时间敏感网络的知识感知可调度性分析：一种基于图神经网络的方法

《IEEE Transactions on Nanotechnology》：Knowledge-Aware Schedulability Analysis for Time-Sensitive Networking: A GNN-Based Method

　　

摘要：

诸如敌方防空压制与摧毁（SEAD/DEAD）和灾害响应等争议性多智能体任务通常包含两类任务。强制性任务必须完成。功能性任务是可选的支持行动，例如雷达干扰或侦察，可降低后续强制性任务的成本。它们的收益可能很大，但执行一项功能性任务会将一个智能体从执行网络中抽离，可能切断关键的中继链路。现有的任务分配、影响力最大化和网络弹性方法各自只解决了这一问题的部分方面，但没有任何方法将这两种力量耦合在一起，因此它们忽视了支持收益与结构损失之间的权衡。我们的主要贡献是将功能性任务扩散增益与自致结构性侵蚀之间的耦合形式化为一个单一的联合优化问题。随后，我们提出了RA-DSO，一种基于扩散次模优化的求解器，在连通性和覆盖约束下估计哪些智能体与功能性任务配对能带来真正的下游收益，并在残余网络上修复剩余的强制性任务分配，使得系统仅在功能性任务真正有帮助时才使用它们，并且在结构成本变得过高时停止切换。我们在一个统一模型上对RA-DSO进行了评估，涵盖任务规模、智能体规模、能力覆盖和角色多样性，并以可行性感知效用作为主要指标。在可以枚举精确约束最优解的小型实例上，RA-DSO保持在与最优解大约一百分之一的差距内，并且经常与其完全匹配。直接效用贪心算法能达到略高的效用，但在每一步都重新计算完整的目标函数，这使其不适合这些任务所需的反复在线重新规划，因此RA-DSO是更具部署性的选择：它在大规模下比该贪心算法快一个数量级，同时保持在该贪心算法几个百分点以内的差距，并且具有该贪心算法所不具备的扩散子问题的(1?1/e)保证。它还远超成本-...

查看更多