网络技术的快速发展对网络基础设施提出更高的要求,弹性光网络不需要对当前网络设施做过多改动,可以分配适合用户请求数据速率大小的频谱资源,提高频谱利用效率和资源分配的灵活性,以期为解决传统波分复用(Wavelength Division Multiplexing,WDM)网络资源利用率不高的问题提供有效方案。由于不同用户业务有其特定的资源使用方式和服务质量要求,当前光网络架构难以满足不同用户业务的动态需求,物理网络设施的部署成为网络资源分配领域中亟待解决的问题。网络功能虚拟化(Network Function Virtualization,NFV)技术能够隔离物理网络设施与用户业务需求特性的差异,这种高效的技术使得网络运营者可实现统筹规划来满足不同用户的需求,实现资源的优化配置。本文研究弹性光网络(Elastic optical networks,EONs)环境下的虚拟光网络(Virtual Optical Networks,VONs)映射问题,通过考虑网络资源的使用信息,制定合理的虚拟网络到底层光网络的映射策略,以提高网络的负载均衡及资源利用率。第一章介绍传统光网路的发展现状和未来发展趋势,概括虚拟光网络映射技术的研究状况,阐述弹性光网络环境下虚拟光网络映射难点和当前研究工作的不足。第二章介绍虚拟光网络的映射原理及映射方法的分类,给出了底层物理网络与上层虚拟网络构成的双层网络模型的定义,分析已有各种映射策略的优劣;描述基于贪心策略的启发式算法基本原理,分析启发式算法用于求解优化问题的优缺点。为解决高效映射多个VONs于同一底层网络的问题,第三章构建EONs环境下VONs映射的整数线性规划模型,提出基于关键链路和节点资源贡献度的负载均衡VONs映射(Key Link and Resources Contribution Degree for VONs Mapping,KLRC)算法。通过综合考虑物理网络节点的计算资源、节点在网络中的位置以及与节点相连链路的可用带宽资源等因素,所提算法提出节点资源贡献度(Resources Contribution Degree,RCD)的概念完成节点映射;根据物理网络链路的距离、可用带宽及关键链路等因素完成链路映射,避免瓶颈链路的出现。仿真结果表明,在同样环境下与已有改进的紧密性(Improved Closeness,IC)算法相比,所提KLRC算法占用更少的物理网络频谱资源,同时可提高网络承载用户业务的均衡性。在使用启发式算法处理VONs映射的过程中,用户业务的处理顺序及算法参数的设置会对算法的优化效果造成比较大的影响,同时启发式算法只能根据当前状态和已有经验求解映射问题,缺乏对算法优化过程的指导作用,可能导致算法不稳定。为了解决该问题,第四章设计了基于分解和反馈的VONs负载均衡的映射算法(Decomposition and Feedback Adjustment based VONs Mapping Algorithm,DFAVM),通过在处理用户业务请求时引入拆分思想,该算法可为每个虚拟节点和每条虚拟链路确定更合适的映射顺序,从而减少VONs映射顺序对算法的影响;通过反馈调整策略,算法在映射当前虚拟业务时从所有可映射方案集合中选择多个优化结果相对较好的映射方案,计算每一种方案引起的全局优化目标的变化情况,从全局的角度为当前的业务请求选择最佳的映射方案。最后,通过与已有算法的仿真结果对比,验证提出算法的可信度。第五章总结论文工作,从底层物理网络结构、VONs映射优化目标及优化算法三个方面给出了未来可开展的研究工作。