基于負載均衡的低軌衛星網絡動態路由算法

頓聰穎，金鳳林，譚詩翰，祁春雨

(1.陸軍工程大學 指揮控制工程學院，江蘇 南京 210007；2.中國人民解放軍31697部隊，遼寧 大連 116100)

0 引言

隨著互聯網、物聯網及移動終端的普及和發展，人們對隨時隨地接入網絡的需求越來越迫切，衛星網絡因其覆蓋范圍廣、不受地面災難影響、能以低成本實現無處不在的通信而備受關注。衛星在5G生態系統中發揮了重要作用， 2017年6月，歐洲成立Sat5G (Satellite and Terrestrial Network for 5G)聯盟[1]，探索衛星采用5G的可靠方案。即將到來的6G將通過衛星網絡與地面蜂窩網絡、機載網絡集成到一個無線系統中[2]，形成全球無縫立體覆蓋，實現無盲區寬帶移動通信。作為天地一體化信息網絡的重要組成部分[3]，各個國家都在積極發展衛星網絡。

路由技術是衛星通信網絡的核心，旨在保證數據在衛星節點間的高效、可靠傳輸。由于衛星網絡與地面網絡存在較大差異，難以采用地面網絡中成熟的路由技術，因此需要設計符合衛星網絡特點的路由策略。衛星網絡的典型特點之一是網絡負載不平衡。從整體看，由于衛星網絡用戶密度和流量需求分布的不均勻，使得衛星網絡資源利用不平衡。對于單個衛星，由于衛星與地面的相對運動，單個衛星的流量負載也在不斷變化，覆蓋陸地的衛星一段時間后可能覆蓋海洋。針對衛星網絡負載不平衡的問題，已有一些解決辦法被提出，基于有限狀態機的鏈路分配方案[4]將系統周期劃分為有限個時間片，并將每個時間片的網絡拓撲視為一種狀態，通過地面控制中心離線計算每個狀態的最優路徑提前上傳至衛星。文獻[5]提出了分布式負載均衡路由方案，從源節點到目的節點建立多條鏈路來共享網絡流量。LIU等[6]改進了Dijkstra算法，通過降低節點的重用頻率來實現負載均衡。這些算法可以在一定程度上減輕網絡擁塞，但都忽略了衛星節點的擁塞程度與其覆蓋區域內用戶量密切相關，對流量動態變化適應性差。

對此，本文針對低軌衛星網絡負載不平衡和服務高負載區域的衛星更容易發生擁塞的問題，提出了一種基于負載均衡的低軌衛星網絡動態路由算法——DLR。通過改進的蟻群算法計算出盡可能繞過高負載衛星的路徑，實現全局范圍內均衡網絡負載。對于突發的流量擁塞采用逐跳分流的方式，進行實時路由調整，從而達到更好的負載均衡效果。與經典算法比較發現，提出的算法可有效消除網絡擁塞。

1 相關概念

1.1 LEO衛星網絡負載均衡路由策略分類

LEO衛星網絡負載均衡路由從實現效果上可分為全局負載均衡和局部負載均衡。全局負載均衡收集全網的負載狀態信息，根據當前網絡狀態，做出全網范圍內的流量均衡策略，整體的負載均衡效果好，但通信開銷大，對網絡擁塞的反應不靈敏。局部負載均衡允許每顆衛星根據自己的本地負載狀態信息獨立地做出負載均衡決策，可以對網絡擁塞做出快速反應，實現局部范圍內的負載均衡，通信開銷較小，但容易造成局部最優或級聯擁塞[7]。文獻[8]提出，為了緩解衛星網絡中流量集中在較高緯度的影響，路由算法應該支持鏈路之間更加均勻的負載分擔。

典型的全局負載均衡路由算法中，基于鏈路狀態的路由方案[9]將傳播時延和排除時延的總和作為鏈路代價。文獻[10-11]引入了位置修正因子，將熱點區域的流量引導到非熱點區域。文獻[9-11]都是在鏈路代價最小的一條路徑上進行數據傳輸。文獻[12-13]則選取最優的多條路徑進行數據傳輸。在地面網絡SDN思想啟發下，基于分段路由的負載均衡算法動態劃分輕重負載區域，在不同區域采用不同路由方法。典型的局部負載均衡路由算法中，顯式負載均衡路由算法[14]在相鄰節點間交換擁塞信息，相鄰衛星搜索替代路徑分流。以此為基礎基于信號燈的智能路由策略[15]根據信號燈顏色動態調整路由，同時提出公共等待隊列方案降低丟包率。文獻[16-17]將流量分解為可預測部分和突發部分，根據流量分布空間和時間的變化采用全局策略，并對突發流量引起的擁塞多跳分流。

1.2 衛星節點狀態分類

衛星用戶密度和流量需求的分布是可知的，服務于用戶密集、流量需求大的區域的衛星更容易發生擁塞。因此根據用戶密度和流量需求分布，將衛星覆蓋區域分為高負載區和低負載區。覆蓋高負載區域的衛星，隨時有可能作為源節點或目的節點發送或接收數據包，發生擁塞的可能性更大。

根據衛星網絡用戶分布和數據傳輸過程中鏈路的隊列占用率Q，把衛星分為3種狀態：正常狀態(NS)、警告狀態(WS)和忙碌狀態(BS)。在初始階段，衛星網絡中沒有數據傳輸，衛星只有正常狀態和警告狀態2種，覆蓋高負載區的衛星為警告狀態，覆蓋低負載區的衛星為正常狀態。數據傳輸過程中，服務低負載區域的衛星隊列占用率q超過閾值μ或服務高負載區域的衛星隊列占用率超過閾值θ，衛星進入忙碌狀態，其中μ>θ。衛星節點的狀態轉換如圖1所示。根據衛星狀態執行相應的負載均衡。設置服務低負載區域衛星的閾值更大，是為了避免不必要的負載平衡。設置服務低負載區域的閾值較小，可以立即對高負載區域衛星的流量做出反應。算法中全局負載均衡和局部負載均衡都在區分節點狀態的前提下實現。

圖1 衛星節點態轉換Fig.1 State transition of satellite nodes

1.3 LEO衛星網絡模型

為了屏蔽拓撲的動態變化 ，采用虛擬拓撲策略。在給定的時間間隔T內，LEO衛星網絡可建模為G=(V,E,T)的有向圖。其中T={t1,t2,…,tn}，即T可以被劃分為n個時間片，且在每個時間片內拓撲保持不變。V是LEO衛星節點的集合，每顆衛星對應一個節點v，E={eu,v|u,v∈V}是鏈路的集合，eu,v=1表示節點u和v之間存在直接相連的鏈路。每顆衛星最多維持4條直接相連的星間鏈路(ISL)，分別為2條同軌道的軌道內鏈路和2條相鄰軌道的軌道間鏈路。

2 算法設計與實現

2.1 設計目標

本文提出的LEO衛星網絡負載均衡路由分為2個階段實現：第1階段為最優路徑建立階段，通過改進的蟻群算法實現全局范圍的負載均衡；第2階段為局部路由調整階段，衛星節點變為忙碌狀態時逐跳分流以實現局部的負載均衡。局部和全局2種方法相結合，可以達到更好的負載均衡效果。

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 基于蟻群算法的全局負載均衡

2.2.1 蟻群算法簡介

蟻群算法是意大利學者Dorigo[18]從蟻群覓食過程中獲得靈感而提出。螞蟻在環境中隨機漫游，以確定食物來源，并尋找食物到巢穴之間的最短路徑。為了交換路徑信息，螞蟻通過釋放信息素的化學物質進行交流。當螞蟻從巢穴移動到食物來源時，會在所經過路徑上留下信息素。當絕大多數螞蟻跟隨時，這條路徑變得更有吸引力。利用這種機制，螞蟻能夠高效地將食物從源頭運送到巢穴。蟻群算法最早被應用于解決TSP問題，之后又被廣泛用于解決車間作業調度問題、車輛派遣問題、機器人問題和網絡路由問題。表1總結了傳統路由算法與蟻群算法在路由信息、路由開銷和負載均衡等方面的性能比較。

表1 蟻群算法與傳統算法的比較Tab.1 Comparison between ant colony algorithm and traditional algorithm

創新人才應該擁有寬廣深厚的文化基礎知識，能通專結合，具有強烈的社會責任感以及獨立的人格。通過經典閱讀來促進創新人才培養，溫故而知新，經典常讀也會常新，在理論與實際、歷史與現實之間，搭建一座智慧溝通橋梁。美國的約瑟夫·斯科特·李曾經說過：世界經典如《對話錄》、《論語》，“它教導學生處處思考和感受人類關心的那些具有深刻意涵和基礎性事物，跨越眾多的學科、文明和時代——不是簡單地重現過去，而且也想象未來”。

2.2.2 數據結構

將蟻群算法中的螞蟻抽象為兩類：前向螞蟻和后向螞蟻。前向螞蟻由源衛星節點生成并發送至目的衛星節點，主要負責路由信息收集。后向螞蟻由目的衛星節點生成，沿與前向螞蟻相反的路徑到達源節點，負責路由表的更新。在衛星網絡中，螞蟻的數據結構包含以下字段：

Ant_typesrcdstNeighborNeighbor_stateVsVs_time

其中，Ant_type為螞蟻類型，src為源衛星節點，dst為目的衛星節點，Neighbor、Neighbor_state分別為螞蟻可選的鄰居節點集合和鄰居節點狀態，Vs和 Vs_time為螞蟻已訪問的衛星節點集合及經過各節點的時間戳。

為了記錄和更新路由表，每顆衛星節點維護節點負載表和路由表，節點負載表記錄本地節點和鄰居節點負載情況，負載表結構為：

Node_IDNode_stateNeighborNeighbor_state

其中，Node_ID為當前節點，Node_state為當前節點狀態，Neighbor為鄰居節點，Neighbor_state為鄰居節點狀態。state=2表示節點處于正常狀態，可以作為下一跳節點；state=1表示節點處于警告狀態；state=0表示衛星節點處于忙碌狀態，路由過程中應盡量避免選擇警告狀態和忙碌狀態的節點作為下一跳。

路由表用轉移概率表代替，表示目的衛星節點時當前衛星節點在鄰居節點集中選擇某顆衛星作為下一跳的概率，路由表結構為：

dstNeighborPij

其中，dst為目的衛星節點，Neighbor為鄰居節點，Pij為節點i選擇鄰居節點j作為下一跳的概率。當數據包經過衛星節點i時，衛星i會根據自身路由表轉發數據包。

2.2.3 路徑選擇規則

(1) 狀態轉移規則

前向螞蟻根據以下規則來選擇下一跳：首先判斷目的節點是否在鄰居節點集中，若在，則下一跳為目的節點；若目的節點不在鄰居節點集中，則根據下式確定轉移概率：

(1)

在衛星網絡中，高流量負載的節點很容易成為網絡瓶頸，因此增加了節點狀態信息和QoS信息，在保證服務質量的同時，螞蟻更傾向于選擇正常狀態節點作為下一跳，最優路徑傾向于繞開覆蓋高負載區域的衛星節點，路徑的負載能力更強，降低擁塞發生的可能。因此將啟發函數設置為鏈路質量的度量：

開展施工作業的時候，應當在完成了排水管道施工之后，對其進行壓力試驗，有助于了解施工的質量情況，對產生的問題及時予以補救，提高工程建造的質量。試驗的方法可以利用氣壓和水壓，可以通過管道的性能來判斷和掌握要采用哪種方式。在試驗過程中，詳細檢查管道的施工接縫位置，并記錄結果。如果使用PP－R管的管材，那么就要開展兩次試驗，可以設置在整個施工的前期和后期，在試驗的過程中，應當著重注意兩個方面的問題。首先是連接部位，其次是室內管道部分。這些地方尤其要注意它們的密封性是否良好，否則水不能夠正常地被排放出去就會引發事故。

(2)

(2) 信息素更新規則

下田插秧前還要對插秧機作一次全面仔細的檢查調試，以確保插秧機能夠正常工作。并要根據大田的肥力、水稻品種等，對插秧的株距、插秧的深度、每穴的秧苗株數進行檢查和調整。

局部調整示圖和調整后的路由表如圖3所示，在使用蟻群算法計算的最優路徑進行數據傳輸的過程中，衛星S10進入擁塞狀態，會通知上一跳衛星節點S6以比率χ減小向S10的數據發送速率，同時查看自身路由表，選取除節點S10之外的轉移概率最大的節點S5為分流的下一跳節點，并將1-χ比率的流量通過路徑S6→S9→S13進行傳輸。同時，S6的路由表也隨之更新。同時，因為蟻群算法螞蟻訪問列表的存在，數據包不會回傳到S7。

τij(0)=j_state×C，

(3)

式中，j_state為衛星節點j的狀態值，初始狀態衛星節點只有正常狀態和警告狀態；C為常數。

式(3)的定義可以使覆蓋高負載區域的節點信息素濃度更低，而相對空閑的衛星節點鏈路信息素濃度高，可以降低流量需求高路徑的信息素濃度積累，避免流量聚集導致的網絡擁塞，相比傳統蟻群算法初始化信息素濃度相同，收斂速度更快。

前向螞蟻到達目的節點后死亡，后向螞蟻沿前向螞蟻的路徑更新信息素：

τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)，

(4)

(5)

(6)

每次聊天，高潮和“詩的妾”都是這樣，任何事情，即便再風馬牛不相及，都能與性津津有味地牽扯在一起，晦澀，曖昧。誰讓兩人都是詩人，都有著無比豐富的天才想象力呢。這樣的聊天，讓兩人在虛擬的世界里彼此吸引，成了一對“模范夫妻”，一天不搭訕，就覺得心里空空蕩蕩的。

與自然界中螞蟻相遇時觸角碰觸交換信息相似，當前向螞蟻與后向螞蟻相遇時，前向螞蟻復制后向螞蟻記錄的數據，在選擇下一跳衛星節點時可以使用到更全面的信息，從而加快收斂速度。

局部衛星網絡拓撲快照及相關節點的路由如圖2所示。

圖2 局部網絡拓撲和路由表Fig.2 Local network topology and routing table

在該拓撲中，衛星節點S1處于警告狀態，其余衛星節點均處于正常狀態。衛星節點S3有需要發往S13的數據。每個衛星節點都包含到鄰居節點的轉移概率的路由表，根據路由表，節點S3會選擇路由表中轉移概率最大的鄰居節點S7作為下一跳；同理，衛星S7會選擇S6作為下一跳，衛星S6會選擇S10作為下一跳，衛星S10最后把數據包發送到目的端衛星S13。通過蟻群算法得到的最優路徑為S3→S7→S6→S10→S13,路徑繞過了覆蓋擁塞區域的衛星S11。

綜上所述，中國的乳企和養殖者之間的合約是一個權利義務相當不對等的合約，養殖者被限制交易對象的對價應該是買方保證以合理的價格收購其全部產品。對合約公平性的想象是初始合約的“參照點”，當事后談判力弱的一方感受自己的權力受到侵害，就會“粗糙”地履行合約，導致其關系專用性投資不足，直至最終退出交易。

2.3 局部路由調整

通過上述蟻群算法可以得到盡可能繞過擁塞區域的最優路徑，在很大程度上滿足全網流量均衡的需求。然而，由于蟻群算法搜索時間較長，且在2次路由表更新之間可能會出現突發的流量擁塞，不能實時反映網絡中負載變化情況。因此，設計局部路由調整處理突發的流量擁塞，進行實時路由調整，彌補全局負載均衡反應的不及時，從而達到更好的負載均衡效果。

每顆衛星維護一個節點狀態監測定時器，以固定的時間間隔δ檢測鏈路排隊長度q，判斷衛星節點狀態并與相鄰衛星交換狀態信息。當衛星s發現鏈路隊列占用率大于1.3節提到的閾值，進入忙碌狀態時，會通知上一跳衛星分流。上一跳衛星節點根據蟻群算法計算出的轉移概率表，選擇除s節點外的轉移概率最大的衛星節點e作為替代路由，并以比率χ降低向s的發送速率，剩余的1-χ比率的流量將發送到衛星節點e。

由于衛星節點有到鄰居節點的概率表，因此與ELB等經典局部負載均衡相比，不需要重新計算備用路徑，而是直接查找概率表進行分流，減少了替代路徑搜索的計算開銷，提高了局部調整的反應速度。此外，局部分流后，節點會根據分流比率更新轉發概率表，以供蟻群算法在路徑構建過程中使用。

為了降低通過高負載區域衛星流的數量，定義初始化信息素濃度為：

圖3 局部調整示圖和調整后的路由表Fig.3 Local adjustment graph and adjusted routing table

此外，存在2種不分流的情況：① 如果一顆過載衛星的相鄰衛星的所有相鄰衛星都處于忙碌狀態，則不會分流；② 忙碌狀態的衛星與目的衛星節點直接相連時，不進行分流。

算法的負載均衡是建立在衛星節點狀態變化 的基礎上的，因此設置合理的閾值以區分衛星節點不同狀態至關重要。下面討論隊列占用率閾值設置和分流比設置。

(1) 隊列占用率閾值設置

由表1可以看出，蟻群算法更能適應衛星網絡拓撲變化頻繁、流量分布不均勻的特點，且蟻群算法可擴展性高，易與其他算法結合，因此本文選擇蟻群算法進行衛星網絡的全局負載均衡路由。

合理選取局部路由調整階段的隊列閾值，避免衛星在高負載時發生丟包。考慮特殊情況，t時刻進行衛星狀態檢測時，衛星u輸出鏈路上隊列占用率接近但不超過調整閾值，此刻衛星仍處于正常狀態或警告狀態，但當檢測時刻剛過，由于數據的持續輸入隊列占用率超過閾值，但還需等待δ+d時間(d為鏈路傳輸時延)衛星狀態才會轉換為忙碌狀態。為了保證不發生丟包，鏈路的隊列占用長度應不超過總長度，因此需滿足：

以某3×750 t/d的生活垃圾焚燒發電項目為例，煙氣排放設計值較嚴格，HCl和SO2的日均值和小時均值皆為10 mg/m3。煙氣脫硫采用半干法（石灰漿） +干法（消石灰） +濕法（NaOH） 的處理工藝，其中干法為備用。

(7)

(8)

已知μ>θ，因此只需滿足式(7)即可。

① 確定當前時間片下的衛星網絡拓撲圖G=(V,E,t)，根據衛星節點狀態初始化信息素濃度和α，β，ρ等參數，設置螞蟻數m，迭代次數N=0，最大迭代次數Nmax。

(9)

(2) 分流比設置

設置分流比的目標是使忙碌狀態的衛星在預定時間ε內恢復正常狀態或警告狀態。設In和It分別為來自相鄰衛星節點和來自覆蓋區域內用戶終端的流量速率。當覆蓋低負載區域的衛星狀態由正常狀態轉換為忙碌狀態時，相鄰衛星會降低發送速率，擁塞鏈路隊列占用長度為：

(10)

為了使衛星在ε內恢復正常狀態，即將隊列占用率降低到α以下，則應滿足：

(11)

式中，I′n為調整后鄰居節點的發送速率。取臨界情況：

(12)

分流比可通過下式計算：

(13)

同理，對于覆蓋高負載區域的衛星可通過式(13)～式(15)計算分流比：

(14)

(15)

2.4 算法步驟

圖5～圖7分別顯示了不同終端發送速率下使用DSP,ELB和本文提出的DLR算法下的低軌衛星網絡丟包率、平均時延、吞吐量和流量分布指數。可以看出,相比DSP和ELB，DLR有更好的性能。

數據應用SPSS18.0進行分析，其中計數進行χ2（%）檢驗，計量進行t檢測（±s）檢驗，P＜0.05提示有顯著差異。

圖4 算法流程Fig.4 Algorithm flow chart

④ 前向螞蟻移動到節點j，判斷j是否為目的節點d，若是，轉到⑤；否則，重復③繼續尋找下一跳節點。

選擇-0.074 mm占41.41%、60.00%、80.00%、89.29%、99.59%的磨礦細度進行細度試驗。磁性分析表明該礦以強磁性礦物為主，故磨礦細度試驗采用弱磁選，弱磁選條件：磁場強度110.00 kA/m，給礦濃度35.00%。試驗結果見表6。

② 確定業務流的源節點s和目的節點d，將源節點設置為螞蟻的當前節點i，m只螞蟻放置于當前節點，N=N+1。

③ 將當前節點i加入到已訪問節點列表，每只前向螞蟻根據式(1)獨立地選擇下一跳節點j。

算法的具體實現步驟如下：

⑤ 前向螞蟻到達目的節點死亡，生成后向螞蟻，后向螞蟻沿前向螞蟻經過的節點返回源節點，根據式(4)～式(6)更新鏈路信息素濃度，并利用新的信息素濃度更新概率表。

⑥ 判斷是否進行了局部路由調整，如果是，根據調整情況更新概率表。

⑦ 若N

旅游者使用航空交通工具從出發點被帶到旅游目的地，這樣一來相關地區的旅游地區就會形成大量的客流源，在一定程度上帶動當前地區旅游業的發展。城市當中具有的機場的數量以及相關的規模也會對進入旅游地區的人數產生重要的影響，所以說航空業能夠有效地帶動旅游業的發展。航空也在無形之中帶動旅游業的發展，旅游業也在無形之中推進航空業的發展，兩者合作共贏，相互提高。

3 仿真實驗與結果分析

該節主要討論所提算法的性能。作為比較條件，在相同場景下實現了以傳播時延和排隊時延作為鏈路代價的DSP算法和經典的局部負載均衡算法ELB。在仿真中，主要測量了終端發送速率0.5～1.4 Mb/s的鏈路的平均端到端時延、丟包率和流量分布指數。模擬持續時間設置為衛星繞地球運行所需的時間6 026.9 s。

3.1 仿真場景設置

本文使用網絡仿真軟件NS2.35評估所提算法的性能。在NS2.35中搭建了一個類銥星星座場景，其星座參數如表2所示。

表2 銥星星座參數Tab.2 Parameters of Iridium constellation

網絡拓撲由銥星網絡和用戶終端組成。用戶終端通過LEO衛星網絡進行通信。終端采用ON/OFF流量發生器，周期服從參數為1.5的Pareto分布，突發和空閑的平均時長均為200 ms。星地鏈路和星間鏈路帶寬均設置為25 Mb/s。數據包大小為1 kB，每個鏈路有一個長度為1 000個數據包的緩沖隊列。蟻群算法的相關參數對算法的性能有比較大的影響，經過多次實驗，選取了性能較好的組合。取m=40，α=2，β=3，ρ=0.6。流量分布如表3所示。

為模擬真實的分布，根據表6在各大洲之間設置1 800個流。各個大洲占全球的比例關系依據是其他大洲到該大洲所占的比例關系，本文簡單認為到該大洲及從該大洲發出的流量是線性關系，即到該大洲的流量越多，該大洲發送的流量也越多。

3.2 結果分析

本文所提算法的執行流程如圖4所示。該算法借鑒了按需路由的思想，每個衛星節點只保存相鄰節點的拓撲信息，當有數據包通信任務時，才開始執行算法，尋路過程中及路徑建立后，通過局部路由調整處理局部擁塞。

其驗證流程也十分簡明，客戶端使用用戶憑據登錄系統，服務器驗證通過后，依據上述規則生成jwt 返回給客戶端。客戶端之后在向服務器請求時，通過header 中的Authorization 字段以Bearer 形式攜帶此token 來發送至服務器端驗證身份和權限。一般的token流程可以由圖2 來表示，申請為1～2 步驟進行，請求資源以3～6 步驟進行。

圖6 不同發送速率下的平均時延Fig.6 Average delay at different transmission rates

圖7 不同發送速率下的流量分布指數Fig.7 Traffic distribution index at different transmission rates

根據丟包位置的不同，衛星網絡的丟包率可以分為星間鏈路丟包率和星地鏈路的丟包率。算法主要針對星上路由，因此星間鏈路丟包率更能體現算法性能，測量的丟包率為星間鏈路丟包率。由圖5可以看出，所有算法的丟包率都隨著終端發送速率的提高而增大，且DLR都有最小的丟包率，這是因為DSP只使用最短路徑進行流量傳輸，不能快速響應網絡中的流量變化，流量大時必然導致最短路徑上的丟包。ELB算法是在最短路徑算法的基礎上通過局部調整來分流，因此在較低負載時，可以緩解網絡丟包，但在高負載時分流有限且會導致級聯擁塞，性能下降明顯。而DLR使用盡可能繞過負載區域的路徑，使得鏈路的傳輸壓力減小，且在出現即將擁塞時進行局部分流，因此效果最好。

平均時延是網絡中所有被成功接收的數據包時延的平均值，由圖6可以看出，在低負載時DSP和ELB端到端時延基本相同，DLR稍高，這是因為DLR為了繞開服務高負載區域的衛星，而導致時延增大。但隨著負載的增大，DLR顯示出了更好的性能，因為DLR由于全局和局部策略的結合顯著減小了排隊時延。ELB雖然在較高負載時由于局部分流相比DSP排隊時延更小，但在高負載時也會產生數據排隊。DSP由于只使用最短路徑，負載增大時會導致路徑較大的排隊時延。

然而站上演講臺，一切都不一樣了。3個多小時的論壇上，David侃侃而談，詳述新西蘭葡萄酒的趨勢與變化；兩個半小時的大師班，David悉心講解新西蘭每個產區、每款葡萄酒的特色與亮點，大師班的開始高呼三聲毛利語，激起了整個課堂的氣氛；1個多小時站在品鑒會的入口背景板處與葡萄酒愛好者合照、交流，聚光燈的照射下汗水一次次浸濕手帕；4個小時的晚宴上，致開幕詞不忘感謝活動的每一位組織者……晚上11點，第十屆金樽獎頒獎典禮落下帷幕，David穿過走廊，慢慢地走回房間。留給他與廣州相處的時間不多，第二天的中午他又要登上18個小時的飛機，回到新西蘭，開始新一周的工作。

為了評價網絡中流量的分布情況，引入流量分布指數TDI：

(16)

式中，m表示星間鏈路數量；xi表示第i條鏈路上的數據包個數。TDI的取值為[0,1]，數值越大，表示網絡中的流量分布更均勻，負載均衡效果更好。

由圖7可以看出，DSP流量分散效果最差，DLR效果最好。這是因為DSP只會在最短路徑上傳輸，ELB可以在負載增加時快速分流，DLR從初始就使用了較多的鏈路，同時在負載增大時又可以將流量分散到其他路徑。

4 結束語

為了有效地應對衛星網絡負載的不均衡，緩解網絡擁塞，提出了基于負載均衡的低軌衛星網絡動態路由方法——DLR。DLR利用了衛星運動的規律主動預防擁塞，能夠從全局和局部2個方面優化網絡流量分配。實驗結果表明，相比于傳統的負載均衡路由算法，DLR平均端到端時延更小，丟包率更低，網絡中流量更分散，可以為低軌衛星網絡提供高效的通信服務。此外，DLR是針對典型的近極軌道星座網絡結構提出的，而現實應用中，不同的星座具有不同的結構，尤其正在被深入研究的巨型星座[18]，其網絡結構更復雜，拓撲變化更快。因此下一步將提高算法的兼容性，使其能應用在不同網絡拓撲結構的衛星網絡中。

楊秉奎搖搖頭:“這雨不會下一整夜。雨后的蚊子以一當十,以十當百,以百當千當萬。不相信的就讓他領教領教北大荒的蚊子,哼!”