基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型研究

第４５卷　第１２期２０２３年１２月系统工程与电子技术
ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５　Ｎｏ．１２
Ｄｅｃｅｍｂｅｒ２０２３
文章编号：１００１ ５０６Ｘ（２０２３）１２ ３９２４ ０８　网址：ｗｗｗ．ｓｙ
ｓ ｅｌｅ．ｃｏｍ收稿日期：２０２１０８１７；修回日期：２０２２０２２５；网络优先出版日期：２０２２０３２８。

网络优先出版地址：ｈｔｔｐ：
∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０３２８．１１０２．０１４．ｈｔｍｌ 通讯作者．
引用格式：杜楠，彭文成，谭亚新．基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型研究［Ｊ］．系统工程与电子技术，２０２３，４５（１２）
：３９２４ ３９３１．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＤＵＮ，ＰＥＮＧＷＣ，ＴＡＮＹＸ．Ｒｅｓｅａｒｃｈｏｎｒｅａｌ ｔｉｍｅｓｃｈｅｄｕｌｉｎｇｍｏｄｅｌｏｆＬＶＣｅｑｕｉｐｍｅ
ｎｔｔｅｓｔｒｅｓｏｕｒｃｅｓｂａｓｅｄｏｎＳＡＡＳ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（１２）：３９２４ ３９３１．基于犛犃犃犛的犔犞犆装备试验资源实时调度模型研究
杜　楠，彭文成 ，谭亚新
（陆军装甲兵学院演训中心，北京１０００７２）
摘　要：真实虚拟构造仿真为装备体系试验提供了有效技术手段。

针对试验中大量异构仿真资源对象间
的交互难以满足试验任务实时性需求问题，开展仿真资源实时调度模型研究。

分析模型的功能组成，将调度模型划分为远程方法通信实现、远程方法云服务、优化调度策略３个子模型，分析各子模型的功能及其之间的关系，给出模型运行的步骤以及实现原理，并构建标准实验环境，验证模型算法。

实验表明，在模型时延要求小于１ｍｓ的标准测试环境下，云服务环境最多可承载大约３０个节点同时提出订阅需求，并且调度成功率均大于９８．５％，丢包率为０，符合模型性能要求。

关键词：仿真即服务；真实虚拟构造；装备试验资源；实时调度模型中图分类号：Ｅ１１７ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．
ｉｓｓｎ．１００１ ５０６Ｘ．２０２３．１２．２２犚犲狊犲犪狉犮犺狅狀狉犲犪犾 狋犻犿犲狊犮犺犲犱狌犾犻狀犵犿狅犱犲犾狅犳犔犞犆犲狇狌犻狆犿犲
狀狋狋犲狊狋狉犲狊狅狌狉犮犲狊犫犪狊犲犱狅狀犛犃犃犛
ＤＵＮａｎ，ＰＥＮＧＷｅｎｃｈｅｎｇ ，ＴＡＮＹａ
ｘｉｎ（犕犻犾犻狋犪狉狔犈狓犲狉犮犻狊犲犪狀犱犜狉犪犻狀犻狀犵犆犲狀狋犲狉，犃狉犿狔犃犮犪犱犲犿狔狅犳犃狉犿狅狉犲犱犉狅狉犮犲狊，犅犲犻犼
犻狀犵１０００７２，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ｌｉｖｅ ｖｉｒｔｕａｌ ｃｏｎｓｔｒｕｃｔｉｏｎ（ＬＶＣ）ｓｉｍｕｌａｔｉｏｎｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｃａｌｍｅａｎｓｆｏｒｅｑｕｉｐｍｅ
ｎｔｓｙｓｔｅｍｔｅｓｔ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎａｌａｒｇｅｎｕｍｂｅｒｏｆｈｅｔｅｒｏｇ
ｅｎｅｏｕｓｓｉｍｕｌａｔｉｏｎｒｅｓｏｕｒｃｅｏｂｊｅｃｔｓｉｎｔｈｅｔｅｓｔｃｏｕｌｄｎｏｔｍｅｅｔｔｈｅｒｅａｌ ｔｉｍｅｄｅｍａｎｄｏｆｔｈｅｔｅｓｔｔａｓｋ，ｔｈｅｒｅａｌ ｔｉｍｅｓｃｈｅｄｕｌｉｎｇｍｏｄｅｌｏｆｓｉｍｕｌａｔｉｏｎｒｅｓｏｕｒｃｅｓｉｓｒｅｓｅａｒｃｈｅｄ．Ｔｈｅｆｕｎｃｔｉｏｎａｌｃｏｍｐｏｎｅｎｔｓｏｆｔｈｅｍｏｄｅｌａｒｅａｎａｌｙｚｅｄ，ａｎｄｔｈｅｓｃｈｅｄｕｌｉｎｇｍｏｄｅｌｉｓｄｉｖｉｄｅｄｉｎｔｏｔｈｒｅｅｓｕｂ ｍｏｄｅｌｓ：ｒｅｍｏｔｅｍｅｔｈｏｄｃｏｍｍｕｎｉｃａｔｉｏｎｉｍｐｌｅｍｅｎｔａｔｉｏｎ，ｒｅｍｏｔｅｍｅｔｈｏｄｃｌｏｕｄｓｅｒｖｉｃｅ，ａｎｄｏｐｔｉｍｉｚｅｄｓｃｈｅｄｕｌｉｎｇｓｔｒａｔｅｇｙ．Ｔｈ
ｅｆｕｎｃｔｉｏｎｓｏｆｅａｃｈｓｕｂ ｍｏｄｅｌａｎｄｔｈｅｉｒｒｅｌａｔｉｏｎｓｈｉｐｓａｒｅａｎａｌｙ
ｚｅｄ，ｔｈｅｏｐｅｒａｔｉｏｎｓｔｅｐｓａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｐｒｉｎｃｉｐｌｅｓｏｆｔｈｅｍｏｄｅｌａｒｅｇｉｖｅｎ．Ａｓｔａｎｄａｒｄｅｘｐｅｒｉｍｅｎｔａｌｅｎｖｉｒｏｎｍｅｎｔｉｓｃｏｎｓｔｒｕｃｔｅｄｔｏｖｅｒｉｆｙｔｈｅｍｏｄｅｌａｌｇｏｒｉｔｈｍ．Ｔｈｅｅｘｐ
ｅｒｉｍｅｎｔｓｈｏｗｓｔｈａｔｕｎｄｅｒｔｈｅｓｔａｎｄａｒｄｔｅｓｔｅｎｖｉｒｏｎｍｅｎｔｗｈｅｒｅｔｈｅｄｅｌａｙｒｅｑ
ｕｉｒｅｍｅｎｔｏｆｔｈｅｍｏｄｅｌｉｓｌｅｓｓｔｈａｎ１ｍｓ，ｔｈｅｃｌｏｕｄｓｅｒｖｉｃｅｅｎｖｉｒｏｎｍｅｎｔｃａｎｂｅａｒｔｈｅｓｕｂｓｃｒｉｐｔｉｏｎｒｅｑ
ｕｉｒｅｍｅｎｔｏｆａｂｏｕｔ３０ｎｏｄｅｓａｔｍｏｓｔａｔｔｈｅｓａｍｅｔｉｍｅ，ａｎｄｔｈｅｓｃｈｅｄｕｌｉｎｇｓ
ｕｃｃｅｓｓｒａｔｅｉｓａｌｌｍｏｒｅｔｈａｎ９８．５％ａｎｄｔｈｅｐａｃｋｅｔｌｏｓｓｒａｔｅｉｓ０，ｗｈｉｃｈｍｅｅｔｓｔｈｅｐｅｒｆｏｒｍａｎｃｅｒｅｑ
ｕｉｒｅｍｅｎｔｓｏｆｔｈｅｍｏｄｅｌ．犓犲狔狑狅
狉犱狊：ｓｉｍｕｌａｔｉｏｎａｓａｓｅｒｖｉｃｅ（ＳＡＡＳ）；ｌｉｖｅ ｖｉｒｔｕａｌ ｃｏｎｓｔｒｕｃｔｉｖｅ（ＬＶＣ）；ｅｑｕｉｐｍｅｎｔｔｅｓｔｒｅｓｏｕｒｃｅ；ｒｅａｌ ｔｉｍｅｓｃｈｅｄｕｌｉｎｇｍｏ
ｄｅｌ０　引　言信息化条件下，武器装备体系化特征更加明显，装备试验对象由单个装备向装备体系拓展，试验环境由单一简单环境向实战化的复杂环境转变成为当前装备体系试验的必然要求［１３］。

真实虚拟构造（ｌｉｖｅ ｖｉｒｔｕａｌ ｃｏｎｓｔｒｕｃｔｉｖｅ，ＬＶＣ）
仿真可将当前分散的试验场、训练基地、演习场等环境连接、
集成起来，解决虚实融合、数据传输、综合评估、资
　第１
２期杜楠等：基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型研究·３９２５　· 源管理等一系列问题并且形成统一规范和标准，从而提供一个贴近实战、
功能多样、综合性强、开放性好的一体化环境，
为装备体系试验提供有效技术手段［４５］。

ＬＶＣ仿真的关键是真实、虚拟、构造仿真资源的建模与通信，实现资源间的互操作［６８］。

因此，如何使仿真资源间实现实时调度，以便更高效地执行仿真应用、更快返回仿真结果是需要解决的关键问题［９１０］。

仿真即服务（ｓｉｍｕｌａｔｉｏｎａｓａｓｅｒｖｉｃｅ，ＳＡＡＳ）
是一种能够快速、按需部署和执行仿真应用的方法，本文基于ＳＡＡＳ理念，通过远程方法和优化调度策略实现云环境中装备试验资源的高效实时调度［９，１１１４］。

文献［１５］将应用调度虚拟机和为虚拟机分配物理计算机资源的问题建模为约束满足非确定性多项式（ｎｏｎｄｅｔｅｒ ｍｉｎｉｓｔｉｃｐｏｌｙｎｏｍｉａｌｌｙ，ＮＰ）
问题模型，将资源调度的目标作为算法的目标函数优化虚拟机资源分配，利用遗传算法、粒子群算法、蚁群算法等启发式算法求解资源调度问题。

这类算法在网格计算中，取得了不错的资源调度结果。

然而，在云计算环境中，资源异构多样，交互复杂，算法会面临搜索速度慢、陷入局部最优，以及并行机制得不到充分应用的局面。

文献［１６］
设计了一种基于深度强化学习的资源调度算法框架，首先利用从网络节点获取的大量先验数据，训练深度学习网络。

其次，采用蒙特卡罗方法，对数据进行降维。

最后，利用强化学习分配网络资源，通过大量的自我对弈，实现算法的价值网络学习。

这种方法可解决大型、复杂、动态的资源分配问题，但计算机集群的可扩展性差，如果想要扩展计算机集群，需要重新开展神经网络学习。

从文献中可以看出，云仿真调度取得了一些成果，但大多数调度策略较为简单，无法同时满足云仿真按需自助服务、广泛的网络接入、资源池、快速弹性、可度量的服务特点。

１　模型建立基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型包括远程方法通信实现子模型、
远程方法云服务子模型、优化调度策略子模型，如图１所示。

远程方法通信实现子模型，负责为ＬＶＣ仿真提供及时、可控的远程通信；远程方法云服务子模型支持在云环境下，计算订阅单元提出的调用需求，并将实现后的数据通过网络传输反馈给订阅单元。

优化调度策略子模型通过优化调度算法完成远程方法实现的优化调度，使远程方法实现的效率接近最优。

图１　调度模型结构组成图
Ｆｉｇ．１　Ｃｏｍｐｏｓｉｔｉｏｎｄｉａｇｒａｍｏｆｓｃｈｅｄｕｌｉｎｇｍｏｄｅｌ远程，是指提出订阅需求的订阅单元所使用的计算机和
远程方法云服务子模型位于不同的计算机上，订阅需求的实现方法即为远程方法［１７１８］。

远程方法是定义在虚拟化状态对象（ｖｉｒｔｕａｌｉｚａｔｉｏｎｉｎｆｒａｓｔｒｕｃｔｕｒｅｏｂｊ
ｅｃｔ，ＶＩＯ）中的方法，使得模型节点中想进行的操作得以执行。

例如，
坦克瞄准操作、函数计算操作。

ＶＩ
Ｏ为遵循虚拟试验分布式对象描述语言定义的标准状态对象，虚拟试验分布式对象描述语言包括
状态分布对象、消息对象、本地对象、向量、接口、枚举、状态分布对象指针、
基本类型，及其继承、组合、聚合关系，订阅了ＶＩＯ的模型都可以对该ＶＩＯ进行远程调用［１９２１］。

使用远程方法的必要性主要体现在，ＬＶＣ试验中存在大量分布的仿真软件、模型资源、通用工具、数据库等靶场资源，这些资源之间交互复杂，且为异构仿真资源对象。

因此，当仿真资源之间通信量较大或某个模型的实现逻辑被多次调用时，交互的实时性通常难以满足武器装备体系快速响应的试验任务需求。

远程方法通信作为一种通信机制，可为ＬＶＣ装备试验系统提供及时、可控的远程通信和模型处理，能最大限度地利用网络资源处理远程方法实现逻辑，缩短方法执行时间，提高执行效率，并且具有很好的可扩展性。

１．１　远程方法通信实现子模型远程方法通信实现子模型，基于ＶＩＯ通信机制完成实现单元和订阅单元之间的信息传输，订阅单元的订阅需求为中间件对象时，可视为调用ＶＩＯ的远程方法。

实物／半实物的设备模型被调用时，便等同于一个设备命令。

例如，人员操控火炮发射可以通过远程方法通信完成，在该过程中人员相当于主从调用关系的主体，火炮发射相当于听从人员命令的从属设备。

远程方法的复杂计算由远程方法的
Ａｇｅｎｔ实现，
在云服务端的计算机机群中进行合理分配，分配原则由优化调度策略子模型定义。

模型节点之间通过点
对点的通信完成数据交互，使信息由任何单独的模型实现
和订阅，数据信息被直接从源路传到任何感兴趣的模型，双方交互的数据信息从远程方法云服务子模型获取［２２２３］。

１．２　远程方法云服务子模型云服务环境是指为订阅单元和实现单元按需提供服务的计算机机群，该计算机机群的每个计算机为一个模型节点，该计算机中存储有能完成订阅单元订阅需求的一个或多个远程方法，并且Ａｇｅｎｔ依托模型节点完成远程方法的复杂计算［２４２５］。

远程方法云服务子模型支持数个订阅单元在同一时刻访问云服务端提出订阅需求，调用不同模型节
点的远程方法，
并将实现后的数据通过网络传输反馈给订阅单元。

远程方法的实现分布在机群的多个模型节点中，当有订阅需求时，远程方法云服务子模型自动为该远程方法创建实现Ａｇｅｎｔ，由Ａｇｅｎｔ根据订阅单元的订阅需求调用远程方法的实现逻辑进行计算，得出输出结果（即订阅信息），
通过远程方法通信将输出结果反馈给订阅单元。

远程方法云服务子模型能够根据每个远程方法的实际调用需求，为该远程方法创建多个Ａｇｅｎｔ，该Ａｇｅｎｔ的数量由云服
　·３
９２６　·系统工程与电子技术第４５卷 务计算机机群中的计算机数量决定。

如果该机群中有狀台计算机，则最多只能为远程方法创建狀个Ａｇｅｎｔ。

１．３　优化调度策略子模型
优化调度策略子模型能够针对订阅单元不同的订阅需求，
综合评估计算机机群的软硬件性能，优化网络资源，合理进行模型节点分配，通过基于Ａｇｅｎｔ的优化调度算法完成远程方法实现的优化调度，使远程方法实现的效率达到或接近最优。

优化调度策略子模型支持在两个以上订阅单元提出订阅需求的情况下，通过远程方法云服务子模型调用优化调度策略，将实现远程方法的Ａｇｅｎｔ合理分配到计算机机群中的相应计算机（即模型节点）中，仿真运行过程中不再动态创建或变更远程方法的实现Ａｇｅｎｔ。

远程方法通信实现子模型，从远程方法云服务子模型中作为订阅单元的模型节点处接收订阅需求，将该订阅需求传输给远程方法云服务子模型。

优化调度策略子模型从远程方法云服务子模型提取订阅需求，
根据订阅需求，通过优化调度策略确定实现订阅需求需调用的模型节点。

优化调度策略即采用基于Ａｇｅｎｔ的优化调度算法，确定实现订阅需求的模型节点，完成远程方法（即实现订阅需求的方法）调用，使远程方法实现的效率达到或接近最优。

远程方法云服务子模型在云环境下为选定的模型节点分配Ａｇｅｎｔ。

如果当前计算机机群节点地的所有计算机均不能合理有效地执行远程方法的复杂计算，或其执行效率较低，可在仿真试验前增加模型节点，即增加计算机数量，该模型节点只能用于
远程方法的实现［２６２８］。

２　模型运行步骤
基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度方法步骤
如下：
步骤１　远程方法通信实现子模型，从远程方法云服务子模型中作为订阅单元的模型节点处接收订阅需求，将该订阅需求传输给远程方法云服务子模型。

步骤２　优化调度策略子模型从远程方法云服务子模型提取订阅需求，根据订阅需求，通过优化调度策略确定作为实现单元的模型节点。

步骤３　将选定的实现单元信息发送给远程方法云服务子模型。

步骤４　远程方法云服务子模型在云环境下为选定的模型节点分配Ａｇｅｎｔ，Ａｇｅｎｔ可通过该选中的模型节点实现订阅需求，同时能够收到订阅信息，将子模型的反馈信息发送给订阅单元的模型节点。

３　模型运行实现远程方法通信实现基于公共对象请求代理体系结构（ｃｏｍｍｏｎｏｂｊｅｃｔｒｅｑ
ｕｅｓｔｂｒｏｋｅｒａｒｃｈｉｔｅｃｔｕｒｅ，ＣＯＲＢＡ）服务完成，ＣＯＲＢＡ是由对象管理组织（ｏｂｊｅｃｔｍａｎａｇ
ｅｍｅｎｔｇｒｏｕｐ，ＯＭＧ）
指定的一种标准的面向对象应用程序体系规范，在将包含远程方法的ＶＩＯ对象映射为ＣＯＲＢＡ的接口描述语言（ｉｎｔｅｒｆａｃｅｄｅｆｉｎｉｔｉｏｎｌａｎｇｕａｇ
ｅ，ＩＤＬ）文件并生成相应的目录结构之后，可进一步生成支持远程方法通信的客户端和服务端代码。

但是，并不能直接使用ＣＯＲＢＡ服务的通信功能，模型开发人员需编写ＶＩＯ对应ＣＯＲＢＡ对象的引用绑定和引用获取方面的Ｃ＋＋代码，技术难度较大，使用不方便。

远程方法通信子模型将烦琐的任务封装起来，使其对模型开发人员透明，模型开发人员不需要关心其通信的具体实现机制，仅需调用开放的远程方法应用编程接口（ａｐｐｌｉｃａｔｉｏｎｐｒｏｇｒａｍｍｉｎｇｉ
ｎｔｅｒｆａｃｅ，ＡＰＩ）编写实现逻辑即可，
极大地方便了试验程序的开发［２９３０］。

由客户端和服务端来完成远程方法通信的底层实现，信息的交互要通过对象请求代理（ｏｂｊｅｃｔｒｅｑｕｅｓｔｂｒｏｋｅｒ，ＯＲＢ）来完成订阅单元的信息交互。

如图２所示，在模型层将ＶＩＯ中的远程方法封装在ＲｅｍｏｔｅＭｅｔｈｏｄｓＩｍｐｌ类中，该类继承自远程方法实现接口。

远程方法实现包括以下６类：远程方法接口
类、远程方法工厂接口类、代理类、拦截器调用类、公共ＯＲＢ体系结构服务者实施类和服务者类。

其中，还包括邮
局协议（ｐ
ｏｓｔｏｆｆｉｃｅｐｒｏｔｏｃｏｌ，ＰＯＡ）。

图２　远程方法通信实现子模型的设计类图
Ｆｉｇ．２　Ｄｅｓｉｇｎｃｌａｓｓｄｉａｇ
ｒａｍｏｆｒｅｍｏｔｅｍｅｔｈｏｄｃｏｍｍｕｎｉｃａｔｉｏｎｉｍｐｌｅｍｅｎｔａｔｉｏｎｓｕｂｍｏｄｅｌ
６类通过工厂模式、委派模式、拦截器模式，协作实现了远程方法实现和远程方法调用与ＣＯＲＢＡ客户端和服务端的解耦。

ＣＯＲＢＡ的服务者类中，委派一个拦截器调用类成员，
拦截器调用类继承自远程方法接口类，其中对一个远程方法接口类进行引用，同时采取Ｄｅｌｅｇａｔｅ模式将自身委托给远程方法接口类。

与此同时，公共ＯＲＢ体系结构服务者实施类调用拦截器调用类成员的方法，该方法需继承自
服务端所提供的ＰＯＡ＿Ｓｅｒｖａｎｔ，用拦截器的模式来实现服务端所提供的所有远程方法的接口。

远程方法云服务子模型采用私有云模式，只有参与
ＬＶＣ装备试验仿真远程方法通信的模型才能管理云。

以资源共享为基础，所有模型均可使用云服务端的远程方法，并认为在某一时刻可由自身独立使用。

在ＬＶＣ装备试验仿真系统中布设的所有节点均属于云服务端，该计算机机
　第１
２期杜楠等：基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型研究·３９２７　· 群同时又隶属于可实现远程方法调用的单元机群，故而各个模型中都可以包含属于自己的远程方法。

远程方法云服务子模型的工作流程如图３所示。

Ｆｉｇ．３　Ｗｏｒｋｆｌｏｗｄｉａｇ
ｒａｍｏｆｒｅｍｏｔｅｍｅｔｈｏｄｃｌｏｕｄｓｅｒｖｉｃｅｓｕｂｍｏｄｅｌ用于实现远程方法的Ａｇｅｎｔ是用于辅助完成远程方法实现的代理，
即远程方法逻辑填写并编译通过之后，在仿真运行过程中可通过相应的Ａｇｅｎｔ进行实现。

远程方法云服务子模型端为每个远程方法实现创建一个或多个Ａｇｅｎｔ，并根据实际的ＬＶＣ装备试验仿真需求灵活累加。

需求包括云服务端机群的计算性能不足以满足仿真性能，需要分布式并行计算；ＬＶＣ一体化仿真系统在之前所用的仿真模型基础上又增加了其他模型，需要再增加Ａｇｅｎｔ完成远程方法的计算；
为满足某特殊计算需求，在云服务端机群中增加相应的高性能计算机，使用该计算机完成远程方法计算等。

当Ａｇｅｎｔ没有计算工作时，将其标志位设为０，当Ａｇｅｎｔ正在参与远程方法计算时，将其标志位设置为１。

远程方法Ａｇｅｎｔ实现流程如图４所示。

Ｆｉｇ．４　ＦｌｏｗｃｈａｒｔｏｆｒｅｍｏｔｅｍｅｔｈｏｄＡｇｅｎｔｉｍｐｌｅｍｅｎｔａｔｉｏｎ例如，ＬＶＣ装备试验仿真系统中有５个模型需要调用远程方法犪，云服务端可为远程方法Ａ创建５个分布于云服务端的实现单元机群的Ａｇｅｎｔ，并将其初始标志位设为０。

当程序运行到某个时刻时，模型１调用远程方法犪，云服
务端综合考虑网络现有资源，将Ａｇｅｎｔ１分配用于远程方法
实现。

此时，Ａｇｅｎｔ１的标志位设为１，完成计算之后，标志位重置为０。

模型２调用远程方法Ａ，云服务端将Ａｇｅｎｔ３分配用于远程方法实现。

此时，Ａｇｅｎｔ３的标志位设置为１，完成计算之后，标志位重置为０；依此类推。

优化调度策略子模型，通过优化调度策略实现远程方法订阅单元的优化调度，优化网络资源。

为了提高远程方
法的访问效率及减少访问时间，
缩短程序执行时间，降低仿真执行延迟，
优化调度策略子模型对ＬＶＣ装备试验仿真任务（任务依赖关系、计算成本等）和实现单元机群的软硬件性能进行分析（计算机显卡、ＣＰＵ使用率、内存使用率、吞
吐量等），合理进行模型节点分配，使远程方法实现的效率达到或接近最优。

通过远程方法云服务子模型调用优化调度策略将实现远程方法的Ａｇｅｎｔ合理分配到计算机机群中的相应计算机（即模型节点）中，仿真运行过程中不再动态创建或变更远程方法的实现
Ａｇｅｎｔ，保证系统运行过程中不再增加仿真系统的运行负担。

Ａｇｅｎｔ合理分配在仿真试验前完成，仿真试验是指模拟订阅者提供订阅需求，通过远程方法通信实现子模型传给远程方法云服务子模型，优化调度策略子模型提取订阅需求后根据优化调度策略挑选出能够完成订阅需求的模型节点，并由该节点对订阅者的需求进行反馈。

例如，ＬＶＣ仿真系统中含有犿个远程方法，狆个模型，狀个节点，每个节点的计算性能各不相同，则可以为每个远程方法最多创建狀个Ａｇｅｎｔ。

为合理分配网络资源，最大限度地减少仿真程序的执行时间，优化调度子模型采用近似优化算法，假设节点狀犻分配的是模型狆犻调用的远程方法犪的Ａｇｅｎｔ１，Ａｇｅｎｔ１在节点狀犻上
的实现时间为狋犪，节点狀犻上实际分配的是模型狆犻调用的远程方法犫的Ａｇｅｎｔ２，Ａｇｅｎｔ２在节点狀犻上的实现时间为狋犫，应使Δ狋＝｜狋犪－狋犫｜接近于零。

近似优化算法的原则如下：（１）不断移动每个节点需要实现的远程方法的Ａｇｅｎｔ，使得各个节点的Δ狋不断变小；（２）如果把狀犻中某一远程方法的Ａｇｅｎｔ移动到狀犼中，使得狋犪和狋犫都变小，则移动该远程方法的Ａｇｅｎｔ；（３）如果把狀犻中某一远程方法的Ａｇｅｎｔ和狀犼中某一远程方法的Ａｇｅｎｔ交换，使得狋犪和狋犫都变小，则交换两个节点分配远程方法的Ａｇｅｎｔ。

运行序列图如图５所示，序列如下：（１）订阅单元根据需求通过远程方法通信实现子模型向远程方法云服务子模型的云服务端提出远程方法订阅需求，云服务端根据订阅需求找到相应的远程方法。

（２）远程方法云服务子模型根据优化调度策略子模型的近似优化算法，综合评估计算机机群节点的软、硬件性能，合理进行模型节点分配，使远程方法实现的效率达到或接近最优。

（３）远程方法云服务子模型得出优化调度策略之后，根据订阅单元的个数为远程方法创建相应个数的实现Ａｇｅｎｔ，并将Ａｇｅｎｔ分配到合理的计算机机群节点中。

　·３９２８　·系统工程与电子技术第４５卷
图５　运行序列图
Ｆｉｇ．５　Ｏｐｅｒａｔｉｏｎｓｅｑｕｅｎｃｅｄｉａｇｒａｍ
（４）订阅单元为其远程方法的实现Ａｇｅｎｔ提供输入，
Ａｇｅｎｔ根据输入完成远程方法的复杂计算，并将计算结果
反馈给远程方法云服务子模型。

（５）远程方法云服务子模型通过远程方法通信实现子
模型将计算结果反馈给订阅单元。

４　模型算法验证
逻辑靶场的实际部署方式示意图如图６所示，虚实实
体的信息时延是指从仿真网的发送端传递到接收端所消
耗的时间，包括传输时延、传播时延、排队时延、处理时延。

传输时延，是指从数据帧第一个比特到最后一个比特全部
传输完毕的时间，与计算机处理性能、数据包大小有关，时
间单位通常为ｍｓ级。

传播时延是指电磁波在无线链路上
传播所消耗的时间，其往返于我国距离最长两地域间的时
间约为４０ｍｓ。

排队时延是指数据在队列中排队等待和
被处理过程中所消耗的时间，单位通常为ｍｓ级或μｓ
级。

处理时延是从数据包首部分析到数据提取、从数据
调度到路由选择、差错检验等过程所消耗的时间，单位通
常为ｍｓ级或μｓ级。

排队时延和处理时延一般较难计算，
通常与数据包大小，先前已经到达的以及目前正在等待的
数据包数量，以及交换机、路由器、中间件调度模型的性能
有关［２９３２］。

图６　逻辑靶场的实际部署方式示意图
Ｆｉｇ．６　Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆａｃｔｕａｌｄｅｐｌｏｙｍｅｎｔｍｅｔｈｏｄｏｆｌｏｇｉｃａｌｒａｎｇｅ
模型算法性能测试是在条件变量可控、可重复的条件
下，对模型进行的接近实际应用状态的测试。

这里假设虚
实实体间能够实时交互，因此将仿真步长定为５０ｍｓ。

由于
要按ＬＶＣ仿真系统规定使用等步长推进和事件队列原理，
并在步长结束时，对发生在步长时间内的所有事件合计进
行汇总，因此，减去传输时延，往返于我国距离最长两地域
间的４０ｍｓ传播时延，以及局域网、交换机、路由器性能造
成的排队时延和处理时延，将模型时延要求定为小于
　第１
２期杜楠等：基于ＳＡＡＳ的ＬＶＣ装备试验资源实时调度模型研究·３９２９　· １ｍｓ标准。

考虑装备体系试验仿真的规模大约为３０个节
点，以及仿真的可信性，因此将模型性能标准定为：标准测试环境下，模型时延要求小于１ｍｓ，云服务环境可承载大约３０个节点同时提出订阅需求，并且调度成功率均大于９５％，
丢包率为０。

为了忽略数据包传输时延，更精确地测量出调度模型的性能，实验测试环境采用千兆局域网，使用６类网线连接，
单根网线长度不超过５ｍ，网络拓扑图如图７所示。

仿真系统包括计算机３台，其中１台计算机通过并行发送数据包来模拟一定数量的订阅需求节点同时发出的订阅需求；２台计算机模拟云服务环境中的计算机机群，调度模型基础环境和其他所需软件环境均已在仿真系统中部署完毕。

设置３台计算机的软硬件性能、包含的远程方法、模型个数均相同。

由于该测试具有一定的抽象性，因此可以得到具有度量价值的测试结果。

图７　实验测试网络拓扑图Ｆｉｇ．７　Ｔｏｐｏｌｏｇｙｄｉａｇｒａｍｏｆｅｘｐｅｒｉｍｅｎｔａｌｔｅｓｔｉｎｇｎ
ｅｔｗｏｒｋ假设订阅需求的数据包大小为１ｋＢ，调度模型允许最大时延为１ｍｓ，测试同时提出订阅需求的节点数分别为１、
１０、３０、４０时，
调度模型处理订阅需求所需时延的大小，分别模拟１０００次，
测试结果统计如图８所示。

可以看出，随着提出订阅需求的节点数量的增加，调度模型处理订阅需求的时延在逐渐增加，节点数为１、１０、３０、４０时，平均时延
分别为０．４２ｍｓ，０．５７ｍｓ，０．９３ｍｓ，１．２４ｍｓ，
这是因为云服务环境中服务器性能和分配的Ａｇｅｎｔ资源有限。

当节点数为３０时，处理时延接近１ｍｓ，节点数为４０时，
处理时延已经超过１ｍｓ，
说明在该测试环境下，云服务环境最多可承载大约３０个节点同时提出订阅需求。

如果需要增加云服
务环境承载量，
就需要在环境中增加服务器数量，使到来的订阅需求可分配到更多的Ａｇｅｎｔ资源，或者提高服务器性能。

在固定订阅需求节点数量后的每１０００次的模拟过程中，模型处理时延会在平均值上下浮动。

但是，也会
出现一些离群点，例如节点数为１、１０、３０、４０时，最大时延
分别为０．６１ｍｓ，０．９０ｍｓ，１．３７ｍｓ，１．８６ｍｓ，这是因为云服务环境中，最多可分配两个Ａｇｅｎｔ。

为合理分配网络资源，最大限度地减少仿真程序的执行时间，优化调度子模型采用近似优化算法，使Ａｇｅｎｔ１在服务器１上的实现时间狋１与Ａｇｅｎｔ２在服务器２上的实现时间狋２的差值Δ狋＝｜狋犪－狋犫｜接近于零。

同时，虽然使用了优化算法由于服务器性能有限，会出现在处理过程中订阅需求排队等待的现象，便造成了
离群点现象，但调度成功率都在９８．５％以上，丢包率为０，
符合模型性能要求，测试结果统计表如表１所示。

图８　测试结果统计图
Ｆｉｇ．
８　Ｓｔａｔｉｓｔｉｃａｌｃｈａｒｔｏｆｔｅｓｔｒｅｓｕｌｔｓ
　·３
９３０　·系统工程与电子技术
第４５卷
表１　测试结果统计表
犜犪犫犾犲１　犛狋犪狋犻狊狋犻犮犪犾狋犪犫犾犲狅犳狋犲狊狋狉犲狊狌犾狋狊
参数订阅需求节点数１１０３０
４０
最大值／ｍｓ０．６０９０．９０３１．３７０１．８６２最小值／ｍｓ０．３３８０．５６６０．８１４１．１４９平均值／ｍｓ０．４１５０．６９９０．９２６１．２３７成功率／％１．００００．９８８１．００００．９８９丢包率／％０．００００．００００．０００
０．０００
５　结　论
本文通过远程方法服务完成订阅单元与实现单元的通
信需求，相比业内通用的发布订阅模式，减少了网络通信量，数据仅在有订阅需求时才定向传输到相应的节点；通过云服务技术降低了数据传输延迟，远程方法的实现被以最优的方案分配到相应的计算机机群节点中，合理使用网络资源，在计算量和通信量方面提高了ＬＶＣ一体化仿真系统的执行效率。

该方法与现有方法相比，具有如下优点：（１）基于远程方法模式构建ＬＶＣ一体化仿真系统，能提供及时、可控的远程通信和模型处理。

这是因为该远程
方法采用ＶＩＯ通信机制，
当订阅单元的订阅需求为中间件对象时，能够调用ＶＩＯ的远程方法来完成实现单元和订阅单元之间的信息传输，进而完成模型间的紧耦合通信和模型间的主从调用关系。

（２）基于远程方法模式构建ＬＶＣ一体化仿真系统，能最大限度地利用网络资源处理远程方法实现逻辑，缩短方法执行时间，提高执行效率。

这是因为该远程方法模式同一时刻支持订阅单元与远程方法之间多对多的调用关系，并且根据不同的远程方法调用需求，通过创建相应的Ａｇｅｎｔ实现远程方法的复杂计算。

即通过综合评估计算机机群的软硬件性能，优化网络资源，合理进行模型节点分配，通过基于Ａｇｅｎｔ机制的近似优化算法实现远程方法Ａｇｅｎｔ在计算机机群中的合理分配，优化网络资源，实现负载均衡，提高访问效率，减少访问时间，减少仿真延迟，从而完成远程方法实现的优化调度，使远程方法实现的效率达到或接近最优。

（３）基于远程方法模式构建ＬＶＣ一体化仿真系统，具有很好的扩展性。

这是因为该远程方法模式使得订阅单元仅需调用该远程方法的接口提出订阅需求，根据订阅单元的订阅需求，将实现远程方法的Ａｇｅｎｔ在云服务端的计算机机群中进行合理分配。

这使得试验人员可在仿真试验开始前动态增加计算机机群节点，但在仿真运行过程中不再动态创建或变更远程方法的实现Ａｇｅｎｔ。

参考文献［１］王鹏．虚实结合的武器装备试验方法的若干技术研究［Ｄ］．
长沙：国防科技大学，２０１８．
ＷＡＮＧＰ．Ｒｅｓｅａｒｃｈｏｎｓｏｍｅｔｅｃｈｎｏｌｏｇ
ｉｅｓｏｆｖｉｒｔｕａｌａｎｄｒｅａｌｉｎ ｔｅｇｒａｔｅｄｅｑｕｉｐｍｅｎｔｔｅｓｔ［Ｄ］．Ｃｈａｎｇｓｈａ：ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏ
ｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，２
０１８．［２］郭齐胜，董志明．试验训练一体化仿真支撑平台设计研究［Ｊ］．计算机仿真，２０２０，３７（９）：１５．ＧＵＯＱＳ，ＤＯＮＧＺＭ．Ｒｅｓｅａｒｃｈｏｎｄｅｓｉｇｎｏｆｔｅｓｔａｎｄｔｒａｉｎｉｎｇｉｎｔｅｇｒａｔｅｄｓｉｍｕｌａｔｉｏｎｓｕｐｐｏｒｔｉｎｇｐ
ｌａｔｆｏｒｍ［Ｊ］．ＣｏｍｐｕｔｅｒＳｉｍｕｌａ ｔｉｏｎ，２０２０，３７（９）
：１５．［３］董志明，郭齐胜．试验训练一体化仿真支撑技术研究［Ｊ］．计算机仿真，２０２１，３８（２）：１３，２３．ＤＯＮＧＺＭ，ＧＵＯＱＳ．Ｒｅｓｅａｒｃｈｏｎｓｕｐｐｏｒｔｔｅｃｈｎｏｌｏｇｙｏ
ｆｔｅｓｔａｎｄｔｒａｉｎｉｎｇｉｎｔｅｇ
ｒａｔｅｄｓｉｍｕｌａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＳｉｍｕｌａｔｉｏｎ，２０２１，３８（２）：１３，２３．
［４］杨晓岚，陈?，张翠侠，等．基于ＬＶＣ的试验鉴定支撑平台构建方法研究［Ｃ］∥第六届中国指挥控制大会论文集，２０１８：
５３４５３６．
ＹＡＮＧＸＬ，ＣＨＥＮＡ，ＺＨＡＮＧＣＸ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｃｏｎ ｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｏｆｔｅｓｔｓｕｐｐｏｒｔｐｌａｔｆｏｒｍｂａｓｅｄｏｎＬＶＣ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅ６ｔｈＣｈｉｎａＣｏｍｍａｎｄａｎｄＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ，２０１８：５３４５３６．［５］白爽，洪俊．美军面向ＬＶＣ联合训练的技术发展［Ｊ］．指挥控制与仿真，２０２０，４２（５）：１３５１４０．ＢＡＩＳ，ＨＯＮＧＪ．ＤｅｖｅｌｏｐｍｅｎｔｏｆＵ．Ｓ．ＬＶＣｊｏｉｎｔｔｒａｉｎｉｎｇｔｅｃｈ ｎｏｌｏｇｙ［Ｊ］．ＣｏｍｍａｎｄＣｏｎｔｒｏｌ＆Ｓｉｍｕｌａｔｉｏｎ，２０２０，４２（５）：１３５１４０．［６］王晓路，贾长伟，刘闻，等．体系级ＬＶＣ仿真集成技术研究［Ｃ］∥２０２０中国仿真大会，２０２０：３５８３６４．
ＷＡＮＧＸＬ，ＪＩＡＣＷ，ＬＩＵＷ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｓｙ
ｓｔｅｍｌｅｖｅｌＬＶＣｓｉｍｕｌａｔｉｏｎｉｎｔｅｇｒａｔｉｏｎｔｅｃｈｎｏｌｏｇｙ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅ２０２０ＣｈｉｎａＳｉｍｕｌａｔｉｏｎＣｏｎｆｅｒｅｎｃｅ，２０２０：３５８３６４．［７］彭健，赵雯，章乐平，等．虚拟试验支撑框架ＶＩＴＡ研究与实
现［Ｊ］．计算机测量与控制，２０１７，２５（８）：２８９２９３．
ＰＥＮＧＪ，ＺＨＡＯＷ，ＺＨＡＮＧＹＰ，ｅｔａｌ．ＲｅｓｅａｒｃｈａｎｄＩｍｐｌｅ ｍｅｎｔａｔｉｏｎｏｆｖｉｒｔｕａｌｔｅｓｔａｎｄｅｖａｌｕａｔｉｏｎｅｎａｂｌｉｎｇａ
ｒｃｈｉｔｅｃｔｕｒｅ［Ｊ］．ＣｏｍｐｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ，２０１７，２５（８）：２８９２９３．
［８］ＤＵＮＮＥＲ，ＨＡＲＲＩＳＳ，ＲＥＩＮＥＲＭＡＮＬ，ｅｔａｌ．Ｖａｌｉｄａｔｉｎｇｓｉｍｕ ｌａｔｏｒｓｆｏｒｌｉｖｅ，ｖｉｒｔｕａｌ，ｃｏｎｓｔｒｕｃｔｉｖｅｅｘｅｒｃｉｓｅｓ：ａｍｅｔｈｏｄｏｌｏｇｙ［
Ｊ］．Ａｐｐ
ｌｉｅｄＳｃｉｅｎｃｅｓ，２０２０，１０（１２）：４３６１．［９］林伟伟，齐德昱．云计算资源调度研究综述［Ｊ］．计算机科学，
２０１２，３９（１０）
：１６．ＬＩＮＷＷ，ＱＩＤＹ．Ｓｕｒｖｅｙｏｆｒｅｓｏｕｒｃｅｓｃｈｅｄｕｌｉｎｇｉ
ｎｃｌｏｕｄｃｏｍ ｐｕｔｉｎｇ［
Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１２，３９（１０）：１６．［１０］左利云，曹志波．云计算中调度问题研究综述［Ｊ］．计算机应用
研究，２０１２，２９（１１）：４０２３４０２７．
ＺＵＯＬＹ，ＣＡＯＺＢ．Ｒｅｖｉｅｗｏｆｓｃｈｅｄｕｌｉｎｇｒ
ｅｓｅａｒｃｈｉｎｃｌｏｕｄｃｏｍｐｕｔｉｎｇ［Ｊ］．Ａｐｐ
ｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，２０１２，２９（１１）：４０２３４０２７．［１１］王西宝．武器装备联合仿真试验关键技术研究［Ｄ］．长沙：国防科技大学，２０１７．ＷＡＮＧＸＢ．Ｒｅｓｅａｒｃｈｏｎｔｈｅｋｅｙｔｅｃｈｎｏｌｏｇ
ｉｅｓｏｆｊｏｉｎｔｓｉｍｕｌａ ｔｉｏｎａｎｄｅｘｐｅｒｉｍｅｎｔｏｎｗｅａｐｏｎｅｑｕｉｐｍｅｎｔ［Ｄ］．Ｃｈａｎｇｓｈａ：Ｎａ ｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，２０１７．［１２］ＣＡＹＩＲＣＩＥ．Ｍｏｄｅｌｉｎｇａｎｄｓｉｍｕｌａｔｉｏｎａｓａｃｌｏｕｄｓｅｒｖｉｃｅ：ａｓｕｒ ｖｅｙ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅＷｉｎｔｅｒＳｉｍｕｌａｔｉｏｎｓＣｏｎｆｅｒｅｎｃｅ，２０１３：３８９４００．。