CN101677286A - 承载网络优化方法 - Google Patents

Abstract

本发明涉及一种承载网络优化方法，包括：随机生成结点间全连接的IP网络结构，并设置IP网络的各链路度量值组成的向量矩阵作为初始群体；根据向量矩阵中的度量值、IP网络结构和网络成本的单价参数得到IP网络及传输网络的总投资表达式；将总投资表达式与全局的约束条件进行结合，得到个体适应度表达式；基于个体适应度表达式进行迭代，每次迭代中如果未满足退出条件，则对上一次迭代得到的群体进行交叉和变异操作，否则输出优化结果。本发明利用遗传算法对带有全局约束条件的承载网络的总投资表达式进行优化，获得的优化结果考虑到两网之间的差异性，协调了性能和投资效益，从而提高了核心传送网络整体的性能和资源利用率，降低网络总体投资。

Description

承载网络优化方法

技术领域

本发明涉及网络优化技术，尤其涉及一种对信息服务承载网络进行优化的方法。

背景技术

作为未来统一的信息服务承载网络，核心传送网络(IP网和光传送网)面临着带宽更高、流量流向更复杂、质量要求更高的业务承载需求，也面临着更合理地利用网络资源、提高网络效率，从而减小网络投资成本的压力。

现有网络优化已有一些较成熟的启发式算法，例如模拟退火算法、人工神经网络、禁忌搜索、演化算法、蚁群算法、遗传算法等，但是这里所提到的网络优化一般应用在对无线网络、城市公交网络、MPLS网络的QOS、物流网络等的优化，而对于IP网络和传输网络的拓扑结构的优化，特别是省际网络的优化，一般还是采用传统的手工方式不断的进行局部优化调整完成的，网络优化算法在这方面还未见比较成熟的应用。

IP网络和传输网络在网络结构、电路组织、保护机制上存在一定的差异性，并且两张网络在通信网络架构中处于不同的层面，因此现有的网络优化方法是顺序考虑IP网和光传送网的结构、路由组织和容量分布，分别进行优化。以现有的一种网络优化方法为例，首先对IP网进行优化，然后对光传送网进行优化。

由于现有的优化方法将IP网和光传送网分离开考虑，对于IP网和光传送网本身可能都是较优的，但由于没有考虑到两网之间的差异性，在性能和投资效益上缺少协调考虑，在两网衔接上可能会存在较大问题，主要包括两方面：

一是IP网在研究网络结构之初，未考虑底层光传送网的网络结构、传输距离、建设成本等因素，仅考虑IP网络建设最省，造成在IP层看似较短的路径，在传输层的路由较长，占用了较多的传输资源。往往IP层上只考虑业务需求，网络建设完成后，传输层面再进行底层建设，IP层有多大的需求，传输层就建设多大的传输通道，在整体资源考虑上没有做到最优；

二是限于光缆网的结构，光缆质量等方面因素，有时WDM网的建设不能完全满足IP网需求。如果在光传送网上进行调整，需要较大投资，而调整IP网络会带来新的链路变化，产生更大的投资。

因此，尽管目前的网络优化方法较为简易、成熟，但由于存在着上述两方面的问题，使得网络总体投资居高不下，网络的性能和资源利用率得不到改善，严重制约了网络自身最大能力的发挥。

发明内容

本发明的目的是提出一种承载网络优化方法及系统，能够优化核心传送网络整体的性能和资源利用率，降低网络总体投资，尽量发挥网络自身的最大能力。

为实现上述目的，本发明提供了一种承载网络优化方法，包括：

随机生成结点间全连接的IP网络结构，并设置IP网络的各链路度量值组成的向量矩阵作为初始群体；

根据所述向量矩阵中的度量值、IP网络结构和网络成本的单价参数得到所述IP网络及传输网络的总投资表达式；

将所述总投资表达式与全局的约束条件进行结合，得到个体适应度表达式；

基于所述个体适应度表达式进行迭代，每次迭代中如果未满足退出条件，则对所述本次迭代得到的群体进行交叉和变异操作，否则输出优化结果。

进一步的，所述得到所述IP网络及传输网络的总投资表达式的步骤具体包括：

根据所述向量矩阵中的度量值进行最短路径计算，获得所述IP网络的主用路由和备用路由，其中主用路由和备用路由之间节点和边不重合；

IP网络各链路与传输网络建立最短路径和次短路径的映射关系，并使传输网络费用趋于最小，且最短路径和次短路径间的边不重合；

根据所述IP网络结构、所述IP网络的主用路由和备用路由计算得到IP网络的链路及节点的流量和配置信息；

根据IP网络结构、所述IP网络的链路的配置信息和IP网络各链路与传输网络的映射关系计算得到传输网络线路及节点的配置信息；

根据所述IP网络的链路及节点的流量和配置信息、传输网络线路及节点的配置信息以及网络成本的单价参数运算获得IP网络及传输网络的总投资表达式。

进一步的，所述全局的约束条件包括传输层距离约束、IP跳数约束、传输层距离差约束、IP层路段和节点不交性约束以及传输层路段不交性约束。

进一步的，所述交叉操作为单交配位的双亲双子法交叉。

进一步的，所述变异操作的变异概率为0.05。

进一步的，所述退出条件至少包括以下之一：

进化代数达到预定数值；

根据所述个体适应度表达式得到的最大适应度在预定代数内不发生变化；

根据所述个体适应度表达式得到的最大适应度在预定代数内的最大变化的绝对值小于预定数值。

进一步的，在输出优化结果后，还包括对所述优化结果进行二次优化的操作：

根据IP网络结构对所述优化结果进行二次优化，去除不合理的优化结果。

基于上述技术方案，本发明对IP网和光传送网构成的承载网络进行全局优化，具体来说是利用遗传算法对带有全局约束条件的承载网络的总投资表达式进行优化，获得的优化结果考虑到两网之间的差异性，协调了性能和投资效益，从而提高了核心传送网络整体的性能和资源利用率，降低网络总体投资，尽量发挥网络自身的最大能力。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明承载网络优化方法的一实施例的流程示意图。

图2为图1实施例中步骤102的具体流程示意图。

图3为本发明承载网络优化方法的另一实施例的流程示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明在制定网络结构优化的目标时，考虑到网络实际情况和问题解决的复杂度，因此基于以下几个条件而提出优化方案：

1、核心传送网络结构主要为满足业务流量的需求进行设计，应把对业务需求的分析作为基础；约束条件首先应满足网络可靠性的要求，其次满足业务质量的要求；

2、由于光缆网络结构基本能满足目前业务和网络发展需求，而且调整难度大(需要新建光缆网络)，同时在实现算法时，增加光缆网结构优化将使算法从二维求解向三维求解变化，实现难度增加很大。为减小算法设计和实现的复杂度，考虑以现有光缆网络结构作为以知条件，主要求解IP网络结构和波分系统层的结构，暂不考虑对光缆网络结构的调整；

3、总体目标应为在满足网络结构可靠性、业务承载质量要求的基础上，IP和传输网络整体建设成本最低。

在以上前提条件的基础上，提出了优化的目标和需要满足的约束条件，主要有以下6条：

1、IP网业务流量流向需求模型为双向流量流向矩阵，矩阵大小为N×N，其中N模拟各省业务需求。

2、传输光缆网距离模型，节点数量M，其中M＞N，由各传输路段间的传输距离组成的结构模型。

3、网络的可靠性要求：每个省设置两个IP节点，每两个省间需要确定两条IP网的路由，在IP层面两条路由上的节点和链路都不能重合，在每段IP电路上能对应两条节点可以重合，但是链路不能重合的传输路径。

4、网络承载的业务质量要求：

4.1为满足承载业务的时延要求，每个省间找到的两条IP路由经过的传输路径的传输距离尽量小于a公里，考虑到网络实际现状，允许少数特殊节点对不满足。(假设业务端到端时延要求为100ms，省际骨干网必须保证时延在30ms。按经验值，传输距离1000公里约折合时延5ms，可计算传输距离范围在6000公里内)。

4.2为满足承载业务的时延抖动要求，要求两条端到端IP路由对应的传输路径的传输距离差指标尽量小于b公里，考虑到网络实际现状，允许少数特殊节点对不满足。本次算法中b＝1500(假设端到端时延抖动要求为20ms，省际骨干网必须保证时延抖动为6ms-10ms，可计算传输距离差范围在1500公里。)。

4.3为满足承载业务突发或故障下流量的疏通，每条IP电路上(汇总所有经过流量)配置的带宽形成的链路利用率不能大于50％。

4.4为提高IP路由转发的效率，省汇接节点间路由不大于5跳。

5、按照以下成本计算公式对IP网和光传送网进行网络成本计算，要求求解后提出的结构模型的建设成本最小。

5.1根据IP网络现状和技术发展趋势，IP网络成本计算时考虑端口粒度分别为10G和40G端口，针对近2年的流量流向矩阵可采用10G端口进行配置，针对未来3年后的业务需求采用40G端口进行配置。对于10G端口需求，假设设备容量为32＊10G，设备固定成本＝130万，每10G端口线性成本＝50万。对于40G端口需求，假设设备容量为16＊40G，设备固定成本＝200万，每40G端口线性成本＝150万。

5.2传输成本计算时考虑容量无关和容量相关两部分，同时区分10Gb/s和40Gb/s WDM系统。对于10Gb/s WDM系统，容量无关成本＝0.42万元/Km(每系统最多开通80波)，容量相关成本＝0.08万元/波道＊Km；对于40Gb/s WDM系统，容量无关成本＝1.06万元/Km(每系统最多开通80波)，容量相关成本＝0.19万元/波道＊Km。

6、对于IP电路为奇数个电路(如1＊10G或3＊10G)，无法分摊到两条不重合的传输路径上，对其中的单条IP链路，IP层不增加备份链路，传输增加1条备份电路。

基于以上的前提条件和约束条件，本发明采用优化算法对以上优化问题进行了求解，得到了相应的优化结果。从问题分析中可以看出，由于涉及IP和传输网络双层网络的优化问题，约束条件复杂，是一个典型的NP-Hard问题，对于这类问题应采用启发式算法来求解。考虑到遗传算法具有多路径搜索、隐并行性、随机操作等特点，且在解决QoS网络优化方面也有较多应用，因此本发明设计了一套以遗传算法为主的求解算法，对以上问题进行了求解。

如图1所示，为本发明承载网络优化方法的一实施例的流程示意图。本实施例包括以下步骤：

步骤101、随机生成结点间全连接的IP网络结构，并设置IP网络的各链路度量值组成的向量矩阵作为初始群体；

步骤102、根据所述向量矩阵中的度量值、IP网络结构和网络成本的单价参数得到所述IP网络及传输网络的总投资表达式；

步骤103、将所述总投资表达式与全局的约束条件进行结合，得到个体适应度表达式；

步骤104、计算当前代的个体适应度表达式；

步骤105、判断本次迭代中退出条件是否满足，是则执行步骤108，否则执行步骤106；

步骤106、对本次迭代得到的群体进行交叉操作；

步骤107、对本次迭代得到的群体进行变异操作，然后迭代的代数变量增1，返回步骤104；

步骤108、输出根据个体适应度表达式计算出的优化结果。

接下来，对上述步骤分别进行详细说明，在初始化群体的步骤101中，优化问题的基础解是指通过对该解进行直接或间接运算，能够得到优化问题所有全部其他输出结果的解。根据分析，IP网络各链路的度量值是基础解，一旦IP网络的度量值向量确定下来，IP网与传输网的总投资及其他所需结果就可以通过网络运算的方法来确定。初始群体设置时，考虑将基础解序列化后进行染色体编码，初始群体为结点间全连接的IP网络各链路Metric值组成的向量。具体编码方案举例如下：

用一个(n×n)metric矩阵的上三角表示一个染色体组(个体)，每一个染色体组由n个染色体组成，这n个染色体的长度依次为n、n-1、n-2、...、1。第k条染色体中的n-k+1个基因(元素)分别表示第k个IP节点与第k、k+1、k+2、...、n个IP节点的链路的度量值。对角线上(第k个IP节点与第k个IP节点)的度量值设置为-1，被忽略。

初始群体的规模往往与问题的规模有较直接的联系。一般而言，问题的规模越大，群体规模应该越大，问题规模越小，群体规模就可以较小。通过对不同群体规模执行遗传算法的试验，最终确定群体规模为128。遗传算法的初始群体还可以通过经验进行选取，而不仅为纯随机产生。为更好地对不同的初始群体形成的优化结果进行比较，在具体的优化流程中可以采用Metric值向量随机选取、参考现网经验选取、基于传输网络距离设置三种不同方案。

计算个体适应度表达式的重点在于IP网络和传输网络共同满足以上分析的各约束条件，以及最终的优化目标。

首先设置IP网络和传输网络输入条件的数学模型，其中IP网络模型为：

1)O，D-IP网络中省的集合；

2)N-IP网络中节点的集合；

3)d_ij-IP网中从第i个省到第j个省的流量，i∈O，j∈D；

传输网络模型为：

1)

-传输网络中节点的集合；

2)

-传输网络中路段的集合；

3)l_a-传输网络中路段a上的物理长度；

如图2所示，为图1实施例中步骤102的具体流程示意图，具体包括以下步骤：

步骤201、IP网络的主用和备用路由是基于初始群体中的Metric值进行最短路径计算(例如采用经典的最短路径Dijkstra算法)来确定，获得所述IP网络的主用路由和备用路由，且主用路由与备用路由之间节点和边不重合；

步骤202、为保障网络的可靠性，IP网络每条链路与传输网络建立两条映射关系，同时为使传输网络费用(与传输距离有较直接关系)趋于最小，该两条映射关系分别为最短路径和次短路径的映射，且最短路径和次短路径间的边不重合，最短路径的计算也是基于传输距离采用最短路径Dijkstra算法进行计算，次短路径则为去掉最短路径中各段传输路径后再次采用最短路径Dijkstra算法进行计算的结果；

步骤203、根据IP网络结构、IP网络的主用路由和备用路由计算得到IP网络的链路及节点的流量和配置信息；

步骤204、根据IP网络结构、IP网络的链路的配置信息和IP网络各链路与传输网络的映射关系计算得到传输网络线路及节点的配置信息，即如果IP电路配置N＊10G电路，则映射到传输最短路径上分担取整(N/2)＊10G电路，次短路径上也分担取整(N/2)＊10G电路；

步骤205、根据所述IP网络的链路及节点的流量和配置信息、传输网络线路及节点的配置信息以及网络成本的单价参数运算获得IP网络及传输网络的总投资表达式。

IP网络的输出结果模型包括：

1)r_a-IP网中链路a上的流量，a∈A；

2)R_ij-IP网中从第i个省到第j个省的主用路径集合，i∈O，j∈D；

3)n_ij ^k-IP网中从第i个省到第j个省的第k条主用路径上的节点集合，i∈N，j∈N；

4)R_ij-IP网中从第i个省到第j个省的备用路由集合，i∈O，j∈D；

5)n_ij ^k-IP网中从第i个省到第j个省的第k条备用路径上的节点集合，i∈N，j∈N；

6)δ_i，j ^a，k-若从第i个省到第j个省的第k条路径用到路段a，取值为1；否则取值为0；

7)

表示IP层第i个节点的端口个数，其中n_ij是与其邻接的第j个IP节点的端口个数；

8)网络中IP成本：(当端口粒度为10G时)或

(当端口粒度为40G时)；

传输网络的输出结果模型包括：

1)n_a-传输网络中路段a上的波道数，

2)

或

-传输网中从第i个节点到第j个节点的第k条最短路径经过第a条链路的波道数，i∈O，j∈D；

3)g_ij ^k-传输网中从第i个节点到第j个节点的第k条路径上的路段集合；

4)l_i，j ^k-传输网中从第i个节点到第j个节点的第k条路径的物理长度；

5)传输网络中路段a的成本：

(当端口粒度为10G时)或(当端口粒度为40G时)；

由于遗传算法的目标是寻找个体适应度最大的个体，而本优化问题的目标是要寻找造价最小的网络，因此在本优化项目中，个体适应度的取值为(网络全部造价＊权值+不满足约束条件的因素＊权值)的负值。结合总投资表达式与全局的约束条件，得到的最终的个体适应度表达式表示为：

(M1)Min

——总投资最低目标

$\underset{i,j,k}{\mathrm{Max}}{l}_{\mathrm{ij}}^k\≤6000,$

——传输层距离约束

$\underset{a}{\mathrm{\Σ}}{\mathrm{\δ}}_{i,j}^{a,k}\≤5,$

——IP跳数约束

$\underset{i,j,k,k^{\′}}{\mathrm{Max}}|l_{\mathrm{ij}}^k-l_{\mathrm{ij}}^{k^{\′}}|\≤1500,$

——传输层距离差约束

$n_{\mathrm{ij}}^k\∩{\stackrel{\‾}{n}}_{\mathrm{ij}}^k=\mathrm{\φ},$ ——IP层路段和节点不交性约束

$g_{\mathrm{ij}}^k\∩g_{\mathrm{ij}}^{k^{\′}}=\mathrm{\φ},$

——传输层路段不交性约束

步骤106中的交叉操作可采用单交配位的双亲双子法。这种方法是在双亲确定后，以一个随机基因位进行基因位之后的所有基因对换，对换后形成两个后代。个体的被选交配的次数用赌轮法则确定。个体的被选交配的概率与关于适应度值的某一函数值成比例。设个体i的适应度为fi，本代中群体的最小适应度为fmin，最大适应度为fmax，在优化算法中，构造如下关于适应度值的函数：

$g\left(f_i\right)=\left\{\begin{array}{cc}{f}_i,& {2f}_{\min }<f_{\max }\\ f_i-({2f}_{\min }-f_{\max }),& 2f_{\min }\&GreaterEqual;f_{\max }\end{array}\right.$

个体被选概率如下：

$P_i=\frac{g\left(f_i\right)}{\underset{k}{\mathrm{\&Sigma;}}g\left(f_k\right)}$

使用这种处理方法，可以使个体被选次数的计算随适应度值的变化而保持在较为合理的范围，从而保持一个较好的算法收敛速度。

步骤107中的变异操作可采用将变异基因设置为随机数的方法。算法的性能对变异的概率很敏感。变异的概率可以影响遗传算法的收敛性能和运算结果的优劣程度：若变异概率太大，遗传算法可能在很长的周期内都不会收敛，从而无法找到满意的优化结果；相反，若变异概率太小，遗传算法将很容易过早地收敛而陷入局部最优。通过多次试验，确定优化算法的遗传变异概率为0.05。

在退出条件机制上，有多种方式可供选择：

1)当进化代数达到一定数值时退出；

2)当群体最大适应度在一定代数内不再发生变化时退出；

3)当群体最大适应度在一定代数内最大变化的绝对值小于某一数值时退出。

由于遗传算法是基于概率的搜索算法，在选择第二种退出机制时，无法准确预知算法执行时间，根据试验情况可以大致估计执行时间。或者在多次试验的基础上，取定不发生变化的代数上限(例如2500)代，然后采用方法1)进行算法的退出。

如图3所示，为本发明承载网络优化方法的另一实施例的流程示意图。与上一实施例相比，本实施例的优化方法包含两个主要过程，第一个过程为遗传算法过程，第二个过程是二次优化算法过程。其中二次优化算法过程是对遗传算法输出结果的再优化，主要解决遗传算法结果中某些不合理情况，并取得更低代价值的网络优化结果。

二次优化是基于多次优化结果的人为分析，发现优化结果中不甚合理的结果而进行调整。如分析认为优化结果中存在距离较远但是主用流量较小的网络连接关系不合理，则设置直连距离超过3500公里，或链路主用流量在带宽10％以下为不合理链路，将其Metric值设置为较大后再进行二次优化，以形成较合理的IP网络结构。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (7)

1、一种承载网络优化方法，包括：

随机生成结点间全连接的IP网络结构，并设置IP网络的各链路度量值组成的向量矩阵作为初始群体；

根据所述向量矩阵中的度量值、IP网络结构和网络成本的单价参数得到所述IP网络及传输网络的总投资表达式；

将所述总投资表达式与全局的约束条件进行结合，得到个体适应度表达式；

基于所述个体适应度表达式进行迭代，每次迭代中如果未满足退出条件，则对所述本次迭代得到的群体进行交叉和变异操作，否则输出优化结果。

2、根据权利要求1所述的承载网络优化方法，其中所述得到所述IP网络及传输网络的总投资表达式的步骤具体包括：

根据所述向量矩阵中的度量值进行最短路径计算，获得所述IP网络的主用路由和备用路由，其中主用路由和备用路由之间节点和边不重合；

IP网络各链路与传输网络建立最短路径和次短路径的映射关系，并使传输网络费用趋于最小，且最短路径和次短路径间的边不重合；

根据所述IP网络结构、所述IP网络的主用路由和备用路由计算得到IP网络的链路及节点的流量和配置信息；

根据IP网络结构、所述IP网络的链路的配置信息和IP网络各链路与传输网络的映射关系计算得到传输网络线路及节点的配置信息；

根据所述IP网络的链路及节点的流量和配置信息、传输网络线路及节点的配置信息以及网络成本的单价参数运算获得IP网络及传输网络的总投资表达式。

3、根据权利要求1所述的承载网络优化方法，其中所述全局的约束条件包括传输层距离约束、IP跳数约束、传输层距离差约束、IP层路段和节点不交性约束以及传输层路段不交性约束。

4、根据权利要求1所述的承载网络优化方法，其中所述交叉操作为单交配位的双亲双子法交叉。

5、根据权利要求1所述的承载网络优化方法，其中所述变异操作的变异概率为0.05。

6、根据权利要求1所述的承载网络优化方法，其中所述退出条件至少包括以下之一：

进化代数达到预定数值；

根据所述个体适应度表达式得到的最大适应度在预定代数内不发生变化；

根据所述个体适应度表达式得到的最大适应度在预定代数内的最大变化的绝对值小于预定数值。

7、根据权利要求2所述的承载网络优化方法，其中在输出优化结果后，还包括对所述优化结果进行二次优化的操作：

根据IP网络结构对所述优化结果进行二次优化，去除不合理的优化结果。

Images