基于多線程worker的高可靠數據分發服務模型

鄭嘉成，張亞楠

摘要：針對傳統數據分發服務中，由慢訂閱者與慢連接問題引起的高丟包率問題，提出多線程數據分發模型，降低丟包率。采用多線程技術，基于actor模型，引入多線程worker實現訂閱者并行接收數據，改進訂閱者無狀態消息返回發布者可能引起的慢連接問題，建立了基于多線程worker的高可靠數據分發服務模型，有效降低了數據傳輸過程中的丟包率。不僅通過與ZeroMQ（zero message queue，零消息隊列）進行對比試驗，表明該模型在接收不同長度報文情況下，能有效降低丟包率。而且通過對模型進行壓力測試，驗證其降低丟包率的有效性。

關鍵詞：數據分發服務;發布訂閱;丟包率;多線程;慢訂閱者

DOI：10.15938/j.jhust.2022.01.003

中圖分類號： TP393? ? ? ?文獻標志碼： A? ? ? ? ?文章編號： 1007-2683（2022）01-0014-09

Highly Reliable Data Distribution Service Model Based

on Multithreaded Worker

ZHENG Jiacheng，ZHANG Yanan

（1School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080，China;

2School of Software and Microelectronics， Harbin University of Science and Technology， Harbin 150080，China）

Abstract：A multithreaded data distribution model is proposed to reduce the packet loss rate caused by slow subscribers and slow connections in traditional data distribution services. Based on the actor model， the multithreaded worker is introduced to enable subscribers to receive data in parallel and to improve the slow connection problem caused by lack of status message from subscribers to publishers， and a highly reliable data distribution service model based on the multithreaded worker is established to reduce the packet loss rate during data transmission effectively. A contrast experiment ZeroMQ （zero message queue） shows that the model can effectively reduce the packet loss rate when receiving messages of different lengths. The effectiveness of the model in reducing packet loss is also verified through stress tests.

Keywords：data distribution service; publish and subscribe; packet loss rate; multithreading; slow subscriber

0引言

數據分發服務（data distribution service，DDS）是一種網絡數據通信的核心技術，滿足分布式實時應用的通信需求，促使數據實時、高效地分發[1]。目前DDS數據分發服務在仿真領域的應用十分廣泛，例如戰場指揮[2-4]，雷達仿真與聲納仿真[5-9]，在軍事領域尤其突出。與此同時，民用領域也逐漸開始采用數據分發服務，例如船舶管理[10-11]，飛行器協同[12]以及電力系統管理[13-14]。隨著應用場景的不斷擴展，許多實際工作都因數據傳輸丟包率高，仿真效果不佳而停滯不前，例如強化學習對于仿真精度以及傳輸效率要求都比較高，高丟包對于多智能體間數據交換會產生極大的負面影響，在很大程度上降低模型評估的正確性，目前許多研究都致力于降低數據分發服務的高丟包問題。

目前對于定位丟包位置[15]和丟包率建模[16]的技術已經存在，但對于丟包問題本身還難以有效解決。通過上行增強技術[17]優化降低上行丟包率的方法，在適用場景上略顯不足。利用關聯分析法對MR數據的深度挖掘[18]，借此實現精準優化，但該方法僅能從宏觀上降低丟包率，微觀上的丟包問題并沒有得到解決。調整發送接收隊列長度以及引入心跳機制的處理方法[19-20]，在面對不同節點硬件時，存在通用性較低的問題。

本文通過改進零消息隊列（zero message queue，ZMQ）發布訂閱模式，引入actor模型的思想，提出一種基于多線程worker的訂閱者，實現多線程協同數據接收，引入輪詢池任務調度與收集器概念，改進傳統發布訂閱模式，建立一種高可靠的數據分發服務模型，有效降低數據分發過程中的丟包率。相比于從宏觀上降低丟包率，本模型從微觀上分析并解決了引起丟包率高的慢訂閱者問題和慢連接問題;且本模型通用性較高，面對不同節點條件都能得到較好的應用。

1問題提出與分析

1.1高丟包率

使用ZMQ發布訂閱模式進行數據發布時，發布者節點可能會因慢訂閱者或慢連接問題造成高丟包率。因此，如何解決傳統發布訂閱模式下丟包率高的問題，是本文關注的重點。

1.2慢訂閱者問題

當發布者與訂閱者雙方已經建立連接，此時主要的丟包原因在于訂閱者接收報文速度無法跟上發布者發送報文速度。訂閱者接收報文后，報文需要經過業務流處理，當業務流線程時間開銷較大時，會造成訂閱者進程中recv線程阻塞，阻塞結束后再次偵聽發布者報文。ZMQ底層采用邊緣觸發機制，當訂閱業務（SUB）流線程阻塞后多個報文到達時，觸發器只會觸發一次，報文中僅有實際觸發的報文會被讀取，未觸發的報文則被丟棄。圖1為SUB進程示意圖。

解決慢訂閱者有兩種方法。一種是將報文貯存在發布者緩沖區中，但在高吞吐量應用場景下，發布者緩沖區由于堆積數據會導致內存溢出，尤其是面對多個訂閱者的情況，磁盤緩沖更容易溢出。另外一種是將報文在訂閱者緩沖區中貯存，這也是ZMQ的默認行為。該方法在瞬間消息量很大的應用場景下十分適用，訂閱者可能只是暫時跟不上發布者速度，最終會趕上進度，然而，在連續接收大消息量的場景下，訂閱者會因緩沖區溢出而崩潰，該方法并沒有解決慢訂閱者問題本身。

1.3慢連接問題

訂閱者與發布者間進行數據傳輸，需要建立TCP連接，訂閱者通過硬編碼端點字符串向發布者建立連接，這一過程涉及TCP三次握手。對于訂閱者來說，該握手過程通常會花費數毫秒時間;對于發布者來說，啟動發布者接收開始命令后就開始將原始數據封裝成報文進行發送。PUB進程與SUB進程并行執行，ZMQ在后臺進行異步I/O傳輸，由于發布者發送消息在時間上領先于訂閱者建立連接，因此對于發布者來說，此時會形成無訂閱者接收消息的情況。zmqPUB套接字出于減輕系統負載的目的，會在無接收者期間自動丟棄所有報文，基于該

處理機制，發布者在訂閱者建立連接期間發送的報文會全部丟失。即使嘗試在啟動訂閱者之后再啟動發布者，也無法規避TCP三次握手所需要的數毫秒，最終還是會導致發布者丟棄在建立連接之前發送的所有報文。圖2為慢連接問題示意圖。

針對慢連接問題，有兩種解決方法。方法一是發布者延遲發布，在發布者啟動后阻塞其PUB進程，SUB進程在PUB進程阻塞期間建立連接，實現進程同步。該方法的不足之處在于無法準確設置PUB進程阻塞時間長短，阻塞時間設置過長會造成不必要的時間開銷，阻塞時間設置過短則不能完全同步收發雙方進程，無法徹底解決慢連接問題。方法二將發布者數據流看作無限流，沒有所謂的起點與終點，從訂閱者建立連接后接收到的第一條報文作為起點，忽略建立連接時被丟棄的報文。該方法并沒有解決慢連接問題，且適用的場景較少。

2設計與實現

傳統訂閱者消息接收線程與業務流線程串行執行，引起慢訂閱者問題;本模型訂閱者通過多線程worker實現，多個worker間并行執行消息接收線程與業務流線程。通過共享內存的inproc協議作為worker與訂閱者間通信的橋梁，以提高模型執行效率。多線程worker訂閱者將傳統模型訂閱者緩沖區在邏輯上劃分為若干分區，通過多個worker線程分別讀取邏輯上劃分的分區，達到優于單一線程處理整個緩沖區的效果，提高訂閱者消息接收能力。

在此基礎上，為了實現worker間負載均衡，本模型訂閱者中新增并實現了輪詢池作為worker狀態輪詢接口，負責有序管理多個緩沖分區，通過雙向異步偵聽和輪詢算法實現worker負載均衡，防止同一個worker處理過多消息，提高發布訂閱模型并發性;另外，在傳統訂閱者的基礎上，設計并實現用于消息匯總的訂閱者收集器，不同worker將各自處理的消息結果進行異步匯總，通過公平隊列這樣的無鎖算法實現訂閱者消息接收能力的進一步提升。

傳統發布訂閱模型中，發布者與訂閱者之間只能進行單向通信，訂閱者對發布者而言不可見，引起慢連接問題。本模型通過架設雙向通路實現發布者與訂閱者間雙向通信，基于雙向通信達到發布者與訂閱者間狀態同步，控制發布者進程與訂閱者進程同步執行，防止慢連接問題引起的丟包現象。

2.1模型設計

基于多線程worker的高可靠數據分發服務模型，主要包含3個部分的內容：訂閱者與worker之間關系結構的設計、worker之間的消息分配設計、worker資源釋放時機的控制。①訂閱者與worker之間關系結構的設計，該設計涉及訂閱者與worker間是否解耦，不同worker間能否相互通信，對于發揮模型并發性來說非常關鍵。訂閱者啟動時，通過其上下文subscriber_context創建多個worker實例，創建的worker為訂閱者服務，由此構成一個能夠多線程并行處理消息的訂閱者。設計良好消息分配機制的worker可以有序管理訂閱者緩沖區的不同分區，對于充分發揮模型的的并發性，降低worker之間耦合性，都具有重要意義。②worker之間的消息分配設計，由于worker是消息驅動的，為同一訂閱者服務的多個worker之間相互解耦，不直接進行消息通信，取而代之的是由訂閱者創建輪詢池為worker進行消息分配。此外，消息分配是否合理決定了worker任務分發是否高效，基于輪詢池的負載均衡分配方式與數據分發服務業務場景相契合，采用輪詢算法進行消息分配的輪詢池有利于提高worker接收消息利用率，有利于充分發揮多線程編程的并發效率。③控制worker資源釋放時機，多線程worker數據分發服務模型中，訂閱者可以動態控制worker資源釋放時機，這一點對于數據分發系統來說至關重要。如果將數據分發到某個worker處進行接收，那么系統必須等待該消息的接收結果，該等待過程包括消息的接收、處理和匯總。當不再需要worker接收消息時，訂閱者可以適時釋放worker資源，達到節約系統資源的目的，釋放worker資源時采用Python語言經典的資源回收機制，當worker引用計數為零時，會被視為垃圾進行處理，回收worker所占用的內存空間，由于該操作涉及較大的危險性，因此采用Cpython解釋器提供的自動垃圾回收機制，防止由于內存回收造成可能的內存溢出問題。圖3是多線程worker數據分發模型消息架構。

多線程worker數據分發服務模型的消息數據流向如圖3所示，分為3個部分：發布者、worker和收集器，分別表示數據源端的發布者，數據實際接收的worker端和數據處理結果匯總的收集器端，發布者、worker和收集器都有具體名稱、地址以及端口號。對于需要跨機器通信的情況，可以利用硬編碼端點字符串，即IP地址和端口號，對于用戶來說，發布端作為相對固定的端點，其地址和端口是透明的，通過連接發布端地址和端口，與應用程序進行消息通信。其中消息數據在各部分的具體過程如下，圖4為訂閱者創建worker時序圖。步驟一：上層應用產生原始數據，向發布者zmqsocket（zmqPUB）發送selfstart（）命令，此時發布者等待訂閱者connect（）方法的返回。步驟二：訂閱者通過self__init（）__方法初始化，在訂閱者上下文subscriber_context中創建若干worker，并通過Pollerregister（）方法將worker注冊進輪詢池，每一個worker管理一塊訂閱者緩沖分區。同時，對發布者建立連接。步驟三：發布者將原始數據進行封裝，以報文的形式發送給訂閱者，訂閱者在調度上下文中將消息分配給worker處理。步驟四：worker接收到消息后，在調度上下文中完成業務邏輯處理，并將處理完成的結果封裝成ZMQ消息發送給收集器。步驟五：收到終止信號后，收集器調用worker的終止事件回調，對worker進行停止操作，訂閱者釋放worker資源。

2.2輪詢池設計與實現

為了實現消息快速高效的接收，防止在一個worker處集中過多的數據，導致該worker負載過大，盡可能降低worker隊列中消息的等待時長是至關重要的。新增訂閱者輪詢池，主要負責訂閱者消息分配，偵聽發布者是否發送新消息以及分配最后一個工作的worker為其進行處理。圖5為輪詢池的數據結構。

輪詢池是一個狀態輪詢接口，映射Python內置輪詢機制，通過selfsockets列表保存輪詢對象與輪詢事件的二元組（worker_x， event_x），利用self_map哈希表保存輪詢對象在self_map中的索引值，提高輪詢時的查詢速度。

在訂閱者上下文中創建worker的同時，在輪詢池中注冊worker。訂閱者主線程接收消息時，輪詢池對同一線程中的不同輪詢對象進行雙向異步偵聽，偵聽對象為已注冊的ZMQ套接字，注冊時采用ZMQ套接字引用與特定事件對的方式，當偵聽到特定事件發生在對應ZMQ套接字上時，發送回調激活套接字。上游偵聽發布者，為避免輪詢循環內的任何阻塞調用，采用poll（）方法檢查是否有可用數據，如果偵聽到上游有可用數據進入，則彈出下一個worker套接字對其進行業務處理;下游偵聽worker，當輪詢池偵聽到可用數據時，刷新worker套接字recv（）端口，采用輪詢算法分配worker套接字處理消息。采用輪詢作為實現多線程worker負載均衡的算法。輪詢算法適用于訂閱者訂閱一種主題時，多個worker處理的消息的業務邏輯完全相同，可以近似地認為每一個worker處理一條消息的開銷相同，圖6為輪詢池消息分配示意圖。

2.3多線程WORKER設計與實現

為實現數據并行處理，訂閱者部署多線程worker負責處理業務邏輯。將節點概念擴展，節點可以是主機、進程甚至是線程，worker節點通過inproc協議（進程內連接）與訂閱者線程建立連接，采用inproc協議作為訂閱者與worker之間通信的橋梁，inproc協議是一種在單個ZMQ上下文線程間通過共享內存實現消息傳遞的協議，可以顯著提高多線程worker數據傳輸效率。為了提高模型的并發性，對

多線程worker隔離性與一致性提出了要求。對于隔離性，worker間應避免使用鎖和信號量等技術來實現并發隔離，在不使用時間開銷較大的方案的前提下，需要防止同一報文重復被多個worker業務流處理，降低處理效率?；诖丝紤]，多線程worker通過輪詢池消息分配實現并發編程隔離性，輪詢算法作為一種無狀態調度算法，確保每條消息只會由一個worker進行處理，且ZMQ并發編程本身采用無鎖算法，從而在保證性能的前提下實現多線程worker隔離性。一致性方面，worker接收到報文后對報文解包，進行相應業務流處理后，將處理結果封裝成ZMQ報文，發送至收集器匯總，收集器接收匯總消息，激活回調函數，更新統計信息;worker通過zmqPULL套接字發送匯總消息，與收集器之間通過inproc協議建立快速的進程內連接，多個worker間采用公平隊列算法實現消息匯總，采用該調度算法的優點在于不會因高負載worker而阻塞其他worker匯總消息，可以在保證消息匯總一致性的同時，進一步提高多線程worker性能。worker類圖如圖7所示，包括zmqcontextContext定義上下文，zmqsocketSocket定義通信套接字等。

worker通過訂閱者上下文sub_context初始化后，與輪詢池建立進程內連接，完成操作后通過workerrecv（）方法異步等待消息分配，輪詢池偵測到消息到來后，會將消息分配給worker，worker對接收到的消息進行業務流處理，通過ZMQ消息的形式發送結果給收集器，每處理一條消息，判斷一次當前消息發送是否發生已經結束，如果當前狀態不再有新的消息傳入，則通過Python GC機制實現資源回收，節約開銷。worker流程圖如圖8所示。

2.4狀態同步

受制于傳統發布訂閱模式單向數據傳輸的思想，訂閱者可以接收來自發布者的消息，但發布者無法獲取訂閱者的狀態，雙方建立連接時無法做到狀態同步。因此，需要改進傳統單向數據傳輸模式，使發布者可以獲取訂閱者的狀態信息，通過數據雙向傳輸達到狀態同步的目的。在發布者接收到上層應用開始命令后，通過新增REP套接字阻塞等待訂閱者狀態報文;訂閱者建立連接后，通過新增REQ套接字向發布者發送狀態報文。REP套接字接收狀態報文，回調激活發布者，實現發布訂閱雙方狀態同步，解決慢連接問題。圖9為訂閱者流程圖。

3測試與分析

3.2測試方案

通過測試原生ZMQ發布訂閱模式與基于多線程worker的ZMQ發送不同長度報文、固定個數報文以及進行壓力測試時的丟包率。本次測試的網絡環境為3684Mb帶寬。用于發送報文的計算機配置如下：Win10操作系統，運行內存16G，內存500G，CPU為AMD r5，六核，主頻為21-40GHz;用于接收報文的計算機配置如下：Win10系統，運行內存12G，內存500G，CPU為Intel CORE i5，四核，主頻為230GHz。

本次測試分為兩項基礎測試與兩項壓力測試，第一項基礎測試內容為發送端發送一百萬條不同大小報文，報文大小分別為64、128、256、512、1024、2048、4096、8192Byte;第二項基礎測試內容為發送端發送總字節數為一百萬Bytes的報文，每條報文的大小分別為64、128、256、512、1024、2048、4096、8192Byte。第一項壓力測試內容為在不同額外負載下，發送一百萬條消息，即測試性能時，同時以3M/s、6M/s和30M/s的速率發送其他流量，以非測試報文擠占帶寬;第二項壓力測試內容為長時間連續發送報文，發送時長分別為1～10 min。

上述基礎測試中發送端均不設置發送間隔，并控制發送端分別以1M/s、2M/s和10M/s的速率進行發送，測試其丟包率。上述壓力測試不設置發送間隔與發送速率，測試其丟包率。

3.2測試結果

基礎測試與壓力測試結果如圖10～17所示。圖10為ZMQ基礎測試1丟包率，分別測試發送一百萬條報文，報文長度分別為64、128、256、512、1024、2048、4096、8192Byte時的丟包率，發送速率分別為1M/s、2M/s和10M/s，當報文大小增長到512Byte時，丟包率有明顯提升，達到了6745%;圖14和圖16分別為ZMQ壓力測試1和壓力測試2的丟包率，可以觀察到在512Byte時丟包率陡增，分別達到了6899%和7296%。該現象是由于報文過大導致訂閱者業務流阻塞時間過長，期間緩沖區溢出以致于大部分報文被丟棄。

從基礎測試和壓力測試結果中可知，原生ZMQ在發布512Byte以下大小報文時，可以保持較低的丟包率，即使是在帶寬被擠占和長時間發送的情況下，發布小型報文的丟包率都較低;而當報文大小增長到512Byte及以上時，丟包率發生陡增，說明原生ZMQ對于大報文的處理能力較低。本文提出的多線程worker數據分發模型通過worker并行讀取數據，提高訂閱者緩沖區的利用率，增強訂閱者面對大型報文時的處理能力，在保持高效處理小型報文的基礎上，提高了訂閱者處理大型報文的能力，測試結果表明，本模型在處理不同大小報文的壓力測試下，都能保持5%以下的丟包率。

4結論

本文針對傳統數據分發模型高丟包問題，提出了一種基于多線程worker的高可靠數據分發服務模型，解決傳統模型中慢訂閱者與慢連接問題。在發送不同長度報文和相同總長度報文的基礎測試中，接收長度小于512Byte的短報文時丟包率降低2211%;接收長度大于等于512Byte的長報文時丟包率降低8737%。在非測試報文擠占帶寬壓力測試中，本模型降低丟包率5920%，在長時間連續發送報文壓力測試中，本模型降低丟包率5565%。實驗表明，本文提出的多線程數據分發模型在發布訂閱長度在8192Byte以內報文時可以顯著降低丟包率，該模型是一種有效的模型。

基于多線程的數據分發模型丟包率低，可以用于改善強化學習中多智能體間數據交互，使得模型評估更加精準，仿真效果更加完善。雖然該模型可以有效降低報文丟包率，但在發布者高頻發送報文的情況下，丟包率仍然較高，因此仍然需要進一步研究高頻發送報文丟包的原因和解決方案。

參 考 文 獻：

[1]郝玲玲，傅妍芳.發布/訂閱模型DDS應用研究及其性能評價[J].西安工業大學學報，2020，40（3）：290.

HAO Lingling， FU Yanfang. Application and Performance Evaluation of DDS Based on Publish/Subscribe Model [J]. Journal of Xi′an Technological University，2020，40（3）：290.

[2]朱子杰，汪敏，李榮寬，等.基于DDS戰術服務框架的實現機制[J].指揮信息系統與術，2020，11（4）：52.

ZHU Zijie， WANG Min， LI Rongkuan， et al. Implementation Mechanism for Tactical Service Framework Based on DDS [J]. Command Information System and Technology，2020，11（4）：52.

[3]雷媛元，焦璐，王銳，等.基于數據分發服務的通用仿真框架技術[J].計算機應用，2020，40（S1）：146.

LEI Yuanyuan， JIAO Lu， WANG Rui， et al. General Simulation Framework Based on Data Distribution Service[J]. Journal of Computer Applications，2020， 40（S1）：146.

[4]劉家雨，王永生，劉愛東.基于DDS的防空武器信息交互系統[J].指揮控制與仿真，2021，43（2）：127.

LIU Jiayu， WANG Yongsheng， LIU Aidong. Air Defense Weapon Information Exchange System Based on DDS [J]. Command Control & Simulation，2021，43（2）：127.

[5]山壽，王鵬，聶瑤佳.基于任務容器的多源數據實時監控技術研究[J].計算機測量與控制，2020，28（3）：98.

SHAN Shou， WANG Peng， NIE Yaojia. Research on Multisource Data Realtime Monitoring System Based on Task Container [J]. Computer Measurement & Control，2020，28（3）：98.

[6]孫曉冬.基于數據分發服務的雷達仿真系統設計[J].科技視界，2019（18）：6.

SUN Xiaodong， Radar Simulation System Design Based on Data Distribution Service [J]. Science & Technology Vision，2019（18）：6.

[7]山壽，郝明哲，孫偉.基于數據分發服務和WPF技術的試飛實時監控系統設計[J].計算機測量與控制，2020，28（3）：119.

SHAN Shou， HAO Mingzhe， SUN Wei. Design of Realtime Monitoring System for Flight Test Based on DDS and WPF Technology [J]. Computer Measurement & Control，2020，28（3）：119.

[8]畢曉龍.基于數據分發服務的聲吶仿真系統的研究[J].艦船電子工程，2019，39（12）：191.

BI Xiaolong. Research on Sonar Simulation System Based on Data Distribution Service [J]. Ship Electronic Engineering，2019，39（12）：191.

[9]CHA J H， KIM D S. Design and Implementation of a Realtime Monitoring Tool for Data Distribution Service[J]. IEIE Transactions on Smart Processing & Computing，2018，7（4）：264.

[10]劉元斌，占日新.航電系統仿真環境通信架構研究[J].中國新技術新產品，2021（3）：16.

LIU Yuanbin， ZHAN Rixin. Research on Energy Electronics System Simulation Environment Communication Architecture [J]. China New Technology New Product，2021（3）：16.

[11]王坤，房玉吉，馮源，等.基于Qt和OpenDDS的船舶電力模擬訓練系統指令處理方法[J].船海工程，2018，47（6）：50.

WAN GKun， FANG Yuji， FENG Yuan， et al.? Command Processing of the Ship′s Power Simulation Training System Based on QT and OpenDDS [J]. Ship & Ocean Engineering，2018，47（6）：50.

[12]杜越洋，趙盾，閆智超.基于數據分發服務的無人機任務載荷綜合仿真平臺研究[J].無人系統技術，2021，4（1）：79.

DU Yueyang， ZHAO Dun， YAN Zhichao. Research on DDSbased Integrated Simulation Platform for UAV Mission Payload [J]. Unmanned Systems Technology，2021，4（1）：79.

[13]TAREK A.Youssef，Mohammad Mahmoudian Esfahani，Osama Mohammed. DataCentric Communication Framework for Multicast IEC 61850 Routable GOOSE Messages over the WAN in Modern Power Systems[J]. Applied Sciences，2020，10（3）：848.

[14]史佳雯，汪洋，張庚，等.面向電力通信網的分布式仿真系統[J].計算機工程與應用，2019，55（19）：246.

SHI Jiawen， WANG Yang， ZHANG Geng， et al. Distributed Simulation System for Power Communication Network [J]. Computer Engineering and Applications， 2019，55（19）：246.

[15]金志平，梁志標，劉勝華，等.自適應動態視頻流傳輸策略研究[J].網絡安全技術與應用，2021（5）：57.

JIN Zhiping， LIANG Zhibiao， LIU Shenghua， et al. Research on Adaptive Dynamic Video Flow Transmission Strategy [J]. Network Security Technology & Application，2021（5）：57.

[16]韓旭，趙國榮，王康.基于線性編碼補償方法的非固定丟包率下的分布式融合估計器[J].北京航空航天大學學報，2020，46（6）：1229.

HAN Xu， ZHAO Guorong， WANG Kang. A Decentralized Fusion Estimator Using Linear Coding Compensation Method with Nonfixed Dropout Rates [J]. Journal of Beijing University of Aeronautics and Astronautics，2020，46（6）：1229.

[17]孫學軍.降低上行丟包率提升VoLTE語音質量的研究[J].中小企業管理與科技（上旬刊），2019（7）：182.

SUN Xuejun. Research on Reducing Uplink Packet Loss Rate and Improving the Quality of VoLTE Speech [J]. Management & Technology of SME， 2019（7）：182.

[18]王建，王康，劉方森.基于MR的VoLTE高丟包優化分析方法研究[J].電信技術，2019（6）：19.

WANG Jian， WANG Kang， LIU Fangsen. Research on MRbased Volte High Packet Loss Packet Optimization Analysis Method [J]. Telecommunications Technology， 2019（6）：19.

[19]李春雷，高峰，顏運強.基于Actor模型的軟總線設計[J].計算機工程，2019，45（5）：77.

LI Chunlei， GAO Feng， YAN Yunqiang. Design of Soft Bus Based on Actor Model [J]. Computer Engineering，2019，45（5）：77.

[20]童佳鋒.基于DDS的軟件接口測試方法研究[J].電子測試，2021（9）：113.

TONG Jiafeng. Research on DDSbased Software Interface Testing Method [J]. Electronic Test， 2021（9）：113.

（編輯：王萍）