论文部分内容阅读
随着大数据,云计算和高清视频等许多高带宽需求业务的迅速发展,对通信系统容量和网络传输接口数据速率的要求越来越高。与传统的波分复用(WDM)技术相比,弹性光网络(EON)以其灵活、弹性的特点已被广泛认为是具有灵活网络架构和资源分配能力的最佳解决方案之一。路由和频谱分配(RSA)是EON中的关键问题,频谱的动态分配和释放会导致频谱碎片化,这会影响后续服务的分配以及EON频谱资源利用率。本文重点关注EON中的频谱碎片问题,从RSA算法和流量预测两个角度出发,针对深度学习技术及其中的深度神经网络和长短期记忆神经网络在RSA策略中的应用进行了深入研究。论文首先对于EON的RSA技术和流量预测进行了介绍,并深入讨论了EON中的频谱碎片问题。论文介绍了典型的机器学习算法及其应用,重点讨论了EON中机器学习的应用策略。针对如何改善弹性光网络中的频谱碎片问题,本文提出了一种基于深度学习的RSA(D-RSA)策略,这种策略通过训练深度神经网络模型,能够根据动态网络的实时情况,选择使频谱碎片化程度最低的RSA方案。理论研究和仿真结果表明,D-RSA相对于K最短路径结合首次适应(KSP+FF)算法,在CERNET、NSFNET及USNET等三种典型网络拓扑中,业务速率达到200Gb/s时频谱碎片化程度分别平均降低2.2%、2.7%和2.4%;业务量达到400Erl时带宽阻塞率平均降低9.7%、6.8%和6.3%。同样情况下,D-RSA相比于和K最短路径结合精确适应(KSP+EF)算法,频谱碎片化程度分别可以降低1.2%、1.7%和1.5%,带宽阻塞率分别可以降低5.7%、5.5%和2.4%。此外,针对传统RSA算法不能在低时延下进行灵活切换从而导致当网络情况复杂多变时带宽阻塞率较高的问题,本文提出了结合流量预测的RSA策略(TP-RSA)。该算法通过较为合理准确的流量预测,为EON的资源分配留出时间,同时引入了结合流量预测的频谱碎片化程度指标,用于更加准确的描述流量预测情况下的频谱碎片化程度,TP-RSA策略根据该指标寻找最佳的RSA方案。理论分析和仿真结果表明,TP-RSA策略相对于KSP+FF在上述三种网络拓扑中,业务量达到400Erl时,带宽阻塞率分别可以降低8.8%、4.9%和8.9%,相比于KSP+EF,同样情况下,带宽阻塞率可以分别降低3.6%、0.93%和3.4%。