CN111683010A - 基于光缆网光路的双路由的生成方法及装置 - Google Patents

基于光缆网光路的双路由的生成方法及装置 Download PDF

Info

Publication number
CN111683010A
CN111683010A CN202010455316.5A CN202010455316A CN111683010A CN 111683010 A CN111683010 A CN 111683010A CN 202010455316 A CN202010455316 A CN 202010455316A CN 111683010 A CN111683010 A CN 111683010A
Authority
CN
China
Prior art keywords
node
route
nodes
equipment
sample
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.)
Granted
Application number
CN202010455316.5A
Other languages
English (en)
Other versions
CN111683010B (zh
Inventor
林涛
李晁铭
杨鹤鸣
陈华荣
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.)
Guangdong Planning and Designing Institute of Telecommunications Co Ltd
Original Assignee
Guangdong Planning and Designing Institute of Telecommunications Co Ltd
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 Guangdong Planning and Designing Institute of Telecommunications Co Ltd filed Critical Guangdong Planning and Designing Institute of Telecommunications Co Ltd
Priority to CN202010455316.5A priority Critical patent/CN111683010B/zh
Publication of CN111683010A publication Critical patent/CN111683010A/zh
Application granted granted Critical
Publication of CN111683010B publication Critical patent/CN111683010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/24—Multipath
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/128—Shortest path evaluation for finding disjoint paths
    • H04L45/1287—Shortest path evaluation for finding disjoint paths with disjoint nodes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0073—Provisions for forwarding or routing, e.g. lookup tables

Landscapes

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

Abstract

本发明公开了一种基于光缆网光路的双路由的生成方法及装置，该方法包括根据区域的所有设备节点的节点图和局向光纤组同沟同缆数据设置强化学习环境；将所有设备节点对应的节点数据转换成邻接矩阵，将邻接矩阵和局向光纤组同沟同缆数据输入信息无损压缩模型进行分析，得到稠密信息张量；根据强化学习环境和确定出的主路由的起始设备节点对应的节点数据与主路由的终止设备节点对应的节点数据初始化稠密信息张量，得到第一稠密信息张量；将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，得到所有设备节点对应的双路由生成结果。可见，实施本发明能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用。

Description

基于光缆网光路的双路由的生成方法及装置
技术领域
本发明涉及通信技术领域，尤其涉及一种基于光缆网光路的双路由的生成方法及装置。
背景技术
近年来随着“光网全覆盖”、“宽带提速”工作的基本完成，用户对网络速度和安全性的要求越来越高，因此，通信运营商迫切需要掌握光缆核心网络、城市城域网、城市接入网三个层次网络的健壮性情况，并及时发起网络优化排除故障隐患，以提高用户服务感知和用户满意度。
实际应用中，光网资源网络健壮性分析、网络路由优化、网络路由配置成为通信运营商的常规重要工作。目前光缆网网络节点、光缆资源众多，组网方式纷繁，现有承载业务情况复杂，光网资源利用率不均衡。目前，为了实现光源资源利用率的均衡，一般是依靠人工专家依据其多年的经验进行网络局部的最优配置，但这种配置方法只适用于单条路由的最优搜索配置，而对于双路由，即主路由和保护路由，同时配置的情况，不能保证双路由同时最优的需求，这仍然不能实现光网资源的充分利用，尤其更不能满足目前复杂网络配置业务的需要。可见，如何实现双路由的最优配置，以实现光网资源的充分利用显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种基于光缆网光路的双路由的生成方法及装置，能够通过训练出的双路由搜索模型并结合起始设备节点和终止设备节点，能够获取到最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用。
为了解决上述技术问题，本发明实施例第一方面公开了一种基于光缆网光路的双路由的生成方法，所述方法包括：
根据获取到某一区域的所有设备节点对应的节点图和所有所述设备节点对应的局向光纤组同沟同缆数据设置所有所述设备节点对应的强化学习环境；
将所有所述设备节点对应的节点数据转换成邻接矩阵，并将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，以及获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量；
根据所述强化学习环境和确定出的主路由的起始设备节点对应的节点数据与所述主路由的终止设备节点对应的节点数据初始化所述稠密信息张量，得到第一稠密信息张量，所述起始设备节点和所述终止设备节点为所有所述设备节点中两个不同的设备节点；
将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果；
其中，所述双路由生成结果包括所述主路由和保护路由，所述主路由的所有设备节点与所述保护路由的所有设备节点之和等于所述某一区域的所有所述设备节点，且所述主路由的所有设备节点与所述保护路由的所有设备节点互不相同。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所有所述设备节点对应的节点数据转换成所有所述设备节点对应的邻接矩阵，包括：
根据每个所述设备节点对应的节点数据对该设备节点进行编码，得到每个所述设备节点对应的数值编码；
将所有所述数值编码按照升序排序构成所有所述设备节点对应的邻接矩阵；
其中，当每两个所述设备节点之间是连通的，其在所述邻接矩阵对应的位置设置为第一预设值，当每两个所述设备节点之间是不连通的，其在所述邻接矩阵对应的位置设置为第二预设值，所述第一预设值与所述第二预设值不相同。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量，包括：
将所述邻接矩阵转换为所有所述设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化所述编码二元组集合，得到信息张量；
基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量。
作为一种可选的实施方式，在本发明实施例第一方面中，所述基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量，包括：
基于预先确定出的拼接转换编码方法更新所述信息张量的第一层矩阵，所述第一层矩阵中的数值为按照所述编码二元组集合中的数值顺序将所述编码二元组集合的所有数值从预设赋值方式赋值到所述信息张量得到的；
基于所述局向光纤组同沟同缆数据按预先确定出的数值填充顺序对所述第一层矩阵中的预设值沿着层维度填充与所述局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成所述信息张量除所述第一层矩阵其他所有层矩阵的更新，得到所有所述设备节点的稠密信息张量，所述层维度用于存储所述局向光纤组同沟同缆数据。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果，包括：
将所述第一稠密信息张量输入确定出的双路由搜索模型中，并基于所述双路由搜索模型提取所述第一稠密信息张量的目标特征；
基于所述双路由搜索模型的全连接层处理所述目标特征，得到下一步最优节点，并基于所述下一步最优节点以及所述强化学习环境更新所述第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入所述双路由搜索模型中进行分析的操作，该稠密信息张量为所述第二稠密信息张量，直至所述双路由搜索模型输出的最优节点为所述起始设备节点或所述双路由搜索模型输出的最优节点违背业务逻辑，其中，所述违背业务逻辑用于表示所述最优节点没有下一可达设备节点；
以所述起始设备节点为起始点，将所述起始设备节点以及所有所述最优节点按照节点得到的先后顺序进行排列，得到所有所述设备节点对应的双路由生成结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：
基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有所述样本设备节点对应的样本局向光纤组同沟同缆数据设置所有所述样本设备节点对应的样本强化学习环境；
将所述样本节点图以及所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据；
基于所述样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，并确定所述训练后的DQN算法模型为预先确定出的双路由搜索模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述样本节点图以及所有所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据，包括：
基于所述样本节点图和所有所述样本局向光纤组同沟同缆数据，确定每个所述样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个所述样本设备节点开始，按深度优先策略逐个搜索每个所述样本设备节点的双路由数据。
本发明实施例第二方面公开了一种基于光缆网光路的双路由的生成装置，所述生成装置包括设置模块、转换模块、第一分析模块以及初始化模块，其中：
所述设置模块，用于根据获取到某一区域的所有设备节点对应的节点图和所有所述设备节点对应的局向光纤组同沟同缆数据设置所有所述设备节点对应的强化学习环境；
所述转换模块，用于将所有所述设备节点对应的节点数据转换成邻接矩阵；
所述第一分析模块，用于将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量；
所述初始化模块，用于根据所述强化学习环境和确定出的主路由的起始设备节点的节点数据与所述主路由的终止设备节点的节点数据初始化所述稠密信息张量，得到第一稠密信息张量，所述起始设备节点和所述终止设备节点为所有所述设备节点中两个不同的设备节点；
所述第一分析模块，还用于将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果；
其中，所述双路由生成结果包括所述主路由和保护路由，所述主路由的所有设备节点与所述保护路由的所有设备节点之和等于所述某一区域的所有所述设备节点，且所述主路由的所有设备节点与所述保护路由的所有设备节点互不相同。
作为一种可选的实施方式，在本发明实施例第二方面中，所述转换模块将所有所述设备节点对应的节点数据转换成所有所述设备节点对应的邻接矩阵的具体方式为：
根据每个所述设备节点对应的节点数据对该设备节点进行编码，得到每个所述设备节点对应的数值编码；
将所有所述数值编码按照升序排序构成所有所述设备节点对应的邻接矩阵；
其中，当每两个所述设备节点之间是连通的，其在所述邻接矩阵对应的位置设置为第一预设值，当每两个所述设备节点之间是不连通的，其在所述邻接矩阵对应的位置设置为第二预设值，所述第一预设值与所述第二预设值不相同。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第一分析模块将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量的具体方式为：
将所述邻接矩阵转换为所有所述设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化所述编码二元组集合，得到信息张量；
基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第一分析模块基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量的具体方式为：
基于预先确定出的拼接转换编码方法更新所述信息张量的第一层矩阵，所述第一层矩阵中的数值为按照所述编码二元组集合中的数值顺序将所述编码二元组集合的所有数值从预设赋值方式赋值到所述信息张量得到的；
基于所述局向光纤组同沟同缆数据按预先确定出的数值填充顺序对所述第一层矩阵中的预设值沿着层维度填充与所述局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成所述信息张量除所述第一层矩阵其他所有层矩阵的更新，得到所有所述设备节点的稠密信息张量，所述层维度用于存储所述局向光纤组同沟同缆数据。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第一分析模块将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果的具体方式为：
将所述第一稠密信息张量输入确定出的双路由搜索模型中，并基于所述双路由搜索模型提取所述第一稠密信息张量的目标特征；
基于所述双路由搜索模型的全连接层处理所述目标特征，得到下一步最优节点，并基于所述下一步最优节点以及所述强化学习环境更新所述第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入所述双路由搜索模型中进行分析的操作，该稠密信息张量为所述第二稠密信息张量，直至所述双路由搜索模型输出的最优节点为所述起始设备节点或所述双路由搜索模型输出的最优节点违背业务逻辑，其中，所述违背业务逻辑用于表示所述最优节点没有下一可达设备节点；
以所述起始设备节点为起始点，将所述起始设备节点以及所有所述最优节点按照节点得到的先后顺序进行排列，得到所有所述设备节点对应的双路由生成结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述生成装置还包括第二分析模块、训练模块以及确定模块，其中：
所述设置模块，还用于基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有所述样本设备节点对应的样本局向光纤组同沟同缆数据设置所有所述样本设备节点对应的样本强化学习环境；
所述第二分析模块，用于将所述样本节点图以及所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据；
所述训练模块，用于基于所述样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型；
所述确定模块，用于确定所述训练后的DQN算法模型为预先确定出的双路由搜索模型。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第二分析模块将所述样本节点图以及所有所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据的具体方式为：
基于所述样本节点图和所有所述样本局向光纤组同沟同缆数据，确定每个所述样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个所述样本设备节点开始，按深度优先策略逐个搜索每个所述样本设备节点的双路由数据。
本发明第三方面公开了另一种基于光缆网光路的双路由的生成装置，所述生成装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的一种基于光缆网光路的双路由的生成方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的一种基于光缆网光路的双路由的生成方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，提供了一种基于光缆网光路的双路由的生成方法及装置，该方法包括根据获取到某一区域的所有设备节点对应的节点图和所有设备节点对应的局向光纤组同沟同缆数据设置所有设备节点对应的强化学习环境；将所有设备节点对应的节点数据转换成邻接矩阵，并将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，以及获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量；根据强化学习环境和确定出的主路由的起始设备节点对应的节点数据与主路由的终止设备节点对应的节点数据初始化稠密信息张量，得到第一稠密信息张量，起始设备节点和终止设备节点为所有设备节点中两个不同的设备节点；将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果；其中，双路由生成结果包括主路由和保护路由，主路由的所有设备节点与保护路由的所有设备节点之和等于某一区域的所有所述设备节点，且主路由的所有设备节点与保护路由的所有设备节点互不相同。可见，实施本发明实施例通过设置所有设备节点的强化学习环境以及获取所有设备节点的稠密信息张量，并基于该强化学习环境以及稠密信息张量以及结合训练出的双路由搜索模型并结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用；以及通过结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够减少因光路的跳点深度增加而导致降低双路由的生成效率的情况发生，提高了全网最优的双路由生成结果的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于光缆网光路的双路由的生成方法的流程示意图；
图2是本发明实施例公开的另一种基于光缆网光路的双路由的生成方法的流程示意图；
图3是本发明实施例公开的一种基于光缆网光路的双路由的生成装置的结构示意图；
图4是本发明实施例公开的另一种基于光缆网光路的双路由的生成装置的结构示意图；
图5是本发明实施例公开的又一种基于光缆网光路的双路由的生成装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于光缆网光路的双路由的生成方法及装置，能够通过设置所有设备节点的强化学习环境以及获取所有设备节点的稠密信息张量，并基于该强化学习环境以及稠密信息张量以及结合训练出的双路由搜索模型并结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用；以及通过结合主路由起始设备节点的节点数据以及终止设备节点的节点数据，能够减少因光路的跳点深度增加而导致降低双路由的生成效率的情况发生，提高了全网最优的双路由生成结果的效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于光缆网光路的双路由的生成方法的流程示意图。如图1所示，该基于光缆网光路的双路由的生成方法可以包括以下操作：
101、根据获取到某一区域的所有设备节点对应的节点图和所有设备节点对应的局向光纤组同沟同缆数据设置所有设备节点对应的强化学习环境。
本发明实施例中，某一区域为任意一个需要安装有网络的区域，例如：学校校区、校区、商业区、商业大楼等。
本发明实施例中，所有设备节点为某一区域的全网设备节点。
本发明实施例中，局向光纤组同沟同缆数据包括但不限于业务等级、光缆利用率、网络层级分类以及光跳点情况中的至少一种，本发明实施例不做限定。
本发明实施例中，强化学习环境(又称为再励学习、评价学习或增强学习)包括但不限于奖励机制、状态初始化、状态更新逻辑和失败处理等环境中的至少一种，本发明实施例不做限定。其中，如果两个设备节点是直接通过相同的光缆进行连通的，则可以设置这两个设备节点的动作奖励为1；如果两个设备节点不是直接通过相同的光缆进行连通的，则可以设置这两个设备节点的动作奖励为0。状态初始化为根据起始设备节点的节点数据和终止设备节点的节点数据设置状态中相关位置的数值。状态更新逻辑主要是根据给定动作变更状态对象，突出状态对象中设备节点连通特征，并且当设备节点连通结果违背业务逻辑时，此时为双路由生成失败，需要重置状态对象的处理。
102、将所有设备节点对应的节点数据转换成邻接矩阵，并将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，以及获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量。
本发明实施例中，所有设备节点对应的节点数据包括所有设备节点中每个设备节点在光链路中的所在的位置。
本发明实施例中，作为一种可选的实施方式，将所有设备节点对应的节点数据转换成所有设备节点对应的邻接矩阵，包括：
根据每个设备节点对应的节点数据对该设备节点进行编码，得到每个设备节点对应的数值编码；
将所有数值编码按照升序排序构成所有设备节点对应的邻接矩阵；
其中，当每两个设备节点之间是连通的，其在邻接矩阵对应的位置设置为第一预设值(非0，例如：1等)，当每两个设备节点之间是不连通的，其在邻接矩阵对应的位置设置为第二预设值(例如：0等)，且第一预设值与第二预设值不相同。
该可选的实施方式中，该节点数据包括对应设备节点与其他设备节点之间的连通关系和/或对应的节点位置。这样通过邻接矩阵的数值来表示设备节点之间的关系，可以直观反映全网各设备节点之间的连通信息。
该可选的实施方式中，可选的，根据每个设备节点对应的节点数据对该设备节点进行编码，包括：
判断两个设备节点之间是否存在预设条数(例如：3条)的局向光纤，若是，则对该两个设备节点设置多个不同的编码，若否，则设置一个编码。这样能够保证每个局向光纤与设备节点编码能够一一对应。
可见，该可选的实施方式通过对每个设备节点的节点数据进行编码，能够实现所有设备节点对应的邻接矩阵的获取，且提高了获取效率。
本发明实施例中，作为一种可选的实施方式，将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量，包括：
将邻接矩阵转换为所有设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化编码二元组集合，得到信息张量；
基于局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新信息张量，得到所有设备节点的稠密信息张量。
本发明实施例中，将邻接矩阵转换为所有设备节点对应的编码二元组集合，具体的：获取邻接矩阵G中每一个非0位置对应的两个设备节点编码codei和codej，两者构成二元组(codei,codej)，G中所有二元组共同构成二元组集合
Figure BDA0002509142630000091
其中m表示设备节点总编码数目，按照codei,codej的顺序对集合
Figure BDA0002509142630000092
中的二元组升序排序。
本发明实施例中，基于确定出的初始化算法初始化编码二元组集合，得到信息张量，具体的：基于向上取整函数ceil构造邻接矩阵的行数和列数为层数为局向光纤组同沟同缆数据中同沟同缆关系数的最大值+1的三维全0张量D，以此作为信息张量。
该可选的实施方式中，进一步可选的，基于局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新信息张量，得到所有设备节点的稠密信息张量，包括：
基于预先确定出的拼接转换编码方法更新信息张量的第一层矩阵，第一层矩阵中的数值为按照编码二元组集合中的数值顺序将编码二元组集合的所有数值从预设赋值方式赋值到信息张量得到的；
基于局向光纤组同沟同缆数据按预先确定出的数值填充顺序对第一层矩阵中的预设值沿着层维度填充与局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成信息张量除第一层矩阵其他所有层矩阵的更新，得到所有设备节点的稠密信息张量，该层维度用于存储局向光纤组同沟同缆数据。
该可选的实施方式中，具体的，利用确定出的拼接转换编码方法处理集合
Figure BDA0002509142630000096
中的每一个二元组，具体对二元组中两个节点编码分别进行二进制数值转换，然后再将两个二进制数值结果拼接成一个二进制数值，再转换成十进制，得到信息张量的第一层矩阵；
根据局向光纤组同沟同缆数据，对第一层矩阵中每一个非0编码数值沿着层维度按顺序填充与该局向光纤有同沟同缆关系的非0编码数值。
其中，信息张量的第一层矩阵A：
Figure BDA0002509142630000094
式中，A表示信息张量的第一层矩阵，int表示十进制转换函数，bin表示二进制转换函数，
Figure BDA0002509142630000095
表示二进制数值拼接运算。
此时每个二元组都通过拼接转换编码方法得到对应的编码数值，按二元组在集合
Figure BDA0002509142630000097
中的顺序将对应编码数值从左到右、从上到下赋值到三维张量D的第一层矩阵中，从而完成第一层矩阵数值更新，其中每一个非0编码数值就包含两个设备节点及连通关系信息。
可见，该可选的实施方式通过信息无损压缩算法处理邻接矩阵和局向光纤组同沟同缆数据，重构所有设备节点的矩阵，使两者整合成三维的稠密关系张量，所得到的稠密关系张量降低了邻接矩阵的尺寸大小，节省数据的存储空间，整合了设备节点连通信息和局向光纤组同沟同缆数据，并且稠密信息张量中不存在大量表示无用信息的数值0，有利于提高稠密信息张量的初始化效率以及准确性，从而提高双路由生成结果的生成准确性以及效率；以及能够减少无效数据占用内存导致浪费内存的情况发生。
103、根据强化学习环境和确定出的主路由的起始设备节点对应的节点数据与主路由的终止设备节点对应的节点数据初始化稠密信息张量，得到第一稠密信息张量。
本发明实施例中，起始设备节点和终止设备节点为所有设备节点中两个不同的设备节点。
104、将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果。
本发明实施例中，双路由生成结果包括主路由和保护路由，主路由的所有设备节点与保护路由的所有设备节点之和等于某一区域的所有设备节点，且主路由的所有设备节点与保护路由的所有设备节点互不相同。
本发明实施例中，作为一种可选的实施方式，将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果，包括：
将第一稠密信息张量输入确定出的双路由搜索模型中，并基于双路由搜索模型提取第一稠密信息张量的目标特征；
基于双路由搜索模型的全连接层处理目标特征，得到下一步最优节点，并基于下一步最优节点以及强化学习环境更新第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入双路由搜索模型中进行分析的操作，该稠密信息张量为第二稠密信息张量，直至双路由搜索模型输出的最优节点为起始设备节点或双路由搜索模型输出的最优节点违背业务逻辑，其中，违背业务逻辑用于表示最优节点没有下一可达设备节点。
以起始设备节点为起始点，将起始设备节点以及所有最优节点按照节点得到的先后顺序进行排列，得到所有设备节点对应的双路由生成结果。
该可选的实施方式中，当没有生成双路由生成结果时，输出失败提示，该失败提示用于表示生成双路由生成结果失败。
该可选的实施方式中，具体的，基于双路由搜索模型的输入层获取稠密信息张量，作为双路由搜索模型的卷积层的输入变量D，传入卷积层中的Inception模块进行处理，Inception模块中的卷积核在输入变量D上进行滑动加权求和计算，该卷积核在滑动位置上的具体计算结果为：
Figure BDA0002509142630000101
式中，
Figure BDA0002509142630000102
表示卷积核在输入变量D的滑动位置(i,j)上的计算结果；W、H和C分别表示卷积核的宽度、高度和通道数，
Figure BDA0002509142630000103
表示卷积核中的权重参数，D表示卷积层的输入变量，Bconv表示卷积核偏置。
卷积核滑动到每个输入变量D都计算相应结果，得到单通道变量结果，多个不同尺寸的卷积核执行如上计算，得到的所有变量结果组合成多通道变量结果
Figure BDA0002509142630000111
经过激活函数f处理得到卷积层的输出变量
Figure BDA0002509142630000112
Figure BDA0002509142630000113
获取双路由搜索模型的卷积层的输出变量
Figure BDA0002509142630000114
作为双路由搜索模型的池化层的输入变量E，池化层的池化核在输入变量E上进行滑动处理。其中，该池化核可以执行最大池化或平均池化，当池化核执行最大池化时，则在滑动位置上以输入变量E中的最大值作为该滑动位置的输出；当池化核执行平均池化时，则在滑动位置上计算出输入变量E中的平均值作为该滑动位置的输出，池化核滑动到每个滑动位置都进行相同处理，得到双路由搜索模型的池化层的输出变量hpool。
将双路由搜索模型的池化层的输出变量hpoo1展开成1维向量h，以此作为双路由搜索模型的全连接层的输入向量F，全连接层中每个神经元对输入向量F进行加权求和，通过激活函数处理得到神经元输出结果
Figure BDA0002509142630000115
Figure BDA0002509142630000116
式中，
Figure BDA0002509142630000117
表示全连接层第i个神经元输出结果，f表示激活函数，wfull表示全连接层权重参数，h表示全连接层的输入向量，bfull表示全连接层偏置，J表示输入向量的维数，全连接层中所有神经元的输出结果组合成全连接层的输出向量o。
获取双路由搜索模型的全连接层的输出向量o，作为双路由搜索模型的输出层的输入向量G，经过Softmax函数计算处理，得到每个设备节点的Q值，选择最大Q值对应的设备节点作为输出层的输出：
Figure BDA0002509142630000118
式中，
Figure BDA0002509142630000119
表示输出层的输出结果，o表示输出层的输入向量。
可见，该可选的实施方式通过分步计算双路由搜索模型中的每一各层，有利于提高全网设备节点的双路由的生成结果的准确性以及效率，从而得到全网最优的双路由结果。
可见，实施图1所描述的基于光缆网光路的双路由的生成方法能够通过设置所有设备节点的强化学习环境以及获取所有设备节点的稠密信息张量，并基于该强化学习环境以及稠密信息张量以及结合训练出的双路由搜索模型并结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用；以及通过结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够减少因光路的跳点深度增加而导致降低双路由的生成效率的情况发生，提高了全网最优的双路由生成结果的效率。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于光缆网光路的双路由的生成方法的流程示意图。如图2所示，该基于光缆网光路的双路由的生成方法可以包括以下操作：
201、根据获取到某一区域的所有设备节点对应的节点图和所有设备节点对应的局向光纤组同沟同缆数据设置所有设备节点对应的强化学习环境。
202、将所有设备节点对应的节点数据转换成邻接矩阵，并将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，以及获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量。
203、根据强化学习环境和确定出的主路由的起始设备节点对应的节点数据与主路由的终止设备节点对应的节点数据初始化稠密信息张量，得到第一稠密信息张量。
204、基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有样本设备节点对应的样本局向光纤组同沟同缆数据设置所有样本设备节点对应的样本强化学习环境。
205、将样本节点图以及样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取随机搜索算法输出的搜索结果，作为样本区域对应的双路由数据。
本发明实施例中，作为一种可选的实施方式，将样本节点图以及所有样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取随机搜索算法输出的搜索结果，作为样本区域对应的双路由数据，包括：
基于样本节点图和所有样本局向光纤组同沟同缆数据，确定每个样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个样本设备节点开始，按深度优先策略逐个搜索每个样本设备节点的双路由数据。
本发明实施例中，初始化随机搜索算法的迭代计数器t＝1，并初始化当前设备节点pt-1为起始设备节点，以及初始化双路由数据为空栈S；
将当前设备节点pt-1入栈S，如果栈S的栈顶设备节点与栈底设备节点相同且栈S中设备节点个数等于预先确定出的节点数量(例如：100个等)，则算法结束；
获取当前设备节点pt-1的可行设备节点集合Pt-1，并在可行设备节点集合Pt-1内剔除栈S中非起始设备节点的可行设备节点，同时随机重排可行设备节点集合Pt-1；其中可行设备节点集合为当前设备节点通过局向光纤组关系找到的关联设备节点集合
判断可行设备节点集合Pt-1是否为空节点，若为空节点，则设置t＝t-1，从栈S移出栈顶设备节点，并重新执行上述的判断可行设备节点集合Pt-1是否为空节点的操作；
若判断出可行设备节点集合Pt-1不为空节点，抽出可行设备节点集合Pt-1中第一个可行设备节点，并设置t＝t+1，以及确定当前设备节点pt-1为可行设备节点，并重新执行上述的将当前设备节点pt-1入栈S的操作。
本发明实施例中，通过搜索每个设备节点的部分双路由数据，以达到平衡DQN算法模型在训练过程中每个设备节点正、负样本比例和各种跳点深度的双路由样本比例，从而有利于提高双路由搜索模型的生成准确性以及效率。
206、基于样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，并确定训练后的DQN算法模型为预先确定出的双路由搜索模型。
需要说明的是，步骤204也可以在发生在步骤201之前，或者和步骤201同时发生，本发明实施例不做限定。
本发明实施例中，基于样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，并确定训练后的DQN算法模型为预先确定出的双路由搜索模型，包括：
初始化DQN算法模型的模型参数，该模型参数包括DQN算法模型的经验记忆池容量N、主卷积神经网络Q权重参数以及目标卷积神经网络
Figure BDA0002509142630000131
权重参数中的至少一种，本发明实施例不做限定；
初始化DQN算法模型的迭代计数器T＝0，并按等概率从所有样本节点中随机选择一个样本设备节点作为当前样本设备节点pt-1；
基于样本强化学习环境生成当前样本设备节点的样本稠密信息张量Dt-1；
将稠密信息张量Dt-1输入主卷积神经网络Q中进行处理，按最大Q值策略输出下一样本设备节点pt；
基于样本强化学习环境根据下一样本设备节点pt更新样本稠密信息张量Dt，并返回相应奖励值r，组合成训练样本(Dt-1,pt,r,Dt)存入经验记忆池中；
基于加权抽样算法从经验记忆池中抽取训练样本
Figure BDA0002509142630000132
将训练样本中的
Figure BDA0002509142630000133
输入主卷积神经网络Q，并将
Figure BDA0002509142630000134
输入目标卷积神经网络
Figure BDA0002509142630000135
结合下一样本设备节点
Figure BDA0002509142630000136
和奖励值
Figure BDA0002509142630000137
计算出DQN算法的损失函数值Loss为：
Figure BDA0002509142630000138
式中，Loss表示DQN算法的损失函数值，η表示衰减因子；
基于Adam优化算法以及损失函数值Loss计算参数梯度，并基于反向传播更新主卷积神经网络Q中的权重参数；
判断DQN算法模型的迭代次数T是否大于等于目标卷积神经网络
Figure BDA0002509142630000139
的更新周期，若判断出DQN算法模型的迭代次数T大于等于目标卷积神经网络
Figure BDA00025091426300001310
的更新周期时，则将主卷积神经网络Q的权重参数复制到目标卷积神经网络
Figure BDA00025091426300001311
中；
若判断出DQN算法模型的迭代次数T不大于等于目标卷积神经网络
Figure BDA00025091426300001312
的更新周期时，判断迭代次数T是否大于等于预先确定出的最大迭代次数(例如：100次等)，当判断出迭代次数T不大于等于最大迭代次数时，设置T＝T+1，重新执行上述的按等概率从所有样本节点中随机选择一个样本设备节点作为当前样本设备节点pt-1，当判断出迭代次数T大于等于最大迭代次数时，直接结束本次流程。
该可选的实施方式中，进一步可选的，基于加权抽样算法从经验记忆池中抽取训练样本
Figure BDA0002509142630000141
包括：
统计经验记忆池中每个样本设备节点pi作为训练样本时，上一样本设备节点的频数npi，并基于经验记忆池的容量以及频数npi计算上一样本设备节点的频率
Figure BDA0002509142630000142
其中，pi表示第i个样本设备节点，N表示经验记忆池的容量；
计算每个样本设备节点的权重γpi为:
Figure BDA0002509142630000143
式中，M为样本设备节点的总数量。
根据所有样本设备节点的样本设备节点类型、样本设备节点对应的端口的空闲率设置每个样本设备节点的业务权重λpi，其中，样本设备节点类型包括骨干节点类型、汇聚节点类型以及接入节点类型中的至少一种；
计算该样本设备节点的最终权重wpi为：
Figure BDA0002509142630000144
根据每个样本设备节点的最终权重wpi随机抽取样本设备节点，在经验记忆池中该设备节点下的训练样本中随机抽取一个样本。
可见，本发明实施例通过基于DQN算法模型预先建立双路由搜索模型，有利于后续直接使用该双路由搜索模型，获取全网设备节点的最优双路由生成结果，得到最优的最优双路由生成结果，以及提高最优双路由生成结果的生成效率以及准确性。
在一个可选的实施例中，该基于光缆网光路的双路由的生成方法还可以包括以下操作：
在基于样本区域对应的双路由数据训练DQN算法模型的过程中，获取DQN算法模型输出的双路由数据；
将样本区域对应的双路由数据以及DQN算法模型输出的双路由数据转换为DQN算法模型的训练样本；
该可选的实施例中，基于样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，包括：
基于训练样本训练预先确定出的DQN算法模型，得到训练后的DQN算法模型。
该可选的实施例中，训练样本包括样本区域对应的双路由数据以及DQN算法模型输出的双路由数据。
该可选的实施例中，可选的，将样本区域对应的双路由数据以及DQN算法模型输出的双路由数据转换为DQN算法模型的训练样本，包括：
将样本区域对应的双路由数据以及DQN算法模型输出的双路由数据拆分成每两个邻接设备节点组成的分段数据，对每个分段数据通过样本强化学习环境和信息无损压缩算法生成上一设备节点、下一设备节点的稠密关信息张量Dt-1与Dt，以及分段数据的奖励r，结合下一设备节点pt共同组成DQN算法模型的训练样本x为：
x＝(Dt-1,pt,r,Dt)
将所有训练样本存入DQN算法的经验记忆池中。
可见，该可选的实施例通过在DQN算法模型子训练的过程中，将自身产生的数据作为训练数据，能够较为全面的数据，有利于提高DQN算法模型的训练准确性以及可靠性，从而提高双路由搜索模型的生成准确性以及可靠性。
207、将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果。
本发明实施例中，双路由生成结果包括主路由和保护路由，主路由的所有设备节点与保护路由的所有设备节点之和等于某一区域的所有设备节点，且主路由的所有设备节点与保护路由的所有设备节点互不相同。
本发明实施例中，针对步骤201-步骤203以及步骤207的相关描述请参阅实施例一中针对步骤101-步骤104的详细描述，本发明实施例不再赘述。
可见，实施图2所描述的基于光缆网光路的双路由的生成方法能够通过设置所有设备节点的强化学习环境以及获取所有设备节点的稠密信息张量，并基于该强化学习环境以及稠密信息张量以及结合训练出的双路由搜索模型并结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用；以及通过结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够减少因光路的跳点深度增加而导致降低双路由的生成效率的情况发生，提高了全网最优的双路由生成结果的效率。此外，还能够基于DQN算法模型预先建立双路由搜索模型，有利于后续直接使用该双路由搜索模型，获取全网设备节点的最优双路由生成结果，得到最优的最优双路由生成结果，以及提高最优双路由生成结果的生成效率以及准确性。
实施例三
本发明实施例公开的一种基于光缆网光路的双路由搜索模型的生成方法，该基于光缆网光路的双路由搜索模型生成方法可以包括以下操作：
步骤一：基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有样本设备节点对应的样本局向光纤组同沟同缆数据设置所有样本设备节点对应的样本强化学习环境。
步骤二：将样本节点图以及样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取随机搜索算法输出的搜索结果，作为样本区域对应的双路由数据。
步骤三：基于样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，并确定训练后的DQN算法模型为预先确定出的双路由搜索模型。
该设备节点下的训练样本中随机抽取一个样本。
需要说明的是，针对本发明实施例的相关描述请参阅实施例二中针对步骤204-步骤206的详细描述，本发明实施例不再赘述。
可见，本发明实施例通过基于DQN算法模型预先建立双路由搜索模型，有利于后续直接使用该双路由搜索模型，获取全网设备节点的最优双路由生成结果，得到最优的最优双路由生成结果，以及提高最优双路由生成结果的生成效率以及准确性。
实施例四
请参阅图3，图3是本发明实施例公开的一种基于光缆网光路的双路由的生成装置的结构示意图。如图3所示，该基于光缆网光路的双路由的生成装置可以包括设置模块301、转换模块302、第一分析模块303以及初始化模块304，其中：
设置模块301，用于根据获取到某一区域的所有设备节点对应的节点图和所有设备节点对应的局向光纤组同沟同缆数据设置所有设备节点对应的强化学习环境。
转换模块302，用于将所有设备节点对应的节点数据转换成邻接矩阵。
第一分析模块303，用于将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量。
初始化模块304，用于根据强化学习环境和确定出的主路由的起始设备节点的节点数据与主路由的终止设备节点的节点数据初始化稠密信息张量，得到第一稠密信息张量，起始设备节点和终止设备节点为所有设备节点中两个不同的设备节点。
第一分析模块303，还用于将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果。
其中，双路由生成结果包括主路由和保护路由，主路由的所有设备节点与保护路由的所有设备节点之和等于某一区域的所有设备节点，且主路由的所有设备节点与保护路由的所有设备节点互不相同。
可见，实施图3所描述的基于光缆网光路的双路由的生成装置能够通过设置所有设备节点的强化学习环境以及获取所有设备节点的稠密信息张量，并基于该强化学习环境以及稠密信息张量以及结合训练出的双路由搜索模型并结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够获取到全网最优的双路由生成结果，从而实现双路由的最优配置，以实现光网资源的充分利用；以及通过结合主路由的起始设备节点的节点数据以及终止设备节点的节点数据，能够减少因光路的跳点深度增加而导致降低双路由的生成效率的情况发生，提高了全网最优的双路由生成结果的效率。
在一个可选的实施例中，如图3所示，转换模块302将所有设备节点对应的节点数据转换成所有设备节点对应的邻接矩阵的具体方式为：
根据每个设备节点对应的节点数据对该设备节点进行编码，得到每个设备节点对应的数值编码；
将所有数值编码按照升序排序构成所有设备节点对应的邻接矩阵；
其中，当每两个设备节点之间是连通的，其在邻接矩阵对应的位置设置为第一预设值，当每两个设备节点之间是不连通的，其在邻接矩阵对应的位置设置为第二预设值，第一预设值与第二预设值不相同。
可见，实施图3所描述的基于光缆网光路的双路由的生成装置还能够通过对每个设备节点的节点数据进行编码，能够实现所有设备节点对应的邻接矩阵的获取，且提高了获取效率。
在另一个可选的实施例中，如图3所示，第一分析模块303将邻接矩阵和局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取信息无损压缩模型输出的分析结果，作为所有设备节点的稠密信息张量的具体方式为：
将邻接矩阵转换为所有设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化编码二元组集合，得到信息张量；
基于局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新信息张量，得到所有设备节点的稠密信息张量。
该可选的实施例中，可选的，第一分析模块303基于局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新信息张量，得到所有设备节点的稠密信息张量的具体方式为：
基于预先确定出的拼接转换编码方法更新信息张量的第一层矩阵，第一层矩阵中的数值为按照编码二元组集合中的数值顺序将编码二元组集合的所有数值从预设赋值方式赋值到信息张量得到的；
基于局向光纤组同沟同缆数据按预先确定出的数值填充顺序对第一层矩阵中的预设值沿着层维度填充与局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成信息张量除第一层矩阵其他所有层矩阵的更新，得到所有设备节点的稠密信息张量，层维度用于存储局向光纤组同沟同缆数据。
可见，实施图3所描述的基于光缆网光路的双路由的生成装置还能够通过信息无损压缩算法处理邻接矩阵和局向光纤组同沟同缆数据，重构所有设备节点的矩阵，使两者整合成三维的稠密关系张量，所得到的稠密关系张量降低了邻接矩阵的尺寸大小，节省数据的存储空间，整合了设备节点连通信息和局向光纤组同沟同缆数据，并且稠密信息张量中不存在大量表示无用信息的数值0，有利于提高稠密信息张量的初始化效率以及准确性，从而提高双路由生成结果的生成准确性以及效率；以及能够减少无效数据占用内存导致浪费内存的情况发生。
在又一个可选的实施例中，如图3所示，第一分析模块303将第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取双路由搜索模型输出的分析结果，作为所有设备节点对应的双路由生成结果的具体方式为：
将第一稠密信息张量输入确定出的双路由搜索模型中，并基于双路由搜索模型提取第一稠密信息张量的目标特征；
基于双路由搜索模型的全连接层处理目标特征，得到下一步最优节点，并基于下一步最优节点以及强化学习环境更新第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入双路由搜索模型中进行分析的操作，该稠密信息张量为第二稠密信息张量，直至双路由搜索模型输出的最优节点为起始设备节点或双路由搜索模型输出的最优节点违背业务逻辑，其中，违背业务逻辑用于表示最优节点没有下一可达设备节点；
以起始设备节点为起始点，将起始设备节点以及所有最优节点按照节点得到的先后顺序进行排列，得到所有设备节点对应的双路由生成结果。
可见，实施图3所描述的基于光缆网光路的双路由的生成装置还能够通过分步计算双路由搜索模型中的每一各层，有利于提高全网设备节点的双路由的生成结果的准确性以及效率，从而得到全网最优的双路由结果。
在又一个可选的实施例中，在图3所描述的基于光缆网光路的双路由的生成装置的结构示意图的基础上，该基于光缆网光路的双路由的生成装置可以包括第二分析模块305、训练模块306以及确定模块307,此时，该基于光缆网光路的双路由的生成装置可以如图4所示，图4为另一种基于光缆网光路的双路由的生成装置的结构示意图，其中：
设置模块301，还用于基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有样本设备节点对应的样本局向光纤组同沟同缆数据设置所有样本设备节点对应的样本强化学习环境。
第二分析模块305，用于将样本节点图以及样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取随机搜索算法输出的搜索结果，作为样本区域对应的双路由数据。
训练模块306，用于基于样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型。
确定模块307，用于确定训练后的DQN算法模型为预先确定出的双路由搜索模型。
可见，实施图4所描述的基于光缆网光路的双路由的生成装置能够通过基于DQN算法模型预先建立双路由搜索模型，有利于后续直接使用该双路由搜索模型，获取全网设备节点的最优双路由生成结果，得到最优的最优双路由生成结果，以及提高最优双路由生成结果的生成效率以及准确性。
在又一个可选的实施例中，如图4所示，第二分析模块305将样本节点图以及所有样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取随机搜索算法输出的搜索结果，作为样本区域对应的双路由数据的具体方式为：
基于样本节点图和所有样本局向光纤组同沟同缆数据，确定每个样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个样本设备节点开始，按深度优先策略逐个搜索每个样本设备节点的双路由数据。
可见，实施图4所描述的基于光缆网光路的双路由的生成装置还能够通过在DQN算法模型子训练的过程中，将自身产生的数据作为训练数据，能够较为全面的数据，有利于提高DQN算法模型的训练准确性以及可靠性，从而提高双路由搜索模型的生成准确性以及可靠性。
实施例五
请参阅图5，图5是本发明实施例公开的基于光缆网光路的双路由的生成装置。如图5所示，该生成装置可以包括：
存储有可执行程序代码的存储器501；
与存储器501耦合的处理器502；
处理器502调用存储器501中存储的可执行程序代码，用于执行实施例一或实施例二所描述的基于光缆网光路的双路由的生成方法中的步骤。
实施例六
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的基于光缆网光路的双路由的生成方法中的步骤。
实施例七
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的基于光缆网光路的双路由的生成方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于光缆网光路的双路由的生成方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (14)

1.一种基于光缆网光路的双路由的生成方法，其特征在于，所述方法包括：
根据获取到某一区域的所有设备节点对应的节点图和所有所述设备节点对应的局向光纤组同沟同缆数据设置所有所述设备节点对应的强化学习环境；
将所有所述设备节点对应的节点数据转换成邻接矩阵，并将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，以及获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量；
根据所述强化学习环境和确定出的主路由的起始设备节点对应的节点数据与所述主路由的终止设备节点对应的节点数据初始化所述稠密信息张量，得到第一稠密信息张量，所述起始设备节点和所述终止设备节点为所有所述设备节点中两个不同的设备节点；
将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果；
其中，所述双路由生成结果包括所述主路由和保护路由，所述主路由的所有设备节点与所述保护路由的所有设备节点之和等于所述某一区域的所有所述设备节点，且所述主路由的所有设备节点与所述保护路由的所有设备节点互不相同。
2.根据权利要求1所述的基于光缆网光路的双路由的生成方法，其特征在于，所述将所有所述设备节点对应的节点数据转换成所有所述设备节点对应的邻接矩阵，包括：
根据每个所述设备节点对应的节点数据对该设备节点进行编码，得到每个所述设备节点对应的数值编码；
将所有所述数值编码按照升序排序构成所有所述设备节点对应的邻接矩阵；
其中，当每两个所述设备节点之间是连通的，其在所述邻接矩阵对应的位置设置为第一预设值，当每两个所述设备节点之间是不连通的，其在所述邻接矩阵对应的位置设置为第二预设值，所述第一预设值与所述第二预设值不相同。
3.根据权利要求1或2所述的基于光缆网光路的双路由的生成方法，其特征在于，所述将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量，包括：
将所述邻接矩阵转换为所有所述设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化所述编码二元组集合，得到信息张量；
基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量。
4.根据权利要求3所述的基于光缆网光路的双路由的生成方法，其特征在于，所述基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量，包括：
基于预先确定出的拼接转换编码方法更新所述信息张量的第一层矩阵，所述第一层矩阵中的数值为按照所述编码二元组集合中的数值顺序将所述编码二元组集合的所有数值从预设赋值方式赋值到所述信息张量得到的；
基于所述局向光纤组同沟同缆数据按预先确定出的数值填充顺序对所述第一层矩阵中的预设值沿着层维度填充与所述局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成所述信息张量除所述第一层矩阵其他所有层矩阵的更新，得到所有所述设备节点的稠密信息张量，所述层维度用于存储所述局向光纤组同沟同缆数据。
5.根据权利要求1-4任一项所述的基于光缆网光路的双路由的生成方法，其特征在于，所述将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果，包括：
将所述第一稠密信息张量输入确定出的双路由搜索模型中，并基于所述双路由搜索模型提取所述第一稠密信息张量的目标特征；
基于所述双路由搜索模型的全连接层处理所述目标特征，得到下一步最优节点，并基于所述下一步最优节点以及所述强化学习环境更新所述第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入所述双路由搜索模型中进行分析的操作，该稠密信息张量为所述第二稠密信息张量，直至所述双路由搜索模型输出的最优节点为所述起始设备节点或所述双路由搜索模型输出的最优节点违背业务逻辑，其中，所述违背业务逻辑用于表示所述最优节点没有下一可达设备节点。
以所述起始设备节点为起始点，将所述起始设备节点以及所有所述最优节点按照节点得到的先后顺序进行排列，得到所有所述设备节点对应的双路由生成结果。
6.根据权利要求1-5任一项所述的基于光缆网光路的双路由的生成方法，其特征在于，所述方法还包括：
基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有所述样本设备节点对应的样本局向光纤组同沟同缆数据设置所有所述样本设备节点对应的样本强化学习环境；
将所述样本节点图以及所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据；
基于所述样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型，并确定所述训练后的DQN算法模型为预先确定出的双路由搜索模型。
7.根据权利要求6所述的基于光缆网光路的双路由的生成方法，其特征在于，所述将所述样本节点图以及所有所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据，包括：
基于所述样本节点图和所有所述样本局向光纤组同沟同缆数据，确定每个所述样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个所述样本设备节点开始，按深度优先策略逐个搜索每个所述样本设备节点的双路由数据。
8.一种基于光缆网光路的双路由的生成装置，其特征在于，所述生成装置包括设置模块、转换模块、第一分析模块以及初始化模块，其中：
所述设置模块，用于根据获取到某一区域的所有设备节点对应的节点图和所有所述设备节点对应的局向光纤组同沟同缆数据设置所有所述设备节点对应的强化学习环境；
所述转换模块，用于将所有所述设备节点对应的节点数据转换成邻接矩阵；
所述第一分析模块，用于将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量；
所述初始化模块，用于根据所述强化学习环境和确定出的主路由的起始设备节点对应的的节点数据与所述主路由的终止设备节点对应的节点数据初始化所述稠密信息张量，得到第一稠密信息张量；
所述第一分析模块，还用于将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果；
其中，所述双路由生成结果包括所述主路由和保护路由，所述主路由的所有设备节点与所述保护路由的所有设备节点之和等于所述某一区域的所有所述设备节点，且所述主路由的所有设备节点与所述保护路由的所有设备节点互不相同。
9.根据权利要求8所述的基于光缆网光路的双路由的生成装置，其特征在于，所述转换模块将所有所述设备节点对应的节点数据转换成所有所述设备节点对应的邻接矩阵的具体方式为：
根据每个所述设备节点对应的节点数据对该设备节点进行编码，得到每个所述设备节点对应的数值编码；
将所有所述数值编码按照升序排序构成所有所述设备节点对应的邻接矩阵；
其中，当每两个所述设备节点之间是连通的，其在所述邻接矩阵对应的位置设置为第一预设值，当每两个所述设备节点之间是不连通的，其在所述邻接矩阵对应的位置设置为第二预设值，所述第一预设值与所述第二预设值不相同。
10.根据权利要求8或9所述的基于光缆网光路的双路由的生成装置，其特征在于，所述第一分析模块将所述邻接矩阵和所述局向光纤组同沟同缆数据输入确定出的信息无损压缩模型中进行分析，并获取所述信息无损压缩模型输出的分析结果，作为所有所述设备节点的稠密信息张量的具体方式为：
将所述邻接矩阵转换为所有所述设备节点对应的编码二元组集合，并基于确定出的初始化算法初始化所述编码二元组集合，得到信息张量；
基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量。
11.根据权利要求10所述的基于光缆网光路的双路由的生成装置，其特征在于，所述第一分析模块基于所述局向光纤组同沟同缆数据以及确定出的矩阵更新算法更新所述信息张量，得到所有所述设备节点的稠密信息张量的具体方式为：
基于预先确定出的拼接转换编码方法更新所述信息张量的第一层矩阵，所述第一层矩阵中的数值为按照所述编码二元组集合中的数值顺序将所述编码二元组集合的所有数值从预设赋值方式赋值到所述信息张量得到的；
基于所述局向光纤组同沟同缆数据按预先确定出的数值填充顺序对所述第一层矩阵中的预设值沿着层维度填充与所述局向光纤组中具有同沟同缆关系的局向光纤的预设值，完成所述信息张量除所述第一层矩阵其他所有层矩阵的更新，得到所有所述设备节点的稠密信息张量，所述层维度用于存储所述局向光纤组同沟同缆数据。
12.根据权利要求8-11任一项所述的基于光缆网光路的双路由的生成装置，其特征在于，所述第一分析模块将所述第一稠密信息张量输入确定出的双路由搜索模型中进行分析，并获取所述双路由搜索模型输出的分析结果，作为所有所述设备节点对应的双路由生成结果的具体方式为：
将所述第一稠密信息张量输入确定出的双路由搜索模型中，并基于所述双路由搜索模型提取所述第一稠密信息张量的目标特征；
基于所述双路由搜索模型的全连接层处理所述目标特征，得到下一步最优节点，并基于所述下一步最优节点以及所述强化学习环境更新所述第一稠密信息张量，得到第二稠密信息张量，以及重复执行将稠密信息张量输入所述双路由搜索模型中进行分析的操作，该稠密信息张量为所述第二稠密信息张量，直至所述双路由搜索模型输出的最优节点为所述起始设备节点或所述双路由搜索模型输出的最优节点违背业务逻辑，其中，所述违背业务逻辑用于表示所述最优节点没有下一可达设备节点。
以所述起始设备节点为起始点，将所述起始设备节点以及所有所述最优节点按照节点得到的先后顺序进行排列，得到所有所述设备节点对应的双路由生成结果。
13.根据权利要求8-12任一项所述的基于光缆网光路的双路由的生成装置，其特征在于，所述生成装置还包括第二分析模块、训练模块以及确定模块，其中：
所述设置模块，还用于基于采集到的样本区域的所有样本设备节点对应的样本节点图以及和所有所述样本设备节点对应的样本局向光纤组同沟同缆数据设置所有所述样本设备节点对应的样本强化学习环境；
所述第二分析模块，用于将所述样本节点图以及所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据；
所述训练模块，用于基于所述样本区域对应的双路由数据训练预先确定出的DQN算法模型，得到训练后的DQN算法模型；
所述确定模块，用于确定所述训练后的DQN算法模型为预先确定出的双路由搜索模型。
14.根据权利要求13所述的基于光缆网光路的双路由的生成装置，其特征在于，所述第二分析模块将所述样本节点图以及所有所述样本局向光纤组同沟同缆数据输入预先确定出的随机搜索算法中进行分析，并获取所述随机搜索算法输出的搜索结果，作为所述样本区域对应的双路由数据的具体方式为：
基于所述样本节点图和所有所述样本局向光纤组同沟同缆数据，确定每个所述样本设备节点的跳点深度对应的需要搜索的样本数目；
基于确定出的随机搜索算法从每个所述样本设备节点开始，按深度优先策略逐个搜索每个所述样本设备节点的双路由数据。
CN202010455316.5A 2020-05-26 2020-05-26 基于光缆网光路的双路由的生成方法及装置 Active CN111683010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010455316.5A CN111683010B (zh) 2020-05-26 2020-05-26 基于光缆网光路的双路由的生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010455316.5A CN111683010B (zh) 2020-05-26 2020-05-26 基于光缆网光路的双路由的生成方法及装置

Publications (2)

Publication Number Publication Date
CN111683010A true CN111683010A (zh) 2020-09-18
CN111683010B CN111683010B (zh) 2022-07-05

Family

ID=72453468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010455316.5A Active CN111683010B (zh) 2020-05-26 2020-05-26 基于光缆网光路的双路由的生成方法及装置

Country Status (1)

Country Link
CN (1) CN111683010B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115322A (zh) * 2020-09-25 2020-12-22 平安科技（深圳）有限公司 用户分群方法、装置、电子设备及存储介质
CN114301827A (zh) * 2020-09-23 2022-04-08 中国电信股份有限公司 用于搜索光缆路由的方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103873363A (zh) * 2014-03-24 2014-06-18 华北电力大学（保定） 一种电力光纤通信网业务的双路由配置方法
CN104579775A (zh) * 2015-01-05 2015-04-29 国家电网公司 一种电力通信网光纤及光传输设备资源配置方法及设备
US20170076195A1 (en) * 2015-09-10 2017-03-16 Intel Corporation Distributed neural networks for scalable real-time analytics
CN106789628A (zh) * 2016-12-22 2017-05-31 浪潮通信信息系统有限公司 一种传输业务双路由分析方法
US20190012404A1 (en) * 2017-07-06 2019-01-10 International Business Machines Corporation Directed graph compression
CN111106999A (zh) * 2019-12-27 2020-05-05 国网江苏省电力公司信息通信分公司 一种ip-光网络通信业务联合分配方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103873363A (zh) * 2014-03-24 2014-06-18 华北电力大学（保定） 一种电力光纤通信网业务的双路由配置方法
CN104579775A (zh) * 2015-01-05 2015-04-29 国家电网公司 一种电力通信网光纤及光传输设备资源配置方法及设备
US20170076195A1 (en) * 2015-09-10 2017-03-16 Intel Corporation Distributed neural networks for scalable real-time analytics
CN106789628A (zh) * 2016-12-22 2017-05-31 浪潮通信信息系统有限公司 一种传输业务双路由分析方法
US20190012404A1 (en) * 2017-07-06 2019-01-10 International Business Machines Corporation Directed graph compression
CN111106999A (zh) * 2019-12-27 2020-05-05 国网江苏省电力公司信息通信分公司 一种ip-光网络通信业务联合分配方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YING HUANG,GUOLIANG WEI,YONGXIONG WANG: "《V–D D3QN: The Variant of Double Deep Q-Learning Network》", 《IEEE》 *
ZOUBIR MAMMERI: "《Reinforcement Learning Based Routing in》", 《IEEE》 *
唐寅，秦开宇，王国义，李宁: "《一种用于光通信网络质量保障的保护路由算法》", 《电子质量》 *
连亦承等: "一种面向负载均衡的电力OTN路由优化算法", 《广东电力》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301827A (zh) * 2020-09-23 2022-04-08 中国电信股份有限公司 用于搜索光缆路由的方法和装置
CN114301827B (zh) * 2020-09-23 2023-07-18 中国电信股份有限公司 用于搜索光缆路由的方法和装置
CN112115322A (zh) * 2020-09-25 2020-12-22 平安科技（深圳）有限公司 用户分群方法、装置、电子设备及存储介质
CN112115322B (zh) * 2020-09-25 2024-05-07 平安科技（深圳）有限公司 用户分群方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111683010B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
JP6952190B2 (ja) クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体
CN113259972B (zh) 基于无线通信网络数据仓库构建方法、系统、设备及介质
CN111683010B (zh) 基于光缆网光路的双路由的生成方法及装置
CN113705959B (zh) 网络资源分配方法及电子设备
CN111275172A (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN112101525A (zh) 一种通过nas设计神经网络的方法、装置和系统
CN106961343A (zh) 一种虚拟映射方法及装置
CN113326377B (zh) 一种基于企业关联关系的人名消歧方法及系统
CN110858973A (zh) 小区网络流量预测方法及装置
CN111881972B (zh) 一种黑产用户识别方法及装置、服务器、存储介质
CN113988464A (zh) 基于图神经网络的网络链路属性关系预测方法及设备
CN115146279A (zh) 程序漏洞检测方法、终端设备及存储介质
CN116108384A (zh) 一种神经网络架构搜索方法、装置、电子设备及存储介质
CN115659807A (zh) 一种基于贝叶斯优化模型融合算法对人才表现预测的方法
WO2020111423A1 (ko) 데이터 모델링을 위한 변수 자동생성방법 및 그 장치
CN113268485B (zh) 数据表关联分析方法、装置、设备及存储介质
CN112270058B (zh) 一种基于回声状态网络的光网络多信道传输质量预测方法
CN111881293B (zh) 一种风险内容识别方法及装置、服务器、存储介质
CN116204847A (zh) 一种计算图优化方法、装置及设备
CN115293056B (zh) 一种面向Modelica模型的多目标优化方法
CN117196033A (zh) 基于异构图神经网络的无线通信网络知识图谱表示学习方法
CN112200208B (zh) 基于多维度特征融合的云工作流任务执行时间预测方法
CN112988372B (zh) 确定硬件运算平台分配方式的方法和装置
CN109919203A (zh) 一种基于离散动态机制的数据分类方法及装置
CN115208818B (zh) 一种基于遗传算法的QoS选路方法

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