CN109450587B - 频谱整合处理方法、装置以及存储介质 - Google Patents

频谱整合处理方法、装置以及存储介质 Download PDF

Info

Publication number
CN109450587B
CN109450587B CN201811240647.6A CN201811240647A CN109450587B CN 109450587 B CN109450587 B CN 109450587B CN 201811240647 A CN201811240647 A CN 201811240647A CN 109450587 B CN109450587 B CN 109450587B
Authority
CN
China
Prior art keywords
service
target domain
spectrum integration
model
source
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
Application number
CN201811240647.6A
Other languages
English (en)
Other versions
CN109450587A (zh
Inventor
杨辉
张�杰
姚秋彦
于奥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811240647.6A priority Critical patent/CN109450587B/zh
Publication of CN109450587A publication Critical patent/CN109450587A/zh
Application granted granted Critical
Publication of CN109450587B publication Critical patent/CN109450587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/04—Mode multiplex systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2581—Multimode transmission

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种频谱整合处理方法、装置以及存储介质，其中的方法包括：使用深度学习方法并基于源域训练样本对神经网络模型进行训练，获得训练好的源域光纤传输模型；使用深度学习方法并基于目标域训练样本对源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型；接收对于业务流的发送路径建立请求，如果判断在目标域空分复用光网络中不能为业务流预留资源，则基于目标域光纤传输模型预测与业务流相对应的频谱整合预测时间，基于频谱整合预测时间进行相应的处理；本发明的方法、装置以及存储介质，能够在业务开始时间之前完成频谱资源优化，最终有效承载即将受阻的业务，降低业务阻塞率，提高频谱资源利用率，提高用户的使用感受度。

Description

频谱整合处理方法、装置以及存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种频谱整合处理方法、装置以及存储介质。
背景技术
随着高清视频、物联网等新兴业务与应用的蓬勃发展，网络带宽需求的增长也日益明显。光网络作为支撑整个互联网的基础设施，空分复用技术是突破单纤传输容量极限的一个重要技术方向。空分复用技术主要包括通过在同一光纤包层内设计多个纤芯或者在同一纤芯内部同时传输若干线偏振模式，或两者相结合来提高光纤传输容量。空分复用方式包含多芯复用和模式复用，目前利用多芯、少模或多芯少模光纤作为传输介质，已实现了百倍以上的系统容量提升。
现有的频谱整合处理方案，通常首先统计节点周围链路的负载情况，确定节点权值；按照设定的阈值将节点分类；考虑节点权值对网络中的业务进行频谱资源与路径的重新分配，提高资源使用效率，降低业务阻塞。但是，在现有的频谱整合处理方案中，阈值的设定存在主观性，且没有给出参考标准，易导致不同阈值可能会对节点的分类产生影响；对网络中的业务进行路径及频谱资源的重分配时，可能会使得部分业务受损，导致其阻塞。因此，需要一种在空分复用光网络中的频谱整合处理技术方案。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种频谱整合处理方法、装置以及存储介质。
根据本发明的一个方面，提供一种频谱整合处理方法，包括：构建与源域空分复用光网络相对应的神经网络模型；获取所述源域空分复用光网络的源域传输业务参数、与所述源域传输业务参数相对应的源域频谱整合时间信息；基于所述源域传输业务参数和所述源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于所述源域训练样本对所述神经网络模型进行训练，获得训练好的源域光纤传输模型；获取目标域空分复用光网络的目标域传输业务参数、与所述目标域传输业务参数相对应的目标域频谱整合时间信息；基于所述目标域传输业务参数和所述目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于所述目标域训练样本对所述源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型；接收对于业务流的发送路径建立请求，如果判断在所述目标域空分复用光网络中不能为所述业务流预留资源，则基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间，基于所述频谱整合预测时间进行相应的处理。
可选地，所述基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间包括：确定用于发送所述业务流的多条备选路径，如果判断在所述目标域空分复用光网络中不能为所述多条备选路径预留资源，则将所述业务流设置为受阻业务，并获得所述目标域空分复用光网络的当前目标域传输业务参数；将所述当前目标域传输业务参数输入所述目标域光纤传输模型，用于获得与所述业务流相对应的频谱整合预测时间。
可选地，所述基于所述频谱整合预测时间进行相应的处理包括：如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和小于所述业务流的开始服务时间Tstart，则进行频谱整合；如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和大于或等于所述业务流的开始服务时间Tstart，则使此业务阻塞。
可选地，所述进行频谱整合包括：计算所述多条备选路径中的每个纤芯的资源利用率，按照资源利用率的由低到高顺序对所述纤芯进行频谱整合，用以在至少一条备选路径中为所述业务流预留资源。
可选地，所述源域传输业务参数和所述目标域传输业务参数包括：网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集；所述当前传输业务参数包括：网络负载、受阻业务编号、受阻业务源节点、受阻业务目的节点、受阻业务最短路径的跳数、受损业务数。
可选地，所述确定用于发送所述业务流的多条备选路径包括：获得发送所述业务流的源节点和目的节点；基于路由算法确定在所述源节点和所述目的节点之间的所述多条备选路径，其中，所述路由算法包括：最短路径算法。
根据本发明的另一方面，提供一种频谱整合处理装置，包括：模型构建模块，用于构建与源域空分复用光网络相对应的神经网络模型；模型训练模块，用于获取所述源域空分复用光网络的源域传输业务参数、与所述源域传输业务参数相对应的源域频谱整合时间信息；基于所述源域传输业务参数和所述源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于所述源域训练样本对所述神经网络模型进行训练，获得训练好的源域光纤传输模型；迁移学习模块，用于获取目标域空分复用光网络的目标域传输业务参数、与所述目标域传输业务参数相对应的目标域频谱整合时间信息；基于所述目标域传输业务参数和所述目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于所述目标域训练样本对所述源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型；整合预测模块，用于接收对于业务流的发送路径建立请求，如果判断在所述目标域空分复用光网络中不能为所述业务流预留资源，则基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间；整合处理模块，用于基于所述频谱整合预测时间进行相应的处理。
可选地，所述整合预测模块，用于确定用于发送所述业务流的多条备选路径，如果判断在所述目标域空分复用光网络中不能为所述多条备选路径预留资源，则将所述业务流设置为受阻业务，并获得所述目标域空分复用光网络的当前目标域传输业务参数；将所述当前目标域传输业务参数输入所述目标域光纤传输模型，用于获得与所述业务流相对应的频谱整合预测时间。
可选地，所述整合处理模块，用于如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和小于所述业务流的开始服务时间Tstart，则进行频谱整合；如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和大于或等于所述业务流的开始服务时间Tstart，则使此业务阻塞。
可选地，所述整合处理模块，用于计算所述多条备选路径中的每个纤芯的资源利用率，按照资源利用率的由低到高顺序对所述纤芯进行频谱整合，用以在至少一条备选路径中为所述业务流预留资源。
可选地，所述源域传输业务参数和所述目标域传输业务参数包括：网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集；所述当前传输业务参数包括：网络负载、受阻业务编号、受阻业务源节点、受阻业务目的节点、受阻业务最短路径的跳数、受损业务数。
可选地，所述整合预测模块，用于获得发送所述业务流的源节点和目的节点；基于路由算法确定在所述源节点和所述目的节点之间的所述多条备选路径，其中，所述路由算法包括：最短路径算法。
根据本发明的又一方面，提供一种频谱整合处理装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
根据本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现如上所述的方法的步骤。
本发明的频谱整合处理方法、装置以及存储介质，利用机器学习算法获得源域光纤传输模型，对源域光纤传输模型进行迁移学习训练获得目标域光纤传输模型，当有业务即将阻塞时，基于目标域光纤传输模型对频谱资源整合时间进行预测，在业务开始服务时间之前，完成频谱整合过程，能够在业务开始时间之前完成频谱资源优化，最终有效承载即将受阻的业务，降低业务阻塞率，提高频谱资源利用率，提高用户的使用感受度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1为本发明的频谱整合处理方法的一个实施例的流程示意图；
图2为多芯少模光纤的示意图；
图3为本发明的频谱整合处理方法的一个实施例中的神经网络模型的示意图；
图4为网络拓扑结构图，其中，源域为6个节点网络， 目标域为14个节点网络；
图5为频谱资源整合时间预测过程的示意图；
图6为本发明的频谱整合处理方法的一个实施例中的频谱整合处理的示意图；
图7为本发明的频谱整合处理装置的一个实施例的模块示意图；
图8为本发明的频谱整合处理装置的另一个实施例的模块示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
光空分复用（Optical Space Division Multiplexing，OSDM)技术是指不同空间位置传输不同信号的复用方式，利用多芯光纤传输多路信号。光空分复用（OSDM)是指对光纤芯线的复用，利用空间分割来构成不同信道。
图1为本发明的频谱整合处理方法的一个实施例的流程示意图，如图1所示：
步骤101，构建与源域空分复用光网络相对应的神经网络模型。
步骤102，获取源域空分复用光网络的源域传输业务参数、与源域传输业务参数相对应的源域频谱整合时间信息。源域传输业务参数包括源域空分复用光网络中的网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集等。
步骤103，基于源域传输业务参数和源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于源域训练样本对神经网络模型进行训练，获得训练好的源域光纤传输模型。
步骤104，获取目标域空分复用光网络的目标域传输业务参数、与目标域传输业务参数相对应的目标域频谱整合时间信息。
步骤105，基于目标域传输业务参数和目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于目标域训练样本对源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型。
目标域传输业务参数包括目标域空分复用光网络中的网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集等。深度学习为基于卷积神经网络的深度学习，通过迁移学习来实现模型本身的泛化能力，深度学习算法可以采用现有的多种深度学习算法，迁移学习算法可以采用现有的多种迁移学习算法。
步骤106，接收对于业务流的发送路径建立请求，如果判断在目标域空分复用光网络中不能为业务流预留资源，则基于目标域光纤传输模型预测与业务流相对应的频谱整合预测时间，基于频谱整合预测时间进行相应的处理。
机器学习为人工智能研究领域里的核心技术之一，传统的机器学习基础是统计分析理论，而统计机器学习的前提必须满足假设：训练样本和测试样本的分布要一致。而在许多情况下，这种同分布假设并不能得到满足。因此，需要大量的人力与物力对海量的训练数据进行重新标记以满足训练需要，代价很大。另外，需要丢弃大量的，不同分布下的训练数据也很浪费。迁移学习算法能够合理地利用这些数据，将其用到新任务中，可能会加快学习进程。
迁移学习是在源领域样本集和目标领域数据之间存在分布偏移时学习判别式模型的范式，迁移学习构建能够在服从不同概率分布的领域之间泛化的学习器，从而使得在面对标记数据稀缺的目标任务时，可以结合已有的与目标领域相关但服从不同概率分布的源 领域中的标记数据进行学习以处理目标任务。
迁移学习能够通过对其他领域训练样本的学习，从中抽取出相关的知识用于本领域的学习。在空分复用光网络中，为了更好地满足业务的建路需求，提高资源分配效率及利用率，频谱资源的优化变得很重要。而对于提前预留业务来说，如果在其到达时刻，未能找到可预留资源，则在其开始时刻之前，需对频谱资源进行优化，以到达为其预留资源的目的。
如何较为精确地评估频谱资源优化所需的时间，是值得研究的问题。而迁移学习和传统的机器学习算法相比，能够节约时间成本。本发明利用迁移学习算法，对频谱资源优化时间进行提前预测，以在业务开始服务之前完成频谱资源的再整合，达到有效承载业务的目的。
在一个实施例中，基于目标域光纤传输模型预测与业务流相对应的频谱整合预测时间可以有多种方法。例如，确定用于发送业务流的多条备选路径，如果判断在目标域空分复用光网络中不能为多条备选路径预留资源，则将业务流设置为受阻业务，并获得目标域空分复用光网络的当前目标域传输业务参数。将当前目标域传输业务参数输入目标域光纤传输模型，用于获得与业务流相对应的频谱整合预测时间。当前传输业务参数包括：目标域空分复用光网络的网络负载、以及与当前受阻业务相对应的受阻业务编号、受阻业务源节点、受阻业务目的节点、受阻业务最短路径的跳数、受损业务数等。
确定用于发送业务流的多条备选路径可以有多种。例如，获得发送业务流的源节点和目的节点；基于路由算法确定在源节点和目的节点之间的多条备选路径，路由算法包括最短路径算法等。
在一个实施例中，如果确定频谱整合预测时间t与发送路径建立请求的接收时间T之和小于业务流的开始服务时间Tstart，则进行频谱整合；如果确定频谱整合预测时间t与发送路径建立请求的接收时间T之和大于或等于业务流的开始服务时间Tstart，则使此业务阻塞。
预测过程如图5所示，利用最短路径算法为到达网络的请求R（业务R）计算k条备用路径。为请求R预留资源，如果资源预留不成功，将其标识为Rblock，触发频谱整合过程。获取Rblock的开始服务时间Tstart，基于迁移学习算法对频谱整合时间t进行预测，并获取当前时间T。
获取源域GS的相关数据，包括：受阻业务编号集Xa，受损业务数集Xb及与前两个参数相对应的频谱整合时间集YS等，其中，受阻业务代表网络中即将阻塞的业务，受损业务指有业务即将受阻时，对利用最短路径算法得出的路径集合中路径上的频谱资源整合时，对已在相应路径上正在承载且会受到影响的业务。频谱整合时间集则与前两个集合中的元素严格一一对应。
利用机器学习算法对源域GS获取的数据进行训练，形成预训练模型，预训练模型可以为神经网络模型等。在目的域YT收集相应的Xa和Xb，将其输入得出的预训练模型，对其进行加强训练，使得模型性能满足需求。将网络运行中收集的实时参数，包括受阻业务编号和受损业务数等，输入得到的适用于目的域的训练模型中，以预测频谱整合时间。如果T+t<Tstart，则说明在频谱整合完成之前，还未到受阻业务的开始服务时间。此时，计算每芯的资源利用率且对资源利用率最低的芯进行频谱整合。如果T+t>Tstart，则资源预留失败，业务阻塞。
进行频谱整合可以采用有多种方法。例如，计算多条备选路径中的每个纤芯的资源利用率，按照资源利用率的由低到高顺序对纤芯进行频谱整合，用以在至少一条备选路径中为业务流预留资源。进行频谱整合也可以采用有现有的多种方法。
新型的多芯少模光纤如图2所示，为7芯3模光纤。深度学习算法包括多种神经网络算法。构建与源域空分复用光网络相对应的神经网络模型可以有多种，例如CNN、RNN、RNTN、GAN 等。例如，神经网络模型包括三层神经元模型，三层神经元模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型，每层神经元模型的输出作为下一层神经元模型的输入，输入层神经元模型的神经元与传输数据参数相对应，输出层神经元模型的神经元与和串扰值相对应。三层神经元模型可以为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。
如图3所示，神经网络模型中的Output 1代表串扰值输出，Input1-n分别对应传输数据参数中的纤芯的芯编号、模式编号、波长编号及传输距离等具体参数值的输入。神经网络模型中的Unit 1-5分别对应一个深度学习网络子结构。根据问题的复杂度不同，该网络的子结构设计和复杂度均不同。可将Unit 1-5设计为具有一定神经元节点数的单个神经网络层。例如，可将Unit 1-5设计为具有50个神经元的神经网络层。将第一传输数据参数的具体指作为输入值，将第一串扰值作为输出值对神经网络模型进行训练，从而形成训练好的神经网络模型。
在一个实施例中，如图4所示，为在14个节点拓扑网络下的训练模型生成，训练模型为神经网络模型。在图4所示的6个节点的小拓扑网络下对数据集进行采集和训练。所采集的6个节点的小拓扑网络中的源域传输业务参数包括：网络负载集（Rnload，单位为厄朗）、受阻业务编号集（Rblock）、受阻业务源节点集（Rs）、受阻业务目的节点集（Rd）、受阻业务最短路径的跳数集（Rhopcount）、受损业务数集（Reffected）、频谱整合时间（t，单位为微妙）等。上述所有集合元素的删除或添加，取决于R是否阻塞。
第1步骤，训练模型生成包括：
源域传输业务参数包括： Rnload,Rblock,Rs,Rd,Rhopcount,Reffected,t；例如：
500 169 5 6 1 2 6.30971；
500 170 6 5 1 3 9.46378；
500 173 5 2 2 5 15.7865；
500 174 4 3 3 9 27.3937；
500 175 4 2 1 3 9.34681；
……
第1.2步骤，将第1步骤搜集的源域数据输入机器学习算法进行训练，得到该拓扑下的预训练模型（神经网络模型）。
第2步骤，在目标域空分复用光网络中获取少量数据（目标域传输业务参数）。
第3步骤，将第2步骤搜集的数据输入第1.2步骤得到的预训练模型中，即将第1.2步骤得到的预训练模型进行迁移学习训练，对第1.2步骤得到的预训练模型进行加强训练，得到适用于目标域空分复用光网络（14个节点的拓扑网络结构）的训练模型（目标域光纤传输模型预测）。
在目标域空分复用光网络中，当有业务即将受阻时，对频谱整合时间进行预测。
第4步骤，在目标域空分复用光网络中，当有业务即将阻塞时，搜集相应的当前目标域传输业务参数：Rnload,Rblock, Rs,Rd, Rhopcount。将当前目标域传输业务参数其输入第3步骤训练后的神经网络模型中，预测得到受损业务数目Reffected和相应的频谱整合时间t。
如图6所示，假设请求R到达网络，其编号为860，源节点为2，目的节点为14，此时，网络负载为1000厄朗。首先利用最短路径算法为其计算k条备选路径，并统计各路径上的跳数，最短路径为：2→4→5→6→14，跳数为4。如果未找到可预留的频谱资源，即R即将受阻，则当前传输业务参数为：Rnload=1000；Rblock=860；Rs=2；Rd=14；Rhopcount=4；将该数据组输入上述第3步已训练好的目标域光纤传输模型预测中，预测受损业务数及频谱整合时间得到Reffected=12，t=36.842。
上述实施例中的频谱整合处理方法，提供一种在空分复用光网络中基于迁移学习的频谱资源优化方法，在当到达网络的业务即将受阻时，对频谱整合时间进行预测；在受阻业务开始服务时间之前，可在相应的路径上完成频谱资源的整合过程，则显著提高网络为受阻业务预留资源成功的可能性，降低业务阻塞率，同时提高频谱资源利用率。
在一个实施例中，如图7所示，本发明提供一种频谱整合处理装置，包括：模型构建模块71、模型训练模块72、迁移学习模块73、整合预测模块74和整合处理模块75。
模型构建模块71构建与源域空分复用光网络相对应的神经网络模型。模型训练模块72获取源域空分复用光网络的源域传输业务参数、与源域传输业务参数相对应的源域频谱整合时间信息。模型训练模块72基于源域传输业务参数和源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于源域训练样本对神经网络模型进行训练，获得训练好的源域光纤传输模型。
迁移学习模块73获取目标域空分复用光网络的目标域传输业务参数、与目标域传输业务参数相对应的目标域频谱整合时间信息。迁移学习模块73基于目标域传输业务参数和目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于目标域训练样本对源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型。整合预测模块74接收对于业务流的发送路径建立请求，如果判断在目标域空分复用光网络中不能为业务流预留资源，则基于目标域光纤传输模型预测与业务流相对应的频谱整合预测时间。整合处理模块75基于频谱整合预测时间进行相应的处理。
在一个实施例中，整合预测模块74确定用于发送业务流的多条备选路径，如果判断在目标域空分复用光网络中不能为多条备选路径预留资源，则将业务流设置为受阻业务，并获得目标域空分复用光网络的当前目标域传输业务参数。整合预测模块74将当前目标域传输业务参数输入目标域光纤传输模型，用于获得与业务流相对应的频谱整合预测时间。整合预测模块74获得发送业务流的源节点和目的节点，基于路由算法确定在源节点和目的节点之间的多条备选路径，其中，路由算法包括：最短路径算法。
整合处理模块75如果确定频谱整合预测时间t与发送路径建立请求的接收时间T之和小于业务流的开始服务时间Tstart，则进行频谱整合。整合处理模块75如果确定频谱整合预测时间t与发送路径建立请求的接收时间T之和大于或等于业务流的开始服务时间Tstart，则使此业务阻塞。整合处理模块75计算多条备选路径中的每个纤芯的资源利用率，按照资源利用率的由低到高顺序对纤芯进行频谱整合，用以在至少一条备选路径中为业务流预留资源。
源域传输业务参数和目标域传输业务参数包括：网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集等；当前传输业务参数包括：网络负载、受阻业务编号、受阻业务源节点、受阻业务目的节点、受阻业务最短路径的跳数、受损业务数等。
图8为根据本发明公开的频谱整合处理装置的另一个实施例的模块示意图。如图8所示，该装置可包括存储器81、处理器82、通信接口83以及总线84。存储器81用于存储指令，处理器82耦合到存储器81，处理器82被配置为基于存储器81存储的指令执行实现上述的频谱整合处理方法。
存储器81可以为高速RAM存储器、非易失性存储器(NoN-volatile memory)等，存储器81也可以是存储器阵列。存储器81还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器82可以为中央处理器CPU，或专用集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明公开的频谱整合处理方法的一个或多个集成电路。
在一个实施例中，本公开还提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一实施例涉及的频谱整合处理方法。
上述实施例提供的频谱整合处理方法、装置以及存储介质，利用机器学习算法获得源域光纤传输模型，对源域光纤传输模型进行迁移学习训练获得目标域光纤传输模型，当有业务即将阻塞时，基于目标域光纤传输模型对频谱资源整合时间进行预测，在业务开始服务时间之前，完成频谱整合过程，能够在业务开始时间之前完成频谱资源优化，最终有效承载即将受阻的业务，降低业务阻塞率，提高频谱资源利用率，提高用户的使用感受度。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种频谱整合处理方法，其特征在于，包括：
构建与源域空分复用光网络相对应的神经网络模型；
获取所述源域空分复用光网络的源域传输业务参数、与所述源域传输业务参数相对应的源域频谱整合时间信息；
基于所述源域传输业务参数和所述源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于所述源域训练样本对所述神经网络模型进行训练，获得训练好的源域光纤传输模型；
获取目标域空分复用光网络的目标域传输业务参数、与所述目标域传输业务参数相对应的目标域频谱整合时间信息；
基于所述目标域传输业务参数和所述目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于所述目标域训练样本对所述源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型；
接收对于业务流的发送路径建立请求，如果判断在所述目标域空分复用光网络中不能为所述业务流预留资源，则基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间，基于所述频谱整合预测时间进行相应的处理。
2.如权利要求1所述的方法，其特征在于，所述基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间包括：
确定用于发送所述业务流的多条备选路径，如果判断在所述目标域空分复用光网络中不能为所述多条备选路径预留资源，则将所述业务流设置为受阻业务，并获得所述目标域空分复用光网络的当前目标域传输业务参数；
将所述当前目标域传输业务参数输入所述目标域光纤传输模型，用于获得与所述业务流相对应的频谱整合预测时间。
3.如权利要求2所述的方法，其特征在于，所述基于所述频谱整合预测时间进行相应的处理包括：
如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和小于所述业务流的开始服务时间Tstart，则进行频谱整合；如果确定所述频谱整合预测时间t与所述发送路径建立请求的接收时间T之和大于或等于所述业务流的开始服务时间Tstart，则使此业务阻塞。
4.如权利要求3所述的方法，其特征在于，所述进行频谱整合包括：
计算所述多条备选路径中的每个纤芯的资源利用率，按照资源利用率的由低到高顺序对所述纤芯进行频谱整合，用以在至少一条备选路径中为所述业务流预留资源。
5.如权利要求2所述的方法，其特征在于，
所述源域传输业务参数和所述目标域传输业务参数包括：网络负载集、受阻业务编号集、受阻业务源节点集、受阻业务目的节点集、受阻业务最短路径的跳数集、受损业务数集；
所述当前传输业务参数包括：网络负载、受阻业务编号、受阻业务源节点、受阻业务目的节点、受阻业务最短路径的跳数。
6.如权利要求2所述的方法，其特征在于，所述确定用于发送所述业务流的多条备选路径包括：
获得发送所述业务流的源节点和目的节点；
基于路由算法确定在所述源节点和所述目的节点之间的所述多条备选路径，其中，所述路由算法包括：最短路径算法。
7.一种频谱整合处理装置，其特征在于，包括：
模型构建模块，用于构建与源域空分复用光网络相对应的神经网络模型；
模型训练模块，用于获取所述源域空分复用光网络的源域传输业务参数、与所述源域传输业务参数相对应的源域频谱整合时间信息；基于所述源域传输业务参数和所述源域频谱整合时间信息生成源域训练样本，使用深度学习方法并基于所述源域训练样本对所述神经网络模型进行训练，获得训练好的源域光纤传输模型；
迁移学习模块，用于获取目标域空分复用光网络的目标域传输业务参数、与所述目标域传输业务参数相对应的目标域频谱整合时间信息；基于所述目标域传输业务参数和所述目标域频谱整合时间信息生成目标域训练样本，使用深度学习方法并基于所述目标域训练样本对所述源域光纤传输模型进行迁移学习训练，获得目标域光纤传输模型；
整合预测模块，用于接收对于业务流的发送路径建立请求，如果判断在所述目标域空分复用光网络中不能为所述业务流预留资源，则基于所述目标域光纤传输模型预测与所述业务流相对应的频谱整合预测时间；
整合处理模块，用于基于所述频谱整合预测时间进行相应的处理。
8.如权利要求7所述的装置，其特征在于，
所述整合预测模块，用于确定用于发送所述业务流的多条备选路径，如果判断在所述目标域空分复用光网络中不能为所述多条备选路径预留资源，则将所述业务流设置为受阻业务，并获得所述目标域空分复用光网络的当前目标域传输业务参数；将所述当前目标域传输业务参数输入所述目标域光纤传输模型，用于获得与所述业务流相对应的频谱整合预测时间。
9.一种频谱整合处理装置，其特征在于，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现权利要求1至6任意一项所述的方法的步骤。
CN201811240647.6A 2018-10-24 2018-10-24 频谱整合处理方法、装置以及存储介质 Active CN109450587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811240647.6A CN109450587B (zh) 2018-10-24 2018-10-24 频谱整合处理方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811240647.6A CN109450587B (zh) 2018-10-24 2018-10-24 频谱整合处理方法、装置以及存储介质

Publications (2)

Publication Number Publication Date
CN109450587A CN109450587A (zh) 2019-03-08
CN109450587B true CN109450587B (zh) 2020-01-24

Family

ID=65547472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811240647.6A Active CN109450587B (zh) 2018-10-24 2018-10-24 频谱整合处理方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN109450587B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110730046B (zh) * 2019-10-18 2022-02-18 中国人民解放军陆军工程大学 基于深度迁移学习的跨频段频谱预测方法
CN110932809B (zh) * 2019-11-20 2020-10-16 北京邮电大学 光纤信道模型模拟方法、装置、电子设备和存储介质
CN112560204B (zh) * 2020-10-16 2023-01-10 北京邮电大学 一种基于lstm深度学习的光网络路由优化方法及其相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106953710A (zh) * 2017-03-15 2017-07-14 重庆邮电大学 弹性光网络中最小代价频谱分配与碎片感知的重配置路由机制
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101132363B (zh) * 2007-08-10 2010-12-29 北京邮电大学 基于强化学习的自主联合无线资源管理系统和方法
CN102447623B (zh) * 2011-11-22 2014-06-18 北京邮电大学 光网络频谱资源碎片级联方法及装置
US10122479B2 (en) * 2017-01-23 2018-11-06 DGS Global Systems, Inc. Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum
US9906428B2 (en) * 2016-04-28 2018-02-27 Samsung Electronics Co., Ltd. System and method for frequency-domain weighted least squares
CN108696777B (zh) * 2018-08-30 2019-08-20 中天宽带技术有限公司 最小交叉串扰的空分复用频谱灵活光网络资源分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106953710A (zh) * 2017-03-15 2017-07-14 重庆邮电大学 弹性光网络中最小代价频谱分配与碎片感知的重配置路由机制
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
空间信息网络时间同步技术研究;杨辉等;《无线电工程》;20180227;全文 *

Also Published As

Publication number Publication date
CN109450587A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
Yang et al. BrainIoT: Brain-like productive services provisioning with federated learning in industrial IoT
CN109450587B (zh) 频谱整合处理方法、装置以及存储介质
CN110839184B (zh) 基于流量预测的移动前传光网络带宽调整方法及装置
Yang et al. Multi-associated parameters aggregation-based routing and resources allocation in multi-core elastic optical networks
CN108684046B (zh) 一种基于随机学习的接入网服务功能链部署方法
CN105827528B (zh) 一种适用于频谱灵活光网络的路由选择方法
CN109302647B (zh) 频谱分配方法、装置以及存储介质
Yao et al. Core and spectrum allocation based on association rules mining in spectrally and spatially elastic optical networks
CN108111335B (zh) 一种调度和链接虚拟网络功能的方法及系统
CN101808254B (zh) 一种基于分层图的静态选路与波长分配方法
Liu Intelligent routing based on deep reinforcement learning in software-defined data-center networks
Naghsh et al. Digitally annealed solution for the maximum clique problem with critical application in cellular v2x
Yu et al. A deep learning based RSA strategy for elastic optical networks
Martín-Pérez et al. Dimensioning V2N services in 5G networks through forecast-based scaling
CN117667360B (zh) 面向大模型任务的计算与通信融合的智能算网调度方法
Deleplanque et al. Transfers in the on-demand transportation: the DARPT Dial-a-Ride Problem with transfers allowed
CN112073983B (zh) 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN117478518A (zh) 一种图卷积神经网络辅助的大数据存储转发调度方法
CN117354227A (zh) 基于强化学习智能体探索优化的跨层路由方法及相关设备
CN105721309B (zh) 一种软件定义传送网中的频谱资源优化方法及装置
CN110391843B (zh) 多域光网络的传输质量预测、路径选择方法和系统
CN109889928B (zh) 多播光树传输质量预测方法、装置、设备和存储介质
Yao et al. Service provisioning based on association rules mining between crosstalk and fragmentization in multi-core elastic optical networks
Duran et al. Advantages of using cognition when solving impairment-aware virtual topology design problems
Zhou et al. Deep learning-optical network routing algorithm based on wavelength continuity supervision

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant