歷每條流的配置頂點(diǎn)(cvertex),逐步擴(kuò)大沖突圖并尋找包含所有流的極大獨(dú)立點(diǎn)集。盡管這種方法在理論上能夠提供較為全面的解決方案，但其計(jì)算復(fù)雜度同樣隨網(wǎng)絡(luò)規(guī)模的增加而迅速上升，導(dǎo)致求解效率低下。[0005]更為棘手的是，實(shí)際應(yīng)用中流量傳輸波動(dòng)會(huì)引發(fā)不確定性問(wèn)題。具體而言，應(yīng)用端下發(fā)的流量有時(shí)無(wú)法按照預(yù)定的當(dāng)前周期內(nèi)的GCL門(mén)控進(jìn)行傳輸，反而進(jìn)入了另一個(gè)門(mén)控。這種現(xiàn)象不僅破壞了調(diào)度計(jì)劃的完整性，還會(huì)引發(fā)一系列連鎖反應(yīng)，嚴(yán)重影響整個(gè)網(wǎng)絡(luò)拓?fù)涞膫鬏敶_定性。因此，如何在保證實(shí)時(shí)性的同時(shí)應(yīng)對(duì)流量波動(dòng)帶來(lái)的不確定性，成為T(mén)SN調(diào)度領(lǐng)域亟待解決的關(guān)鍵問(wèn)題。[0006]綜上所述，現(xiàn)有TSN調(diào)度技術(shù)在面對(duì)大規(guī)模流量和復(fù)雜網(wǎng)絡(luò)拓?fù)鋾r(shí)，存在計(jì)算復(fù)雜度高、求解時(shí)間過(guò)長(zhǎng)以及對(duì)流量波動(dòng)適應(yīng)性不足等問(wèn)題。針對(duì)這些問(wèn)題，亟須一種能夠有效降低計(jì)算復(fù)雜度、提高求解效率并增強(qiáng)對(duì)流量波動(dòng)適應(yīng)能力的調(diào)度優(yōu)化方法，以滿足TSN網(wǎng)絡(luò)對(duì)實(shí)時(shí)性和確定性的嚴(yán)格要求。發(fā)明內(nèi)容[0007]本發(fā)明實(shí)施例提供了一種流特征增強(qiáng)后合并的TSN調(diào)度優(yōu)化方法，包括：部署在時(shí)4間敏感網(wǎng)絡(luò)TSN中的調(diào)度優(yōu)化單元接收應(yīng)用端下發(fā)的流特征描述信息；所述調(diào)度優(yōu)化單元基于流特征增強(qiáng)算法對(duì)各數(shù)據(jù)流的時(shí)間敏感性和優(yōu)先級(jí)進(jìn)行動(dòng)態(tài)量化；所述調(diào)度優(yōu)化單元將增強(qiáng)后的流特征信息與預(yù)定義的門(mén)控列表GCL模板進(jìn)行匹配，生成優(yōu)化后的調(diào)度方案；當(dāng)所述TSN網(wǎng)絡(luò)檢測(cè)到實(shí)際流量傳輸波動(dòng)時(shí)，根據(jù)增強(qiáng)后的流特征動(dòng)態(tài)調(diào)整當(dāng)前周期內(nèi)的門(mén)控配置。[0008]進(jìn)一步的，所述調(diào)度優(yōu)化單元將網(wǎng)絡(luò)劃分為多個(gè)邏輯域，各域內(nèi)獨(dú)立生成調(diào)度方案，并通過(guò)協(xié)調(diào)器同步全局狀態(tài)，針對(duì)超大規(guī)模網(wǎng)絡(luò)，所述方法將網(wǎng)絡(luò)劃分為多個(gè)邏輯域，每個(gè)域內(nèi)獨(dú)立運(yùn)行調(diào)度算法，域間通過(guò)協(xié)調(diào)器同步全局狀態(tài)并生成跨域調(diào)度規(guī)則，避免資源沖突。[0009]在一個(gè)示例性實(shí)施例中，所述調(diào)度優(yōu)化單元包括時(shí)間感知整形器TAS、增強(qiáng)型流特[0010]進(jìn)一步的，所述調(diào)度優(yōu)化單元還包括流量預(yù)測(cè)模塊，通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)預(yù)測(cè)未來(lái)周期內(nèi)的流量波動(dòng)趨勢(shì)。若預(yù)測(cè)到流量超限，則提前調(diào)整門(mén)控配置以預(yù)留資源。[0011]在一個(gè)示例性實(shí)施例中，所述增強(qiáng)后的流特征信息包括時(shí)間敏感性權(quán)重、優(yōu)先級(jí)隊(duì)列分配權(quán)重以及流量波動(dòng)容忍度閾值。[0012]在一個(gè)示例性實(shí)施例中，在所述調(diào)度優(yōu)化單元接收應(yīng)用端下發(fā)的流特征描述信息之前，還包括：應(yīng)用端根據(jù)歷史流量統(tǒng)計(jì)信息和實(shí)時(shí)流量需求生成包含時(shí)間窗口約束的流特征描述信息；所述應(yīng)用端通過(guò)控制面信令將流特征描述信息傳遞至所述調(diào)度優(yōu)化單元。[0013]在一個(gè)示例性實(shí)施例中，所述應(yīng)用端生成流特征描述信息的過(guò)程包括：所述應(yīng)用端采集各數(shù)據(jù)流的歷史傳輸延遲分布、帶寬占用率及抖動(dòng)范圍；所述應(yīng)用端基于采集的數(shù)據(jù)計(jì)算流特征的初始權(quán)重并上報(bào)給所述調(diào)度優(yōu)化單元。[0014]在一個(gè)示例性實(shí)施例中，在所述調(diào)度優(yōu)化單元生成優(yōu)化后的調(diào)度方案之前，還包括：所述增強(qiáng)型流特征分析模塊ESAM基于公式[0016]對(duì)各數(shù)據(jù)流的特征權(quán)重W進(jìn)行增強(qiáng)計(jì)算，其中T表示時(shí)間敏感性評(píng)分，P表示優(yōu)先[0017]進(jìn)一步地，所述權(quán)重系數(shù)α,β,γ通過(guò)強(qiáng)化學(xué)習(xí)模型動(dòng)態(tài)優(yōu)化。所述強(qiáng)化學(xué)習(xí)模型以網(wǎng)絡(luò)實(shí)時(shí)狀態(tài)(包括延遲、抖動(dòng)、帶寬占用率)為輸入，以調(diào)量)為獎(jiǎng)勵(lì)函數(shù)，通過(guò)Q-Learning算法周期性更新權(quán)重組合，實(shí)現(xiàn)流特征權(quán)重的自適應(yīng)調(diào)[0018]在一個(gè)示例性實(shí)施例中，在所述調(diào)度優(yōu)化單元?jiǎng)討B(tài)調(diào)整當(dāng)前周期內(nèi)的門(mén)控配置之前，還包括：所述時(shí)間感知整形器TAS檢測(cè)當(dāng)前周期內(nèi)各數(shù)據(jù)流的實(shí)際傳輸狀態(tài)，并根據(jù)檢測(cè)結(jié)果生成門(mén)控調(diào)整請(qǐng)求；所述門(mén)控自適應(yīng)控制器GAC接收所述調(diào)整請(qǐng)求并結(jié)合增強(qiáng)后的流特征信息重新計(jì)算門(mén)控配置。[0019]進(jìn)一步的，所述調(diào)度優(yōu)化單元引入能耗權(quán)重因子η,優(yōu)化目標(biāo)函數(shù)為Minimizeη·E[0020]在一個(gè)示例性實(shí)施例中，所述門(mén)控自適應(yīng)控制器GAC重新計(jì)算門(mén)控配置的過(guò)程包5[0022]計(jì)算門(mén)控關(guān)閉時(shí)間C,其中T表示當(dāng)前時(shí)間窗口長(zhǎng)度，D表示數(shù)據(jù)流的實(shí)際傳輸延遲；若Cg>0,則繼續(xù)保持當(dāng)前門(mén)控開(kāi)啟狀態(tài)，否則關(guān)閉門(mén)控并切換至下一周期。高優(yōu)先級(jí)流預(yù)留專用時(shí)隙，確保關(guān)鍵流量不受中斷影響。[0024]在一個(gè)示例性實(shí)施例中，還包括：當(dāng)所述TSN網(wǎng)絡(luò)檢測(cè)到流量恢復(fù)正常時(shí)，所述調(diào)度優(yōu)化單元將當(dāng)前門(mén)控配置恢復(fù)至初始狀態(tài)或維持優(yōu)化后的門(mén)控配置。[0025]進(jìn)一步的，所述調(diào)度優(yōu)化單元還包括流量預(yù)測(cè)模塊，通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)預(yù)測(cè)未來(lái)周期內(nèi)的流量波動(dòng)趨勢(shì)。若預(yù)測(cè)到流量超限，則提前調(diào)整門(mén)控配置以預(yù)留資源。[0026]在本發(fā)明的上述實(shí)施例中，通過(guò)引入流特征增強(qiáng)算法和動(dòng)態(tài)門(mén)控調(diào)整機(jī)制，在面對(duì)大規(guī)模流量和復(fù)雜網(wǎng)絡(luò)拓?fù)鋾r(shí)，能夠顯著降低問(wèn)題復(fù)雜度，快速生成優(yōu)化的調(diào)度方案，從而有效保障TSN網(wǎng)絡(luò)的實(shí)時(shí)性和傳輸確定性。附圖說(shuō)明[0027]圖1為本發(fā)明實(shí)施例提供的一種流特征增強(qiáng)后合并的TSN調(diào)度優(yōu)化方法的流程示意圖。[0028]圖2為本發(fā)明實(shí)施例中增強(qiáng)型流特征分析模塊(ESAM)對(duì)數(shù)據(jù)流特征權(quán)重進(jìn)行增強(qiáng)計(jì)算的流程示意圖。[0029]圖3為本發(fā)明實(shí)施例中時(shí)間感知整形器(TAS)與門(mén)控自適應(yīng)控制器(GAC)協(xié)同工作的結(jié)構(gòu)示意圖。[0030]圖4為本發(fā)明實(shí)施例中動(dòng)態(tài)門(mén)控調(diào)整機(jī)制的時(shí)序示意圖。具體實(shí)施方式[0031]以下結(jié)合附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說(shuō)明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí)施例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。[0032]本發(fā)明提供了一種流特征增強(qiáng)后合并的TSN調(diào)度優(yōu)化方法，其核心在于通過(guò)引入流特征增強(qiáng)算法和動(dòng)態(tài)門(mén)控調(diào)整機(jī)制，解決大規(guī)模流量和復(fù)雜網(wǎng)絡(luò)拓?fù)洵h(huán)境下TSN網(wǎng)絡(luò)實(shí)時(shí)性保障的問(wèn)題。以下結(jié)合附圖1至附圖4對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行詳細(xì)說(shuō)明。[0033]在本發(fā)明的一個(gè)實(shí)施例中，整個(gè)調(diào)度優(yōu)化過(guò)程從應(yīng)用端生成流特征描述信息開(kāi)始，到調(diào)度優(yōu)化單元生成優(yōu)化后的調(diào)度方案并動(dòng)態(tài)調(diào)整門(mén)控配置結(jié)束。如附圖1所示，該流程包括多個(gè)關(guān)鍵步驟：應(yīng)用端生成流特征描述信息、調(diào)度優(yōu)化單元接收并處理流特征描述信息、增強(qiáng)型流特征分析模塊(ESAM)進(jìn)行流特征權(quán)重增強(qiáng)計(jì)算、時(shí)間感知整形器(TAS)檢測(cè)傳輸狀態(tài)，以及門(mén)控自適應(yīng)控制器(GAC)重新計(jì)算門(mén)控配置。這些步驟共同構(gòu)成了一個(gè)完整的調(diào)度優(yōu)化系統(tǒng)。[0034]首先，應(yīng)用端根據(jù)歷史流量統(tǒng)計(jì)信息和實(shí)時(shí)流量需求生成包含時(shí)間窗口約束的流特征描述信息。這一過(guò)程涉及數(shù)據(jù)采集與初始權(quán)重計(jì)算。應(yīng)用端通過(guò)采集各數(shù)據(jù)流的歷史傳輸延遲分布、帶寬占用率及抖動(dòng)范圍，基于這些數(shù)據(jù)計(jì)算流特征的初始權(quán)重。例如，對(duì)于某一特定數(shù)據(jù)流，其歷史傳輸延遲分布可能表明其平均延遲為10毫秒，抖動(dòng)范圍為2毫秒，帶寬占用率為50%。應(yīng)用端將這些參數(shù)綜合分析后，計(jì)算出初始權(quán)重，并通過(guò)控制面信令將6流特征描述信息傳遞至調(diào)度優(yōu)化單元。這一環(huán)節(jié)的關(guān)鍵在于確保流特征描述信息能夠準(zhǔn)確反映當(dāng)前網(wǎng)絡(luò)環(huán)境下的流量特性，從而為后續(xù)的調(diào)度優(yōu)化提供可靠依據(jù)。[0035]當(dāng)調(diào)度優(yōu)化單元接收到應(yīng)用端下發(fā)的流特征描述信息后，增強(qiáng)型流特征分析模塊(ESAM)對(duì)各數(shù)據(jù)流的時(shí)間敏感性和優(yōu)先級(jí)進(jìn)行動(dòng)態(tài)量化。如附圖2所示，ESAM基于公式W=α·T+β·P+Y·F,對(duì)各數(shù)據(jù)流的特征權(quán)重W進(jìn)行增強(qiáng)計(jì)算，其中T表示時(shí)間敏感性評(píng)分，P表示優(yōu)先級(jí)隊(duì)列分配評(píng)分，F(xiàn)表示流量波動(dòng)容忍度評(píng)分，a,β,γ分別為對(duì)應(yīng)的權(quán)重系數(shù)，[0036]例如，在某一應(yīng)用場(chǎng)景中，若時(shí)間敏感性評(píng)分T=0.8、優(yōu)先級(jí)隊(duì)列分配評(píng)分P=0.6、流量波動(dòng)容忍度評(píng)分F=0.4,且權(quán)重系數(shù)α=0.5,β=0.3,γ=0.2,則增強(qiáng)后的特征進(jìn)行精確量化，為后續(xù)的調(diào)度優(yōu)化奠定基礎(chǔ)。[0037]調(diào)度優(yōu)化單元將網(wǎng)絡(luò)劃分為多個(gè)邏輯域，各域內(nèi)獨(dú)立生成調(diào)度方案，并通過(guò)協(xié)調(diào)器同步全局狀態(tài)，針對(duì)超大規(guī)模網(wǎng)絡(luò)，所述方法將網(wǎng)絡(luò)劃分為多個(gè)邏輯域，每個(gè)域內(nèi)獨(dú)立運(yùn)行調(diào)度算法，域間通過(guò)協(xié)調(diào)器同步全局狀態(tài)并生成跨域調(diào)度規(guī)則，避免資源沖突，例如在包含200個(gè)交換機(jī)的工廠網(wǎng)絡(luò)中，劃分10個(gè)邏輯域，各域內(nèi)調(diào)度時(shí)間從15ms降至8ms,域間協(xié)調(diào)器通過(guò)時(shí)間戳對(duì)齊確?？缬蛄髁康亩说蕉舜_定性。[0038]權(quán)重系數(shù)a,β,γ通過(guò)強(qiáng)化學(xué)習(xí)模型動(dòng)態(tài)優(yōu)化。所述強(qiáng)化學(xué)習(xí)模型以網(wǎng)絡(luò)實(shí)時(shí)狀態(tài)通過(guò)Q-Learning算法周期性更新權(quán)重組合，實(shí)現(xiàn)流特征權(quán)重的自適應(yīng)調(diào)整，在本實(shí)施例中，所述調(diào)度優(yōu)化單元內(nèi)置輕量級(jí)強(qiáng)化學(xué)習(xí)推理引擎，每周期根據(jù)實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)更新權(quán)重系[0039]接下來(lái)，調(diào)度優(yōu)化單元將增強(qiáng)后的流特征信息與預(yù)定義的門(mén)控列表(GCL)模板進(jìn)行匹配，生成優(yōu)化后的調(diào)度方案。門(mén)控列表模板是一組預(yù)先定義的規(guī)則，用于指導(dǎo)TSN網(wǎng)絡(luò)中各數(shù)據(jù)流的傳輸行為。通過(guò)匹配增強(qiáng)后的流特征信息與門(mén)控列表模板，調(diào)度優(yōu)化單元能夠快速生成符合當(dāng)前網(wǎng)絡(luò)狀況的調(diào)度方案。例如，對(duì)于時(shí)間敏感性較高的數(shù)據(jù)流，調(diào)度優(yōu)化單元會(huì)優(yōu)先為其分配高優(yōu)先級(jí)隊(duì)列，并設(shè)置較短的門(mén)控開(kāi)啟時(shí)間；而對(duì)于流量波動(dòng)較大的數(shù)據(jù)流，則會(huì)適當(dāng)延長(zhǎng)門(mén)控開(kāi)啟時(shí)間以提高其傳輸穩(wěn)定性。這一過(guò)程的核心在于通過(guò)流特征增強(qiáng)算法顯著降低問(wèn)題復(fù)雜度，從而快速生成優(yōu)化的調(diào)度方案。[0040]調(diào)度優(yōu)化單元還包括流量預(yù)測(cè)模塊，通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)預(yù)測(cè)未來(lái)周期內(nèi)的流量波動(dòng)趨勢(shì)。若預(yù)測(cè)到流量超限，則提前調(diào)整門(mén)控配置以預(yù)留資源，例如，流量預(yù)測(cè)模塊基于歷史數(shù)據(jù)預(yù)測(cè)到下一周期視頻流帶寬需求將增長(zhǎng)30%,則GAC提前為視頻流分配額外5ms的時(shí)隙，避免突發(fā)流量導(dǎo)致的隊(duì)列擁塞。中E為能耗，D為延遲，η根據(jù)網(wǎng)絡(luò)負(fù)載動(dòng)態(tài)調(diào)整，在低負(fù)載時(shí)段(如夜間),設(shè)置η=0.8,優(yōu)先關(guān)閉冗余端口以降低能耗；在高負(fù)載時(shí)段，設(shè)置η=0.2,全力保障實(shí)時(shí)性。[0042]在實(shí)際運(yùn)行過(guò)程中，TSN網(wǎng)絡(luò)可能會(huì)因外部因素導(dǎo)致流量傳輸波動(dòng)。此時(shí)，時(shí)間感知整形器(TAS)會(huì)檢測(cè)當(dāng)前周期內(nèi)各數(shù)據(jù)流的實(shí)際傳輸狀態(tài)，并根據(jù)檢測(cè)結(jié)果生成門(mén)控調(diào)整請(qǐng)求。如附圖3所示，TAS通過(guò)監(jiān)測(cè)各數(shù)據(jù)流的傳輸延遲、帶寬占用率等參數(shù)，判斷當(dāng)前門(mén)控配置是否需要調(diào)整。例如，若某一數(shù)據(jù)流的實(shí)際傳輸延遲超出預(yù)設(shè)閾值，則TAS會(huì)生成門(mén)7流特征信息重新計(jì)算門(mén)控配置。如附圖4所示，GAC基于公式Cg=max(T-D,0),計(jì)算門(mén)控關(guān)閉時(shí)間C,其中T表示當(dāng)前時(shí)間窗口長(zhǎng)度，D表示數(shù)據(jù)流的實(shí)際傳輸延遲；[0043]若Cg>0,則繼續(xù)保持當(dāng)前門(mén)控開(kāi)啟狀態(tài)，否則關(guān)閉門(mén)控并切換至下一周期。[0044]例如，假設(shè)當(dāng)前時(shí)間窗口長(zhǎng)度T=20毫秒，某一數(shù)據(jù)流的實(shí)際傳輸延遲D?=25毫秒，則門(mén)控關(guān)閉時(shí)間Cg=max(20-25,0)=0,此時(shí)門(mén)控將被關(guān)閉并切換至下一周期。通過(guò)這種方式，GAC能夠根據(jù)實(shí)際傳輸狀態(tài)動(dòng)態(tài)調(diào)整門(mén)控配置，從而確保流量按照預(yù)定的門(mén)控規(guī)則進(jìn)行傳輸。[0045]此外，在TSN網(wǎng)絡(luò)檢測(cè)到流量恢復(fù)正常時(shí)，調(diào)度優(yōu)化單元會(huì)將當(dāng)前門(mén)控配置恢復(fù)至初始狀態(tài)或維持優(yōu)化后的門(mén)控配置。這一過(guò)程旨在確保網(wǎng)絡(luò)能夠在流量波動(dòng)后迅速恢復(fù)正常運(yùn)行狀態(tài)。例如，當(dāng)某一數(shù)據(jù)流的實(shí)際傳輸延遲降至預(yù)設(shè)閾值以下時(shí)，TAS會(huì)停止生成門(mén)控調(diào)整請(qǐng)求，GAC則根據(jù)當(dāng)前門(mén)控配置決定是否恢復(fù)至初始狀態(tài)。若當(dāng)前門(mén)控配置已被優(yōu)化，則可繼續(xù)維持優(yōu)化后的配置以提高網(wǎng)絡(luò)性能。[0046]當(dāng)門(mén)控關(guān)閉時(shí)間Cg=0時(shí)，所述GAC啟用備用門(mén)控列表(BackupGCL),為高優(yōu)先級(jí)流預(yù)留專用時(shí)隙，確保關(guān)鍵流量不受中斷影響，若某交換機(jī)端口故障導(dǎo)致Cg=0,GAC立即切換至BackupGCL,為控制命令流分配固定5ms時(shí)隙，其余流量按降級(jí)模式傳輸。[0047]在整個(gè)調(diào)度優(yōu)化過(guò)程中，時(shí)間感知整形器(TAS)、增強(qiáng)型流特征分析模塊(ESAM)以控配置。三者之間的緊密協(xié)作使得調(diào)度優(yōu)化單元能夠在面對(duì)大規(guī)模流量和復(fù)雜網(wǎng)絡(luò)拓?fù)鋾r(shí)，快速生成優(yōu)化的調(diào)度方案并動(dòng)態(tài)調(diào)整門(mén)控配置，從而有效保障TSN網(wǎng)絡(luò)的實(shí)時(shí)性和傳輸確定性。[0048]為了進(jìn)一步說(shuō)明本發(fā)明的實(shí)際應(yīng)用場(chǎng)景，以下以工業(yè)自動(dòng)化控制系統(tǒng)為例進(jìn)行詳感器數(shù)據(jù)和視頻監(jiān)控?cái)?shù)據(jù)。這些數(shù)據(jù)流具有不同的時(shí)間敏感性和優(yōu)先級(jí)要求。例如，控制命令對(duì)時(shí)間延遲的容忍度極低，而視頻監(jiān)控?cái)?shù)據(jù)則對(duì)帶寬占用率