50 Gbit/s-EPON中基于預(yù)測(cè)的多波長(zhǎng)帶寬分配算法

朱 祥，李國(guó)勇，許 鷗

(1.太原理工大學(xué) 電氣與動(dòng)力工程學(xué)院， 太原 030024； 2.廣東工業(yè)大學(xué) 信息工程學(xué)院， 廣州 510006)

0 引 言

2020年6月4日，電氣與電子工程師協(xié)會(huì)(Institute of Electrical and Electronics Engineers, IEEE)標(biāo)準(zhǔn)委員會(huì)通過(guò)了IEEE Std 802.3ca-2020標(biāo)準(zhǔn)[1]。該標(biāo)準(zhǔn)指出，50 Gbit/s-以太網(wǎng)無(wú)源光網(wǎng)絡(luò)(Ethernet Passive Optical Network，EPON)技術(shù)中存在多波長(zhǎng)組合使用的情況。

動(dòng)態(tài)帶寬分配(Dynamic Bandwidth Allocation，DBA)是目前主流的網(wǎng)絡(luò)資源分配方式，該方法由光線路終端(Optical Line Terminal，OLT)根據(jù)當(dāng)前網(wǎng)絡(luò)的實(shí)際情況動(dòng)態(tài)地為各個(gè)光網(wǎng)絡(luò)單元(Optical Network Unit，ONU)分配合適的帶寬，合理利用帶寬資源。從帶寬分配的時(shí)間方面可以將分配方式分為在線分配、離線分配和在線—離線分配[2]。

如果將多條波長(zhǎng)看作一條，經(jīng)典的DBA算法自適應(yīng)周期時(shí)間的交錯(cuò)輪詢(Interleaved Polling with Adaptive Cycle Time，IPACT)算法[3]也可用于50 Gbit/s-EPON中，稱為修正的IPACT(Modified-IPACT)算法；文獻(xiàn)[4]提出了“First-Fit”算法，將單個(gè)ONU的所有消息都放在一條波長(zhǎng)上進(jìn)行傳輸，減少了傳輸時(shí)切換波長(zhǎng)造成的時(shí)間損耗；文獻(xiàn)[5]中根據(jù)50 Gbit/s-EPON的特點(diǎn)，提出了注水(Water-Filling，WF)-DBA算法，該算法將所有波長(zhǎng)看作一組相通的容器，每次分配帶寬時(shí)都看作是一個(gè)“WF”過(guò)程，確保所有波長(zhǎng)得到了充分利用；文獻(xiàn)[6]中使用反饋(Back-Propagation，BP)神經(jīng)網(wǎng)絡(luò)，對(duì)等待發(fā)送時(shí)間內(nèi)新增的流量數(shù)據(jù)進(jìn)行預(yù)測(cè)，獲得了不錯(cuò)的效果。本文基于長(zhǎng)短時(shí)記憶(Long Short-Term Memory, LSTM)神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜的網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)，提出了一種支持網(wǎng)絡(luò)服務(wù)質(zhì)量(Quality of Service，QoS)的基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的多波長(zhǎng)DBA(Predict-Dual Wavelength Dynamic Bandwidth Allocation，PD-DWDBA)算法。

1 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

對(duì)于網(wǎng)絡(luò)流量預(yù)測(cè)，許多學(xué)者已經(jīng)對(duì)其進(jìn)行了研究。首先，部分學(xué)者提出了線性預(yù)測(cè)模型對(duì)網(wǎng)絡(luò)流量進(jìn)行建模，如分段自回歸滑動(dòng)平均模型(Autoregressive Moving Average，ARMA)等；之后，其他學(xué)者又開(kāi)發(fā)出了非線性預(yù)測(cè)模型，如支持向量機(jī)(Support Vector Machine, SVM)和高斯過(guò)程(Gaussian Process, GP)等模型[7]，相比線性模型，這些方法對(duì)于當(dāng)前網(wǎng)絡(luò)流量的非線性特征有著很好的表現(xiàn)；神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)近幾年受到學(xué)者的廣泛關(guān)注，它們?cè)诮鉀Q非線性問(wèn)題上也有著非常好的效果，如BP神經(jīng)網(wǎng)絡(luò)和徑向基(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)等，這類神經(jīng)網(wǎng)絡(luò)雖然在網(wǎng)絡(luò)流量預(yù)測(cè)方面也取得了較好的效果，但缺點(diǎn)是，它們的每一步預(yù)測(cè)只考慮了當(dāng)前的輸入信息，對(duì)于網(wǎng)絡(luò)流量這種前后聯(lián)系緊密的時(shí)間序列來(lái)說(shuō)，不能很好地提取出數(shù)據(jù)的特點(diǎn)。同時(shí)，對(duì)于短時(shí)間內(nèi)快速變化的網(wǎng)絡(luò)流量，這些方法也不能很好地獲取網(wǎng)絡(luò)的變化情況。

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)在計(jì)算每個(gè)時(shí)刻的輸出時(shí)，都會(huì)考慮到之前的輸入信息，因此對(duì)于網(wǎng)絡(luò)流量這樣的時(shí)間序列有著很好的預(yù)測(cè)效果[8]。但RNN容易出現(xiàn)梯度消失和爆炸的風(fēng)險(xiǎn)。本文采取了RNN的變種形式LSTM神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)克服了傳統(tǒng)RNN梯度消失和爆炸的缺點(diǎn)，在自然語(yǔ)句識(shí)別和時(shí)間序列預(yù)測(cè)方面獲得了不錯(cuò)的效果[9]。LSTM網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)如圖1所示，下標(biāo)t為當(dāng)前時(shí)刻；ht為節(jié)點(diǎn)的輸出；Ct為隱藏的胞體，其包含有整個(gè)計(jì)算過(guò)程中保留下來(lái)的信息；Xt為輸入值；σ為sigmoid函數(shù)；tanh為雙曲正切函數(shù)。整個(gè)節(jié)點(diǎn)的計(jì)算過(guò)程如下：

圖1 LSTM網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)

(1) 遺忘門

遺忘門負(fù)責(zé)選擇需要遺忘的信息，將ht-1與Xt結(jié)合后，經(jīng)sigmoid函數(shù)計(jì)算得到一個(gè)權(quán)值矩陣ft。ft的大小在[0,1]之間，其中0表示全部遺忘(丟棄)，1表示保留。

式中：Wf為遺忘門權(quán)值；bf為遺忘門偏值。

(2) 輸入門

輸入門決定保留哪些信息，保留的信息為it。其中it與ft相類似，都有一個(gè)權(quán)值的作用。

式中：Wi為輸入門權(quán)值；bi為輸入門偏值。

(3) 輸出門

輸出門負(fù)責(zé)計(jì)算需要輸出的信息ot。

式中：Wo為輸出門權(quán)值；bo為輸出門偏值。

(4)更新胞體信息

對(duì)于LSTM結(jié)構(gòu)最重要的組成部分，當(dāng)前節(jié)點(diǎn)最終的胞體信息Ct主要通過(guò)以下方式產(chǎn)生：首先，將遺忘門的計(jì)算結(jié)果ft與上一時(shí)刻的胞體信息Ct-1相乘，這樣就選擇性地丟棄了一些久遠(yuǎn)的、無(wú)用的信息；然后將ht-1與Xt結(jié)合之后的值通過(guò)tanh函數(shù)計(jì)算，與胞體權(quán)值Wc相乘，得到一個(gè)短時(shí)的胞體，保存暫時(shí)的信息；最后將這兩部分相加，最終得到了該時(shí)刻的胞體信息。

(5)計(jì)算最后的輸出

將胞體信息通過(guò)tanh函數(shù)計(jì)算后與輸出門結(jié)果ot相乘，得到節(jié)點(diǎn)最終的輸出值ht為

相比于RNN，LSTM神經(jīng)網(wǎng)絡(luò)對(duì)之前的信息進(jìn)行了選擇性地處理和保留，這樣就防止了梯度爆炸和梯度消失等問(wèn)題的出現(xiàn)，網(wǎng)絡(luò)的預(yù)測(cè)效果也得到了很大的提升。

2 支持QoS的PD-DWDBA算法用于多波長(zhǎng)DBA

為了更方便地說(shuō)明該算法，引入表1中的符號(hào)。

表1 算法中各個(gè)符號(hào)含義

首先，對(duì)文獻(xiàn)[3]、[4]和[5]中提及的3種多波長(zhǎng)DBA算法進(jìn)行比較分析，如圖2所示。

在離線帶寬分配過(guò)程中，ONU的調(diào)度順序十分重要。上述3種方法中都是按照RTTi升序進(jìn)行排列，這樣可以保證開(kāi)始傳輸時(shí)的時(shí)間損耗最小，剩余ONU傳輸時(shí)的延遲在分配帶寬時(shí)已提前考慮，可以忽略不計(jì)。由圖2(a)可知，Modifier-IPACT算法簡(jiǎn)單易懂，但每個(gè)波長(zhǎng)上都有多個(gè)ONU進(jìn)行傳輸，引入較多的保護(hù)時(shí)間；由圖2(b)可知，F(xiàn)irst-Fit算法雖然減少了保護(hù)時(shí)間的損耗，但波長(zhǎng)資源出現(xiàn)閑置，造成了浪費(fèi)；由圖2(c)可知，WF-DBA算法綜合考慮了兩種方式，充分利用了波長(zhǎng)資源，同時(shí)減少了保護(hù)時(shí)間，但是單純使用RTTi作為排序原則，可能出現(xiàn)如圖3所示的情況，由于倒數(shù)第2個(gè)請(qǐng)求帶寬過(guò)大，最后一個(gè)ONU的帶寬全部部署在一條波長(zhǎng)上，導(dǎo)致波長(zhǎng)浪費(fèi)。

圖2 3種算法分配帶寬時(shí)不同波長(zhǎng)上的情況

圖3 按照RTT大小進(jìn)行調(diào)度可能出現(xiàn)的意外情況

因此，為了防止這種情況的發(fā)生，本文所涉及DBA算法中的調(diào)度順序?yàn)椋菏紫龋x出RTTi最小的兩個(gè)ONU最先調(diào)度，保證開(kāi)始傳輸時(shí)的時(shí)間損耗最小；剩余的ONU則按照分配帶寬大小進(jìn)行升序排列。

對(duì)于離線DBA算法，其ONU與OLT之間相互發(fā)送接收數(shù)據(jù)的時(shí)序如圖4所示。

圖4 離線DBA算法中ONU與OLT間發(fā)送數(shù)據(jù)的時(shí)序

每個(gè)ONU發(fā)送REPORT消息匯報(bào)緩存隊(duì)列長(zhǎng)度后，會(huì)有新的數(shù)據(jù)到達(dá)緩存隊(duì)列，若能將該部分?jǐn)?shù)據(jù)進(jìn)行提前分配，理論上就可以提高傳輸效率，降低延遲。假設(shè)從ONU發(fā)送REPORT消息到ONU實(shí)際發(fā)送數(shù)據(jù)的時(shí)間間隔為Δt，若能得知這時(shí)的網(wǎng)絡(luò)速率，就可以得到Δt時(shí)間內(nèi)到達(dá)的新數(shù)據(jù)的大小，OLT就可以進(jìn)行調(diào)度分配。OLT在收到ONU發(fā)送的REPORT消息后，可以計(jì)算出兩個(gè)周期內(nèi)REPORT消息到達(dá)的時(shí)間間隔Δt，從而計(jì)算出該周期內(nèi)的平均速率，將該速率輸出到提前訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)模型中，得到下一段時(shí)間內(nèi)的速率，最終得到等待發(fā)送時(shí)間內(nèi)新增的數(shù)據(jù)大小。將結(jié)果與ONU請(qǐng)求的帶寬相加，與最大授權(quán)帶寬大小比較，確定最終授權(quán)的帶寬大小。

根據(jù)不同業(yè)務(wù)的特點(diǎn)，一般情況下將網(wǎng)絡(luò)中的業(yè)務(wù)分為3類：全力轉(zhuǎn)發(fā)型(EF)，保證帶寬型(AF)和盡力而為型(BE)。EF業(yè)務(wù)要求充足穩(wěn)定的帶寬和低延遲；AF業(yè)務(wù)要求充足穩(wěn)定的帶寬；BE業(yè)務(wù)對(duì)于帶寬和延遲均無(wú)要求。對(duì)于3種業(yè)務(wù)類別，可將其分為兩類：高優(yōu)先級(jí)業(yè)務(wù)(High Priority)，要求低延遲；低優(yōu)先級(jí)業(yè)務(wù)(Low Priority)，對(duì)延遲要求不高。為了滿足高優(yōu)先級(jí)業(yè)務(wù)的低延遲要求，在進(jìn)行帶寬分配時(shí)，首先對(duì)所有ONU的高優(yōu)先級(jí)業(yè)務(wù)進(jìn)行分配，然后再處理低優(yōu)先級(jí)業(yè)務(wù)。

圖5所示為支持QoS的PD-DWDBA算法中各個(gè)波長(zhǎng)上消息的分布情況。首先，為高優(yōu)先級(jí)業(yè)務(wù)分配帶寬時(shí)，直接采取First-Fit策略，將單個(gè)ONU的高優(yōu)先級(jí)業(yè)務(wù)部署在一條波長(zhǎng)上，減少切換波長(zhǎng)帶來(lái)的時(shí)間損耗，同時(shí)，不限制其帶寬大小，保證高優(yōu)先級(jí)業(yè)務(wù)的帶寬；分配低優(yōu)先級(jí)業(yè)務(wù)時(shí)，采取WF-DBA策略，保證兩條波長(zhǎng)在該輪詢周期結(jié)束后時(shí)間相同，為了防止某個(gè)ONU帶寬過(guò)大導(dǎo)致長(zhǎng)時(shí)間占據(jù)帶寬，分配帶寬時(shí)限制帶寬大小。對(duì)于不同優(yōu)先級(jí)業(yè)務(wù)，分別建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，提前分配帶寬。

圖5 支持QoS的PD-DWDBA算法中波長(zhǎng)分布

支持QoS的PD-DWDBA算法的偽代碼如下所示：

(1) 根據(jù)提前采集好的高優(yōu)先級(jí)業(yè)務(wù)數(shù)據(jù)和低優(yōu)先級(jí)業(yè)務(wù)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)netH和netL；

(2) OLT收到所有的REPORT消息后，對(duì)ONU進(jìn)行排序，確定調(diào)度順序；

(4) Fori= 1 ->Ndo:

(7) 選擇最早可傳輸?shù)牟ㄩL(zhǎng)，將該波長(zhǎng)分配給該ONU；

(11) 然后分配低優(yōu)先級(jí)業(yè)務(wù)：

(12) Fori= 1 ->N-1 do:

(16) 選擇最早可傳輸?shù)牟ㄩL(zhǎng)，將該波長(zhǎng)分配給該ONU；

(20) 對(duì)于調(diào)度表中最后一個(gè)ONU，首先將其帶寬部署到最先可傳輸?shù)牟ㄩL(zhǎng)上，然后比較兩條波長(zhǎng)的時(shí)間：若時(shí)間誤差在10%之內(nèi)，則可看作結(jié)束時(shí)間相同，分配結(jié)束；當(dāng)誤差較大時(shí)，將多余部分平均分配，部署在兩條波長(zhǎng)上；

(22) 更新波長(zhǎng)可傳輸時(shí)間；

3 實(shí)驗(yàn)研究

3.1 LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果

1993年，Leland和Taqqu等人通過(guò)對(duì)采集的網(wǎng)絡(luò)流量進(jìn)行分析，發(fā)現(xiàn)網(wǎng)絡(luò)流量在不同時(shí)間尺度上有著相似的屬性，這一特點(diǎn)稱作網(wǎng)絡(luò)流量的自相似性[10]。之后研究人員在此基礎(chǔ)上提出了眾多仿真網(wǎng)絡(luò)流量的方式，其中應(yīng)用最廣泛的是ON/OFF模型。ON/OFF模型是在ON期間產(chǎn)生流量，OFF期間不產(chǎn)生流量，其中ON與OFF的持續(xù)時(shí)間需要滿足重尾分布。通過(guò)這樣不斷地ON與OFF交替，產(chǎn)生的數(shù)據(jù)就具有與實(shí)際網(wǎng)絡(luò)流量相類似的自相似性。經(jīng)過(guò)眾多研究發(fā)現(xiàn)，ON/OFF模型產(chǎn)生的數(shù)據(jù)源與現(xiàn)實(shí)中接入網(wǎng)的流量數(shù)據(jù)有著相同的特性。本文將32個(gè)ON/OFF數(shù)據(jù)源疊加，ON和OFF的持續(xù)時(shí)間分別滿足pareto(1.00, 1.40)和pareto(0.01, 1.20)分布，產(chǎn)生的數(shù)據(jù)包大小在64～1 518 bytes之間。在軟件中，數(shù)據(jù)源是隨機(jī)發(fā)送大小隨機(jī)的數(shù)據(jù)包，而在帶寬分配中需要根據(jù)當(dāng)前隊(duì)列中的流量數(shù)據(jù)大小來(lái)分配帶寬。因此，在仿真時(shí)，需要統(tǒng)計(jì)一定時(shí)間內(nèi)隊(duì)列中的流量總大小。本文采用2 ms采樣時(shí)間，將2 ms內(nèi)產(chǎn)生的所有數(shù)據(jù)之和作為一次流量數(shù)據(jù)。經(jīng)過(guò)20 s的仿真，得到10 000組數(shù)據(jù)。部分?jǐn)?shù)據(jù)分布如圖6所示。

圖6 訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)的網(wǎng)絡(luò)流量數(shù)據(jù)

將BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)RNN和本文所使用的LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，結(jié)果如圖7所示。由圖可知，BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)RNN的預(yù)測(cè)效果雖然可以跟隨到實(shí)際數(shù)據(jù)的變化趨勢(shì)，但卻不能跟蹤到實(shí)際網(wǎng)絡(luò)流量快速大幅度的變化，而LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際流量值十分接近。

圖7 BP神經(jīng)網(wǎng)絡(luò)、RNN和LSTM神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)的效果

3.2 DBA算法

本次仿真的參數(shù)如表2所示。

表2 仿真參數(shù)

首先，不考慮業(yè)務(wù)分級(jí)的情況，網(wǎng)絡(luò)流量由ON/OFF模型產(chǎn)生，ON和OFF的持續(xù)時(shí)間分別滿足pareto(1.00, 1.40)和pareto(0.01, 1.20)分布，數(shù)據(jù)包大小在64～1 518 bytes之間。對(duì)比Modified-IPACT、WF-DBA和PD-DWDBA算法，以帶寬負(fù)載率作為橫坐標(biāo)，包延遲作為縱坐標(biāo)，觀察不同負(fù)載情況下的延遲情況如圖8所示。

圖8 3種DBA算法網(wǎng)絡(luò)延遲比較

由圖可知，隨著網(wǎng)絡(luò)負(fù)載的不斷增加，3種方法的網(wǎng)絡(luò)延遲都在不斷上升，但從全局來(lái)看，基于預(yù)測(cè)的PD-DWDBA算法產(chǎn)生的延遲要低于另外兩種算法，證明了該方法確實(shí)可以提高網(wǎng)絡(luò)性能。此時(shí)，整個(gè)網(wǎng)絡(luò)中高優(yōu)先級(jí)業(yè)務(wù)與低優(yōu)先級(jí)業(yè)務(wù)的延遲情況如圖9所示。

圖9 3種DBA算法高優(yōu)先級(jí)業(yè)務(wù)和低優(yōu)先級(jí)業(yè)務(wù)延遲

圖9(a)所示為高優(yōu)先級(jí)業(yè)務(wù)的延遲，由圖可知，未分級(jí)處理情況下，Modified-IPACT算法中高優(yōu)先級(jí)業(yè)務(wù)延遲相對(duì)較大，WF-DBA和PD-DWDBA算法中高優(yōu)先級(jí)業(yè)務(wù)延遲較低，但是WF-DBA算法中高優(yōu)先級(jí)業(yè)務(wù)的延遲在低負(fù)載情況下出現(xiàn)波動(dòng)，兩種算法的高優(yōu)先級(jí)業(yè)務(wù)延遲在負(fù)載增大后迅速增大，這對(duì)于高優(yōu)先級(jí)業(yè)務(wù)的傳輸是不利的。圖9(b)所示為低優(yōu)先級(jí)業(yè)務(wù)的延遲，由于網(wǎng)絡(luò)中主要以低優(yōu)先級(jí)業(yè)務(wù)為主，因此低優(yōu)先級(jí)業(yè)務(wù)的延遲與網(wǎng)絡(luò)的整體延遲十分接近。

在此基礎(chǔ)上，采用支持QoS的算法進(jìn)行分析。高優(yōu)先級(jí)業(yè)務(wù)采取poisson模型，數(shù)據(jù)包大小為70 bytes；低優(yōu)先級(jí)業(yè)務(wù)采取ON/OFF模型，ON和OFF的持續(xù)時(shí)間分別滿足pareto(1.00, 1.40)和pareto(0.01, 1.20)分布，數(shù)據(jù)包大小在64～1 518 bytes之間。網(wǎng)絡(luò)的延遲狀況如圖10所示。

圖10 支持QoS的DBA算法與不支持QoS的算法的網(wǎng)絡(luò)延遲比較

首先，由圖可知，當(dāng)采用支持QoS的PD-DWDBA算法時(shí)，網(wǎng)絡(luò)整體延遲值相較于PD-DWDBA算法而言有增大，當(dāng)網(wǎng)絡(luò)負(fù)載>0.8時(shí)，延遲大于WF-DBA算法。同理，網(wǎng)絡(luò)中占據(jù)主要部分的低優(yōu)先級(jí)業(yè)務(wù)的延遲也出現(xiàn)了類似的狀況(如圖11(b)所示)。這是由于網(wǎng)絡(luò)優(yōu)先傳輸高優(yōu)先級(jí)業(yè)務(wù)，且不限制其帶寬大小，高優(yōu)先級(jí)業(yè)務(wù)占據(jù)了較大的帶寬，導(dǎo)致了網(wǎng)絡(luò)整體效果的下降。但同時(shí)，如圖11(a)所示，采用支持QoS的PD-DWDBA算法能夠使高優(yōu)先級(jí)業(yè)務(wù)的延遲顯著降低，并且隨著負(fù)載的增大，延遲的變化幅度也明顯減緩。而低優(yōu)先級(jí)業(yè)務(wù)對(duì)于網(wǎng)絡(luò)時(shí)延并不敏感，因此延遲的增大對(duì)于網(wǎng)絡(luò)用戶而言區(qū)別并不大。

圖11 支持QoS的PD-DWDBA算法高優(yōu)先級(jí)業(yè)務(wù)和低優(yōu)先級(jí)業(yè)務(wù)延遲對(duì)比

4 結(jié)束語(yǔ)

基于50 Gbit/s-EPON的網(wǎng)絡(luò)標(biāo)準(zhǔn)，本文提出了支持QoS的PD-DWDBA算法用于多波長(zhǎng)DBA。在仿真測(cè)試中，相比之前的DBA算法，使用本方法后，網(wǎng)絡(luò)中高優(yōu)先級(jí)業(yè)務(wù)的延遲情況得到明顯改善，并且隨著網(wǎng)絡(luò)負(fù)載的增大，減緩了延遲波動(dòng)幅度，不過(guò)同時(shí)導(dǎo)致了低優(yōu)先級(jí)業(yè)務(wù)的延遲小幅增大。可能的原因是,在帶寬分配過(guò)程中，為了保證高優(yōu)先級(jí)業(yè)務(wù)的帶寬需求，并沒(méi)有對(duì)其進(jìn)行限制，導(dǎo)致高優(yōu)先級(jí)業(yè)務(wù)占據(jù)較大的帶寬。接下來(lái)需要針對(duì)這部分缺陷進(jìn)行改進(jìn)，在保證高優(yōu)先級(jí)業(yè)務(wù)當(dāng)前狀況的情況下，降低低優(yōu)先級(jí)業(yè)務(wù)延遲量。