意圖驅動數據鏈網絡策略協商模型與算法

摘要： 針對意圖驅動數據鏈網絡中多條意圖策略沖突問題，提出一種基于優先級的意圖協商算法，實現網絡資源受限條件下意圖策略最優配置。所提算法綜合考慮時間、帶寬兩個維度的資源，通過回收已配置低優先級意圖資源間接增多可用的網絡資源，提高待配置高優先級意圖業務質量。同時，利用最優化求解得到待配置高優先級意圖、被回收低優先級意圖的最佳資源分配方式，避免意圖因資源不足強行降級而導致服務質量急劇下降的問題。實驗結果表明，所提算法提高了數據鏈網絡資源規劃能力，相較于已有的協商算法，在意圖服務質量上有6.0%和5.5%的提升。

關鍵詞： 意圖驅動網絡; 資源分配; 意圖協商; 網絡架構; 數據鏈網絡

中圖分類號： TN 919

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.31

Intent-driven data link network policy negotiation model and algorithm

LIU Xianglin¹， YANG Chungang¹， LI Fuqiang^2，*， OUYANG Ying¹， SONG Yanbo¹

（1. School of Communications Engineering， Xidian University， Xi’an 710071， China; 2. Key Laboratory of Data Link Technology， China Electronics Technology Group Corporation， Xi’an 710068， China）

Abstract： The priority based intent negotiation algorithm is proposed to address the issue of conflicting intent policies in intent-driven data-link networks. The algorithm aims to achieve the optimal configuration of intent policies while considering the limited availability of network resources. It takes into account both time and bandwidth dimensions of resources and indirectly increases the available network resources by reclaiming resources from low-priority intents that have already been configured. This approach enhances the quality of high-priority intents that are yet to be configured. Additionally， the algorithm utilizes optimization techniques to determine the best resource allocation for configuring high-priority intents and reclaiming low-priority intents， thereby avoiding the problem of forcefully downgrading intents due to insufficient resources and the resulting degradation in service quality. Experimental results demonstrate that the proposed algorithm significantly improves the resource planning capability of data-link networks， leading to a 6.0% and 5.5% enhancement in intent service quality compared to existing negotiation algorithms.

Keywords： intent-driven network; resource allocation; intent negotiation; network architecture; data link network

0 引 言

在傳統的數據鏈網絡中，作戰資源精確化跨域互通和自適應信息交鏈困難，任務到關鍵信息流的轉換強依賴于網絡設計人員的背景知識和組網設計經驗。傳統數據鏈網絡中需要針對網絡態勢制定任務，并綜合考慮多種資源進行配置;例如，網絡拓撲以及各種傳感器信息資源等，依靠人工實時的從龐大的資源空間中選擇出最優的資源使用以及配置方案是不現實的^［1］。在網絡資源受限的情況下，極易出現任務對應的網絡策略由于資源短缺而無法配置的情況，需要依據有效的資源管理機制對其進行再配置。在數據鏈網絡運維中，指揮人員希望使用簡單、便捷、抽象級別更高的方式去制定網絡策略，并且期望簡化網絡策略配置過程，甚至實現自動化配置。因此，急需發展智能化數據鏈網絡運維技術。

為實現智能化運維，意圖驅動網絡（intent-driven network，IDN）作為一種新型的網絡架構應運而生^［2-4］。IDN為用戶提供意圖接口，用戶只需通過接口表達所期望的網絡需求而不需要描述如何實現^［5］。IDN可以自動將用戶需求作為意圖直接饋送至網絡，從而在沒有預先定義限制的情況下靈活地滿足不同的用戶應用需求^［6-7］。在意圖下發之后，IDN將自動進行維持，結合網絡整體態勢對意圖進行調整，最終實現網絡感知和控制策略的自動化部署^［8］。IDN使網絡管理便捷化，成功降低人工運維的復雜性，簡化網絡管理，是實現自配置、自優化、自愈合以及自適應功能的新型網絡^［9］。意圖協商作為IDN中的重要流程，在網絡資源無法滿足用戶的意圖需求時提供意圖降級方案，實現智能化資源規劃以及意圖再配置。綜上所述，在IDN中，構建良好的意圖協商模型可以顯著性提高網絡的運維效率和資源使用率，是極其重要的研究內容。

意圖協商算法包括靜態策略和動態策略的協商^［10］。在當前研究中，策略抽象圖（policy graph abstraction， PGA）通過將意圖細分為子意圖，進而將意圖表現形式進行擴充，子意圖可在不超出原有意圖的范圍內動態的進行變化^［10-11］;Janus將意圖協商問題轉化為優化問題進行求解，并盡可能少的產生路徑變化^［12］;時間帶寬兩階段協商算法（time-bandwidth negotiation algorithm， TBN）針對Janus中提出的協商算法進行改進，使得動態意圖的協商算法進一步發展^［13］。本文對數據鏈網絡中動態意圖中的時變意圖建立意圖協商模型。該模型綜合考慮時間和帶寬維度實現資源協商;同時，利用數據鏈網絡中的任務意圖優先級，對已配置低優先級意圖網絡資源進行回收，以進行資源再分配，為待配置高優先級協商意圖提供資源。該模型改變以往研究中為高優先級意圖提供最大可用網絡資源的方式，提高了緊急意圖的服務質量;

同時，在資源再分配的過程中，優化傳統的盲目回收低優先級意圖全部網絡資源的降級方式，保證低優先級意圖服務質量;最后，利用最優化求解的方式得到被回收低優先級意圖以及待配置高優先級意圖的資源分配方案，以保障整體的意圖服務質量，提高網絡資源整體效能。通過算法仿真驗證，實驗結果表明本文提出的基于優先級的意圖協商算法（priority based intent negotiation algorithm， PIN）相較于傳統意圖協商算法，提升了高優先級意圖的服務質量，為實現按需、自適應、自優化的數據鏈網絡運維提供了技術支持。

本文主要貢獻包括：

（1） 梳理意圖協商問題的發展情況，圍繞意圖協商算法研究現狀進行分析。總結現有意圖協商算法中存在的高優先級意圖服務質量難以保障的問題，改進盲目回收甚至取消低優先級意圖網絡資源導致整體意圖服務質量下降的缺點;

（2） 針對數據鏈網絡由人工控制向自適應控制轉變的需求，將IDN相關技術應用到數據鏈網絡中，綜合考慮時間和帶寬兩種維度，提出了一種PIN?；谝鈭D優先級實現資源再分配，兼顧高優先級意圖的服務質量，最大程度保障低優先級意圖的服務質量。實現高低優先級意圖的最佳資源分配，提高網絡資源整體利用效率;

（3） 設計算法性能對比實驗，仿真結果表明本文提出的算法顯著提高整體的意圖服務質量，相較于TBN以及Janus分別有6.0%和5.5%的提升，提高了網絡資源利用效率;同時，運行速度更快，多意圖求解運行時間保證在亞秒級，可以支撐數據鏈網絡中的意圖自適應控制。

1 IDN技術及應用現狀

與傳統網絡相比，IDN基于北向接口實現用戶使用高級別自然原語來表示服務意圖需求，IDN將自動進行意圖配置，生成網絡策略。隨著軟件定義網絡和網絡功能虛擬化技術的快速發展，基于意圖的網絡運維管理和意圖策略配置對于數據鏈網絡十分重要^［14］。

1.1 意圖與網絡策略

在IDN中，意圖是網絡策略的高級抽象，網絡策略是意圖的進一步具化^［15］。意圖、網絡策略和網絡底層配置之間的關系可歸納為：意圖是用戶聲明的對網絡的目標需求，策略是實現這一目標需求所對應的一系列規則，而底層配置則是實現這一系列規則所對應的實際操作，如圖1所示。

在IDN中，意圖是用戶希望達到的某種網絡目的或狀態。用戶可以使用高級別自然原語輸入意圖，例如：“在終端A與終端B之間新建一條10 M帶寬的鏈路”。通過意圖轉譯得到的網絡策略被用于管理和控制對網絡資源的訪問或使用，是網絡為達到目標所需要的具體行為，是指導當前和未來的一組目標、過程或行為的方法^［16］。

網絡策略按照狀態可劃分為靜態策略以及動態策略兩類^［17］。靜態策略是在任意的網絡狀態下都保持不變的網絡策略;動態策略是指在配置后會根據條件進行觸發的網絡策略，例如隨時間的變化而不同或隨網絡狀態的變化而存在差異，如圖2～圖4所示。

在IDN中，一個意圖可能對應多個具體的網絡策略，不同策略之間的組合使得網絡使用者的意圖得以成功實現。IDN會將意圖轉譯為多種策略的組合，如圖5所示。

在數據鏈網絡中，指揮人員有著種類繁多的意圖，因此需要對網絡策略進行復雜的組合，并根據網絡環境進行變化以解決突發問題^［18］。因此，在數據鏈網絡場景下動態策略的研究更加重要，為此本文的意圖協商研究將重點針對IDN中的動態策略進行。

1.2 意圖協商研究現狀

由于在數據鏈網絡中底層物理資源有限，所以存在多條意圖策略之間的資源沖突問題。因此，用戶期望網絡可以自動給出意圖沖突的解決方案，在合理的降低資源需求后實現意圖成功配置，完成意圖協商。

如表1所示，在前期研究中，PGA利用圖的方式表達和組合網絡策略，并按圖結構進行意圖策略沖突檢測，減少用戶的參與，但是沖突檢測主要針對于靜態策略^［10］。Janus在PGA的基礎上進行擴展，將范圍擴展至動態策略，利用最優化問題求解的方式進行意圖協商^［12］。TBN算法將意圖協商的資源擴展至時間、帶寬兩個維度，通過選擇協商時間片集合進行意圖時間遷移以及選取可用最大帶寬的方式進行協商^［13］。另一種基于強化學習的意圖沖突（intent-conflict based on reinforcement learning，ICRL）協商方案為保證成功執行意圖，通過對意圖的網絡資源進行降級的方式，解決網絡資源缺失問題^［14］。INDIRA中則通過為待協商意圖分配網絡中現存最大網絡資源的方式實現意圖協商^［19］。

以上協商算法中，PGA、INDIRA、ICRL僅將帶寬資源納入協商考慮范圍之內，忽略了動態意圖中的時間資源維度的協商。INDIRA、ICRL為待協商意圖提供當前網絡的最大可用資源，無法保證意圖的服務質量，且忽視了意圖優先級的重要性。因此，不能適用于數據鏈網絡中意圖具有不同緊急程度的場景下。Janus、TBN雖然將帶寬和時間資源綜合納入協商，但是僅能在現有網絡可用資源中為待配置的高優先級意圖求解資源分配方案。

在數據鏈網絡場景中，意圖優先級的高低表示意圖的重要和緊急程度。作為重要和緊急的驅逐、打擊等任務，需要在網絡層面優先保障。因此，在協商中通過回收已配置成功的低優先級意圖資源，提高當前網絡可用資源量，保障高優先級意圖的服務質量。由于任務意圖之間存在協作性，因此低優先級意圖亦需要保證其服務質量，不能盲目回收資源用于高優先級意圖。綜上所述，意圖協商算法需要綜合考慮時間、帶寬資源，體現意圖優先級在協商中的作用。通過回收低優先級意圖網絡資源的方式，增大可用網絡資源，并利用最優化求解的方式意圖的最佳資源分配，在提高高優先級意圖服務質量同時，保障整體意圖服務質量。

2 意圖協商框架設計

2.1 意圖驅動數據鏈網絡架構

為支持高效、敏捷、智簡的高度自動化服務交付，網絡必須從靜態資源管理向動態系統演進，滿足用戶的業務需求^［20-21］。IDN架構已被業界廣泛提出，相關文獻對給出IDN定義，并圍繞其網絡架構進行了初步的實驗雖然其架構的定義的形式不同，但是卻蘊含著相同的本質^［22-23］。本文參考IDN架構提出意圖驅動數據鏈網絡架構，如圖6所示，從上到下分為業務應用層、北向接口、意圖使能層、南向接口和基礎設施層。

業務應用層將數據鏈網絡底層進行抽象，通過意圖構建網絡視圖，并且收集指揮人員以各種形式輸入的意圖。該層通過在具備指控能力的作戰單元為各級用戶提供意圖輸入接口收集外部輸入意圖，并且分析網絡狀態得到內生意圖。然后，將收集到的各種形式的意圖處理為包含意圖關鍵需求的意圖五元組進行規范表征，五元組包括{意圖類型，目標，目的，規則，時機}。北向接口則主要負責業務應用層以及意圖使能層之間的通信，包括外部輸入意圖、內生意圖的下發、意圖使能層信息的反饋^［24］。

意圖使能層為意圖驅動數據鏈網絡的核心，主要負責意圖的轉譯，以及根據數據鏈網絡狀態信息對網絡策略進行驗證等。根據業務應用層得到的包含網絡需求的五元組作為約束，保障意圖的執行。

南向接口主要負責意圖使能層與基礎設施層之間的通信，將經過驗證后的網絡策略下發到基礎設施層中進行配置與實施?；A設施層中主要包括數據鏈網絡中作戰節點等基礎設施，可實時監控底層網絡態勢，為意圖使能層提供物理基礎。

圖7所示為意圖驅動數據鏈網絡閉環框架圖，整個閉環具體功能包括轉譯和驗證、自動化實施、狀態感知、自動化優化和修復等^［25］。轉譯和驗證能力是指獲取指揮人員任務意圖，并將其變為可執行的網絡配置指令的能力。在數據鏈網絡中，各級指揮人員在所處節點結合戰場態勢輸入任務意圖，輸入方式根據所處層次有不同的描述方式，只需要保證輸入中包含要求提供網絡性能的關鍵要素。意圖應用層將多種形式的意圖表征為意圖五元組形式，意圖轉譯根據五元組中關鍵要素將其轉變為統一的數據鏈網絡配置指令。自動化實施能力是指網絡可以適當的變更網絡基礎設施，并自動化完成網絡編排。網絡狀態感知能力是指網絡具備實時感知底層網絡狀態，用以進行網絡運維的能力。自動化優化和修復能力實現持續保障意圖的實施，減小網絡狀態變化產生的影響。

2.2 意圖協商框架

在意圖驅動數據鏈網絡中，通過意圖協商滿足用戶在資源稀缺和服務質量約束下的意圖需求。當底層網絡資源無法滿足任務意圖的需求時，意圖驅動數據鏈網絡將啟動意圖協商模塊進行自主的意圖協商。意圖協商模塊根據當前硬件以及軟件資源的可用性和能力生成資源分配方案供指揮人員選擇^［26］，但是目前關于意圖協商框架的研究仍處于起步階段。為提高意圖協商框架的普適性，文獻［27］提出一種通用的意圖協商框架，該框架包含沖突行為者參與意圖協商時所有的確定過程之間的所有交互流程，可應用于意圖驅動數據鏈網絡，如圖8所示。

在此框架中，指揮人員根據任務需求輸入意圖，系統對以各種形式輸入的意圖進行處理，將表達意圖需求的關鍵要素進行規范化表征得到意圖五元組。進而，對五元組進行意圖轉譯，針對不同任務的需求生成對應的意圖配置參數，結合意圖包含的空、地、海等不同目標映射對應的網絡需求，并且利用意圖庫對意圖進行初步評估，檢查該意圖是否可以進一步分解。若可分解，則將意圖依托意圖庫分解形成子意圖，實現數據鏈網絡中任務意圖分解為基本戰術動作。意圖分解過程可能執行多輪，在分解完成后，對意圖進行配置求解，若底層資源情況滿足意圖配置需求，則對其進行部署;若資源不足，則進行意圖協商;通過改變其時間約束或降低服務質量要求生成意圖協商方案，返回方案供指揮人員選擇，如果接受協商方案則進行下發。

3 算法設計

3.1 問題建模

對于動態策略，會在不同的條件觸發不同的狀態。其中，時變性動態策略具有時變性，其既包含時間資源需求，又包含特定網絡資源需求。意圖的協商是對意圖的資源需求降級以實現配置^［28］。因此，在意圖協商的過程中，應該綜合考慮時間、網絡兩個維度的資源，在本文中，網絡維度的資源主要考慮帶寬資源。

對于數據鏈網絡中任務類型不同的意圖，其在進行意圖協商時有著不同的需求，分為帶寬容忍型和時間容忍型^［13］。帶寬容忍型指意圖在協商時可以接受帶寬的降低，但對執行時間上要求比較嚴格。時間容忍型則指意圖的執行時間可以在適當范圍內進行變化，但無法接受帶寬上的過多降級。另外，意圖用優先級表示緊急程度，優先級越高則表示對應意圖緊急程度更高，在協商過程中有著更高的權重，應該分配更多的資源。

高優先級意圖應該優先保障服務質量，倘若資源嚴重不足，應考慮對已配置的低優先級意圖進行資源回收，以提高當前時刻可使用網絡資源量。并且由于高、低優先級意圖之間存在的協作性，仍需要保障低優先級意圖執行。因此，低優先級意圖服務質量應維持在可接受的程度，需要將當前時刻網絡資源合理分配。同時，避免低優先級意圖多次被回收資源導致服務質量急劇下降，以保障整體的意圖維持較高的服務質量。因此本文提出PIN。

本文算法在協商過程中考慮時間、帶寬兩種維度，選取與待配置意圖相沖突的低優先級意圖進行資源回收，提高當前時刻可用資源總量。通過最優化求解得到高低優先級意圖的最佳資源分配方案，以提高整體意圖服務質量，降低協商容忍率。協商容忍率由帶寬容忍率和時間容忍率組成，帶寬容忍率是帶寬減少量與原帶寬需求的比值。時間容忍率由意圖時間遷移率和意圖持續時間變化率兩部分以一定權重比例相加組合而成。意圖時間遷移率即協商后意圖時間起點與原意圖起點之間差值與意圖持續時間的比值;意圖持續時間變化率即為變化的時間相對于意圖原持續時間的比值^［28］。協商容忍率越小則表示協商后意圖服務質量相較于用戶期望降級更少，即有著更好的服務質量。因此，優化目標如下所示：

min∑i∈UI∑t∈CTW_i［aBt_i，t+b（b₁Tc_i.t+b₂Tl_i，t）］S_i.t，

0≤Bt_i，t≤1; S_i，t∈{0，1}（1）

式中：W_i表示意圖i所占的權重，權重越高表示優先級越高;Bt_i，t、Tc_i.t以及Tl_i，t分別表示帶寬容忍率、意圖時間遷移率以及意圖持續時間變化率;a、b、b₁、b₂分別表示帶寬容忍率、意圖時間容忍率、意圖時間遷移率、意圖持續時間變化率的系數。帶寬容忍率和時間容忍率部分的系數可根據意圖類型進行設定，但是要保證兩者之和為1。為區別表示時間容忍型和帶寬容忍型意圖，對于時間容忍型意圖，則設置其時間容忍率相關系數大于帶寬容忍率系數，反之亦然。S_i.t為表示意圖i是否選擇時間片t作為協商起始時間片的0-1變量，選擇為1，不選擇為0。UI表示當前所有未成功配置的意圖集合，CT表示意圖i的所有可選時間起點。

為保證算法結果合理性，按實際場景添加約束條件。首先，對于待協商的意圖i，意圖i只能選擇一個意圖時間片集合中作為協商時間片集，通過0-1變量S_i.t表示：

∑t∈CTS_i，t=1（2）

同時，選擇到某個時間集合作為協商時間片集之后，在模型中應保證意圖i對應的每個有效時間片中的子意圖在其每個協商后對應時間片中都能成功配置，約束如下所示：

S_i，t=I_i，t∩I_i，t+1∩…∩I_i，t+k， I_i，t∈{0，1}（3）

式（3）表示的是，在確定協商時間起始時間片后，意圖在原第一個有效時間片的有效部分在t時刻配置，原第二個時間片中的有效部分在下一個相鄰的時間片t+1中成功配置，以此類推。k表示意圖i的第k個有效部分，I_i，t為0-1變量，表示意圖i在t時間片內是否成功配置，若成功配置則取值為1。

其次，由于協商之后所分配的帶寬小于等于意圖需求帶寬，模型中應建立約束保證協商后各鏈路帶寬之和不大于底層網絡鏈路實際帶寬資源，如下所示：

?l∈links∶∑i∈alli ∑p∈paths（l）（P_i，p×B_i）≤C_i，P_i，p∈{0，1}（4）

式中：links表示拓撲中所有鏈路的集合;P_i，p為二進制變量，表示當拓撲中的路徑p被意圖i選擇時，取值為1;alli表示全部意圖的集合;paths（l）表示經過拓撲鏈路l的路徑集合;C_l表示鏈路l的帶寬容量。

此外，模型在為意圖選擇路徑時，應滿足只為其選擇一條可用路徑的約束條件，為此，設定約束如下所示：

?i∈alli，?（x，y）∈aep（i）∶∑p∈ap（i，x，y）P_i，p=I_i，t（5）

式中：aep（i）表示意圖i的所有需要配置的路徑中的端點對集合，ap（i，x，y）表示意圖i的在（x，y）端點對之間所有的路徑集合。同時，對于涉及多數據鏈交互的端點對，要保證其路徑包含中繼節點。

由于本文中協商的意圖為按照時間片進行分解后的子意圖，意圖完成協商則必須保證其子意圖中每一組端點對都成功完成配置，依此建立約束如下：

I_i=E_i，1∩E_i，2∩…∩E_i，m， E_i，m∈{0，1}（6）

式中：E_i，m為表示意圖i的第m組端點對是否配置成功的配置變量，為0-1變量。

在對低優先級意圖資源進行回收時，應保證資源回收比例小于資源回收閾值β，防止出現由于過度回收資源導致其服務質量無法保障，因此添加約束如下：

0≤T₁≤1－β（7）

式中：T₁為低優先級意圖回收后帶寬與原帶寬之間的比值。利用0-1變量R_i進行表示意圖是否被回收過，保障低優先級意圖被多次回收資源，約束如下所示：

R_i={0，1}（8）

R_i表示第i個意圖是否被回收資源，被回收過則取值為1。

3.2 算法流程

本文提出的PIN，整體流程分為時間協商、帶寬協商兩部分。首先按照待協商意圖的權重進行排序，優先級高且需要資源少的意圖協商權重高。其次，選擇協商權重最高的意圖開始配置，進行時間協商，當確定時間片后進行帶寬資源協商。資源協商分為兩部分，首先是單意圖帶寬協商，其次是低優先級意圖資源回收以及最優化求解。整個協商算法如算法1所示。

如上述流程所示，本文的協商算法根據協商權重大小決定意圖協商順序^［29］。首先對意圖進行時間協商，確定協商的時間片后進一步對帶寬進行協商，通過回收低優先級意圖資源降低高優先級意圖協商容忍率。算法充分考慮在數據鏈網絡中意圖協商時優先級的重要性，必要時為其搶占資源，保障高優先級意圖的正常或以較高的服務質量運行。同時，兼顧任務意圖之間的協同性，通過最優化求解的方式避免低優先級意圖服務質量過度下降導致無法正常執行的問題。

3.2.1 協商時間片集合選擇

此過程的主要目標是在與原意圖相近的時間片中選擇一個能為其各個時間片子意圖提供盡量滿足帶寬資源需求的連續時間片集合。為提高算法運行效率，將意圖無法配置的時間片數量與意圖有效總時間片數量之比定義為時間片閾值τ。當時間片閾值τ較小時，無法配置的時間片數量在總時間片中占比小，進行時間片遷移會造成較大的代價。因此，在選擇意圖協商時間片集合時，為降低意圖協商中時間片集合選取過程中較低的時間容忍率，應滿足以下條件：

（1） 選擇時間片數目與原意圖時間片數目保持一致;

（2） 選擇的時間片集合應為相鄰的連續時間片集合;

（3） 當意圖需要配置的時間片數目與原有效時間片數目之間的比值小于時間片遷移閾值τ時，仍選取原有效時間片作為協商時間片集合。

得到備選時間片集合后，計算每個備用時間片集合的帶寬降低率。最低帶寬降低率為時間片集合中能提供的最小帶寬與原帶寬的比值，將帶寬降低率最低的時間片集合作為最終協商時間片集合。

3.2.2 協商時間片集合選擇

協商時間片集合選取后，進行帶寬協商。單意圖帶寬協商的主要目標是為意圖的每個有效部分進行再配置，保證意圖帶寬需求降低最小，即保證帶寬容忍率低。因此，在單意圖協商過程中，以最小化帶寬容忍率為目標建立規劃模型，目標函數如下所示。利用模型求解出意圖每個時間片有效部分的最大帶寬，并選取每個時間片中帶寬降低率的最小值作為該意圖的帶寬降低率：

min Bt_i，t

為保證模型的合理性與可行性，為其添加約束：意圖的有效部分在當前時間片需要滿足每個端點對都能找到配置的路徑，且只能選擇一條路徑進行配置。利用0-1變量P_i，p表示路徑選擇情況，當拓撲中的路徑p被意圖i選擇時，取值為1，同時，協商帶寬滿足鏈路帶寬容量約束。

整個單意圖協商過程首先初始化意圖的協商時間片集合。若每個時間片中的待協商意圖都完成再配置，則在各協商時間片的拓撲鏈路中減去最終的協商帶寬，更新拓撲鏈路資源使用情況;若協商時間片集合中的待協商意圖未完成再配置，則取出一個時間片和對應其他意圖有效部分使用最小帶寬容忍率模型進行求解。選擇可用路徑中能提供的最小帶寬最大的路徑作為該意圖路徑，作為當前時間片的協商帶寬，更新最小帶寬降低率，并更新拓撲鏈路帶寬。

3.2.3 低優先級意圖帶寬降級算法

在經過意圖協商時間片集合選取以及單意圖帶寬協商之后，利用本算法選取低優先級意圖進行帶寬降級，回收部分資源以提高待協商的高優先級意圖服務質量。該算法的優先目標為：

max W₁T₁+W₂T₂， 0≤T₁≤1; 0≤T₂≤1

式中：W₁、W₂分別為被回收帶寬的意圖以及待協商意圖的優先級;T₁、T₂分別表示被回收帶寬意圖以及待協商意圖在當前時間片中有效部分的協商帶寬與該有效部分的需求帶寬的比值。由于T₁、T₂為協商帶寬與原需求帶寬之間的比值，因此要保證兩者取值在［0，1］之間。

算法流程如圖9所示。

選取被回收帶寬意圖時，本算法遵循以下準則：

（1） 被回收帶寬意圖的回收資源小于閾值β，防止出現被回收意圖帶寬降低無法對待協商意圖帶來較好的增益，拉低整體服務質量;

（2） 選取時優先選取與待協商意圖路徑之間重合路徑多且相對帶寬值大的低優先級意圖，保證對低優先級意圖帶寬的回收能以最小的代價換取最優的增益。

在此算法中，為避免對某低優先級意圖多次進行資源回收操作，造成低優先級意圖質量過度降低，利用0-1變量R_i對意圖進行標識。將資源回收操作后的意圖標識變量置為1，未經過此過程則置為0。為防止求解時片面追求目標函數最大而導致對低優先級意圖進行過量的帶寬回收操作，添加回收帶寬閾值上限β，確?；厥盏膸捙c原分配帶寬之間的比值不超過此上限。

本算法相較于其他PIN，改進了其他算法存在的由于不計后果盲目回收甚至取消低優先級意圖網絡資源導致整體意圖服務質量下降的缺點。通過對低優先級意圖資源回收后對高、低優先級意圖最優化求解的方式，保障了盡可能多的意圖順利執行。在提高高優先級意圖服務質量的同時，保證低優先級意圖以指揮人員可接受的程度進行執行，更加適配在數據鏈網絡中需要多任務意圖協同的特點，提高多任務意圖執行中的整體服務質量。

4 仿真分析

4.1 仿真環境

本文的仿真實驗所用的計算機為Windows10操作系統，12th Gen Intel（R） Core（TM） i5-12400，CPU主頻為2.50 GHz，6核，內存為16 GB，為保證實驗準確性，每個仿真數據的結果為10次仿真結果的平均值，本節采用Gurobi求解器進行求解。

本實驗中意圖來自隨機生成，其中每個意圖中的端點對數量在1～10之間，用于模擬數據鏈網絡中意圖協商模塊同時輸入的多個任務意圖，驗證算法并行處理多個意圖的能力。仿真拓撲采用TopologyZoo中的真實拓撲對數據鏈網絡進行模擬，選取拓撲節點為66、鏈路數為193^［30］。TopologyZoo是可用的最精確的大規模的網絡拓撲集合，常用于測試許多網絡算法的性能。為模擬真實數據鏈網絡環境，拓撲各鏈路資源隨機生成，鏈路帶寬在100～300 Mbps之間。每個節點隨機搭載Link-16、戰術目標瞄準網絡（tactical targeting network technology， TTNT）數據鏈，并且隨機生成中繼節點承擔多數據鏈之間互通的職責，拓撲如圖10所示。

本節通過仿真測試，比對不同時間片遷移閾值取值的情況下TBN^［13］、Janus以及本文提出的PIN共3種意圖協商算法的性能。通過不同數目任務意圖下算法求解時間，驗證在數據鏈網絡中協商場景下算法性能。

此外，本節中的算法對比的仿真性能指標為：所有協商意圖的服務質量，具體為所有意圖協商后所擁有的網絡資源，即協商意圖權重與協商意圖的分配帶寬和需求帶寬之間比值的乘積。該值越大，說明協商后意圖整體資源降級越小，即服務質量越高。

4.2 仿真環境

圖11為當拓撲節點數為66時，協商意圖數目為3時的仿真結果，其中橫坐標表示前文中提到的時間片遷移閾值，縱坐標表示意圖協商后的整體業務質量。由圖11可得，隨著時間片遷移閾值的增大，TBN以及本文提出的PIN性能出現下降，而Janus保持穩定。這是因為時間片遷移閾值增大后，TBN、PIN兩種算法中的時間維度協商能力受到抑制，而Janus算法思想為回收部分資源，并沒有時間維度資源協商，因此并未受到影響。相較于TBN，性能下降后的PIN算法仍然能保持著更好的性能，這是因為PIN中針對低優先級意圖具有資源回收機制?？v向來看，無論時間片遷移閾值取何值，從性能上，PIN算法協商后的整體業務質量均優于另外兩種算法。

因此，PIN算法性能上更加穩定，無論在時間維度資源是否可用的情況下，均優先保障了高優先級意圖的執行以及整體業務質量。

經原始實驗數據分析可得本文提出的PIN算法相較于TBN以及Janus算法在協商后業務質量上分別有6.0%和5.5%的提高。

在上述的66節點拓撲中，意圖來自隨機生成，其中每個意圖中的端點對數量在1～10之間，分別構造全部意圖中存在2、3、5、9個意圖進行協商的場景。圖12為模擬數據鏈網絡中多個意圖同時協商的仿真實驗結果，該圖橫軸為算法運行時間，縱軸為累積分布函數值。隨著意圖協商數目的增多，意圖協商復雜度上升，3種算法運行時間均有增加，但本文提出的PIN運行時間均顯示更優的求解能力，運行時間較短，可維持在毫秒級。在數據鏈網絡高動態的特性下，算法運行時間上可以支撐任務意圖的快速配置。

5 結 論

針對數據鏈網絡從人工控制到自適應控制轉變的需求，新興的IDN為簡化數據鏈網絡配置提供了新的方案，提供便捷、友好的管理模式，降低了運維的復雜性。通過IDN實現數據鏈網絡自適應控制，改善數據鏈網絡中應用環境復雜、資源分配難度大的問題。針對意圖驅動數據鏈網絡中多條意圖策略的沖突問題進行研究，首先闡述了意圖與策略之間的關系，并分析得出動態策略協商的重要性，最終結合IDN框架提出PIN。本文算法在時間、帶寬兩個維度協商，強化意圖優先級在意圖協商算法中的作用，利用低優先級意圖資源回收的方式提高高優先級意圖配置中的可用網絡資源量，改進以往算法只提供最大可用資源而無法保證服務質量的缺點。針對現存研究盲目回收甚至取消低優先級意圖網絡資源導致整體意圖服務質量下降的缺點，利用標志位避免多次降級。通過最優化求解的方式，得到最佳資源分配方式。提高了整體意圖的服務質量，保證了數據鏈網絡中意圖之間的協同性。通過仿真結果對比可知，本算法使得數據鏈網絡在資源能效性上有了顯著提高，提升了協商后高優先級意圖業務質量，且算法運行時間短，適應于數據鏈網絡低時延的特點。

參考文獻

［1］DANIEL E， TSCHORSCH F. Ipfs and friends： a qualitative comparison of next generation peer-to-peer data networks［J］. IEEE Communications Surveys amp; Tutorials， 2022， 24（1）： 31-52.

［2］HAN Y， LI J， HOANG D， et al. An intent-based network virtualization platform for SDN［C］∥Proc.of the 12th International Conference on Network and Service Management， 2016.

［3］張露露， 楊春剛， 王棟， 等. 意圖驅動的云網融合按需編排［J］. 電信科學， 2022， 38（10）： 107-119.

ZHANG L L， YANG C G， WANG D， et al. Intent-driven cloud-network convergence on-demand orchestration［J］. Telecommunications Science， 2022， 38（10）： 107-119.

［4］PANG L， YANG C G， CHEN D Y， et al. A survey on intent-driven networks［J］. IEEE Access， 2020， 8： 22862-22873.

［5］ZHANG H D， WANG Y， QI X T， et al. Demo abstract： an intent solver for enabling intent-based SDN［C］∥Proc.of the IEEE Conference on Computer Communications Workshops， 2017： 968-969.

［6］ELKHATIB Y， COULSON G， TYSON G. Charting an intent driven network［C］∥Proc.of the 13th International Conference on Network and Service Management， 2017.

［7］SUBRAMANYA T， RIGGIO R， RASHEED T. Intent-based mobile backhauling for 5G networks［C］∥Proc.of the 12th International Conference on Network and Service Management， 2016： 348-352.

［8］ESPOSITO F， WANG J， CONTOLI C， et al. A behavior-driven approach to intent specification for software-defined infrastructure management［C］∥Proc.of the IEEE Conference on Network Function Virtualization and Software Defined Networks， 2018.

［9］JACOBS A S， PFITSCHER R J， FERREIRA R A， et al. Refining network intents for self-driving networks［C］∥Proc.of the Afternoon Workshop on Self-Driving Networks， 2018： 15-21.

［10］PRAKASH C， LEE J， TURNER Y， et al. PGA： using graphs to express and automatically reconcile network policies［J］. ACM SIGCOMM Computer Communication Review， 2015， 45（4）： 29-42.

［11］SOULE R， BASU S， MARANDI P J， et al. Merlin： a language for provisioning network resources［C］∥Proc.of the 10th ACM International on Conference on emerging Networking Experiments and Technologies， 2014： 213-226.

［12］ABHASHKUMAR A， KANG J M， BANERJEE S， et al. Supporting diverse dynamic intent-based policies using Janus［C］∥Proc.of the 13th International Conference on emerging Network-ing Experiments and Technologies， 2017： 296-309.

［13］馮哲薈子. 支持多類策略的意圖網絡設計［D］. 成都：電子科技大學， 2019.

FENG Z H Z. Design of diverse policies supported intent-based net-working［D］. Chengdu： University of Electronic Science and Technology of China， 2019.

［14］TENG Y， SHEN Y F， YANG H， et al. Conflict-driven intention negotiation based on reinforcement learning in intent defined optical networks［C］∥Proc.of the 27th OptoElectronics and Communications Conference and 2022 International Confe-rence on Photonics in Switching and Computing， 2022.

［15］徐丹， 白燕南， 王峰， 等. 意圖網絡研究綜述［J］.電子技術應用， 2021， 47（9）： 9-15.

XU D， BAI Y N， WANG F， et al. Survey of intent based networking［J］. Application of Electronic Technique， 2021， 47（9）： 9-15.

［16］WESTERINEN A， SCHNIZLEIN J， STRASSNER J， et al. Terminology for policy-based management［R］. Reston： The Internet Society， 2001.

［17］KERN S， BAUMER T， GROLL S， et al. Optimization of access control policies［J］. Journal of Information Security and Applications， 2022， 70： 103301.

［18］吳德春. 面向意圖驅動網絡的意圖轉譯和智能優化研究［D］. 成都： 電子科技大學， 2022.

WU D C. Research on intent translation and intelligent optimization for intent-driven networks［D］. Chengdu： University of Electronic Science and Technology of China， 2022.

［19］KIRAN M， POUYOUL E， MERCIAN A， et al. Enabling intent to configure scientific networks for high performance demands［J］. Future Generation Computer Systems， 2018， 79： 205-214.

［20］MA L， WEN X M， WANG L H， et al. An SDN/NFV based framework for management and deployment of service based 5G core network［J］. China Communications， 2018， 15（10）： 86-98.

［21］FANIBHARE V， SARKAR N I， AL-ANBUKY A. A survey of the tactile internet： design issues and challenges， applications， and future directions［J］. Electronics， 2021， 10（17）： 2171.

［22］OUYANG Y， YANG C G， SONG Y B， et al. A brief survey and implementation on refinement for intent-driven networking［J］. IEEE Network， 2021， 35（6）： 75-83.

［23］ZHANG L L， YANG C G， OUYANG Y， et al. ISFC： Intent-driven service function chaining for satellite networks［C］∥Proc.of the 27th Asia Pacific Conference on Communications， 2022： 544-549.

［24］COMER D， RASTEGATNIA A. OSDF： an intent-based software defined network programming framework［C］∥Proc.of the IEEE 43rd Conference on Local Computer Networks， 2018： 527-535.

［25］LERNER A， SKORUPA J， GANGULI S. Innovation insight： intent-based networking systems［J］. Technology Reports， 2017， 66（8）： 28-36.

［26］SHARMA Y， BHAMARE D， KASSLER A， et al. Intent negotiation framework for intent-driven service management［J］. IEEE Communications Magazine， 2023， 61（6）： 73-79.

［27］MARSICO A， SAVI M， SIRACUSA D， et al. An automated negotiation framework for application-aware transport network services［J］. Optical Switching and Networking， 2020， 38： 100571.

［28］ZHONG Z Z， LI J P， HUA N， et al. On QoS-assured degraded provisioning in service-differentiated multi-layer elastic optical networks［C］∥Proc.of the IEEE Global Communications Conference， 2016.

［29］SANTOS A S， DE SANTI J， FIGUEIREDO G B， et al. Application-aware service degradation in elastic optical networks［J］. IEEE Trans.on Network and Service Management， 2022， 19（2）： 949-961.

［30］KNIGHT S， NGUYEN H X， FALKNER N， et al. The internet topology zoo［J］. IEEE Journal on Selected Areas in Communications， 2011， 29（9）： 1765-1775.

作者簡介

劉祥林（1999—），男，碩士研究生，主要研究方向為意圖驅動網絡、意圖協商。

楊春剛（1982—），男，教授，博士，主要研究方向為人工智能信息通信網絡、意圖驅動網絡。

李富強（1976—），男，研究員，碩士，主要研究方向為數據鏈網絡。

歐陽穎（1995—），女，博士研究生，主要研究方向為意圖驅動網絡、天地一體化網絡。

宋延博（1994—），男，博士研究生，主要研究方向為意圖驅動的網絡安全技術。