CN109818803A

CN109818803A - 一种基于机器学习的频谱碎片避免方法

Info

Publication number: CN109818803A
Application number: CN201910139551.9A
Authority: CN
Inventors: 熊余; 杨娅娅; 叶玉龙; 吴大鹏; 王汝言
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2019-02-26
Filing date: 2019-02-26
Publication date: 2019-05-28

Abstract

本发明涉及一种基于机器学习的频谱碎片避免方法，本方法首先使用机器学习方法中的Elman神经网络预测业务的大小、到达时间及持续时间；然后，将时间和频谱资源抽象成二维资源池，并综合考虑业务的大小和业务持续时间，将每个业务等效为一个矩形块；最后，根据二维packing填充原则将业务矩形块填充至二维资源池，从而减小了网络中的频谱碎片。此外，将每条纤芯上的频谱资源划分为两个子区域，在相邻纤芯之间交替使用每个子区域中的资源，并根据每条纤芯上的业务量动态调整每个子区域的大小，从而降低纤芯之间串扰。本方法能够在降低芯间串扰的同时，降低网络中的频谱碎片，有效地提升了网络的资源利用率并降低了整体阻塞率。

Description

一种基于机器学习的频谱碎片避免方法

技术领域

本发明属于光通信与网络领域，涉及一种基于机器学习的频谱碎片避免方法。

背景技术

近年来，随着高清视频、云计算等带宽密集型业务的大量出现，特别是5G高速移动传媒业务、物联网的快速发展，用户对于通信网络的带宽需求也随之大幅地提高，光纤通信的信道带宽消耗量呈几何倍上升趋势，基于单芯光纤的弹性光网络(Elastic OpticalNetwork，EON) 的传输容量已经接近其物理极限。为了能够满足网络中日益增长的带宽需求，空分复用(Space Division Multiplexing，SDM)技术应运而生，其被认为是一种可以长期解决弹性光网络容量问题的有效方案。

在EON中，频谱资源的细粒度划分以及实时分配的特点，可以为不同的业务分配恰适的频谱资源进行传输，但是由于业务大小以及到达和终止时间都具有随机性，导致网络中出现一些孤立的、非对齐的频谱块，即频谱碎片。而引入空分复用技术后，相当于在原来的单芯光纤中引入了更多并行的纤芯，这虽然使网络中承载的业务成倍增加，但同时也造成空分复用弹性光网络(Space Division Multiplexing Elastic Optical Network，SDM-EON)中频谱碎片的成倍增加。这些频谱碎片很难被用来服务未来新的业务连接请求，将会严重影响网络的总体性能。因此，如何减少网络中的频谱碎片得到了广泛关注。

目前减小频谱碎片的方法分为两类，第一类是基于重优化的被动式频谱碎片整理方法，当阻塞率达到一定阈值时(或周期性的)，将网络中已存在的连接重路由到新的光路上。文献[M.Zhang,C.You,H.Jiang and Z.Zhu,"Dynamic and Adaptive BandwidthDefragmentation in Spectrum-Sliced Elastic Optical Networks With Time-VaryingTraffic,"Journal of Lightwave Technology,vol.32,no.5,pp.1014-1023,Mar.2014]提出了一种可以自适应的选择频谱碎片整理时间和频谱碎片整理比例的方法，以实现带宽阻塞率性能和操作复杂性之间的折中。然而它没有考虑频谱碎片整理过程中延时这个重要参数，而这个参数是决定一种频谱碎片整理方案是否在实际中可行的标准。为了降低时延，文献[C.You,M.Zhang,Z.Zhu,“Reduce spectrum defragmentation latency in EONs witheffective parallelization of connection reconfigurations,”in Proceedings ofOptical Fiber Communication Conference(OFC),San Francisco,CA,2014,pp.1-3.]提出了一种并行频谱碎片整理算法，该算法能够并行地重构最大数量的连接，有效降低了重优化过程中的延时，但没有考虑到重优化过程中的业务中断。为此，文献[M.Zhang,W.Shi,L.Gong,et al,“Bandwidth defragmentation in dynamic elastic optical networkswith minimum traffic disruptions,”in Proceedings of IEEE InternationalConference on Communications(ICC).Budapest,2013,pp.3894-3898.]提出一种综合频谱碎片整理算法，只重路由一部分连接，并且通过尽力而为的业务迁移来执行重新路由，以此降低业务中断的程度。

另一类是主动式的频谱碎片避免策略，在连接请求到达时，通过采用合适的路由频谱分配算法避免或者最小化频谱碎片的产生。文献[R.Zhu,J.P.Jue,A.Yousefpour,etal,“Multi-Path Fragmentation-Aware Advance Reservation Provisioning inElastic Optical Networks,”in Proceedings of IEEE Global CommunicationsConference(GLOBECOM),Washington,DC,2016, pp.1-6.]提出了一种基于多路径的预防式频谱碎片整理策略，通过多路径路由，在每条路径上可以使用更少的频隙，使得网络中某些孤立的频谱碎片被利用，从而减小频谱碎片化的程度。但是使用多路径路由算法需要为每一条光路都配置一对光收发器和接收器，这不仅会增加网络成本，还会给网络控制和管理带来很大的负担。因此，文献[Y.Yin,H.Zhang,M.Zhang,et al, “Spectral and spatial2D fragmentation-aware routing and spectrum assignment algorithms in elasticoptical networks[invited],”Journal of Optical Communications and Networking,vol.5,no. 10,pp.A100-A106.Oct.2013]提出另一种预防式的频谱碎片整理算法，首先建立一个链路-频谱二维模型，然后基于这个二维模型将频谱碎片问题分为频谱遮挡和频谱切割两个子问题，通过最小化频谱分配过程中频谱切割和频谱遮挡两个指标，从而在路由频谱分配阶段形成更整齐的频谱，减少了频谱碎片的产生。但是业务的建立和拆除与其持续时间密切相关，而这种方案没有考虑每个业务的持续时间，所以不能更精确的评估某个时刻的频谱状态。文献[N. Wang,J.P.Jue,“Holding-time-aware routing,modulation,and spectrum assignment for elastic optical networks,”in Proceedings of IEEEGlobal Communications Conference(Globecom).IEEE, Austin,TX,2014,pp.2180-2185.]提出了一种基于持续时间的频谱碎片整理方案，建立了一个频谱-时间的二维资源模型，在建立连接时充分考虑了业务的持续时间，可以以更高效的方式进行资源分配，减少了网络中的频谱碎片。然而，以上方法都是针对单纤芯的光网络设计的，在SDM-EON中，纤芯之间的串扰会导致信号损伤。基于此，文献[H.Tode,K.Murakami,S. Fujii,et al,“On-Demand Spectrum and Core Allocation for Reducing Crosstalk in MulticoreFibers in Elastic Optical Networks,”Journal of Optical Communications andNetworking,vol.6,no.12, pp.1059-1071.Dec.2014]在SDM-EON中提出一种频谱碎片避免方案，将网络中的频谱资源分成不同的区域，每个区域用来服务不同种类的请求，这样在每种区域内不会产生频谱碎片，同时针对SDM-EON中的七条纤芯分别设置纤芯优先级，并根据优先级依次选用纤芯，从而降低了芯间串扰。然而，上述预防式频谱碎片整理策略都是对未来业务的提前规划，未来业务的动态性难以保证规划的准确性，而业务的动态建立和拆除正是导致网络中产生大量频谱碎片的主要原因。可见，要减少SDM-EON中的频谱碎片，迫切需要引入新的手段和方法来感知未来一段时间动态到达的新业务状态。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的频谱碎片避免方法，该方法利用 Elman神经网络，预测网络未来一段时间内的业务信息；然后将每条纤芯上的频谱资源划分为两个子区域，对相邻纤芯的子区域采用交替使用原则；同时，采用基于二维Packing的频谱分配方案，有效地减小了网络中的频谱碎片，提高了资源利用率。

为达到上述目的，本发明提供如下技术方案：

一种基于机器学习的频谱碎片避免方法，其特征在于：在该方法中，利用机器学习中的 Elman神经网络，预测动态到达的新业务的属性，包括业务大小、到达时间及持续时间；将每条纤芯上的频谱资源划分为两个子区域，对相邻纤芯的子区域采用纤芯交替使用原则，减小了频谱重叠。在为业务分配频谱资源时，将每条链路每条纤芯中的资源抽象成一个时间- 频谱资源池，同时考虑业务的大小和其持续时间，将每个业务等效为一个小矩形块，并采用二维Packing填充原则实现矩形块在资源池中的高效填充，从而提高资源利用率；

进一步，在本方法中，所述基于Elman神经网络的业务预测过程为：首先，对Elman神经网络模型进行初始化，然后将业务大小、业务到达时间及持续时间的历史数据输入到神经网络中进行模型的训练，接着根据输入的业务历史数据信息计算各层(输入层、隐含层、承接层及输出层)的输出，最后计算误差函数，此时分为两种情况，第一种是误差值小于预先设定的阈值，此时直接输出预测到的业务大小、业务到达时间及持续时间，另一种是误差值大于阈值，此时则需要一直更新连接权值，直到误差值小于阈值才输出预测值(业务大小、业务到达时间及持续时间)。

进一步，在本方法中，所述的二维Packing填充原则主要分为3步：

步骤1：将T时间段内的所有业务请求(即t_a≤T，t_a表示业务的到达时间)，按照其等效矩形面积M(M＝f×t，其中f表示业务大小，t表示持续时间)降序排序，并按照此顺序依次将业务(矩形块)放入资源池。

步骤2：对于较大矩形块，从二维资源池的可用空间的左下位置依次将其放入资源池。

步骤3：对较小的矩形块，使用二维packing模型中的穴度在资源池中选择一个最佳的放置位置。

进一步，所述纤芯交替使用原则为：首先，将两条相邻纤芯C_i和C_j(i≠j)上的频谱资源分别划分为两个子区域S_i1、S_i2和S_j1、S_j2。在为业务分配频谱资源时，优先占用S_i1和S_j2上的资源，以此避免相邻纤芯上的频谱重叠，减小串扰。由于每条纤芯上的资源使用情况是随时间动态变化的，因此每个子区域的大小会根据业务量进行动态调整。特别地，鉴于七芯光纤中间的纤芯与其它六条纤芯都相邻，所以采用随机匹配的频谱分配方式。

本发明的有益效果在于：本发明所述方法利用机器学习中的Elman神经网络，预测业务的大小、到达时间及持续时间；将时间和频谱资源抽象成二维资源池，并综合考虑业务的大小和业务持续时间，将每个业务等效为一个矩形块；通过二维packing填充原则将业务矩形块填充至二维资源池，从而减小了网络中的频谱碎片，提高了网络资源利用率。此外，将每条纤芯上的频谱资源划分为两个子区域，在相邻纤芯之间交替使用每个子区域中的资源，并根据每条纤芯上的业务量动态调整每个子区域的大小，降低了纤芯之间串扰，提高了信号传输质量。

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为七芯光纤结构图；

图2为Elman神经网络架构图；

图3为二维时间-频谱资源池；

图4为频谱分区示例图；

图5为本发明所述方法的流程示意图。

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。

图5为本发明所述方法的流程示意图，在该方法中，利用机器学习方法中的Elman神经网络预测业务的大小、到达时间及持续时间；将时间和频谱资源抽象成二维资源池，并综合考虑业务的大小和业务持续时间，将每个业务等效为一个矩形块；最后，根据二维packing 填充原则将业务矩形块填充至二维资源池，从而减小了网络中的频谱碎片。此外，将每条纤芯上的频谱资源划分为两个子区域，在相邻纤芯之间交替使用每个子区域中的资源，并根据每条纤芯上的业务量动态调整每个子区域的大小，从而降低纤芯之间串扰。

具体来说：

一、七芯光纤结构

所采用的七芯光纤结构如图1(a)所示，七个纤芯的组合形式为正六边形。当相邻纤芯的相同频隙被占用时，就会导致芯间串扰，其中，中心纤芯的串扰最大，因为它会受到所有相邻纤芯的干扰。图1(b)所示为芯间串扰示例，由于在相邻的纤芯1和纤芯2中都使用了λ₁，所以纤芯1和纤芯2之间会发生串扰。由于纤芯1和纤芯2不相邻，即使他们都使用λ₂，它们之间的串扰忽略不计。

二、基于Elman神经网络的业务预测

Elman神经网络通过存储内部状态使其具备映射的动态特征功能，从而使系统具有适应时变特性的能力，因此机器学习中的Elman神经网络是用来预判SDM-EON中高度动态新业务属性的最佳选择。图2是用于业务预测的Elman神经网络模型，它由输入层、隐含层、输出层以及承接层构成，比BP神经网络多了一个承接层，可以对过去的状态进行存储，且在下一时间点与模型输入一同作为隐含层的输入，使模型具备动态记忆的能力，非常适合解决此类时间序列的预测问题。

输入层：输入层的节点输出x_i(k)等于节点输入net_i：

x_i(k)＝net_i i＝1,2 (1)

其中，k代表第k次迭代。

隐含层：隐含层的传输函数为sigmoid函数，即其节点输入和输出分别为：

其中，x_r(k)表示承接层的输出，net_j、x_j(k)分别代表隐含层的输入和输出。w_ij和w_rj分别代表输入层和隐含层、承接层和隐含层的连接权值。

承接层：承接层的节点输入和输出为：

x_r(k)＝x_j(k-1) (4)

输出层：输出层的节点输入和输出分别为：

y_o(k)＝f_i(net_o(k))＝net_o(k) (6)

其中，w_jo表示隐含层和输出层的连接权值，y_o(k)表示的神经网络的输出。

使用Elman神经网络进行业务预测的具体过程如下：

首先，初始化Elman神经网络各层连接权值，并输入业务相关属性的历史数据，接着计算各层(输入层、隐含层、承接层及输出层)的输出，最后计算误差函数，此时分为两种情况，第一种是误差值小于预先设定的阈值，此时直接输出预测值，另一种是误差值大于阈值，此时则需要一直更新连接权值，直到误差值小于阈值；

为了检验Elman神经网络的预测精度，收集http://noc.net.internet2.edu/网站中的数据对美国核心网两周内的流量负载变化。采用2周为训练更新周期，即将第1个星期中网络中的业务对神经网络进行训练，实现对第2周的网络业务预测。

三、基于二维Packing的资源分配方案

在空分复用弹性光网络中，光路的频繁建立和拆除导致网络中出现大量的频谱碎片，这些碎片很难被用来满足未来的连接请求，导致较高的阻塞率和较低的频谱利用率。因此，为了有效避免每条纤芯所产生的频谱碎片，必须设计高效的频谱分配方案。鉴于光路的动态拆建与其所承载的业务大小(频隙数为f)和持续时间(t_h)密切相关，可以综合考虑业务的大小和持续时间来有效规划光路的拆建过程，使得因光路拆建过程产生的频谱碎片最小化。在路由频谱分配阶段，为了同时考虑业务的大小和其持续时间，将每个业务等效为一个矩形块，其长和宽分别表示业务大小及其持续时间，每个矩形块的面积M的定义如下：

M_i＝f×n_th (10)

f，n_th分别代表业务所需的频隙和时隙，其计算公式如下：

其中，Φ表示业务的大小，L表示调制格式等级，t_h是业务的持续时间。

对于每条纤芯每个分区上的频谱资源，在一段时间(T)内考虑所有频隙资源构建时间- 频隙二维资源池，如图3所示，横轴表示频隙，纵轴表示业务的时隙。这时，资源分配问题就转换为在时间T内将矩形块(新到达网络的业务)填充至二维资源池。为了提高频谱资源利用率并有效避免频谱碎片的产生，需要将尽可能多的矩形块填入二维资源池。因此，采用二维矩形packing填充原则进行资源池的填充，最大化资源池的面积利用率。具体步骤如下：

步骤3：对较小的矩形块，使用二维Packing模型中的“穴度”[K.He,W.Huang,Y.Jin,“An efficient deterministic heuristic for two-dimensional rectangularpacking,”Computers and Operations Research,vol.39,no.7,pp.1355-1363.Jul.2012]在资源池中选择一个最佳的放置位置。

四、频谱分区方案

由于空分复用弹性光网络中采用多芯光纤，在与单芯光纤同样的结构中引入了更多的纤芯，所以纤芯与纤芯之间不可避免的存在串扰，特别是当相邻纤芯的相同频隙被占用时，就会产生严重的串扰。纤芯之间的串扰必然会导致传输信号的物理损伤，影响传输性能。因此，为了解决纤芯的串扰问题，设计一种频谱资源分区方案。

首先，假设每条纤芯上总的频隙为S，将两条相邻纤芯C_i和C_j(i≠j)上的频谱资源分别划分为两个子区域S_i1、S_i2和S_j1、S_j2，如图4(a)所示。每个分区的大小为：

S_i1＝S_j1＝α_tS (7)

S_i2＝S_j2＝(1-α_t)S (8)

α_t表示子区域所占总的频隙的比重。在为业务分配频谱资源时，优先占用S_i1和S_j2上的资源，以此避免相邻纤芯上的频谱重叠，从而减小串扰。随着业务的动态建立与拆除，每条纤芯上的资源使用情况会随时间动态变化，因此每个子区域的大小会根据业务量进行动态调整。假设H_it和H_jt分别代表t时刻纤芯C_i和C_j上的业务量，α_t的计算公式如下：

图4(b)所示为随着(a)图中业务的拆建，动态调整α_t后的分区示意图。特别地，鉴于七芯光纤处于中间位置的纤芯与其它六条纤芯都相邻，所以在此纤芯上采用随机匹配的频谱分配方式。

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

1.一种基于机器学习的频谱碎片避免方法，其特征在于：在该方法中，利用机器学习方法中的Elman神经网络预测业务的大小、到达时间及持续时间；将时间和频谱资源抽象成二维资源池，并综合考虑业务的大小和业务持续时间，将每个业务等效为一个矩形块；最后，根据二维packing填充原则将业务矩形块填充至二维资源池，从而减小了网络中的频谱碎片。此外，将每条纤芯上的频谱资源划分为两个子区域，在相邻纤芯之间交替使用每个子区域中的资源，并根据每条纤芯上的业务量动态调整每个子区域的大小，从而降低纤芯之间串扰。

2.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：在本方法中，所述基于Elman神经网络的业务预测过程为：首先，对Elman神经网络模型进行初始化，然后将业务大小、业务到达时间及持续时间的历史数据输入到神经网络中进行模型的训练，接着根据输入的业务历史数据信息计算各层(输入层、隐含层、承接层及输出层)的输出，最后计算误差函数，此时分为两种情况，第一种是误差值小于预先设定的阈值，此时直接输出预测到的业务大小、业务到达时间及持续时间，另一种是误差值大于阈值，此时则需要一直更新连接权值，直到误差值小于阈值才输出预测值(业务大小、业务到达时间及持续时间)。

3.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：在本方法中所述的二维Packing填充原则主要分为3步：

步骤3：对较小的矩形块，使用二维Packing模型中的“穴度”[K.He,W.Huang,Y.Jin,“Anefficient deterministic heuristic for two-dimensional rectangular packing,”Computers and Operations Research,vol.39,no.7,pp.1355-1363.Jul.2012]在资源池中选择一个最佳的放置位置。

4.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：所述交替使用原则为：首先，将两条相邻纤芯C_i和C_j(i≠j)上的频谱资源分别划分为两个子区域S_i1、S_i2和S_j1、S_j2。在为业务分配频谱资源时，优先占用S_i1和S_j2上的资源，以此避免相邻纤芯上的频谱重叠，从而减小串扰。随着业务的动态建立与拆除，每条纤芯上的资源使用情况会随时间动态变化，因此每个子区域的大小会根据业务量进行动态调整。特别地，鉴于七芯光纤处于中间位置的纤芯与其它六条纤芯都相邻，所以在此纤芯上采用随机匹配的频谱分配方式。