基于SDN彈性光網絡的電力通信網智能業務編排方法

摘 要：針對電力通信網差異化業務編排問題，首先構造基于SDN彈性光網絡的電力通信網框架，通過業務層與SDN控制層完成配電網數據交互，支撐配網多種不同優先級電力通信網業務的正常運行。其次，提出基于自適應業務優先級感知的電力通信網智能業務編排算法，根據不同業務優先級自適應調節探索因子，權衡不同優先級業務搖臂選擇時的探索和利用的傾向，從而保證高優先級業務的高可靠傳輸的同時降低網絡開銷。最后，通過算例分析驗證所提技術在能效、時延等方面的性能優勢。文章的研究內容能為電力通信網差異化業務數據流低時延高效傳輸提供參考，從而支撐電力通信網高效運行。

關鍵詞：電力通信網；SDN；彈性光網絡；業務編排；業務優先級感知

DOI：10.15938/j.jhust.2024.03.012

中圖分類號： TM734

文獻標志碼： A

文章編號： 1007-2683（2024）03-0099-08

SDN Elastic Optical Network-based Intelligent Service

Orchestration for Power Communication Network

KANG Zhongmiao1， WU Zanhong1， ZHANG Peiming1， HUANG Donghai1，

BAO Yuben1， LU Wenbing2， ZHANG Sunxuan2

（1.Electric Power Dispatching and Control Center， Guangdong Power Grid Corporation， Guangzhou 510600， China;

2.School of Electrical and Electronic Engineering， North China Electric Power University， Beijing 102206， China）

Abstract：Aiming at the differentiated service orchestration for power communication network， this paper firstly constructs a power communication network architecture based on SDN elastic optical network and completes the data exchange between the service layer and the SDN control layer to support the normal operation of a variety of power communication network services with different priorities in the distribution network. Secondly， an adaptive service priority-aware learning-based service orchestration algorithm for power communication network is proposed， which adaptively adjusts the exploration factor according to different service priorities and balances the exploration and exploitation of different priority service arm selections， thereby ensuring the high transmission of high-priority service and reducing the network cost. Finally， the performance advantages of the proposed algorithm in terms of energy efficiency and delay are verified by numerical analysis. The research content of this paper can provide a reference for the low-latency and efficient transmission of differentiated service data flow of power communication network， thereby supporting the efficient operation of power communication network.

Keywords：power communication network; SDN; elastic optical network; service orchestration; service priority awareness

0 引 言

隨著“碳達峰、碳中和”背景下高比例清潔能源、海量電力傳感器及智能配電終端的接入，電力通信網感知信息的數據量和維度都呈現爆發式增長，給路由、傳輸頻譜等資源有限的電力通信網帶來巨大挑戰［1-3］。因此，亟需解決電力通信網有限的路由和頻譜資源的合理編排，保障海量電力業務數據的低時延高效傳輸。

基于SDN彈性光網絡的電力通信網能夠對網絡資源進行細粒度的優化調度，有效提高電力通信網業務承載能力［4］。一方面，SDN彈性光網絡將控制層與數據層分離，實現開放式網絡功能開發和頻譜靈活控制［5-6］。另一方面，SDN彈性光網絡根據電網內差異化業務需求，通過頻隙的動態分配來實現更小粒度的通信頻譜調度［7］。然而，電力通信網中多種不同服務質量（quality of service，QoS）指標之間存在耦合［8-9］，例如通過為業務數據流選擇合適路由和傳輸頻譜能夠有效降低時延，但可能導致能效下降；反之，提升傳輸能效可能導致數據流傳輸時延性能的惡化。此外，網絡中的鏈路狀態和頻譜狀態具有高度時變的特點，難以獲取網絡全局狀態信息，導致傳統基于全局狀態信息的業務編排方法不再適用［10-11］。因此，如何根據動態、未知的網絡狀態信息來實現電力通信網絡路由選擇和頻譜分配的聯合優化，保障輸配電業務的差異化QoS需求，已成為研究重點［12-14］。

近年來，已有眾多國內外學者針對電力通信網業務編排問題展開了研究。文［15］在SDN控制器輔助下，提出了一種基于機器學習的動態預測性路由方案，通過估計網絡拓撲頻繁變化下設備請求的成功傳輸概率和平均時延，計算出最優路由，實現電力通信網智能業務編排，最大限度減少通信時延。然而，上述文獻只優化了業務通信時延，忽略了時延、能耗等多種業務需求指標的聯合優化。文［16］提出一種基于機器學習的業務編排方案，通過設計負載均衡路由算法，并基于神經網絡預測隊列利用率，實現最小化平均時延及能耗。然而，上述文獻忽略了非全局信息下的業務編排。文［17］提出一種基于機器學習的節能業務編排方案，通過節點功耗、傳輸速率等因素訓練機器學習模型，選擇網絡能耗最小的路由實現業務數據流高效傳輸。然而，上述文獻忽略了電力通信網業務優先級差異化，難以針對不同業務實現電力通信網路由、頻譜等資源的合理、靈活、智能編排。

針對上述問題，本文首先構建基于SDN彈性光網絡的電力通信網框架，并提出路由選擇和頻譜分配的聯合編排優化問題。優化目標是在光干信噪比、業務時延和頻譜約束下最小化網絡開銷函數。其次，提出基于自適應業務優先級感知的電力通信網智能業務編排算法，基于歷史信息學習最優業務編排策略，并根據業務優先級合理調整優化決策，實現非全局狀態信息下的智能業務編排。該算法復雜度較低，便于工程推廣與規模化應用。

1 架構及模型

1.1 基于SDN彈性光網絡的電力通信網架構

本文提出的基于SDN彈性光網絡的電力通信網架構由業務層、SDN控制層和數據傳輸層組成，如圖1所示，詳細介紹如下。

業務層與SDN控制層完成配電網數據交互，以支撐配網差動保護業務，計量自動化業務，輸電線路狀態監測業務，充電樁狀態監測業務等多種不同優先級電力通信網業務的正常運行。SDN控制層包含SDN控制器，能夠獲取數據傳輸層中彈性光網絡的網絡拓撲，周期性查詢光路由節點信息，進行業務編排決策，并向對應的光路由節點發送業務編排策略。數據傳輸層由彈性光網絡中的光路由節點組成，為業務數據流提供傳輸服務，并將業務編排信息反饋給SDN控制層。

1.2 系統模型

該節主要介紹融合基于SDN彈性光網絡的電力通信網業務編排系統模型，并對傳輸時延、能效模型以及優化問題建模展開介紹。基于SDN彈性光網絡的電力通信網網絡拓撲由一個有向圖G（Y，L）表示。Y表示拓撲中的節點集合，L表示網絡拓撲中光路連接集合。拓撲中包含M個節點，集合表示為Y={y1，…，ym，…，yM}。y1和yM分別為網絡拓撲中的源節點和目標節點，集合中的其余節點表示中繼節點。在y1和yM之間存在F條光路連接路徑，集合表示為L={L1，…，Lf，…，LF}。Lf中的節點集合表示為Af={q1f，…，qzf，…，qZf}，節點順序從源節點到目標節點。文章將整個時間周期劃分為I次迭代，迭代集合表示為I={1，…，i，…，I}。

1.2.1 電力通信網業務編排傳輸時延模型

電力通信網基于光正交頻分復用傳輸業務數據流［18-20］。定義Bk（i）為第i次迭代傳輸業務數據流占用的頻譜等級。將可用頻譜分為K個等級，集合表示為B={b，2b，…，kb，…，Kb}，其中，b表示每個子載波的頻譜，即頻隙。Kb滿足0<Kb≤Bmax，Bmax為最大可分配頻譜。

從qzf到qz+1f的數據流傳輸速率表示為

Rz，z+1k，f（i）=Bk（i）log2（1+γz，z+1f（i））（1）

其中：γz，z+1f（i）=P0hz，z+1f（i）/（σASE+σ0）表示qzf和qz+1f之間的光信干噪比；P0為傳輸功率譜密度；hz，z+1f（i）為光路增益；σASE和σ0分別為自發輻射噪聲功率和高斯白噪聲功率。

從qzf到qz+1f的數據流傳輸時延Dz，z+1k，f（i）和路由Lf上的總傳輸時延Dk，f（i）分別表示為

Dz，z+1k，f（i）=U（i）Rz，z+1k，f（i），Dk，f（i）=∑Z－1z=1Dz，z+1k，f（i）（2）

設置業務編排中路由選擇指示變量和頻譜分配指示變量分別為xf（i）和tk（i）。xf（i）=1表示第i次迭代選擇路由Lf，否則xf（i）=0。同理，tk（i）=1時表示選擇Bk（i），即業務在第i次迭代占用頻譜kb傳輸數據流，否則tk（i）=0。因此，第i次迭代業務數據流總傳輸時延表示為

τSum（i）=∑Ff=1∑Kk=1xf（i）tk（i）Dk，f（i）（3）

1.2.2 電力通信網業務編排能效模型

第i次迭代從qzf到qz+1f的數據流傳輸能耗Hz，z+1k，f（i）和路由Lf上的總傳輸能耗Hk，f（i）分別表示為

Hz，z+1k，f（i）=Bk（i）P0Dz，z+1k，f（i）

Hk，f（i）=∑Z－1z=1Hz，z+1k，f（i）（4）

假設Cf，k（i）為第i次迭代業務數據流的傳輸能效，定義為單位頻譜單位能耗傳輸的數據流大小。Cf，k（i）表示為

Cf，k（i）=U（i）Bk（i）Hf，k（i）（5）

其中：U（i）表示第i次迭代業務產生的數據流大小。因此，第i次迭代業務數據流總能效εSum（i）表示為

εSum（i）=∑Ff=1∑Kk=1xf（i）tk（i）Cf，k（i）（6）

1.3 電力通信網業務編排問題建模

本文的優化目標是通過聯合編排優化路由選擇和頻譜分配以最小化網絡開銷函數，開銷函數定義為電力通信網業務數據流總傳輸時延與總傳輸能效的加權差。電力通信網業務編排優化問題可建模為如下：

s.t.min{xf（i）}，{tk（i）}1I∑Ii=1（τSum（i）－WεSum（i））

C1：∑Ff=1xf（i）=1，∑Kk=1tk（i）=1，i，Lf，Bk（i）

C2：Bk（i）≥Bmin，i，Bk（i）

C3：γz，z+1f（i）≤γmin，i，Lf，qzf，qz+1f（7）

其中：γmin表示光信干噪比閾值；C1表示路由選擇約束和頻譜分配約束，即每次迭代y1只能選擇一條路由傳輸業務數據流，每次迭代y1只能選擇一種頻譜等級；C2表示頻譜等級約束；C3表示光干信噪比約束。

2 算法設計

本節介紹面向電網生產設備智能運維的云邊協同數據處理模型，以及云邊協同數據處理優化問題構建。

2.1 問題轉化

上述建模的電力通信網業務編排優化問題可被視為一個多臂賭博機問題。在多臂賭博機問題中，SDN控制器被視為是決策者。業務編排動作被視為搖臂，集合表示為O={o1，1，…，of，k，…，oF，K}。SDN控制器選擇搖臂of，k的獎勵f，k（i）定義為總傳輸時延和總傳輸能效加權差的負值，即f，k（i）=-（Df，k（i）-WCf，k（i））。

ε貪婪算法是一種傳統求解多臂賭博機問題的方法。然而，該算法在求解過程中探索因子ε固定，無法根據電力通信網多業務優先級進行自適應調節，導致部分高優先級業務需求難以滿足。因此，本文提出了一種基于自適應業務優先級感知的電力通信網智能業務編排算法，該算法對傳統ε貪婪算法進行改進，能夠在求解過程中根據不同業務優先級自適應調節探索因子，從而滿足不同優先級差異化業務需求。

2.2 基于自適應業務優先級感知的電力通信網智能業務編排算法

所提算法通過設置合理的探索因子權衡搖臂的“探索”和“利用”。具體來說，“探索”表示決策者隨機選擇一個搖臂；“利用”表示決策者選擇當前獎勵平均值最高的搖臂。進一步地，所提算法可以根據業務優先級自適應調節探索因子。第i次迭代的探索因子ε（i）定義如下：

ε（i）=11+eαρ（i）（8）

其中：ρ（i）表示第i次迭代業務數據流的優先級；α為自適應調節因子，通過自適應調節因子與業務數據流的優先級進行運算，以對探索因子進行動態調節，實現不同業務優先級時的探索因子自適應改變。當電力通信網業務優先級較高時，將自適應減小探索因子，減少不必要“探索”導致的性能下降，保證高優先級業務的高可靠傳輸，當電力通信網業務優先級較低時，將增大探索因子，“探索”具有更優性能的業務編排策略，降低網絡開銷函數。通過權衡搖臂的“探索”和“利用”，保證高優先級業務的高可靠傳輸的同時降低網絡開銷，實現電力通信網合理、靈活、智能業務編排。算法實施流程圖如圖2所示，主要包含初始化、電力業務編排優化和業務編排平均獎勵和次數更新3個階段：

階段1：初始化

1）初始化xf（i）=0，tk（i）=0和nf，k（i）=0，其中，nf，k（i）表示選擇搖臂of，k的次數。

2）當i≤FK時，SDN控制器依次選擇每個搖臂獲得初始值。

階段2：業務編排動作選擇

3）生成隨機數μSymbolNC@（0，1）。

4）當μ>ε（i）時，SDN控制器選擇獎勵平均值最高的搖臂。當μ≤ε（i）時，SDN控制器任意選擇一個搖臂。

階段3：業務編排平均獎勵和次數更新

5）SDN控制器觀察電力通信網業務數據流總傳輸時延和總傳輸能效性能。

6）更新第i次迭代選擇搖臂of，k得到的平均獎勵f，k（i），更新公式如下：

—f，k（i）=—f，k（i－1）nf，k（i－1）+f，k（i）xf（i）tk（i）nf，k（i－1）+xf（i）tk（i）（9）

其中—f，k（i-1）表示截止到第i-1次迭代搖臂of，k的平均獎勵。

7）更新第i次迭代選擇搖臂of，k的次數nf，k（i），更新的公式如下：

nf，k（i）=nf，k（i－1）+xf（i）tk（i）（10）

8）當i>I時，算法結束。

所提算法在電力通信網業務編排的工程化應用中具有先進性和實用性。一方面，與已有基于全局信息的通信業務編排方法相比，所提算法僅利用終端本地歷史信息，通過權衡探索和利用，動態學習頻譜和路由選擇決策，而無需獲取電力通信網的全局信息，算法實施復雜度低，實用性強，便于電力通信網智能編排的推廣應用。另一方面，與現有學習算法相比，在獎勵函數的構建中考慮了能效、傳輸時延、業務優先級等差異化業務需求，與電力業務的適配性更高。

3 仿真驗證

3.1 仿真場景設置

本文基于IEEE 14節點電力測試系統的某地市電力通信網拓撲情況下進行仿真，仿真工具為MATLAB。考慮4種典型的電力通信網業務，優先級自高到低為配網差動保護業務，計量自動化業務，輸電線路狀態監測業務，充電樁狀態監測業務，分別設置為［0.1，0.2，0.3，0.4］［21］。仿真場景包括14個節點和17條路由［22］，迭代次數設置為1000次，頻隙等級設置為5個，高斯白噪聲設置為-174dBm［23］，數據流大小設置為10Gbits［24］。其他參數設置如表1所示［25-27］。

本文考慮兩種對比算法來說明所提算法在傳輸時延和能效方面的優越性。

1）EP-UCB算法（energy aware task priority aware UCB）［28］：該算法以最大化電力通信網業務傳輸能效為目標，具有任務優先級感知，但忽略了通信時延的優化。

2）CNAME算法（chosen number of arm with minimal estimation）［29］：該算法利用當前估計值最小的動作被選擇的次數來調整探索和利用的概率，緩解了探索和利用不平衡的問題，但是未考慮不同業務的優先級對探索和利用的影響。

3.2 仿真結果分析

圖3為平均時延隨迭代次數的變化圖。所提算法性能優于CNAME算法和EP-UCB算法。當i=1000時，所提算法相較于CNAME算法和EP-UCB算法平均時延分別下降23.28%和38.51%。這是因為CNAME算法忽略電力通信網業務優先級感知，無法根據不同業務的優先級平衡探索與利用的傾向程度，導致平均傳輸時延上升。而EP-UCB算法忽略了傳輸時延的優化，故其平均傳輸時延遠大于所提算法。

圖4為平均傳輸能效隨迭代次數的變化圖。所提算法性能優于CNAME算法，但低于EP-UCB算法。當i=1000時，所提算法相較于CNAME算法和EP-UCB算法平均能效分別提高13.66%和下降14.92%。這是因為CNAME算法由于忽略業務優先級對業務編排決策的影響，在探索過程中容易選到收益較差的搖臂導致平均傳輸能效下降。而EP-UCB算法僅優化傳輸能效，故其平均傳輸能效性能最好，但是其時延性能與網絡開銷性能均不如所提算法。

圖5為網絡開銷隨迭代次數的變化圖。仿真結果顯示所提算法總體網絡開銷函數低于CNAME算法和EP-UCB算法。相較于CNAME算法和EP-UCB算法開銷函數分別下降38.52%和23.27%。CNAME算法通過改良探索因子平衡探索和利用的權重，但無法根據業務優先級進行針對性業務編排決策，導致較3ae8bb2974d44a9e1160df69789f0553dea59cfb69f3076857b373725990a680慢的收斂速度和較高的網絡開銷。而EP-UCB算法僅考慮能效優化，忽略傳輸時延優化，導致一些時延敏感型電力通信業務的時延需求無法得到滿足，并產生了最高的網絡開銷。而所提算法綜合考慮電力通信網業務平均能效和平均傳輸時延的需求，針對各業務的優先級，自適應調節探索因子，平衡所提算法對于探索和利用的傾向程度，因而與所提模型適配度最高，總體網絡開銷最低。

圖6為優先級對網絡開銷的影響。隨著優先級增大，所提算法能夠根據不同的業務優先級調整不同的業務編排策略，保證較低的網絡開銷。而CNAME算法和EP-UCB算法中由于未考慮優先級感知，故網絡開銷基本不變。

表2為權重W對所提算法時延和能效的影響。當權重W增加時，所提算法更傾向于優化能效，導致能效性能上升，時延性能下降。所提算法可以通過調整W動態平衡時延和能效的關系，做到靈活分配電力通信網絡資源。此外，仿真結果可以作為設置W的參考。

4 結 論

文章針對海量接入終端造成數據信息指數型增長，而電力通信網路由和頻譜資源有限，業務編排缺少智能性的問題，構建基于SDN和EON的電力通信網框架，提出基于自適應業務優先級感知電力通信網智能編排算法，在考慮歷史業務編排經驗信息和業務優先級學習的基礎上，編排優化路由選擇和頻譜分配策略，實現電力通信網智能業務編排，提高電力通信網業務承載能力。仿真結果表明，相較于CNAME算法和EP-UCB算法，所提算法的開銷函數分別降低了38.52%和23.27%，且滿足電力通信網時延、能效等差異化需求，獲取更高性能。

本文研究成果可運用于新型電力系統中通過自主業務智能化編排的海量節點接入控制技術，提高電力通信網頻譜資源的利用率，解決通信網絡擁塞、過載難題，為電網高效可靠運行提供保障。在未來研究中，將進一步考慮多個源節點間的對抗性對電力通信網自主業務編排的影響。

參 考 文 獻：

［1］ YU H， ZHOU Z， JIA Z， et al. Multi-Timescale Multi-Dimension Resource Allocation for NOMA-Edge Computing-Based Power IoT With Massive Connectivity［J］. IEEE Transactions on Green Communications and Networking， 2021， 5（3）： 1101.

［2］ 王子欣， 苗世洪， 郭舒毓， 等. 基于復雜系統理論的電力通信耦合網絡模型構建及節點重要度評估方法［J］. 高電壓技術， 2022， 48（1）： 84.

WANG Zixin， MIAO Shihong， GUO Shuyu， et al. Power Communication Coupling Network Model Construction and Node Importance Evaluation Method Based on Complex System Theory［J］. High Voltage Technology， 2022， 48（1）： 84.

［3］ ZHOU Z， et al. Secure and Latency-Aware Digital Twin Assisted Resource Scheduling for 5G Edge Computing-Empowered Distribution Grids［J］. IEEE Transactions on Industrial Informatics， 2022， 18（7）： 4933.

［4］ 朱素霞， 龍翼飛， 孫廣路， 等. 基于改進蟻群算法的SDN數據中心流調度研究［J］. 哈爾濱理工大學學報， 2022， 27（1）： 1.

ZHU Suxia， LONG Yifei， SUN Guanglu， et al. Improved Ant Colony Algorithm for Network Flow Scheduling in SDN Data Center［J］. Journal of Harbin University of Science and Technology， 2022， 27（1）： 1.

［5］ 吳優， 陳釗淵， 曾志翔， 等. 基于 SDN 技術的電力通信接入系統網絡切片虛擬資源分配算法［J］. 自動化與儀器儀表， 2020， 249（7）： 61.

WU You， CHEN Zhaoyuan， ZENG Zhixiang， et al. Network Slice Virtual Resource Allocation Algorithm for Power Communication Access System Based on SDN Technology［J］. Automation & Instrumentation，2020， 249（7）： 61.

［6］ 王健， 李志新， 趙國生， 等. 面向SDN的可生存性增強自配置技術［J］. 哈爾濱理工大學學報， 2017， 22（4）： 51.

WANG Jian， LI Zhixin， ZHAO Guosheng， et al. Self-Configuration Technology for Survivability Enhancement Oriented Software Defined Networking［J］. Journal of Harbin University of Science and Technology， 2017， 22（4）： 51.

［7］ 亓偉敬， 宋清洋， 郭磊. 面向軟件定義多模態車聯網的雙時間尺度RAN切片資源分配［J］. 通信學報， 2022， 43（4）： 60.

QI Weijing， SONG Qingyang， GUO Lei. Dual Time Scale Resource Allocation for RAN Slicing in Software-defined Oriented Polymorphic IoV［J］. Journal of Communications， 2022， 43（4）： 60.

［8］ 李昌超， 康忠健， 于洪國， 等. 考慮電力業務重要性的電力通信網關鍵節點識別［J］. 電工技術學報， 2019， 34（11）： 2384.

LI Changchao， KANG Zhongjian， YU Hongguo， et al. Identification of Key Nodes in Power Communication Network Considering the Importance of Power Businesses［J］. Transactions of China Electrotechnical Society， 2019， 34（11）： 2384.

［9］ ZHOU Z， ZHANG C， XU C， et al. Energy-Efficient Industrial Internet of UAVs for Power Line Inspection in Smart Grid［J］. IEEE Transactions on Industrial Informatics， 2018， 14（6）： 2705.

［10］鄺祝芳， 陳清林， 李林峰， 等. 基于深度強化學習的多用戶邊緣計算任務卸載調度與資源分配算法［J］. 計算機學報， 2022， 45（4）： 812.

KUANG Zhufang， CHEN Qinglin， LI Linfeng， et al. Multi-user Edge Computing Task Offloading Scheduling and Resource Allocation Algorithm Based on Deep Reinforcement Learning［J］. Chinese Journal of Computers， 2022， 45（4）： 812.

［11］LIAO H， et al. Blockchain and Semi-Distributed Learning-Based Secure and Low-Latency Computation Offloading in Space-Air-Ground-Integrated Power IoT［J］. IEEE Journal of Selected Topics in Signal Processing， 2022， 16（3）： 381.

［12］ZHANG X， PENG M， YAN S， et al. Deep-reinforcement-learning-based Mode Selection and Resource Allocation for Cellular V2X Communications［J］. IEEE Internet of Things Journal， 2019， 7（7）： 6380.

［13］李成嚴， 孫巍， 唐立民. 一種權重自適應的強化學習云資源調度算法［J］. 哈爾濱理工大學學報， 2021， 26（2）： 17.

LI Chengyan， SUN Wei， TANG Limin. A Reinforcement Learning of Cloud Resource Scheduling Algorithm Based on Adaptive Weight［J］. Journal of Harbin University of Science and Technology，2021， 26（2）： 17.

［14］REZAEI R， OMIDVAR N， MOVAHEDNASAB M， et al. Efficient， Fair， and QoS-aware Policies for Wirelessly Powered Communication Networks［J］. IEEE Transactions on Communications， 2020， 68（9）： 5892.

［15］TANG Y， CHENG N， WU W， et al. Delay-Minimization Routing for Heterogeneous VANETs With Machine Learning Based Mobility Prediction［J］. IEEE Transactions on Vehicular Technology， 2019， 68（4）： 3967.

［16］YAO H， YUAN X， ZHANG P， et al. Machine Learning Aided Load Balance Routing Scheme Considering Queue Utilization［J］. IEEE Transactions on Vehicular Technology. 2019， 68（8）： 7987.

［17］SHARMA D， DHURANDHER S， WOUNGANG I， et al. A Machine Learning-Based Protocol for Efficient Routing in Opportunistic Networks［J］. IEEE Systems Journal， 2018， 12（3）： 2207.

［18］ZHONG C， ZHAO S， ZHANG Z， et al. A Phase Gradient Metasurface Antenna Working at 5G Band for Electric Power Communication Network. 2022.

［19］張若琦， 惠悅， 翁婉瑩， 等. 基于控制環疊加正交頻分復用信號實現直流微網載波通信的變換器設計方法研究［J］. 中國電機工程學報， 2021， 41（16）： 5423.

ZHANG Ruoqi， HUI Yue， WENG Wanying， et al. Design Method of Converters Realizing Carrier Communications in DC Microgrids by Superimposing OFDM Signal into Control Loop［J］. Proceedings of the CSEE， 2021， 41（16）： 5423.

［20］劉煥淋， 徐一帆， 陳勇. 基于頻譜感知的業務分割-合并的彈性光網絡資源分配策略［J］. 電子與信息學報， 2016， 38（4）：7.

LIU Huanlin， XU Yifan， CHEN Yong. Resource Allocation Strategy for Elastic Optical Networks Based on Spectrum Sensing and Service Segmentation and Merging［J］. Journal of Electronics and Information Technology， 2016， 38（4）：7.

［21］王翌雪， 高雪蓮， 湯億則， 等. 差異化服務質量性能驅動的5G配電網邊緣計算優化方法［J］. 全球能源互聯網， 2022， 5（4）： 339.

WANG Yixue， GAO Xuelian， TANG Yize， et al. Differentiated Quality of Service Performance Driven Edge Computing Optimization Method in 5G Power Distribution Network［J］. Journal of Global Energy Interconnection， 2022， 5（4）： 339.

［22］沈鑫， 曹敏， 張家洪，等. 基于IEEE 14節點模型的電氣參量分析與竊電指標判別［J］. 軟件， 2018， 39（12）： 141.

SHEN Xin， CAO Min， ZHANG Jiahong， et al. Electrical Parametric Analysis and Stealing Indicator Discrimination Based on IEEE 14 Node Model. Software， 2018， 39（12）： 141.

［23］李利， 柴娟芳， 徐池， 等. 一種靜態和動態相結合的認知無線電頻譜管理方法［J］. 哈爾濱理工大學學報， 2016， 21（4）： 36.

LI Li， CHAI Juanfang， XU Chi， et al. A Method of Combining Static and Dynamic for Electromagnetic Spectrum Management Based on Cognitive Radio［J］. 2016， 21（4）： 36.

［24］祁兵， 劉思放， 李彬， 等. 基于業務優先級和SRLG的電力需求響應業務調度優化算法［J］. 電網技術， 2019， 43（7）： 2393.

QI Bing， LIU Sifang， LI Bin， et al. Optimized Scheduling Algorithm for Power Demand Response Service Based on Multi-priority Services and SRLG［J］. Power Grid Technology， 2019， 43（7）： 2393.

［25］賈敏， 敬曉曄， 劉曉鋒， 等. 基于業務優先級的認知衛星網絡頻譜分配方法［J］. 通信學報， 2019， 40（4）： 140.

JIA Min， JING Xiaoye， LIU Xiaofeng， et al. Spectrum Allocation Method for Cognitive Satellite Network Based on Service Priorities［J］. Journal of Communications， 2019， 40（4）： 140.

［26］蔣偉進， 陳萍萍， 張婉清， 等. 基于組合多臂賭博機的移動群智感知用戶招募算法［J］. 電子與信息學報， 2022， 44（3）： 1119.

JIANG Weijin， CHEN Pingping， ZHANG Wanqing， et al. Mobile Swarm Sensing User Recruitment Algorithm Based on Combined Multi-arm Gambling Machine［J］. Journal of Electronics and Information Technology， 2022， 44（3）： 1119.

［27］LIAO H， ZHOU Z， ZHAO X， et al. Learning-based Context-aware Resource Allocation for Edge Computing-empowered Industrial IoT［J］. IEEE Internet of Things Journal， 2020， 7（5）： 4260.

［28］SUN Y， ZHOU S， XU J. EMM： Energy-aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（11）： 2637.

［29］章曉芳， 周倩， 梁斌， 等. 一種自適應的多臂賭博機算法［J］. 計算機研究與發展， 2019， 56（3）： 643.

ZHANG Xiaofang， ZHOU Qian， LIANG Bin， et al. An Adaptive Multi-arm Gambling Machine Algorithm［J］. Computer Research and Development， 2019， 56（3）： 643.

（編輯：溫澤宇）