基于增强学习的高精度时间同步实现方法

2023-06-19 理论教育版权反馈

【摘要】：学术界和工业界普遍认为，前传的时间同步精度要求在5G以上为+/-100 ns。因此，最小化非对称延迟的影响是实现超高精度时间同步的关键。为了解决上述问题，我们提出了一种基于深度强化学习的路由优化方案，来减少非对称延迟对前端时间同步精度的影响。我们的实验测试表明，Deep-TSR在减少非对称延迟方面具有出色的性能，并且在基于云的光与无线网络测试平台上Deep-TSR优于通用的机器学习方法[9]。

5G应用〔如载波聚合（Carrier Aggregation，CA）、万物互联（Internet-of-Everything，IoE）和卫星系统支持的无线网络〕的研究在不断推进[8]，5G应用的超低延迟需求不断推动时间同步精度的要求。学术界和工业界普遍认为，前传的时间同步精度要求在5G以上为+/-100 ns。然而，诸如网络时间协议（Network Time Protocol，NTP）和IEEE 1588精确时钟同步协议（precision clock synchronization protocol）之类的传统方案远远落后于时间同步的纳秒精度。

从统计数据来看，链路不对称是限制同步精度的主要原因。在传统的传输网络中，同步信号是通过双向方式发送的。然而，由于上行链路和下行链路的长度不同，当前网络使用的双向光纤实际上不是对称的。即使同步信号在同一光纤中传输，色散、折射率、温度和不稳定的无线链路也会导致不对称延迟。例如，在50 km光路中，由色散引起的不对称延迟可达到1 088.25 ns，远远无法达到我们的预期。此外，当前和下一代前传是完全动态的并且可以重新配置，其中由于成本和工程的复杂性，所以难以直接测量非对称延迟。因此，最小化非对称延迟的影响是实现超高精度时间同步的关键。

为了解决上述问题，我们提出了一种基于深度强化学习的路由优化方案（Deep Reinforcement Learning based Routing Optimization Scheme，Deep-TSR），来减少非对称延迟对前端时间同步精度的影响。我们创建了一个能够成功学习并找到具有最小非对称延迟的路径的单个神经网络。我们的实验测试表明，Deep-TSR在减少非对称延迟方面具有出色的性能，并且在基于云的光与无线网络（Cloud based Radio over Fiber Network，C-RoFN）测试平台上Deep-TSR优于通用的机器学习方法[9]。

基于增强学习的高精度时间同步实现方法

相关推荐