基于微服务架构的数字孪生仿真平台设计方法

目录

0 引言

1 数字孪生网络的架构及实例

图1

1.1 平台架构

1.2 研究实例

图2

2 传统仿真平台设计方法

图3

3 基于微服务化的仿真平台设计方法

3.1 技术选型

3.2 架构设计

图4

3.3 微服务架构的优势

3.4 微服务架构下的仿真平台运行效率

4 测试结果

图5

4.1 仿真设备的软硬件配置

4.2 仿真结果

图6

图7

图8

5 结束语

---

摘要

提出了一种基于微服务架构的数字孪生仿真平台的设计方法,以多维度资源精准调配的网络节能优化场景为例,通过拆分平台中松耦合的仿真单元,设计通信接口,并基于Docker及Kubernetes平台实现微服务仿真组件的部署,完成数字孪生仿真平台的架构升级。通过融合微服务架构的优势,可以为平台未来的升级改造、功能扩展、部署实施等提供便捷。测试结果表明,该方法可以以容器的形式实现并行计算,在计算量较大的场景下,显著缩短平台运行时间。

关键词： 微服务; 数字孪生; 仿真

0 引言

传统无线网络的仿真往往采用基于时间驱动的仿真方法,根据一种特定的应用场景进行建模,有针对性地设置仿真参数和结构[1],然后依据时间轴推动仿真进程。因此,仿真平台的专用性强,难以扩展应用到其他场景。此外,在时间驱动方法中,一轮仿真通常使用串行计算方法,导致平台的执行效率较低。

随着网络容量的大规模增长及网络结构的不断复杂化,用户对无线网络各项指标的要求也日益提升。开发和设计能够高度复现真实物理网络的数字孪生仿真平台成为一项至关重要的研究内容。2002年,Michael Grieves[2]提出数字孪生概念,并在世界范围内被广泛应用,例如医疗、交通运输、能源行业、智慧城市和智能制造等领域[3⇓⇓⇓-7]。

对于无线网络的仿真,数字孪生仿真平台能够适配多种网络配置,并能模拟用户行为逻辑以及网络决策对系统性能的影响。此外,数字孪生仿真平台常常引入基于人工智能(Artificial Intelligence,AI)算法的智能体模块实现网络的自优化功能[8],这也就意味着传统仿真与AI计算的高度融合,同时也会导致平台计算量增加、结构更加复杂、串行运算效率较低等情况。值得注意的是,若数字孪生仿真平台仍使用传统的单体架构,在面向平台未来升级改造或业务扩展时,往往会遇到架构层面带来的种种弊端,例如开发过程复杂且缓慢、部署不灵活、扩展性欠佳等[9]。此外,在面向计算量较大的情况时,运算效率低的问题也会更加凸显。

因此,在数字孪生仿真平台架构设计中引入可以提升仿真效率、改善扩展性的方法显得尤为重要。基于微服务的架构升级是改善上述问题的一种方式。微服务由Martin Fowler与James Lewis[10]于2014年共同提出。近年来,微服务架构已经在互联网等多个领域有了广泛应用[11⇓⇓-14],许多成熟的网络系统已升级为微服务架构,并凸显出便于开发、运维效率高、容错性高、扩展性强、功能独立且灵活等优势。但微服务技术尚未在基于数字孪生的无线通信系统仿真平台中得以广泛应用。

考虑到微服务架构的优势,本文通过引入该架构来提升数字孪生仿真平台的灵活性、松耦合性、可用性和可扩展性[15];并基于微服务架构的形式实现多服务的并行计算,进而提升平台的运行效率,缩短仿真时间。

1 数字孪生网络的架构及实例

根据数字孪生网络架构[16],数字孪生网络的核心组件与结构如图1所示,其中包含物理网络及其数字孪生仿真平台两大部分。数字孪生仿真平台通常需要从真实的物理网络中获取网络节点和用户数据,按照各功能模块实现真实物理网络的数字化建模,对各系统参数进行配置并运行平台获得仿真结果。之后,依托仿真结果进行网络性能的分析与优化,此时可以利用专家经验,也可以使用AI算法来生成优化决策,并基于决策结果进行下一步的仿真。经过多次反复迭代后得到最佳方案,并最终应用到真实物理网络中。

图1

图1   数字孪生网络架构图

 

1.1 平台架构

从图1可以看出,数字孪生网络中的数字孪生仿真平台部分可以进一步划分为孪生体和智能体两部分。其中,孪生体通过数字孪生技术实现无线网络在数字域的复制,能够对各种节点参数(如节点位置坐标、覆盖范围、载波频段、负载功率、天线参数等)、用户位置信息和业务分布状态等进行模型化处理,并且可以根据运行的效果进行调整;智能体则根据业务需求和需要分析的参数,通过AI算法制定优化策略并生成执行决策,使网络达到预期的最佳状态。

在每一轮仿真中,孪生体根据模拟的场景进行参数配置,运行获得每个节点和用户的数据,并将这些数据作为智能体的输入;智能体处理孪生体送入的仿真结果,综合用户行为、业务需求、网络性能及其他场景中生成的针对孪生体的优化策略,在下一轮仿真中应用新的参数配置,以此形成图1中的内环,经反复迭代后生成动态场景下最优的系统配置[17]。

1.2 研究实例

数字孪生平台被视为物理世界的数字化复制。本文以基于多维度资源精准调配的网络节能优化场景为例,给出了该场景的拓扑图(见图2)。其中,宏基站和微基站通过异构组网为用户提供无线数据通信能力以及完成用户提出的算力资源需求[18]。

图2

图2   基于多维度资源精准调配的网络节能优化场景拓扑图

假设系统中部署了Km个宏基站、Kp个微基站以及M个用户,用户在该系统中进行移动,每次更新位置后,选取当前位置信号质量最好的基站作为服务基站,并向其提出通信需求和算力请求。在传统方案中,所有宏基站和微基站始终处于开启状态,但是考虑到真实网络中用户位置分布以及业务需求通常存在时间、空间不均衡的现象,因此若能结合用户的时空分布,动态调整基站的开启与关闭,则可以降低网络的总体能耗,实现节能的目标。

在本文中,假设Kp个宏基站始终处于开启状态,目的是保证网络的基本覆盖能力。但是云端服务器可以依据所采集到的网络状态数据、用户位置变化、用户服务质量需求、网络节能目标等,制定Kp个微基站的开关决策。系统运行流程总结如下。

(1)孪生体初始化:在孪生体中确定宏基站的位置、微基站的位置以及用户的初始位置,此时默认所有宏基站和微基站均处于开启状态。

(2)用户接入:用户选取信号最强的基站作为服务基站,并开始通信传输和算力计算。

(3)用户位置移动:用户移动到新的位置并重新进行基站接入。

(4)智能体制定开关策略