随着5G时代的到来,网络业务种类和传输的数据流量呈现快速增长趋势。传统的波分复用网络因其频谱资源利用率低的缺点已经难以满足当前人们的需求,弹性光网络技术以其带宽资源分配更加灵活的优势,成为了当前网络传输主要技术之一,以其为基础的数据中心光网络是当前关注的重点。本文主要从提升数据中心光网络资源利用率和降低传输阻塞率的目的出发,采用理论分析和数值仿真的方法对数据中心光网络频谱资源分配优化策略进行深入研究。针对数据中心光网络链路内部传输资源利用率低下等问题,论文提出了一种基于马尔可夫链的频谱碎片整理评估模型,引入近似马尔可夫模型对碎片整理前后的RBP进行计算,将碎片整理前后RBP变化作为评价指标,从而可以衡量频谱碎片整理对频谱资源利用率的优化程度。仿真实验结果表明,频谱碎片整理技术可以有效提高频谱资源利用率,并降低传输阻塞率,并且近似马尔可夫模型相对于传统精准马尔可夫模型来说,在计算RBP时可以大幅度降低模型计算复杂度,增加灵活性。进一步地,论文针对由于传输链路拓扑结构导致的资源利用率不够高效等问题,提出了一种基于机器学习辅助的数据中心频谱资源分配优化策略。通过结合机器学习技术和改进遗传算法的方式优化传输链路拓扑结构和链路传输策略,在传输之前引入改进遗传算法对传输链路进行拓扑重构,解决由于拓扑结构引起的资源利用率下降问题;同时在传输时使用机器学习技术对数据中心传输的流量进行分类,将不同类型的流量进行混合传输,防止同类流量在同一链路中大量传输,造成资源浪费。仿真实验结果表明,在数据中心传输时引入机器学习技术和改进遗传算法可以有效改善由于拓扑结构导致的频谱资源利用率低下问题,降低传输时延和阻塞率。