CN112383477A - 一种面向数据中心光网络的路由和频谱分配方法及装置 - Google Patents

Abstract

本发明公开了一种面向数据中心光网络的路由和频谱分配方法及装置，将每组业务流量整理成业务流量矩阵T；将业务流量矩阵T分别输入训练好的n×(n‑1)对数据中心间的路由分配神经网络，得到n×(n‑1)对数据中心间的业务流量的路由类别，n为整数；将业务流量矩阵T分别输入训练好的n×(n‑1)对数据中心间的频谱分配神经网络，得到n×(n‑1)对数据中心间的业务流量的频谱类别，n为整数；将n×(n‑1)对数据中心间的业务流量的路由类别、频谱类别进行整合。本发明保证一定的资源利用率的同时实现资源的高速分配，而且深度学习技术在解决复杂问题上有着突出表现，神经网络强大的学习能力能够自主学习到输入输出之间的复杂关系，且前向计算复杂度低，耗时少，具有很高的效率。

Description

一种面向数据中心光网络的路由和频谱分配方法及装置

技术领域

本发明涉及一种面向数据中心光网络的路由和频谱分配方法及装置，属于光网络通信技术领域。

背景技术

随着信息化社会的不断发展，人们对信息服务的需求量与日俱增，大量的高流量型应用应运而生，给数据中心光层网络资源分配带来了巨大的挑战。相比于采用固定栅格频谱分配方式的传统波分复用(Wavelength Division Multiplexing，WDM)光网络，在基于光正交频分复用(Optical Orthogonal Frequency Division Multiplexing，OOFDM)的弹性光网络(EONs)中，频谱资源得到了进一步细化，将频隙(Frequency Slot，FS)作为频谱分配的最基本单元，提供了更细粒度的频谱资源划分方式和更灵活的频谱资源分配方法，能够更好的实现带宽资源的按需分配，节约了带宽，使得网络的频谱效率得到了极大的提高。

因此，EONs有着非常好的应用前景。EONs中路由与频谱分配(RSA)问题是指，对于到来的业务请求，为其在源节点和宿节点之间选择合适的路径，并且根据业务需求在该路径上分配合适的频谱段，为数据中心网络中的所有业务请求建立连接。由于信号发射机的工作性质，在为某一业务请求分配合适的子频隙时，所分配的子频隙必须是连续的，这就是频谱连续性约束，即所分配的频谱资源必须是连续的。而在业务请求所经过的路径中的每条链路上，所分配的频隙位置必须相同，这就是频谱一致性约束。与传统WDM光网络中的路由和波长分配(Routing and Wavelength Allocation，RWA)问题相比，RSA问题的约束条件更加严格，求解更具挑战性。

静态RSA问题是指在已知一批业务请求的情况下，根据网络性能的优化目标，为每个业务请求分配合适的路由和频谱资源。求解静态RSA问题，以最小化所使用的频谱资源为目标，在网络规模较小的时候，多数研究采用整数线性规划(Integer LinearProgramming，ILP)模型。RSA问题已经被证明是一个NP-hard问题，当网络规模和业务请求数量的逐渐增加，若使用ILP模型进行求解，计算时间和复杂度都会随之迅速提高。在网络规模较大的时候，常用启发式算法为数据中心网络业务请求的路由和频谱资源分配问题返回相对优解。

现有的基于启发式算法的EONs资源分配，难以满足对未来数据中心网络的高吞吐量高速分配的要求，且启发式算法的建立需要大量的人工知识，对从业人员并不友好。本领域技术人员急需要解决业务流量的急速增长且形式愈加多样化，对光网络的带宽支撑提出了更高的要求的问题。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种面向数据中心光网络的路由和频谱分配方法及装置，用于解决数据中心在弹性光网络(Elastic opticalnetworks，EONs)中基于灵活栅格的路由和频谱资源分配(Routing and spectrumallocation，RSA)问题。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种面向数据中心光网络的路由和频谱分配方法，包括如下步骤：

将每组业务流量整理成业务流量矩阵T；

将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的路由分配神经网络，得到n×(n-1)对数据中心间的业务流量的路由类别，n为整数；

将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的频谱分配神经网络，得到n×(n-1)对数据中心间的业务流量的频谱类别，n为整数；

将n×(n-1)对数据中心间的业务流量的路由类别、频谱类别进行整合，完成整个光网络数据中心间业务流量的路由和频谱分配。

作为优选方案，所述业务流量矩阵T为每组业务流量中每条业务流量t_ij按照数据中心间的编号顺序进行排序得到的矩阵，业务流量矩阵T表达式如下：

i和j表示该条业务流量的源和目的分别为数据中心i和数据中心j，i，j∈[1，n]；n为光网络中数据中心的个数，数据中心编号为1到n；元素t_ij的值表示该条业务流量所需的子频隙数目，对角线元素为0，0表示没有流量的原地转发。

作为优选方案，所述n×(n-1)对数据中心间的路由分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略路由分配数据；

将每组静态RSA策略路由分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的路由矩阵R，路由矩阵R元素r_ij∈[0，K]，r_ij∈[0，K-1]表示给从数据中心i到数据中心j的业务流量所分配路由的编号，r_ij＝K则表示无可用路由，i，j∈[1，n]且i≠j；

将元素r_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

且i≠j，其中1代表有可用路由，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为路由向量标签组成深度学习算法中所需的数据集，利用数据集对路由分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

作为优选方案，所述n×(n-1)对数据中心间的频谱分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略频谱分配数据；

将每组静态RSA策略频谱分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的频谱矩阵S，频谱矩阵S元素s_ij∈[0，f]，s_ij∈[0，f-1]表示给从数据中心i到数据中心j的业务流量所分配的起始频谱位置编号，其中f是每条链路中总频隙数目，频谱按顺序编号0、1、…、f-1，s_ij＝f则表示无可用频谱资源，i，j∈[1，n]且i≠j；

将元素s_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

且i≠j，其中1代表有可用频谱资源，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为频谱向量标签组成深度学习算法中所需的数据集，利用数据集对频谱分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

作为优选方案，每对数据中心间的路由分配神经网络、频谱分配神经网络均在TensorFlow中完成搭建。

一种面向数据中心光网络的路由和频谱分配装置，包括如下模块：

第一模块：将每组业务流量整理成业务流量矩阵T；

第二模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的路由分配神经网络，得到n×(n-1)对数据中心间的业务流量的路由类别，n为整数；

第三模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的频谱分配神经网络，得到n×(n-1)对数据中心间的业务流量的频谱类别，n为整数；

第四模块：将n×(n-1)对数据中心间的业务流量的路由类别、频谱类别进行整合，完成整个光网络数据中心间业务流量的路由和频谱分配。

有益效果：本发明提供的一种面向数据中心光网络的路由和频谱分配方法及装置，与现有数据中心网络研究相比，首先，通过对EONs中的路由分配和频谱分配进行问题分解，形成多个子分类间题，降低了优化复杂度，并且引入深度学习技术用于解决EONs静态RSA中的子分类问题，深度学习具有较低的前向传播复杂度，可以高速高效生成静态RSA策略，满足数据中心网络高吞吐量的需求。其次，本发明通过现有网络启发式算法生成的RSA策略，结合网络流量数据，作为深度学习数据集进行训练和测试，充分利用已有的数据资源，不断完善和提升神经网络的稳定性、准确性等性能，使得网络不断地进行自优化。其优点如下：

本发明针对数据中心网络，通过基于深度学习的弹性光网络路由和频谱资源分配方法，以保证一定的资源利用率的同时实现资源高速分配。而深度学习技术在解决复杂问题上有着突出表现，神经网络强大的学习能力能够自主学习到输入输出之间的复杂关系，且前向计算复杂度低，耗时少，具有很高的效率。因此，本发明针对该问题提出基于深度学习的数据中心EONs静态路由和频谱分配方案，实现资源的高速分配。

附图说明

图1为路由分配问题分解示意图。

图2为方法分解示意图。

图3为分类任务中数据对应的向量标签。

图4为数据中心网络静态RSA策略生成流程图。

图5为本发明装置的结构示意图。

具体实施方式

下面结合具体实施例对本发明作更进一步的说明。

本发明的主要研究内容着眼于数据中心间弹性光网络静态资源分配问题，考虑将深度学习技术应用到弹性光网络中，为求解资源分配问题提供新思路。鉴于RSA问题的复杂性，RSA问题被分解为路由分配和频谱分配两个较为简单的子问题分别进行求解。路由分配需要为业务请求在源宿节点之间选择合适的路由，频谱分配需要为业务请求在选择的路径上分配合适的频谱资源。

路由分配中常使用K条固定候选路径，使用固定路由无需重复计算。每条链路上的频谱资源按照频隙从0开始进行顺序编号。静态RSA问题也就等价于，以最小化整个网络所使用的总频隙数为目标，根据整个数据中心网络的业务流量状态，为每条流量从K条候选路径中选取一条合适的路径并在该路径上分配可用的频隙号，从而建立连接。

一种面向数据中心光网络的路由和频谱分配方法及装置，包括如下步骤：

分类问题的构建

使用数据中心网络流量矩阵T作为深度学习神经网络的输入，具体形式如下，

其中n为网络中数据中心的个数，数据中心编号为1到n；元素t_ij中的下标i和j表示该条业务流量的源和目的分别为数据中心i和数据中心j，i，j∈[1，n]，元素t_ii的值表示该条业务流量所需的子频隙数目，对角线元素为0，0表示没有流量的原地转发。

路由分配中，根据整个流量矩阵T的信息和状态，从数据中心i到数据中心j的业务流量在网络中选择一条从数据中心i到数据中心j路由，若无路由就拒绝该条业务流量，直到完成为每条业务流量分配路由。使用K条最短候选路由，即为每对数据中心计算K条最短路由，最短路由按长度编号为0、1、…、K-1，使用r_ij来记录为流量分配的路由编号，那么在路由问题中，一个流量矩阵T就对应了一个路由矩阵R，其中路由矩阵元素r_ij∈[0，K]，r_ij∈[0，K-1]表示给从数据中心i到数据中心j的业务流量所分配路由的编号，r_ij＝K则表示无可用路由，即拒绝该条业务流量。

频谱分配中，根据整个流量矩阵T的信息和状态，在分配的路由上寻找可用的频谱段。每条流量所需子频隙数目是已知的，只需要确定所分配频谱段的起始位置即可，若无可用频谱段则拒绝该条业务流量。由此，在频谱分配中，一个流量矩阵T就对应了一个频谱矩阵S，频谱矩阵元素s_ij∈[0，f]，s_ij∈[0，f-1]表示给从数据中心i到数据中心j的业务流量所分配的起始频谱位置编号，其中f是每条链路中总频隙数目，频谱按顺序编号0、1、…、f-1，s_ij＝f则表示无可用频谱资源，即拒绝该条业务流量。

但是，如果在路由分配问题直接使用路由矩阵R作为输出标签，或者在频谱分配问题中直接使用频谱矩阵S作为输出标签，则需要构造具有n²个输入节点和n²个输出节点的神经网络架构，这会导致随着n的增长，网络规模变得异常庞大，RSA问题维度过高，优化难度大。另外，此时路由分配和频谱分配既不是分类问题也不是回归问题，并且没有合适的损失函数直接应用于它们。

如图1所示，为降低深度学习算法复杂度，减小优化难度，将路由分配问题和频谱分配问题进一步拆分为若干个并行子问题。在路由分配问题中，将路由矩阵中每一个位置的元素拆分出来，将路由矩阵R中元素r_ij转化为一维向量，作为每一个子问题中样本的输出标签。元素r_ij为一个取值范围为[0，K]的一维实数，利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

如图3所示，其中当元素值对应的向量最后一位元素为1时表示拒绝该条业务请求，此时路由分配问题的输出标签与分类任务形式相同，类别数目为K+1，利用深度学习技术解决每一个子分类问题。深度学习路由分类任务中每条样本的含义是，用流量矩阵表示整个网络的流量需求，根据流量矩阵，使用一个神经网络来确定某对数据中心之间的路由，而使用多个神经网络就可以确定多对数据中心之间的路由，从而完成每对数据中心之间的选路。

如图2、图4所示，具体来说，可以分为以下几个步骤：

1.得到静态RSA策略路由分配数据。

(1)生成候选路由。根据数据中心网络拓扑为每对数据中心节点生成K条固定最短候选路径，依次编号0、1、…、K-1。固定最短候选路径在业务流量到来前离线求得，无需在每组流量到来时重复求解。

(2)启发式算法求解RSA。利用启发式算法，为网络中的每对数据中心间的业务流量进行资源分配的求解，得到静态RSA策略路由分配数据，即为每条流量分配的路由编号。

2.整合和拆分数据，生成路由分类数据集。

(1)数据整合。将网络中的每组流量按照数据中心对的编号顺序进行排序，整理成流量矩阵T，如式(1)所示，根据流量矩阵，将对应的每组静态RSA策略路由分配数据，按照相同的数据中心对编号顺序整理成对应的路由矩阵R的形式。

(2)路由数据拆分整理。将路由矩阵R按对应元素位置进行拆分整理，将每条业务RSA中路由分配的求解转化为路由分类问题。对于路由分配拆分得到的子分类问题，每个路由子分类问题中的每条样本数据包括流量矩阵T和路由标签

如图3所示，

是整数型数据路由矩阵元素r_ij经过One-Hot编码得到的路由分类任务的路由向量标签。将流量矩阵T、拆分整理得到的每对数据中心间对应的路由标签

作为路由分配深度学习算法中所需的数据集。

3.神经网络训练。

将得到的路由分类数据集进行划分，使用80％的数据作为神经网络训练的训练集合，20％的数据作为测试集合。训练集合中的数据完成神经网络的训练，使用测试集合进行模型预测。对原始数据进行集合划分，也是为了防止模型的过拟合。神经网络在TensorFlow中完成搭建，训练过程依赖TensorFlow完成。

4.为新的业务流量生成路由策略。

当新一组业务流量到来时，将该组业务流量按照其源和目的数据中心对的编号顺序排序，整理成流量矩阵形式，同式(1)所示，作为神经网络的输入，利用训练好的路由分配神经网络，自动进行前向计算，在输出层输出为业务流量分配的路由类别，高速完成路由分配的决策。一个神经网络完成一对数据中心间的路由分类决策。不同数据中心间的业务流量有不同的路由特性和偏好，针对每对数据中心间业务流量的路由分配，使用对应的路由分类决策数据集进行训练。使用多个并行的神经网络完成整个网络中所有数据中心间业务的路由分配。

对于频谱分配问题，频谱矩阵S中的元素s_ij(s_ij∈[0,f])表示，根据整个网络流量需求状态和分配的路由，为数据中心对(i，j)分配的频谱段的起始位置。将频谱分配拆分成若干个分类问题，将频谱矩阵中的元素s_ij经one-hot编码后得到的一维向量

作为频谱分类问题中每条样本的输出标签，如图3所示，向量

中只有一个元素为1，其余元素均为0，其中当向量

最后一位元素为1时表示拒绝该条业务请求。此时频谱分配子问题的输出标签与分类任务标签形式相同，频谱分配子分类问题的类别数目为f+1。利用深度学习技术解决每个频谱分配子分类问题。

具体来说，可分为以下几个步骤：

1.得到静态RSA策略频谱数据。

利用启发式算法，为网络中每对数据中心间的业务流量进行资源分配求解，得到静态RSA策略频谱分配数据，即为每条流量分配的频谱段起始位置编号。

2.整合和拆分数据，生成频谱分类数据集。

(1)数据整合。将网络中的每组流量按照数据中心对的编号顺序进行排序，整理成流量矩阵T，如式(1)所示，根据流量矩阵，将对应的每组静态RSA策略频谱分配数据，按照相同的数据中心对编号顺序整理成对应的频谱矩阵S的形式。

(2)频谱数据拆分整理。将频谱矩阵S按对应元素位置进行拆分整理，将每条业务RSA中频谱分配的求解转化为频谱分类问题。对于频谱分配拆分得到的子分类问题，每个频谱子分类问题中的每条样本数据包括流量矩阵T和频谱标签

如图3所示，

是整数型数据频谱矩阵元素s_ij经过One-Hot编码得到的频谱分类任务的频谱向量标签。将流量矩阵T、拆分整理得到的每对数据中心间对应的频谱标签

作为频谱分配深度学习算法中所需的数据集。

3.神经网络训练。

将得到的频谱分类数据集进行划分，使用80％的数据作为神经网络训练的训练集合，20％的数据作为测试集合。训练集合中的数据完成神经网络的训练，使用测试集合进行模型预测。对原始数据进行集合划分，也是为了防止模型的过拟合。神经网络在TensorFlow中完成搭建，训练过程依赖TensorFlow完成。

4.为新的业务流量生成频谱策略。

当新一组业务流量到来时，将该组业务流量按照其源和目的数据中心对的编号顺序排序，整理成流量矩阵形式，同式(1)所示，作为神经网络的输入，利用训练好的频谱分配神经网络，自动进行前向计算，在输出层输出为业务流量分配的频谱类别，高速完成频谱分配的决策。一个神经网络完成一对数据中心间的频谱分类决策。不同数据中心间的业务流量有不同的频谱分配特性和偏好，针对每对数据中心间业务流量的频谱分配，使用对应的频谱分类决策数据集进行训练。使用多个并行的神经网络完成整个网络中所有数据中心间业务的频谱分配。

如图5所示，一种面向数据中心光网络的路由和频谱分配装置，包括如下模块：

第一模块：将每组业务流量整理成业务流量矩阵T；

第二模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的路由分配神经网络，得到n×(n-1)对数据中心间的业务流量的路由类别，n为整数；

第三模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的频谱分配神经网络，得到n×(n-1)对数据中心间的业务流量的频谱类别，n为整数；

第四模块：将n×(n-1)对数据中心间的业务流量的路由类别、频谱类别进行整合，完成整个光网络数据中心间业务流量的路由和频谱分配。

如此，路由分配和频谱分配两个分配问题拆分得到了多个分类问题，相比整体优化，单个分类问题的优化复杂度大大降低，而深度学习神经网络在分类问题上有着高速高效的出色表现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种面向数据中心光网络的路由和频谱分配方法，其特征在于：包括如下步骤：

将每组业务流量整理成业务流量矩阵T；

将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的路由分配神经网络，得到n×(n-1)对数据中心间的业务流量的路由类别，n为整数；

将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的频谱分配神经网络，得到n×(n-1)对数据中心间的业务流量的频谱类别，n为整数；

将n×(n-1)对数据中心间的业务流量的路由类别、频谱类别进行整合。

2.根据权利要求1所述的一种面向数据中心光网络的路由和频谱分配方法，其特征在于：所述业务流量矩阵T为每组业务流量中每条业务流量t_ij按照数据中心间的编号顺序进行排序得到的矩阵，业务流量矩阵T表达式如下：

i和j表示该条业务流量的源和目的分别为数据中心i和数据中心j，i，j∈[1，n]；n为光网络中数据中心的个数，数据中心编号为1到n；元素t_ij的值表示该条业务流量所需的子频隙数目，对角线元素为0，0表示没有流量的原地转发。

3.根据权利要求1所述的一种面向数据中心光网络的路由和频谱分配方法，其特征在于：所述n×(n-1)对数据中心间的路由分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略路由分配数据；

将每组静态RSA策略路由分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的路由矩阵R，路由矩阵R元素r_ij∈[0，K]，r_ij∈[0，K-1]表示给从数据中心i到数据中心j的业务流量所分配路由的编号，r_ij＝K则表示无可用路由，i，j∈[1，n]且i≠j；

将元素r_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

i，j∈[1，n]且i≠j，其中1代表有可用路由，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为路由向量标签组成深度学习算法中所需的数据集，利用数据集对路由分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

4.根据权利要求1所述的一种面向数据中心光网络的路由和频谱分配方法，其特征在于：所述n×(n-1)对数据中心间的频谱分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略频谱分配数据；

将每组静态RSA策略频谱分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的频谱矩阵S，频谱矩阵S元素s_ij∈[0，f]，s_ij∈[0，f-1]表示给从数据中心i到数据中心j的业务流量所分配的起始频谱位置编号，其中f是每条链路中总频隙数目，频谱按顺序编号0、1、…、f-1，s_ij＝f则表示无可用频谱资源，i，j∈[1，n]且i≠j；

将元素s_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

i，j∈[1，n]且i≠j，其中1代表有可用频谱资源，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为频谱向量标签组成深度学习算法中所需的数据集，利用数据集对频谱分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

5.根据权利要求1所述的一种面向数据中心光网络的路由和频谱分配方法，其特征在于：每对数据中心间的路由分配神经网络、频谱分配神经网络均在TensorFlow中完成搭建。

6.一种面向数据中心光网络的路由和频谱分配装置，其特征在于：包括如下模块：

第一模块：将每组业务流量整理成业务流量矩阵T；

第二模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的路由分配神经网络，得到n×(n-1)对数据中心间的业务流量的路由类别，n为整数；

第三模块：将业务流量矩阵T分别输入训练好的n×(n-1)对数据中心间的频谱分配神经网络，得到n×(n-1)对数据中心间的业务流量的频谱类别，n为整数；

第四模块：将n×(n-1)对数据中心间的业务流量的路由类别、频谱类别进行整合。

7.根据权利要求6所述的一种面向数据中心光网络的路由和频谱分配装置，其特征在于：所述业务流量矩阵T为每组业务流量中每条业务流量t_ij按照数据中心间的编号顺序进行排序得到的矩阵，业务流量矩阵T表达式如下：

i和j表示该条业务流量的源和目的分别为数据中心i和数据中心j，i，j∈[1，n]；n为光网络中数据中心的个数，数据中心编号为1到n；元素t_ij的值表示该条业务流量所需的子频隙数目，对角线元素为0，0表示没有流量的原地转发。

8.根据权利要求6所述的一种面向数据中心光网络的路由和频谱分配装置，其特征在于：所述n×(n-1)对数据中心间的路由分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略路由分配数据；

将每组静态RSA策略路由分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的路由矩阵R，路由矩阵R元素r_ij∈[0，K]，r_ij∈[0，K-1]表示给从数据中心i到数据中心j的业务流量所分配路由的编号，r_ij＝K则表示无可用路由，i，j∈[1，n]且i≠j；

将元素r_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

i，j∈[1，n]且i≠j，其中1代表有可用路由，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为路由向量标签组成深度学习算法中所需的数据集，利用数据集对路由分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

9.根据权利要求6所述的一种面向数据中心光网络的路由和频谱分配装置，其特征在于：所述n×(n-1)对数据中心间的频谱分配神经网络训练过程如下：

将光网络中每对数据中心间的业务流量，利用启发式算法进行资源分配求解，得到每组静态RSA策略频谱分配数据；

将每组静态RSA策略频谱分配数据，按流量矩阵T相同的数据中心间编号顺序整理成对应的频谱矩阵S，频谱矩阵S元素s_ij∈[0，f]，s_ij∈[0，f-1]表示给从数据中心i到数据中心j的业务流量所分配的起始频谱位置编号，其中f是每条链路中总频隙数目，频谱按顺序编号0、1、…、f-1，s_ij＝f则表示无可用频谱资源，i，j∈[1，n]且i≠j；

将元素s_ij利用one-hot编码将元素值转化为只有一个元素为1其余元素均为0的一维向量

i，j∈[1，n]且i≠j，其中1代表有可用频谱资源，但当向量最后一位元素为1时，表示拒绝该条业务请求；

将流量矩阵T作为输入，一维向量

作为频谱向量标签组成深度学习算法中所需的数据集，利用数据集对频谱分配神经网络进行训练，获得训练好的n×(n-1)对数据中心间的路由分配神经网络。

10.根据权利要求6所述的一种面向数据中心光网络的路由和频谱分配装置，其特征在于：每对数据中心间的路由分配神经网络、频谱分配神经网络均在TensorFlow中完成搭建。

Images