CN106209687B - 一种混合复用pon全局资源高效分配方法 - Google Patents
一种混合复用pon全局资源高效分配方法 Download PDFInfo
- Publication number
- CN106209687B CN106209687B CN201610546856.8A CN201610546856A CN106209687B CN 106209687 B CN106209687 B CN 106209687B CN 201610546856 A CN201610546856 A CN 201610546856A CN 106209687 B CN106209687 B CN 106209687B
- Authority
- CN
- China
- Prior art keywords
- onu
- olt
- bandwidth
- resource
- wavelength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Small-Scale Networks (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种混合复用PON全局资源高效分配方法,属于光通信技术领域。本方法首先向PON中引入具有集中控制能力的SDN,以实现对多OLT资源分配的集中控制和优化分配。其次,采用模糊神经网络预测模型,以减小OLT与控制器之间信息交互产生的时延,再根据OLT被分配的自适应弹性权重系数为其分配合理的资源大小,提高OLT间资源利用率。最后,通过改变每条波长上最后一个ONU REPORT信息发送位置,以及轻负载ONU剩余带宽和周期空闲时隙双重剩余带宽再分配动态带宽分配算法,提高OLT内部资源利用率。本方法通过集中控制全局资源,OLT间和OLT内资源联合优化配置,实现了PON全局资源高效分配,降低了网络时延,提高了资源利用率。
Description
技术领域
本发明属于光通信技术领域,涉及一种混合复用PON全局资源高效分配方法。
背景技术
混合复用PON以其“低成本、大容量、广覆盖和全业务”等优势,成为下一代无源光网络最具竞争力的解决方案之一。而资源分配对混合复用PON的传输性能起着至关重要的作用。由于混合复用PON具有波长和时隙的二维特性,其资源调度较传统的时分复用无源光网络和波分复用无源光网络更为复杂。因而,如何设计高效的资源分配机制,减小时延的同时提高信道利用率,是混合复用PON研究的重点问题。
目前,文献[Das G,Lannoo B,Jung H D,et al.A new architecture and MACprotocol for fully flexible hybrid WDM/TDM PON[C].European Conference onOptical Communication.2009:1-2.]基于波长最早可用原则对ONU进行资源调度,有效地减小平均时延,但未充分利用轻负载ONU的剩余带宽,导致资源利用率不高。文献[Assi CM,Maier M,Shami A.Dynamic Wavelength and Bandwidth Allocation in Hybrid TDM/WDM EPON Networks[J].Journal of Lightwave Technology,2007,25(1):277-286.]通过收集轻负载ONU的剩余带宽,并将其合理地分配给重负载ONU,可提高资源利用率,但引起了周期空闲时隙的产生。文献[Ni Cuiping,Gan Chaoqin and Gao Ziyue.DynamicBandwidth Allocation with Effective Utilization of Polling Interval over WDM/TDM PON[J].Journal of Optical Communications,2014,35(4):313-318.]通过新的传输机制及高效的剩余带宽分配算法,减小了周期空闲时隙的影响,但未考虑用户行为的差异化问题。文献[熊余,唐剑波,张鸿,等.TWDM-PON中用户行为感知的动态资源分配策略[J].电子学报,2016,44(2):398-404.]提出基于用户行为感知的动态资源分配机制,保障资源利用率的同时,减小高优先级业务平均时延。上述算法基于“请求-授予”机制有效地实现了光线路终端(Optical Line Terminal,OLT)与光网络单元(Optical Network Unit,ONU)之间的资源分配,但无法实现多个OLT之间的全局资源优化控制,使得网络资源利用率不高。而具有集中控制及支持软件可编程的软件定义网络(Software Defined Network,SDN)可解决上述问题,并受到业界高度关注,近年也有学者把SDN技术引入到光接入网领域。文献[Chengjun Li,Wei Guo,Wei Wang,et al.Programmable bandwidth management insoftware-defined EPON architecture[J].Journal of Optics Communications,2016,370:43-48.]通过建立软件定义以太网无源光网络架构,并基于可编程动态带宽分配(Dynamic Bandwidth Allocation,DBA)模块,实现高效的资源分配以满足不同类型业务带宽要求,但周期空闲时隙仍会浪费部分带宽资源。文献[Gu R,Ji Y,Wei P,et al.Softwaredefined flexible and efficient passive optical networks for intra-datacentercommunications[J].Journal of Optical Switching and Networking,2014,14(3):289-302.]在混合复用PON中引入SDN技术,通过集中控制灵活高效地调度波长,实现无缝DBA算法和ONU分组机制,减小了周期空闲时隙,提高了混合复用PON的内部资源利用率,但未考虑多OLT协同资源调度。软件定义光接入网(Software Defined Optical Access Network,SDOAN)为光接入网全局资源的优化配置提供了可能性,通过集中控制和可编程化应用接口灵活高效地实现资源分配。然而,SDOAN架构的控制器与OLT进行信息交互,将增大资源分配时的数据包时延,且混合复用PON本身具有的长距离特性,每个OLT内部的资源分配时延较大,都将进一步恶化全网的时延性能。因此,如何减小SDOAN控制器与OLT信息交互产生的数据包时延,成为SDN控制下混合复用PON高效分配资源的关键问题。此外,由于OLT所属区域用户的带宽资源申请差异,如何公平地进行OLT间和内部资源分配,也是需要考虑的重要问题。
发明内容
有鉴于此,本发明的目的在于提供一种混合复用PON全局资源高效分配方法,该方法由OLT间资源分配和OLT内部资源分配两部分组成;利用模糊神经网络(Fuzzy NeuralNetwork,FNN)自学习和高容错的优点实现OLT带宽需求的精确预测,降低控制器与OLT信息交互时延,并设计自适应弹性权重算法公平分配OLT间资源,以实现OLT间资源高效公平的分配;同时,采用新的ONU传输机制以及轻负载ONU剩余带宽和周期空闲时隙双重再分配动态带宽分配算法,减小周期空闲时隙,以实现OLT内部的高效资源分配。该方法降低了平均时延,提高了全局资源利用率,使其成为具有较好公平性的高效动态资源分配方法。
为达到上述目的,本发明提供如下技术方案:
一种混合复用PON全局资源高效分配方法,包括软件定义光接入网结构及OpenFlow流表扩展、基于模糊神经网络模型的预测机制及弹性权重的带宽分配算法、基于填充周期空闲时隙的带宽分配算法三个步骤:
步骤1):向混合复用PON引入SDN,构建能实现集中控制及资源优化分配的软件定义光接入网结构,并对OpenFlow流表进行必要扩展;
步骤2):采用模糊神经网络模型预测机制,减小OLT与控制器信息交互引起的时延,并根据OLT的权重系数为其分配资源,提高资源利用率;
步骤3):改变ONU传输机制,并采用轻负载ONU剩余带宽和周期空闲时隙双重再分配动态带宽分配算法,减小周期空闲时隙,提高资源利用率;
进一步,在步骤1)中,采用SDN集中控制及支持软件可编程的能力,组建软件定义光接入网结构,实现OLT间信息互联,由控制器集中控制全局资源进行优化分配,可有效避免OLT层资源分配不均衡造成的浪费。为实现SDN对混合复用PON的集中控制,需要对OpenFlow流表进行必要的扩展,加入混合复用PON资源分配所需的保护时隙、OLT/ONU数目、时隙大小、带宽等信息。
进一步,在步骤2)中,控制器收集OLT的n个历史总带宽信息,确立模糊神经网络模型。计算出预测总带宽其中E为误差函数若预测误差|y(t)-y(t)|<ε,ε为预测精度,y(t)为实际总带宽。采用误差反馈算法和复合函数链式求导规则确定参数mij,σij和wi与前一时刻的关系式并不断调整mij,σij和wi的值,逼近预测精度,其中η表示影响因子。然后,由预测值和OLT权重系数,确定OLT最后分配带宽其中,M是OLT总数。
进一步,在步骤3)中,OLT根据依据ONU1,ONU2,...,ONUN申请带宽信息,设定其在M条波长上传输顺序及时隙。OLT改变M条波长上最后一个ONU REPORT信息发送的位置,并计算每条波长最后一个ONU数据发送起始时刻TRi和结束时刻TEi,从而计算出本周期内所有波长上最后一个ONU数据发送最大起始时刻和最大结束时刻即TRMAX=max(TR1,...,TRM),TEMAX=max(TE1,...,TEM)。由此计算出第n周期时间长度Tcycle(n)=max(TEMAX,TRMAX+Tidle)-Tn-1,其中Tn-1为第n-1周期结束时刻,Tidle为周期空闲时隙。其次,计算第一次额外带宽再分配给重负载ONUi授予带宽其中BMIN为ONU最小保障带宽,l为轻负载ONU总数,h为重负载ONU总数,Ri表示ONUi的申请带宽,Rk表示ONUk的申请带宽。然后,由于部分或全部波长上有可能还存在周期空闲时隙,对这部分剩余带宽进行第二次额外带宽再分配,可计算出每条波长最后一个ONU两次额外带宽分配的总带宽为其中为波长j上周期空闲时隙分配给ONUi的带宽,TRj表示第j条波长上最后一个ONU上传数据开始时刻,TEj表示第j条波长上最后一个ONU上传数据结束时刻,R表示波长的传输速率,Tg为ONU之间的保护时隙。每条波长非最后一个ONU两次额外带宽分配的总带宽为其中,TRj表示第j条波长上最后一个ONU上传数据开始时刻,Bi g表示ONUi初次被授予的带宽,Qj表示波长为j上重负载ONU集合。最后计算得出OLT分配给每个ONU的最终授予带宽
本发明的有益效果在于:本发明所述方法实现了对多OLT资源集中控制及优化分配,保证了OLT间和内部资源合理分配,进一步提高了全局资源分配的效率及公平性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为软件定义光接入网结构示意图;
图2为模糊神经网络预测模型示意图;
图3为ONU传输机制示意图;
图4为本方法流程示意图;
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明首先向PON中引入具有集中控制能力的SDN,以实现对多OLT资源分配的优化分配。其次,采用模糊神经网络预测模型,以减小OLT与控制器之间信息交互产生的时延,再根据OLT被分配的自适应弹性权重系数为其分配合理的资源大小,提高OLT间资源利用率。最后,通过改变每条波长上最后一个ONU REPORT信息发送位置,以及轻负载ONU剩余带宽和周期空闲时隙两次剩余带宽再分配动态带宽分配算法,提高OLT内部资源利用率。本方法流程图如附图4所示。
具体来说:
一、软件定义光接入网结构及扩展OpenFlow流表
在软件定义光接入网中,控制区域由多个混合复用PON组成,与城域网的上行资源调度由控制器远程统一控制,这样能有效避免OLT间资源分配不均衡造成的资源浪费,其结构如图1所示。该结构可实现光接入网控制平面与数据平面的分离,两者之间通过OpenFlow协议实现信息交互。为使混合复用PON支持SDN的应用,需在OLT端加入OpenFlow代理器,形成支持OpenFlow的OLT结构。在此结构下全局资源调度由OLT间资源分配和OLT内资源分配两部分组成。全局资源调度过程为,ONU将用户带宽请求信息封装成帧,并发送到对应的OLT中;同时,在控制区域内,OLT汇总所有ONU信息,并经OpenFlow流表传输到控制中心。控制中心通过匹配相应位置的流表字段,获知当前网络状态,并由资源分配机制为OLT分配资源,更新OpenFlow流表信息并将其发送到各个OLT,OLT根据分配的网络资源再经DBA计算完成OLT内部资源分配,从而实现软件定义光接入网高效全局资源分配。
同时,软件定义技术引入到光接入网需要对OpenFlow流表进行必要地扩展,使其与控制器信息交互时,能传递资源分配所需要的信息。软件定义光接入网具有控制器功能模块和新增OpenFlow流表信息。控制器中含有存储光接入网网络状态信息的信息存储模块、支持扩展OpenFlow流表的增强模块、实时监测网络状态的监测模块、资源调度配置的算法策略模块以及支持可编程的插件程序模块。每个模块功能独立便于扩展,且所有模块共同协作,实现控制器对全局信息的实时监测与控制,并由资源分配机制为OLT公平高效分配带宽资源。其中可编程的插件程序模块,为管理者提供软件级管控的功能,避免人工维护管理网络的费用。扩展OpenFlow流表中加入了混合复用PON网络资源分配所需要的保护时隙、OLT/ONU个数、时隙大小和带宽等信息;同时,扩展流表含有特定的行为规则,如上行或下行方向流信息、流的丢失和流的重新配置等。
二、OLT间资源分配方法
构建模糊神经网络预测模型,如图2所示。其预测原理是通过控制器将OLT端收集到的m个历史数据x1,x2,…,xm划分成两部分,前h%为学习数据,后(1-h)%为校验数据。学习数据由误差反馈算法(Back-Propagation Algorithm,BPA)确定模型建立的参数。校验数据用于与预测数据比较,若校验数据与模型预测数据之间的差值不满足精度要求,经BPA更新模型参数,直至满足预测精度要求。表示第k层第j个节点的输出。表示第k层第j个节点的输入。FNN模型中x和y之间的关系为因此五层函数之间的关系如下所述。
第一层为输入层,数据x1,x2,…,xn经过节点直接输出,节点数N1=n。该层输入输出函数关系如下。
第二层为模糊化层,每个节点执行隶属度函数的计算,确定输入数据xi隶属模糊规则集的程度。模糊规则数为c,因此该层节点数N2=nc。
其中,μij(xi)为高斯隶属度函数,i∈{1,2,…,n},j∈{1,2,…,nc}。mij和σij高斯函数的中心和宽度,且为变量参数。
第三层为模糊推断层,每个节点表示一种模糊规则,应用模糊交集,用连乘积表示输入数据所有可能性规则,该层节点数N3=N2=nc。
第四层为归一化层,每个节点表示第i条规则适用度占所有规则适用度的比例,该层节点数N4=N3=nc,输入和输出数据函数关系如下。
第五层为输出层,输入数据经对应权重系数wi得到最终输出,该层节点数N5=1。
其中E为误差函数y(t)为实际值。
FNN预测精准度|y(t)-y(t)|<ε是通过不断调整参数mij,σij和wi来实现,而参数的调整即神经网络的学习过程。通过误差反馈算法(Back-Propagation Algorithm,BPA)和复合函数链式求导规则计算第五层误差
第四层至第二层误差依次如下
因此,参数mij,σij和wi更新公式为
经FNN预测得到下一周期OLT的总带宽需求为公平高效分配OLT层资源,需要对区域内OLT设定自适应弹性权重因子
Wn={w1,w2,······wM} (14)
Wn为第n周期M个OLT权重因子集合,wm为OLTm的权重因子。
第n周期资源分配时,自适应弹性权重因子wm可由如下公式得到
最后,控制器在收到第n-1周期OLT发送来的网络状态时,提前将分配好的第n周期OLTm的最终授予带宽并通过OpenFlow流表下发给各个OLT,为
Btotal是SDOAN到汇聚网的总带宽(为定值)。
三、OLT内资源分配算法
为达到全局资源高效分配的目标,需要OLT间和OLT内资源联合优化分配。OLT内部资源分配因其“请求-授予”的固有轮询机制,会引起周期空闲时隙。为减小周期空闲时隙,将每条波长上最后一个ONU的REPORT信息提前到数据包头部发送,改变DBA计算的起始时间,进而减小周期空闲时隙。假设ONU1,ONU2,...,ONUN在M条波长传输数据,ONU按传输数据大小升序依次向M条波长上传数据,为保证公平性,其传输机制如图3所示。其中TRi表示第n周期第i条波长上最后一个ONU上传数据开始时刻,TEi表示第n周期第i条波长上最后一个ONU上传数据结束时刻。因此本周期M条波长最后一个最大上传数据开始时刻和结束时刻TRMAX和TEMAX可用下面公式计算得出。
TRMAX=max(TR1,...,TRM) (17)
TEMAX=max(TE1,...,TEM) (18)
由此得出周期轮询时间Tcycle为
Tcycle(n)=max(TEMAX,TRMAX+Tidle)-Tn-1 (19)
其中Tn=max(TEMAX,TRMAX+Tidle)为第n周期轮询结束时刻。
计算ONU最小保障带宽为
进而可得出轻负载ONU剩余带宽再分配后,ONU初次授予带宽为
其中表示重负载ONUi初次被分配额外带宽,如下所示
其中l为轻负载ONU总数,h为重负载ONU总数。
重负载ONU初次授予带宽后仍未满足需求,且部分波长可能存在周期空闲时隙,对其进行再分配
其中第j条波长周期空闲时隙分配给重负载ONUi的带宽。
为充分填充周期空闲时隙,针对如下两种情况,每条波长最后一个ONU最终额外授予带宽为
每条波长上最后一个ONU除外其他ONU最终额外授予带宽为
由此得出ONU最终授予带宽
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种混合复用PON全局资源高效分配方法,其特征在于:该方法包括软件定义光接入网架构及OpenFlow流表扩展、基于模糊神经网络模型的预测机制及弹性权重的带宽分配算法、基于填充周期空闲时隙的带宽分配算法三个步骤:
步骤1):向混合复用PON引入SDN,构建能实现集中控制及资源优化分配的软件定义光接入网结构,并对OpenFlow流表进行必要扩展;
步骤2):采用模糊神经网络模型预测机制,减小OLT与控制器信息交互引起的时延,并根据OLT的不同权重系数为其分配资源,提高资源利用率;
步骤3):改变ONU传输机制,并采用轻负载ONU剩余带宽和周期空闲时隙双重再分配动态带宽分配算法,减小周期空闲时隙,提高资源利用率;
在步骤1)中,采用SDN集中控制及支持软件可编程的能力,组建软件定义光接入网结构,实现OLT间信息互联,由控制器集中控制全局资源进行优化分配,可有效避免OLT间资源分配不均衡造成的浪费;为实现SDN对混合复用PON的集中控制,需要对OpenFlow流表进行必要的扩展,加入混合复用PON资源分配所需的保护时隙、OLT和ONU数目、时隙大小、带宽信息;
在步骤2)中,控制器由收集到OLT n个历史申请带宽信息,确立模糊神经网络模型;计算出预测申请带宽其中y(5)表示第五层即输出层的输出,i和j表示节点的索引值,xi表示输入层的输入,E为误差函数若预测误差ε为预测精度,为实际值;采用误差反馈算法和复合函数链式求导规则确定参数mij,σij和wi与前一时刻的关系式不断调整mij,σij和wi的值,逼近预测精度要求,其中η表示影响因子;然后,由预测值和OLT权重系数,确定OLT最后分配带宽其中是下一周期OLT的总带宽需求,Btotal是软件定义光接入网到汇聚网的总带宽,M表示OLT总数;
在步骤3)中,OLT根据ONU1,ONU2,...,ONUN申请带宽信息,设定其在M条波长上传输顺序及时隙;OLT改变每条波长上最后一个ONU REPORT信息发送的位置,并计算每条波长最后一个ONU数据发送起始时刻TRi和结束时刻TEi,以及本周期所有波长的最后一个ONU数据发送最大起始和结束时刻即TRMAX=max(TR1,...,TRM),TEMAX=max(TE1,...,TEM);由此计算出第n周期时间长度Tcycle(n)=max(TEMAX,TRMAX+Tidle)-Tn-1,其中Tn-1为第n-1周期数据传输结束时刻,Tidle为周期空闲时隙;其次,经计算可得出第一次额外带宽即轻负载ONU剩余带宽,分配给重负载ONUi的授予带宽其中Bmin为ONU最小保障带宽,l为轻负载ONU总数,Ri表示ONUi申请的带宽,Rk表示ONUk的申请带宽,h表示重负载ONU总数;然后,由于部分或全部波长上有可能还存在周期空闲时隙,对这部分剩余带宽进行第二次额外带宽再分配;计算得出每条波长最后一个ONU两次额外带宽分配的总带宽为其中为波长j上周期空闲时隙分配给ONUi的带宽,TRj表示第j条波长上最后一个ONU上传数据开始时刻,TEj表示第j条波长上最后一个ONU上传数据结束时刻,R表示波长的传输速率,Tg为ONU之间的保护时隙;每条波长非最后一个ONU两次额外带宽分配的总带宽为其中TRj表示第j条波长上最后一个ONU上传数据开始时刻,表示ONUi初次被授予的带宽,Qj表示波长为j上重负载ONU总数;最后计算得出OLT分配给每个ONU的最终授予带宽
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610546856.8A CN106209687B (zh) | 2016-07-12 | 2016-07-12 | 一种混合复用pon全局资源高效分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610546856.8A CN106209687B (zh) | 2016-07-12 | 2016-07-12 | 一种混合复用pon全局资源高效分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106209687A CN106209687A (zh) | 2016-12-07 |
CN106209687B true CN106209687B (zh) | 2019-04-30 |
Family
ID=57477003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610546856.8A Active CN106209687B (zh) | 2016-07-12 | 2016-07-12 | 一种混合复用pon全局资源高效分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106209687B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741354B2 (en) * | 2017-08-25 | 2023-08-29 | Ford Global Technologies, Llc | Shared processing with deep neural networks |
CN108449286B (zh) * | 2018-03-01 | 2020-07-03 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
CN108881067B (zh) * | 2018-06-15 | 2020-11-06 | 北京邮电大学 | 一种基于应用感知确保业务公平性的带宽分配方法和系统 |
CN109839824A (zh) * | 2019-01-24 | 2019-06-04 | 青岛理工大学 | 一种基于预测控制的网络控制系统时延补偿方法 |
CN112118066A (zh) * | 2020-11-23 | 2020-12-22 | 西南交通大学 | 一种基于改进卷积神经网络的fbmc-pon解调方法 |
CN114866145B (zh) * | 2021-01-20 | 2024-02-09 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
CN115347955B (zh) * | 2021-05-14 | 2023-11-24 | 上海诺基亚贝尔股份有限公司 | 用于信道均衡的方法、设备、装置和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104053077A (zh) * | 2014-06-23 | 2014-09-17 | 重庆邮电大学 | 一种基于onu模块化的无源光网络节能方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100905136B1 (ko) * | 2007-05-14 | 2009-06-29 | 한국정보통신대학교 산학협력단 | 광 버스트 교환시스템에서의 버스트 스케쥴링 방법 |
-
2016
- 2016-07-12 CN CN201610546856.8A patent/CN106209687B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104053077A (zh) * | 2014-06-23 | 2014-09-17 | 重庆邮电大学 | 一种基于onu模块化的无源光网络节能方法 |
Non-Patent Citations (1)
Title |
---|
Experimental Demonstration of Remote Unified Control for OpenFlow-based Software-defined Optical Access Networks;Hui Yang 等;《Photon Netw Commun》;20150826;全文 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106209687A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106209687B (zh) | 一种混合复用pon全局资源高效分配方法 | |
CN103560978B (zh) | 光接入网带宽动态分配的方法和装置 | |
US8526815B2 (en) | Dynamic bandwidth allocation for congestion management in PON channel aggregation | |
CN101924706B (zh) | 基于onu端口的吉比特无源光网络带宽管理方法 | |
CN1271803C (zh) | 光突发交换中的自适应信道预留和搜索方法 | |
Xue et al. | SDN-controlled and orchestrated OPSquare DCN enabling automatic network slicing with differentiated QoS provisioning | |
Zheng et al. | DISCO: Distributed traffic flow consolidation for power efficient data center network | |
CN108092895A (zh) | 一种软件定义网络联合路由选择及网络功能部署方法 | |
CN105071992A (zh) | 变电站配用电业务通信带宽预测方法 | |
CN107196876A (zh) | 一种无源光接入网络及其流量调度方法 | |
Banerjee et al. | Fair sharing using dual service-level agreements to achieve open access in a passive optical network | |
Liang et al. | A dynamic resource allocation based on network traffic prediction for sliced passive optical network | |
Barradas et al. | Edge‐Node Deployed Routing Strategies for Load Balancing in Optical Burst Switched Networks | |
Tian et al. | Elastic adaptive network slicing scheme based on multi-priority cooperative prediction in Fi-Wi access network | |
Aibin | Deep learning for cloud resources allocation: Long-short term memory in EONs | |
Din et al. | Approaches in dynamic bandwidth allocation in passive optical network systems | |
Sinha et al. | Information theoretic approach to traffic adaptive WDM networks | |
CN101228764A (zh) | 具有服务质量保证的多业务网际协议承载系统及实现方法 | |
Lotfolahi et al. | A predictive logistic regression based doze mode energy-efficiency mechanism in EPON | |
CN105516013B (zh) | 一种软件定义光网络中时间相关的业务调度策略 | |
CN115604200B (zh) | 面向轧制产线异构设备实时协同的确定性资源调度方法 | |
Zehri et al. | Leveraging SDN-Based Management for Improved Traffic Scheduling in PONs | |
Quran et al. | A Reinforcement Learning-based Dynamic Bandwidth Allocation for XGS-PON Networks | |
Maheswaravenkatesh et al. | A QoS-aware dynamic bandwidth allocation in PON networks | |
CN115333998B (zh) | 一种适用于电力通信网络的时间敏感网络流量调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |