CN115278411A - 片上光网络中多维度路由波长分配方法及装置 - Google Patents
片上光网络中多维度路由波长分配方法及装置 Download PDFInfo
- Publication number
- CN115278411A CN115278411A CN202210520526.7A CN202210520526A CN115278411A CN 115278411 A CN115278411 A CN 115278411A CN 202210520526 A CN202210520526 A CN 202210520526A CN 115278411 A CN115278411 A CN 115278411A
- Authority
- CN
- China
- Prior art keywords
- network information
- input
- combination scheme
- combination
- performance
- 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims description 50
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
-
- 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
- H04Q2011/0086—Network resource allocation, dimensioning or optimisation
Abstract
本发明涉及一种片上光网络中多维度路由波长分配方法及装置,路由波长分配方法包括步骤:获取片上光网络的多维度性能因素中每个性能因素的网络信息;组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案;结合每个性能因素的网络信息,评估每个组合方案的综合性能,得到每个组合方案的分数;在若干组合方案的分数中选择最大值对应的组合方案作为通信任务对的路由波长组合方案。该路由波长分配方法结合片上光网络的多维度性能因素进行分配,使得路由波长分配可以根据网络环境做出自适应性的调整,分配效果较佳,分配效率较高。
Description
技术领域
本发明属于通信技术领域,具体涉及一种片上光网络中多维度路由波长分配方法及装置。
背景技术
作为片上光网络的主要任务,路由和波长分配(Routing and WavelengthAssignment,RWA)方案需要多方面地考虑网络中的性能因素。由于光学器件导致的串扰、损耗等是片上光网络面临的主要问题,会造成光信噪比(Optical Signal to Noise Ratio,OSNR)的恶化,影响传输质量。光信噪比同时受到路由和波长分配的影响,而后者常常被忽略,并且由于网络的动态性和路由器结构的复杂性,光信噪比往往难以评估。同时,负载均衡、等待时延等因素也影响着片上光网络的网络性能。
现有的RWA方法大多研究倾向于优化路由子问题。一类基本的方法是将RWA问题视为非确定性多项式(Nondeterministic polynominal,NP)难的问题,通过整体线性规划(Integer linear programming,ILP)获得最优解,过程复杂。一些研究通过机器学习来改善这个问题,把RWA问题转化为分类问题,用ILP的解去训练机器学习(Machine Learning,ML)模型,这种方法性能好坏取决于ML模型的训练成果,并且训练过程需要大量有效数据。另一大类方法是将RWA问题分为路由和波长两个子问题分开考虑,对于路由子问题,可以通过启发式算法或机器学习获得较优解,分别存在着需要迭代时间或者训练效果可能不佳的问题。对于波长分配子问题,通常通过一些简单的算法比如首次命中法(First-Fit)或最少使用法(Least-used)来解决,此类方法无法针对网络环境进行自适应性的调整。还有一类方法将波长分配视为图着色问题,按一定的顺序完成上色。
综上,现有的RWA方法几乎不考虑波长分配能否根据网络环境做出自适应性的调整,存在分配效果不佳、分配效率低的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种片上光网络中多维度路由波长分配方法及装置。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种片上光网络中多维度整体路由波长分配方法,包括步骤:
获取片上光网络的多维度性能因素中每个性能因素的网络信息;
组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案;
结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数;
在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
在本发明的一个实施例中,所述多维度性能因素包括:光信噪比、流量分布、等待时延、波长使用率中的多种。
在本发明的一个实施例中,获取片上光网络的多维度性能因素中每个性能因素的网络信息,包括:
根据信号在网络中的总插入损耗和信号在传输过程中所受到的来自于其他信号的总串扰功率,计算光信噪比的归一化数值,作为所述光信噪比的网络信息;
计算所述通信任务对的每一候选路径的链路使用次数方差的归一化数值,得到所述流量分布的网络信息;
计算所述通信任务对的每一候选路径的各链路的堵塞序列长度之和的归一化数值,得到所述等待时延的网络信息;
根据所述源节点处的当前通信对数量和所有通信任务中使用目标波长的任务数量计算所述波长使用率,得到所述波长使用率的网络信息。
在本发明的一个实施例中,结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数,包括:
结合所述每个性能因素的网络信息,利用模糊逻辑系统评估每个所述组合方案的综合性能,得到每个所述组合方案的分数。
在本发明的一个实施例中,结合所述每个性能因素的网络信息,利用模糊逻辑系统评估每个所述组合方案的综合性能,得到每个所述组合方案的分数,包括:
对于每个所述组合方案,将每个所述性能因素的网络信息转换为输入隶属度;
对所述网络信息的所述输入隶属度进行模糊推理,得到每个所述组合方案的输出隶属度;
对所述输出隶属度去模糊化,得到每个所述组合方案的分数。
在本发明的一个实施例中,对于每个所述组合方案,将每个所述性能因素的网络信息转换为输入隶属度,包括:
对于每个所述组合方案,根据所述网络信息设置每个所述性能因素的评价层次,将每个所述性能因素的不同评价层次作为每个所述性能因素的输入模糊集合;
通过隶属度函数,计算每个所述性能因素的网络信息对于所述输入模糊集合的隶属度,得到每个所述输入模糊集合的输入隶属度。
在本发明的一个实施例中,所述隶属度函数包括左梯形输入隶属度函数、三角形输入隶属度函数和右梯形输入隶属度函数。
在本发明的一个实施例中,对所述网络信息的所述输入隶属度进行模糊推理,得到每个所述组合方案的输出隶属度,包括:
利用所有所述输入模糊集合中不同所述评价层次的占比设定具有不同评价层次的输出模糊集合,得到输出模糊集合;
依据推理规则,在所有所述输入模糊集合对应的所述输入隶属度中取最小值,作为所述输出模糊集合的输出隶属度。
在本发明的一个实施例中,对所述输出隶属度去模糊化,得到每个所述组合方案的分数,包括:
通过输出隶属度函数的逆映射,将所述输出隶属度转化为所述输出模糊集合的方案分数,得到每个所述组合方案的分数。
本发明的另一个实施例提供了一种片上光网络中多维度整体路由波长分配装置,包括:
网络信息获取模块,用于获取片上光网络的多维度性能因素中每个性能因素的网络信息;
组合方案获取模块,用于组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案;
组合方案评估模块,用于结合所述每个性能因素的网络信息,利用模糊逻辑系统评估每个所述组合方案的综合性能,得到每个所述组合方案的分数;
组合方案选择模块,用于在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
与现有技术相比,本发明的有益效果:
1、本发明的路由波长分配方法中,结合片上光网络的多维度性能因素,对每个组合方案的综合性能进行评估,并根据评估的分数进行路由波长分配,从而在路由波长分配过程中综合考虑每个性能因素,使得波长分配也可以根据网络环境做出自适应性调整,分配效果较佳,分配效率较高;
2、本发明采用基于模糊逻辑系统的整体式的路由波长分配方法,模糊逻辑具有简便性和有效性,使得波长分配的求解过程简单,训练效果好,分配效率高。
附图说明
图1为本发明实施例提供的一种片上光网络中多维度整体路由波长分配方法的流程示意图;
图2为本发明实施例提供的一种基于模糊逻辑系统的多维度整体路由波长分配方法的流程示意图;
图3为本发明实施例提供的一种微环谐振器的工作原理及端口功率传输效率;
图4为本发明实施例提供的一种利用模糊逻辑系统进行性能评估的示意图;
图5为本发明实施例提供的一种片上光网络中多维度整体路由波长分配装置的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1和图2,图1为本发明实施例提供的一种片上光网络中多维度整体路由波长分配方法的流程示意图,图2为本发明实施例提供的一种基于模糊逻辑系统的多维度整体路由波长分配方法的流程示意图。
该整体路由波长分配(Integrated-RWA,I-RWA)方法包括步骤:
S1、获取片上光网络的多维度性能因素中每个性能因素的网络信息。
具体地,多维度性能因素包括光信噪比、流量分布、等待时延、波长使用率中的多种。但是片上光网络的性能因素不限于上述因素,影响片上光网络的网络性能的其他因素,例如,阻塞率、能量效率、损耗等,均可用于本实施例的路由波长分配方法。
步骤S1具体包括:
S11、根据信号在网络中的总插入损耗和信号在传输过程中所受到的来自于其他信号的总串扰功率,计算光信噪比的归一化数值,作为所述光信噪比的网络信息。
具体地,首先建立OSNR模型。OSNR是评价信号传输质量的重要指标(以dB为单位),定义为:
其中,Psignal是信号在接收端的检测到的有用功率(此公式中以mW为单位),Pcrosstalk是信号在传输过程中所受到的来自于其他信号的串扰功率(此公式中以mW为单位)。Psignal可以定义为:
Psignal=Pin×10-L/10(mW) (2)
其中,Pin是信号在发射端的功率(以mW为单位),L是信号在传输过程中的插入损耗(L>0,以dB为单位)。
插入损耗和其他信号所造成的串扰是决定信号OSNR的两个重要因素。信号的路由路径选择、波长分配都会造成插入损耗和串扰的变化,所以信号的OSNR是由路由选择和波长分配共同决定的。
因此,本实施例对插入损耗和其他信号所造成的串扰进行分析。
具体地,插入损耗分析包括:
在片上光网络中,插入损耗即信号在经过交叉波导、弯曲波导和开关器件时所造成的损耗,发生在路由器内部。开关器件PSE、CSE等通过微环谐振器(MicroringResonator,MR)工作,MR是一种可以改变光信号传输方向的器件。请参见图3,图3为本发明实施例提供的一种微环谐振器的工作原理及端口功率传输效率。如图3(a)、图3(c),当MR处于ON状态时,输入信号与MR谐振,绝大部分信号功率沿着下载(drop)端进行传输,改变传输方向,drop端的有用信号功率系数为:
其中,λsignal是MR输入端的信号波长。λMR是MR的工作波长,当MR处于ON状态时,λsignal=λMR,α为功率损耗系数,r1、r2是自耦合系数,θ是λMR和λsignal之间的相移,如表1所示,表1以Crux路由器为例对路由器的参数进行说明,但是本实施例的路由器并不限于Crux路由器。
表1 Crux路由器参数及数值
由于实际的信号波长不是理想脉冲状,所以信号功率并没有全部进入drop端,存在小部分功率泄露到直通(through)端、沿着原来的方向传输,对本信号或其他信号造成串扰。这一部分泄露功率的系数为:
类似地,如图3(b)、图3(d)所示,当MR处于OFF状态时,大部分功率沿through端传输,有用信号的功率系数为小部分功率泄露到drop端、成为串扰,泄露功率系数为其中,Δλ是MR切换状态所产生的波长漂移。
综上所述,路由器级别的插入损耗由交叉波导损耗Lcrossing、弯曲波导损耗Lbending、经过ON状态MR的drop端的损耗和经过OFF状态MR的though端的损耗组成。设通过一个路由器的损耗为Li,router,则Li,router可表示为:
其中,n1、n2、n3、n4分别为信号在传输过程中通过路由器内部的弯曲波导、交叉波导、ON状态的MR的drop端和OFF状态MR的through端的数量,Δλ为MR在ON与OFF之间切换状态所产生的波长漂移。
得到路由器级的插入损耗后,信号在网络中的总插入损耗L可表示为:
L=∑i Li,router (6)
其中,Li,router为通过一个路由器的损耗。
具体地,串扰分析包括:
串扰Pcrosstalk(以mW为单位)是其他信号λk在通过MR时,功率泄露到本信号λsignal所在的路径而造成的干扰噪声。本实施例内,仅考虑其他信号和本信号同时通过某一网络节点时所发生的串扰,忽略其他信号在本信号路由路径以外的节点所造成的串扰。如前所述,信号λk泄露的功率包括经过ON状态MR时泄露到through端的功率、泄露功率系数为和经过OFF状态的MR时泄漏到drop端的功率、泄露功率系数为因此,当前信号λsignal受到来自某个其他信号λk的串扰功率表示为公式(7):
对信号λk所造成的串扰最终是否影响到有用信号λsignal的OSNR进行分析。具体地,根据串扰信号的波长λk分为以下两种情况:1、λk=λsignal。满足此条件的信号λk可以跟随有用信号λsignal传输到目标节点,使信号λsignal在目标节点受到干扰,从而导致OSNR降低。满足此条件时,令参数Ck=1。2、λk≠λsignal。此时,串扰信号是否可以传输到有用信号λsignal的目标节点取决于串扰发生的位置;如果串扰发生在有用信号λsignal在网络中任意一个转弯节点之前(即此节点后有用信号λsignal还需改变传输方向),则由于MR的工作特性,串扰信号λk无法跟随有用信号λsignal通过下一转弯节点,不对信号λsignal的OSNR产生影响,此时令参数Ck=0;如果串扰发生在有用信号λsignal在网络中最后一个转弯节点之后(即在此节点后有用信号λsignal的传输方向不变),则串扰信号λk可以到达有用信号λsignal的目标节点,对信号λsignal的OSNR产生影响,此时令Ck=1。
如上所述,信号λk对信号λsignal所造成的串扰功率为Pk crosstalk。除信号λk外,信号λsignal还会受到片上光网络中同时存在的其他信号的串扰,并且需要对串扰能否到达信号λsignal的目标节点进行判断。信号λsignal在目标节点处受到的总串扰Pcrosstalk为:
Pcrosstalk=∑kCkPk crosstalk (8)
在动态的片上光网络中,其他信号的数量和波长也是动态的,所以串扰受到动态流量的影响。
由以上分析知,损耗由信号所经过的路由路径中各器件的数量和信号波长λsignal与MR的工作波长λMR决定。同样的,串扰受到所经过的器件数量和其他信号波长λk的影响。因此,信号的OSNR由路由和波长分配同时决定。设对于第j对通信对(sj,dj),存在P条候选路径,Q条可用波长,osnrnon-normalized(i)表示通信对第i个RWA方案的未归一化光信噪比,根据公式(1)计算得到。表示P×Q组RWA方案中的最大光信噪比,osnr(i)表示第i个RWA方案的通信对的归一化光信噪比:
S12、计算所述通信任务对的每一候选路径的链路使用次数方差的归一化数值,得到所述流量分布的网络信息。
具体地,流量分布是流量任务在片上光网络中各条链路上的分布情况,均匀的流量分布可以减少由芯片上局部热效应所带来的额外损耗。流量分布可以通过链路使用次数的方差来衡量,链路使用次数方差越小,每条链路的使用次数越相近,流量在网络中的分布越均匀。
路由路径由多条首尾相连的链路组成。假设对于通信对(sj,dj),存在P条候选路径,每条路径由K条链路组成,L(p,k)代表第p条候选路径的第k条链路的链路使用次数。则第p条路径的链路使用次数方差可表示为:
当对于通信对(sj,dj)进行路径级的路由规划时,关于流量分布的网络信息Lpath(p)代表第p条路径的链路使用次数方差s2(p)的归一化数值:
Lpath(p)越小,说明该路径的链路之间使用次数相近,路由规划时越倾向选择该路径。
S13、计算所述通信任务对的每一候选路径的各链路的堵塞序列长度之和的归一化数值,得到所述等待时延的网络信息。
具体地,片上光网络的等待时延由路由器内部光路转弯处的MR被其他通信任务占用而造成。等待时延可以通过MR转弯处的堵塞序列长度进行评估,堵塞序列长度小,说明等待时延小。
设对于通信对(sj,dj),有P条候选路径,每条路径有T次转弯,D(p,t)代表第p条路径的第t个转弯的堵塞序列的长度。
等待时延在路径级的网络信息Dpath(p)等于第p条路径的各链路的堵塞序列长度之和的归一化数值,即:
S14、根据所述源节点处的当前通信对数量和所有通信任务中使用目标波长的任务数量计算所述波长使用率,得到所述波长使用率的网络信息。
具体地,考虑波长资源的有限性,在进行波长分配时应提高单个波长的使用率,以节约波长资源。假设在片上光网络中,每个源节点有Q个可供使用的波长,定义单个波长λi的波长使用率为:
S2、组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案。
具体地,当第j对通信任务对(sj,dj)到达(在一个具体实施例中,可以根据具体通信需求得到通信任务对),sj表示通信任务对的源节点,dj表示通信任务对的目标节点;首先获取(sj,dj)的候选路由路径c1,c2…,cP,再获取该通信任务对在源节点sj的当前可用波长λ1,λ2,…,λQ,可用波长指在源节点处没有被其他通信对占用的波长。将P个候选路由路径与Q个当前可用波长进行组合、形成RWA组合方案,即组合所有候选路径和可用波长,获得P×Q组RWA组合方案。
S3、结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数。
具体地,可以利用整数线性规划(Integer linear programming,ILP)、深度神经网络(Deep Neural Network,DNN)、深度双Q网络(Deep Q-network,DDQN)、Hopfield神经网络(Hopfield Neural Network,HNN)、模糊逻辑系统等评估每个组合方案的综合性能,得到每个组合方案的分数。优选地,本实施例利用模糊逻辑系统评估每个组合方案的综合性能,得到每个组合方案的分数。
请参见图4,图4为本发明实施例提供的一种利用模糊逻辑系统进行性能评估的示意图。
具体地,模糊逻辑系统类似于人脑的推断过程,可以根据多个性能因素做出综合决策,实现多目标的优化。RWA模糊逻辑系统分为模糊化、模糊推理过程和去模糊化三部分。
具体地,对于通信任务对(sj,dj),模糊逻辑系统所做的是结合OSNR、流量分布、等待时延和波长使用率等多维度性能因素,依次评估P×Q组RWA组合方案的综合性能,计算P×Q组RWA组合方案的分数score(1),score(2),…,score(P×Q),选择分数最高的一组作为(sj,dj)的RWA组合方案。对于第i个RWA组合方案,模糊逻辑系统的输入是网络信息osnr(i)、Lpath(i)、Dpath(i)和η(i),输出是第i个RWA组合方案的分数score(i)。分数表示RWA组合方案的性能,分数越高,表示RWA组合方案的性能越好。
S31、对于每个所述组合方案,将每个所述性能因素的网络信息转换为输入隶属度。
具体地,本步骤将输入数值转化为输入隶属度,属于模糊化过程,其转化过程如下:获取第i个RWA组合方案的网络信息osnr(i)、Lpath(i)、Dpath(i)和η(i),通过输入隶属度函数,分别计算对应模糊集合的输入隶属度μinput OSNR=[μinput L1,μinput M1,μinput H1]、μinput traffic=[μinput L2,μinput H2]、μinput delay=[μinput L3,μinput H3]、μinput usage=[μinput L4,μinput H4]。
具体包括步骤:
S311、对于每个所述组合方案,根据所述网络信息设置每个所述性能因素的评价层次,将每个所述性能因素的不同评价层次作为每个所述性能因素的输入模糊集合。
具体地,在模糊逻辑中,某一性能因素可以被称作语义变量,一个性能因素具有多层次的评价,即一个语义变量可以包含多个模糊集合。模糊集合代表某一性能因素的某一层次的评价。
对于片上光网络的RWA问题,设置输入语义变量为VOSNR、Vtraffic、Vdelay、Vusage,分别对应OSNR、流量分布、负载均衡、波长使用率这几个性能因素。
本实施例中,利用步骤S1得到的网络信息分别设置OSNR的评价层次、流量分布的评价层次、负载均衡的评价层次、波长使用率的评价层次,将OSNR的不同评价层次作为OSNR的输入模糊集合,将流量分布的不同评价层次作为流量分布的输入模糊集合,将负载均衡的不同评价层次作为负载均衡的输入模糊集合,将波长使用率的不同评价层次作为波长使用率的输入模糊集合。
具体地,VOSNR的输入模糊集合包括L1、M1、H1,其区间和集合所代表的评价层次可以表示为:
Vtraffic的输入模糊集合包括L2和H2,其区间和集合所代表的评价层次可以表示为:
Vdelay的输入模糊集合包括L3和H3,其区间和集合所代表的评价层次可以表示为:
Vusage的输入模糊集合包括L4和H4,其区间和集合所代表的评价可以表示为:
在上述模糊集合中,L1、L2、L3、L4分别代表各性能因素的低层次评价,M1代表性能因素的一般层次评价,H1、H2、H3、H4分别代表各性能因素的高层次评价。对于OSNR和波长利用率,输入数值osnr(i)和η(i)越大,对应性能水平越高,所以代表高层次评价的模糊集合H1和H4的集合区间是(b,1)。而对于流量分布和等待时延,输入数值Lpath(i)和Dpath(i)越大,对应性能水平越低,所以代表高层次评价的模糊集合H2和H3的集合区间为(0,a)。
S312、通过隶属度函数,计算每个所述性能因素的网络信息对于所述输入模糊集合的隶属度,得到每个所述输入模糊集合的输入隶属度。
具体地,在模糊逻辑中,隶属度μ∈[0,1]是表示某一元素属于某一模糊集合的程度的重要概念,隶属度越大,元素贴近模糊集合的程度就越高。隶属度通过输入隶属度函数计算得到。每一个模糊集合都对应一个隶属度函数,通过隶属度函数,可以计算模糊集合内元素对于集合的隶属度。元素是描述某一语义变量(即性能因素)的一个具体数值(即网络信息)。
本实施例中,区间为(0,a)的输入模糊集合L1、H2、H3、L4采用左梯形输入隶属度函数fleft trapezoid(x):
M1采用三角输入隶属度函数ftriangle(x):
区间为(b,1)的输入模糊集合H1、L2、L3、H4采用右梯形隶属度函数fright trapezoid(x):
本实施例中,为了方便表述,a、b和c分别是aOSNR、atraffic、adelay、ausage、bOSNR、btraffic、bdelay、busage和cOSNR的指代,实际中这些参数并不要求是相同的。参数决定了输入隶属度函数的形状。设置参数的基本条件是b<c<a。除此之外,(0,a)和(b,1)两个区间的元素映射到输入隶属度通常是0或者1,所以提高a与c、c与b、a与b之间的间隔,可以减少输入隶属度为0或者1的绝对情况,提高模糊逻辑系统输出结果的精度。在一个具体实例中,设置初始值aOSNR=atraffic=adelay=ausage=0.75、bOSNR=btraffic=bdelay=busage=0.25、cOSNR=0.5。初始值可以作为参数的参考,也可以根据方案的实际效果进行调整。
通过上述步骤,得到每个输入模糊集合的输入隶属度μinput OSNR=[μinput L1,μinput M1,μinput H1]、μinput traffic=[μinput L2,μinput H2]、μinput delay=[μinput L3,μinput H3]、μinput usage=[μinput L4,μinput H4]。
S32、对所述网络信息的所述输入隶属度进行模糊推理,得到每个所述组合方案的输出隶属度。
具体地,模糊推理依据推理规则将输入隶属度转化为输出隶属度。
具体包括步骤:
S321、利用所有所述输入模糊集合中不同所述评价层次的占比设定具有不同评价层次的输出模糊集合,得到输出模糊集合。
具体地,推理规则规定了输入模糊集合和输出模糊集合的对应关系。输出语义变量为方案分数,方案分数即代表RWA方案的性能评分。
本实施例中,定义推理规则如表2所示。
表2推理规则
根据推理规则的输入模糊集合部分,可以由专家经验确定输出模糊集合的数量以及与输入模糊集合之间对应关系。具体地,观察输入模糊集合部分中的低层次评价、一般层次评价和高层次评价的占比。低层次评价的输入模糊集合占比越多,输出模糊集合的评价层次就越低;高层次评价的输入模糊集合占比越多,输出模糊集合的评价层次就越高。当依次完成所有规则中输出模糊集合的设定后,输出模糊集合的数量就确定了。例如,在本方案的一个实例中,当输入模糊集全部是代表低层次评价的L时,则设置输出模糊集合为代表最低分数的输出模糊集合S1;当仅一个输入模糊集是代表高层次评价的H而其他为L时,则设置略高分数的输出模糊集合S2;如果想突出某一输入语义变量区别于其他输入语义变量的重要性,可以当此语义变量的高层次评价H出现时,在规则中给予更高级别的方案分数,例如表中规则R17。在完成24条规则的输出模糊集合设定之后,确定了输出模糊集合的数量为12。依据上述过程,将方案分数分为12个输出模糊集合,即S1={score(i)|0<score(i)<1},S2={score(i)|1<score(i)<2},…,S12={score(i)|11<score(i)<12}。
S322、依据推理规则,在所有所述输入模糊集合对应的所述输入隶属度中取最小值,作为所述输出模糊集合的输出隶属度。
具体地,推理规则中,输入模糊集合之间的逻辑关系是“与”,即在输入模糊集合对应的输入隶属度中取最小值,作为规则规定的输出模糊集合的输出隶属度。推理规则详细规定了每一个输出模糊集对应了哪些输入模糊集。按照表格编号顺序执行每一条推理规则,具体在执行某一条规则时,在规则所描述的输入模糊集的隶属度之间取最小值,作为该规则所描述的输出模糊集合的输出隶属度。全部推理规则执行完毕后,获得输出隶属度,即模糊推理的输入为步骤S22得到的输入隶属度,输出为输出隶属度μoutput score=[μoutput S1,μoutput S2,…,μoutput S12]。
S33、对所述输出隶属度去模糊化,得到每个所述组合方案的分数。
具体地,去模糊化将输出隶属度转化为模糊逻辑系统的输出数值,即分数score(i),作为对第i个RWA组合方案性能的评价值,分数越高,RWA组合方案的性能越好。去模糊化是一个与模糊化相反的过程。模糊化将输入语义变量的元素(即网络信息)转化为输入隶属度,而去模糊化通过输出隶属度函数的逆映射,将输出隶属度转化为输出语义变量的元素(即方案分数score(i)),从而得到每个所述RWA组合方案的分数。具体地,可以利用通过面积中心法、重心法等方法进行去模糊化。
在一个具体实施例中,选择面积中心法进行去模糊化,首先计算每一个由输出隶属度数值所在的水平线、输出隶属度函数和x轴三者所围成的面积,再计算所有面积的面积中心,面积中心对应的横坐标即为每个所述组合方案评分输出值。
进一步地,去模糊化标志着第i个RWA组合方案评估的完成。类似地,依次通过RWA模糊逻辑系统完成通信对(sj,dj)其他RWA方案的评估。
S4、在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
具体地,比较P×Q组RWA组合方案的分数,在P×Q组RWA组合方案的分数score(1),score(2),…,score(P×Q)中选择最大值所对应的RWA组合方案,作为通信对(sj,dj)的RWA组合方案。
进一步地,当(sj,dj)到达目标节点,通信时间结束后,释放(sj,dj)所使用的波长和MR资源,更新各链路的使用次数、各节点处的堵塞序列长度和源节点处的波长使用情况,实现对流量动态化的自适应。
本实施例的路由波长分配方法中,结合片上光网络的多维度性能因素,对每个组合方案的综合性能进行评估,并根据评估的分数进行路由波长分配,从而在路由波长分配过程中综合考虑每个性能因素,使得波长分配也可以根据网络环境做出自适应性调整,分配效果较佳,分配效率较高。另外,采用基于模糊逻辑系统的整体式的路由波长分配方法,模糊逻辑具有简便性和有效性,使得波长分配的求解过程简单,训练效果好,分配效率高。
实施例二
在实施例一的基础上,请参见图5,图5为本发明实施例提供的一种片上光网络中多维度整体路由波长分配装置的结构示意图。
该多维度整体路由波长分配装置包括网络信息获取模块、组合方案获取模块、组合方案评估模块和组合方案选择模块。
具体地,网络信息获取模块用于获取片上光网络的多维度性能因素中每个性能因素的网络信息。组合方案获取模块用于组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干RWA组合方案。组合方案评估模块与网络信息获取模块、组合方案获取模块连接,用于结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数。组合方案选择模块与组合方案选择模块连接,用于在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
本实施例的片上光网络中多维度整体路由波长分配装置,其实现方法和技术效果请参见实施例一,本实施例不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种片上光网络中多维度整体路由波长分配方法,其特征在于,包括步骤:
获取片上光网络的多维度性能因素中每个性能因素的网络信息;
组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案;
结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数;
在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
2.根据权利要求1所述的片上光网络中多维度整体路由波长分配方法,其特征在于,所述多维度性能因素包括:光信噪比、流量分布、等待时延、波长使用率中的多种。
3.根据权利要求2所述的片上光网络中多维度整体路由波长分配方法,其特征在于,获取片上光网络的多维度性能因素中每个性能因素的网络信息,包括:
根据信号在网络中的总插入损耗和信号在传输过程中所受到的来自于其他信号的总串扰功率,计算光信噪比的归一化数值,作为所述光信噪比的网络信息;
计算所述通信任务对的每一候选路径的链路使用次数方差的归一化数值,得到所述流量分布的网络信息;
计算所述通信任务对的每一候选路径的各链路的堵塞序列长度之和的归一化数值,得到所述等待时延的网络信息;
根据所述源节点处的当前通信对数量和所有通信任务中使用目标波长的任务数量计算所述波长使用率,得到所述波长使用率的网络信息。
4.根据权利要求1所述的片上光网络中多维度整体路由波长分配方法,其特征在于,结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数,包括:
结合所述每个性能因素的网络信息,利用模糊逻辑系统评估每个所述组合方案的综合性能,得到每个所述组合方案的分数。
5.根据权利要求4所述的片上光网络中多维度整体路由波长分配方法,其特征在于,结合所述每个性能因素的网络信息,利用模糊逻辑系统评估每个所述组合方案的综合性能,得到每个所述组合方案的分数,包括:
对于每个所述组合方案,将每个所述性能因素的网络信息转换为输入隶属度;
对所述网络信息的所述输入隶属度进行模糊推理,得到每个所述组合方案的输出隶属度;
对所述输出隶属度去模糊化,得到每个所述组合方案的分数。
6.根据权利要求5所述的片上光网络中多维度整体路由波长分配方法,其特征在于,对于每个所述组合方案,将每个所述性能因素的网络信息转换为输入隶属度,包括:
对于每个所述组合方案,根据所述网络信息设置每个所述性能因素的评价层次,将每个所述性能因素的不同评价层次作为每个所述性能因素的输入模糊集合;
通过隶属度函数,计算每个所述性能因素的网络信息对于所述输入模糊集合的隶属度,得到每个所述输入模糊集合的输入隶属度。
7.根据权利要求6所述的片上光网络中多维度整体路由波长分配方法,其特征在于,所述隶属度函数包括左梯形输入隶属度函数、三角形输入隶属度函数和右梯形输入隶属度函数。
8.根据权利要求6所述的片上光网络中多维度整体路由波长分配方法,其特征在于,对所述网络信息的所述输入隶属度进行模糊推理,得到每个所述组合方案的输出隶属度,包括:
利用所有所述输入模糊集合中不同所述评价层次的占比设定具有不同评价层次的输出模糊集合,得到输出模糊集合;
依据推理规则,在所有所述输入模糊集合对应的所述输入隶属度中取最小值,作为所述输出模糊集合的输出隶属度。
9.根据权利要求5所述的片上光网络中多维度整体路由波长分配方法,其特征在于,对所述输出隶属度去模糊化,得到每个所述组合方案的分数,包括:
通过输出隶属度函数的逆映射,将所述输出隶属度转化为所述输出模糊集合的方案分数,得到每个所述组合方案的分数。
10.一种片上光网络中多维度整体路由波长分配装置,其特征在于,包括:
网络信息获取模块,用于获取片上光网络的多维度性能因素中每个性能因素的网络信息;
组合方案获取模块,用于组合通信任务对的若干候选路由路径和源节点处的若干当前可用波长,得到若干组合方案;
组合方案评估模块,用于结合所述每个性能因素的网络信息,评估每个所述组合方案的综合性能,得到每个所述组合方案的分数;
组合方案选择模块,用于在所述若干组合方案的分数中选择最大值对应的组合方案作为所述通信任务对的路由波长组合方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210520526.7A CN115278411A (zh) | 2022-05-13 | 2022-05-13 | 片上光网络中多维度路由波长分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210520526.7A CN115278411A (zh) | 2022-05-13 | 2022-05-13 | 片上光网络中多维度路由波长分配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115278411A true CN115278411A (zh) | 2022-11-01 |
Family
ID=83760093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210520526.7A Pending CN115278411A (zh) | 2022-05-13 | 2022-05-13 | 片上光网络中多维度路由波长分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115278411A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2393648A1 (en) * | 2001-07-19 | 2003-01-19 | Innovance Inc. | Wavelength routing and switching mechanism for a photonic transport network |
CN102281201A (zh) * | 2011-08-29 | 2011-12-14 | 中国联合网络通信集团有限公司 | 路由选路和资源分配方法及装置 |
CN102783066A (zh) * | 2009-02-27 | 2012-11-14 | 华为技术有限公司 | 用于支持波长交换光学网络路由、波长分配及减损验证的路径计算单元协议(pcep)操作 |
CN103200468A (zh) * | 2013-03-15 | 2013-07-10 | 广东电网公司电力调度控制中心 | 电力光纤通信网的路由波长分配方法和装置 |
US20140334817A1 (en) * | 2013-05-10 | 2014-11-13 | Ciena Corporation | Network specific routing and wavelength assignment for optical communications networks |
CN105915310A (zh) * | 2016-04-18 | 2016-08-31 | 全球能源互联网研究院 | 一种基于蚁群算法的wdm光网络rwa综合优化方法 |
CN106603405A (zh) * | 2015-10-15 | 2017-04-26 | 华为技术有限公司 | 一种路由以及波长分配方法及装置 |
CN108260033A (zh) * | 2018-01-04 | 2018-07-06 | 中国人民武装警察部队工程大学 | 一种多域光网络安全组播波长分配方法及系统 |
CN113726442A (zh) * | 2021-09-02 | 2021-11-30 | 苏州大学 | 一种基于全光波长转换的路由和波长分配方法及装置 |
CN113973349A (zh) * | 2021-10-27 | 2022-01-25 | 重庆邮电大学 | 一种基于网络编码的机会式编码感知路由方法 |
-
2022
- 2022-05-13 CN CN202210520526.7A patent/CN115278411A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2393648A1 (en) * | 2001-07-19 | 2003-01-19 | Innovance Inc. | Wavelength routing and switching mechanism for a photonic transport network |
CN102783066A (zh) * | 2009-02-27 | 2012-11-14 | 华为技术有限公司 | 用于支持波长交换光学网络路由、波长分配及减损验证的路径计算单元协议(pcep)操作 |
CN102281201A (zh) * | 2011-08-29 | 2011-12-14 | 中国联合网络通信集团有限公司 | 路由选路和资源分配方法及装置 |
CN103200468A (zh) * | 2013-03-15 | 2013-07-10 | 广东电网公司电力调度控制中心 | 电力光纤通信网的路由波长分配方法和装置 |
US20140334817A1 (en) * | 2013-05-10 | 2014-11-13 | Ciena Corporation | Network specific routing and wavelength assignment for optical communications networks |
CN106603405A (zh) * | 2015-10-15 | 2017-04-26 | 华为技术有限公司 | 一种路由以及波长分配方法及装置 |
CN105915310A (zh) * | 2016-04-18 | 2016-08-31 | 全球能源互联网研究院 | 一种基于蚁群算法的wdm光网络rwa综合优化方法 |
CN108260033A (zh) * | 2018-01-04 | 2018-07-06 | 中国人民武装警察部队工程大学 | 一种多域光网络安全组播波长分配方法及系统 |
CN113726442A (zh) * | 2021-09-02 | 2021-11-30 | 苏州大学 | 一种基于全光波长转换的路由和波长分配方法及装置 |
CN113973349A (zh) * | 2021-10-27 | 2022-01-25 | 重庆邮电大学 | 一种基于网络编码的机会式编码感知路由方法 |
Non-Patent Citations (4)
Title |
---|
MARTÍN, ET AL: "Machine Learning-Based Routing and Wavelength Assignment in Software-Defined Optical Networks", 《IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT》, vol. 16, no. 3, 10 July 2019 (2019-07-10) * |
Z CHU,H LI,H GU,X YE: "Wavelength assignment method based on ACO to reduce crosstalk for ring-based optical Network-on-Chip", 《MICROPROCESSORS AND MICROSYSTEMS》, vol. 71, 22 April 2020 (2020-04-22) * |
储柱琴: "光片上网络波长分配策略的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 May 2021 (2021-05-15) * |
李慧: "光片上网络的可靠性研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 December 2013 (2013-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hashemi et al. | Fully fuzzified linear programming, solution and duality | |
Achiche et al. | Tool wear monitoring using genetically-generated fuzzy knowledge bases | |
Frantti et al. | Fuzzy logic-based forecasting model | |
CN108510060A (zh) | 一种基于模糊神经网络的区间二型模糊认知图模型 | |
Rkhami et al. | On the use of graph neural networks for virtual network embedding | |
Su et al. | Comparing the Performance of Evolutionary Algorithms for Sparse Multi-Objective Optimization via a Comprehensive Indicator [Research Frontier] | |
Hua et al. | A maximum consensus improvement method for group decision making under social network with probabilistic linguistic information | |
CN111935008B (zh) | 基于机器学习的物理层损伤约束的光网络路由方法和系统 | |
CN115278411A (zh) | 片上光网络中多维度路由波长分配方法及装置 | |
JP2023535043A (ja) | Otnネットワークリソース最適化方法および装置、コンピュータデバイスと記憶媒体 | |
CN114598946B (zh) | 一种基于模糊逻辑的片上光网络自适应路由规划方法 | |
Sakawa et al. | An interactive fuzzy satisficing method for multiobjective 0–1 programming problems with fuzzy numbers through genetic algorithms with double strings | |
Liu et al. | A machine learning framework for neighbor generation in metaheuristic search | |
de Oliveira et al. | A hybrid firefly-genetic algorithm for planning of optical transport networks | |
CN115529632A (zh) | 一种面向边缘计算的任务卸载和资源分配方法 | |
CN115220477A (zh) | 一种基于量子遗传算法的异构无人机联盟形成方法 | |
Jiahe et al. | A Fuzzy Logic System-Based Multidimensional Integrated Routing and Wavelength Assignment Method in Optical Network-on-Chip (ONoC) | |
Bueno et al. | Four-objective formulations of multicast flows via evolutionary algorithms with quality demands | |
Ishii et al. | A distributed randomized approach for the PageRank computation: Part 1 | |
Almond | Lack-of-information-based control in graphical belief systems | |
Shi | A Method of Optimizing Network Topology Structure Combining Viterbi Algorithm and Bayesian Algorithm | |
Wu et al. | Design of fuzzy logic controllers using genetic algorithms | |
Starkey et al. | Fuzzy dominance rules for real-world many objective optimization | |
CN114125593A (zh) | Otn网络资源优化方法、装置、计算机设备和介质 | |
Cabrita et al. | Single and multi-objective genetic programming design for B-spline neural networks and neuro-fuzzy systems |
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 |