CN115913994B - 基于故障分类的光网络抗毁方法及装置 - Google Patents
基于故障分类的光网络抗毁方法及装置 Download PDFInfo
- Publication number
- CN115913994B CN115913994B CN202211296412.5A CN202211296412A CN115913994B CN 115913994 B CN115913994 B CN 115913994B CN 202211296412 A CN202211296412 A CN 202211296412A CN 115913994 B CN115913994 B CN 115913994B
- Authority
- CN
- China
- Prior art keywords
- optical network
- link
- target service
- path
- fault
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种基于故障分类的光网络抗毁方法及装置,方法包括:应用故障分类模型对光网络中各个链路进行故障类型预测,得到各个链路的故障类型预测结果;根据故障类型预测结果和带宽信息分别确定各个链路的链路权重;基于各个链路权重和目标业务的优先级对目标业务进行路由及资源分配,得到目标业务在光网络中的工作路径、保护路径以及预留的专用保护带宽资源或者共享保护带宽资源。本申请能够预先感知光网络中各个链路的故障类型,能够有效提高业务在光网络中传输的可靠性,并能够有效提高光网络的资源利用率,能够为光网络中的业务选择合适的保护方式,使得光网络在后续面对多链路故障时,也能够有效地对业务进行保护。
Description
技术领域
本申请涉及光网络运维技术领域,尤其涉及基于故障分类的光网络抗毁方法及装置。
背景技术
随着全球数字化进程的加快,人们对通信业务的需求体现出高层次和多样化,网络流量呈现出爆发式增长。在光网络中,网络的故障会导致大量的业务中断,因此对于光网络生存性的研究具有重要的意义,若发生故障可能会带来重大损失。光网络的抗毁性技术主要分为保护和恢复两大类:保护是指事先为业务预留备份资源,当故障发生后,业务可以被快速地切换到预留的备份资源上进行承载;恢复是指事先不为业务预留备份资源,当网络发生故障后,再动态地寻找网络资源来承载受影响的业务。保护技术可以实现更快的业务恢复,这也更符合光网络的抗毁性要求。
根据备用资源的设置和使用的情况,通常将光网络抗毁机制分为专用保护和共享保护。专用保护技术是先在光网络中配置工作路径和链路不相交的专用保护路径,再在这两条工作路径中根据业务带宽需求分配相应的频谱资源。特别地,在保护路径中,所分配的保护频谱资源只能被一个业务所占用,其它业务不可以使用,所以这种保护方式的频谱资源利用效率低。共享保护技术也需要配置工作路径和链路不相交的保护路径,同时在这两条路径上分配相应的频谱资源,而在保护路径上,分配的频谱资源能够被多个业务所共享,所以网络频谱资源利用率比专用保护技术更高。
上述两种光网络抗毁方式常用于解决单链路故障的问题中,但是在多链路故障时,不能有效地对业务进行保护。对于频谱共享保护技术,预留的共享频谱资源被多个受损业务所共享,使得业务未必真的受到保护。在超大容量光网络的多链路故障生存性保护中,由于光网络的复杂性和故障类型的多样性,传统的光网络抗毁方式并不能解决光网络中保护可靠性较差且资源利用率较低等问题。
发明内容
鉴于此,本申请实施例提供了基于故障分类的光网络抗毁方法及装置,以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种基于故障分类的光网络抗毁方法,包括:
应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果;
根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重;
基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源。
在本申请的一些实施例中,所述应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果,包括:
获取光网络的网络拓扑对应的各个链路以及各个所述链路的资源状态数据;
分别获取各个所述链路对应的链路特征向量;
将各个所述链路特征向量分别输入预设的故障分类模型,以使该故障分类模型输出各个所述链路各自对应的故障类型预测结果。
在本申请的一些实施例中,在所述应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测之前,还包括:
获取光网络原始运维数据集,所述光网络原始运维数据集中包含有所述光网络中链路发生故障的各个故障样本和各个所述故障样本对应的故障类型;
将所述光网络原始运维数据集划分为训练集和测试集;
对所述训练集进行数据预处理;
应用经所述数据预处理的训练集训练预设的多分类支持向量机,以使该多分类支持向量机用于根据输入其中的链路特征向量,对应输出该链路特征向量在各个所述故障类型的概率值和正常工作的概率值;
基于所述测试集对训练后的所述多分类支持向量机进行测试,并根据对应的测试结果对所述多分类支持向量机进行调整以得到对应的故障分类模型。
在本申请的一些实施例中,所述数据预处理包括:针对特征数据的归一化处理、针对运维数据的降维处理和欠采样取样处理。
在本申请的一些实施例中,所述根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重,包括:
根据各个所述链路的各自对应的所述故障类型预测结果分别生成各个所述链路的风险权重;
根据预获取的各个所述链路的各自对应的资源状态数据分别生成各个所述链路的资源占用率;
基于各个所述链路的风险权重和资源占用率,分别生成各个所述链路的链路权重。
在本申请的一些实施例中,所述基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,包括:
应用K条最短路径算法计算得到目标业务在所述光网络中的多条的初始路径;
获取各个所述初始路径中的各个所述链路的链路权重和;
若各个所述链路权重和中存在唯一最小值,则将该最小值对应的初始路径确定为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,则判断所述链路权重和均为所述最小值的各个所述初始路径中是否存在唯一的距离最短路径,若是,则将该唯一的距离最短路径作为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,且所述链路权重和均为所述最小值的各个所述初始路径的距离也相同,则在所述链路权重和均为所述最小值且距离也相同的各个所述初始路径中选取链路数最小的一个,作为所述目标业务在所述光网络中的工作路径;
在除所述工作路径中之外的剩余初始路径中选取一个链路权重和小于预设权重和阈值且与所述工作路径不相交的路径,作为所述目标业务在所述光网络中的保护路径;
根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源。
在本申请的一些实施例中,所述根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源,包括:
若所述目标业务的预设优先级为高等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述专用保护带宽资源;
若所述目标业务的预设优先级为低等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述共享保护带宽资源以及对应的共享度阈值。
本申请的另一个方面提供了一种基于故障分类的光网络抗毁装置,包括:
故障类型预测模块,用于应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果;
链路权重计算模块,用于根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重;
路由及资源分配模块,用于基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源。
本申请的另一个方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于故障分类的光网络抗毁方法。
本申请的另一个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于故障分类的光网络抗毁方法。
本申请提供的基于故障分类的光网络抗毁方法,应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果;根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重;基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源;通过应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,能够在进行光网络抗毁分配前预先感知各个链路各自的故障类型预测结果,进而能够为确定各个链路的权重提供可靠、有效且准确的数据基础,并能够有效提高光网络中各个链路故障类型预测的自动化程度及智能化程度,并能够提高光网络抗毁过程的执行效率;通过根据链路故障类型预测结果与资源感知为每条链路赋予权重,能够有效提高链路权重的应用可靠性及有效性,进而为后续路由选择提供准确、可靠及有效的数据基础;通过基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,能够有效提高业务在光网络中传输的可靠性,并能够有效提高光网络的资源利用率及合理性,进而能够提高光网络抗毁过程的有效性及可靠性,为光网络中的业务选择合适的保护方式,使得光网络在后续面对多链路故障时,也能够有效地对业务进行保护。
本申请的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本申请实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,并不构成对本申请的限定。附图中的部件不是成比例绘制的,而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分,附图中对应部分可能被放大,即,相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本申请一实施例中的基于故障分类的光网络抗毁方法的总流程示意图。
图2为本申请一实施例中的基于故障分类的光网络抗毁方法的一种具体流程示意图。
图3为本申请另一实施例中的基于故障分类的光网络抗毁装置的结构示意图。
图4为本申请应用实例中提供的基于故障分类的光网络抗毁系统的结构示意图。
图5为本申请应用实例中提供的基于故障分类的光网络抗毁方法的流程示意图。
图6为本申请应用实例中提供的标有链路权重的网络拓扑图的举例示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本申请做进一步详细说明。在此,本申请的示意性实施方式及其说明用于解释本申请,但并不作为对本申请的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤,而省略了与本申请关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本申请的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
生存性对于光网络的发展具有重要意义,为保证故障情况下的时效性和可靠性,我们主要研究了光网络的保护设计问题。由于保护路径需要占用大量的网络资源,还要考虑资源利用率的问题。由于传统的光网络抗毁方式并不能解决光网络中保护可靠性较差且资源利用率较低等问题。
由此可知,针对传统专用保护和共享保护机难以解决多链路故障问题,可靠性与资源利用率均较差等问题,本申请提出一种基于故障分类的光网络抗毁方法,通过对故障的预先感知,为业务选择更可靠的路由,同时考虑资源利用率,为业务选择合适的保护方式。具体为:结合机器学习方法与网络的历史运维数据,建立故障分类模型,从而有效降低故障影响,提高网络可靠性。同时基于故障感知与网络资源状态研究设计高可靠性保护策略,从而降低故障产生的通信中断风险。
在本申请的一个或多个实施例中,多分类支持向量机(Multiclass SupportVector Machine)是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器。
在本申请的一个或多个实施例中,光网络抗毁是指:通过为光网络中的业务配置工作路径、保护路径及资源等,使得光网络中的业务在采用工作路径进行正常运转的基础上,即使遇到链路故障,也能够及时切换到备用的保护路径中并基于预留资源进行工作,进而使得业务在光网络中受到保护,提高了光网络的生存性,进而提高光网络的抗毁能力。在本申请中,光网络抗毁方法也可以称之为“光网络中业务保护方法”或者“光网络中业务工作与保护路径及资源分配方法”等。
具体通过下述实施例进行详细说明。
本申请实施例提供一种基于故障分类的光网络抗毁方法,参见图1,可以由基于故障分类的光网络抗毁装置实现的所述基于故障分类的光网络抗毁方法具体包含有如下内容:
步骤100:应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果。
可以理解的是,所述故障类型是指光网络中链路故障的种类,例如可以划分为链路拥堵故障、传输闪断故障及传输误码故障等等。具体可以由人为根据光网络的运维历史数据来划分并归类,而后输入给基于故障分类的光网络抗毁装置进行存储。
在步骤100中,故障类型预测结果用于表示其对应的链路在各个故障类型和正常工作类型中存在最大概率会发生的一个结果,该结果可以表示其对应的链路未来最可能出现某一类型的故障,也可以表示其对应的链路未来最可能一直正常工作。
步骤200:根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重。
可以理解的是,预获取的带宽信息可以指各个链路在所述光网络中的已占用带宽与总带宽数据。
步骤300:基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源。
具体来说,基于故障分类的光网络抗毁装置:基于各个所述链路的链路权重对该目标业务进行路由选择,再根据目标业务的优先级对该目标业务进行资源分配。
从上述描述可知,本申请实施例提供的基于故障分类的光网络抗毁方法,通过应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,能够在进行光网络抗毁分配前预先感知各个链路各自的故障类型预测结果,进而能够为确定各个链路的权重提供可靠、有效且准确的数据基础,并能够有效提高光网络中各个链路故障类型预测的自动化程度及智能化程度,并能够提高光网络抗毁过程的执行效率;通过根据链路故障类型预测结果与资源感知为每条链路赋予权重,能够有效提高链路权重的应用可靠性及有效性,进而为后续路由选择提供准确、可靠及有效的数据基础;通过基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,能够有效提高业务在光网络中传输的可靠性,并能够有效提高光网络的资源利用率及合理性,进而能够提高光网络抗毁过程的有效性及可靠性,为光网络中的业务选择合适的保护方式,使得光网络在后续面对多链路故障时,也能够有效地对业务进行保护。
为了进一步为确定各个链路的权重提供可靠、有效且准确的数据基础,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,参见图2,所述基于故障分类的光网络抗毁方法中的步骤100具体包含有如下内容:
步骤110:获取光网络的网络拓扑对应的各个链路以及各个所述链路的资源状态数据。
步骤120:分别获取各个所述链路对应的链路特征向量。
步骤130:将各个所述链路特征向量分别输入预设的故障分类模型,以使该故障分类模型输出各个所述链路各自对应的故障类型预测结果。
其中,所述故障类型预测结果包括:正常工作或故障类型。具体来说,所述故障类型预测结果是指在各个故障类型和未故障的正常工作状态各自对应的概率值中,最大概率值对应的标签,该标签可以为正常工作标签或任一个故障类型标签。
为了进一步为确定各个链路的权重提供可靠、有效且准确的数据基础,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,参见图2,所述基于故障分类的光网络抗毁方法中的步骤100之前还具体包含有如下内容:
步骤010:获取光网络原始运维数据集,所述光网络原始运维数据集中包含有所述光网络中链路发生故障的各个故障样本和各个所述故障样本对应的故障类型。
步骤020:将所述光网络原始运维数据集划分为训练集和测试集。
具体来说,对网络原始运维数据集进行初步确定,删除一些无效信息,将数据集划分出训练集和测试集,数量比例为8:2。
步骤030:对所述训练集进行数据预处理。
步骤040:应用经所述数据预处理的训练集训练预设的多分类支持向量机,以使该多分类支持向量机用于根据输入其中的链路特征向量,对应输出该链路特征向量在各个所述故障类型的概率值和正常工作的概率值。
步骤050:基于所述测试集对训练后的所述多分类支持向量机进行测试,并根据对应的测试结果对所述多分类支持向量机进行调整以得到对应的故障分类模型。
具体来说,将预处理后的数据集采用多分类支持向量机(SVM)算法构建故障分类模型。SVM算法最初是为二值分类问题设计的,当处理多类问题时,就需要构造合适的多类分类器。LibSVM是一套支持向量机的库,这套库运算速度比较快,可以很方便的对数据做分类或回归。由于LibSVM程序小,运用灵活,输入参数少,并且是开源的,易于扩展,因此成为目前国内应用最多的SVM的库。LibSVM采用的是一对一(one-versus-one,OvO)法来解决多分类问题,具体来说就是投票算法。而当得票相同时,则可以用概率绝对值的和作为判断最终故障分类输出的依据。分类概率的维度为[样本数量*二分类器数量],每一列对应一个二分类器的输出。对测试数据集进行同样处理并执行模型,生成预测结果。根据预测结果,计算准确率,评估模型性能。
为了进一步为确定各个链路的权重提供可靠、有效且准确的数据基础,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,所述基于故障分类的光网络抗毁方法中的所述数据预处理具体包含有如下内容:
针对特征数据的归一化处理、针对运维数据的降维处理和欠采样取样处理。
具体来说,对训练数据集进行预处理。将其进行特征标准化,比如对雷电等级,风力等级,雨雪冰冻等级等,选择线性归一化的方法,即其中xnew是归一化后的结果,是x的平均值,σ是x的标准差。对于网络状态的高维不平衡运维数据,我们先降维、取样后再分类。采用主成分分析(PCA)降维算法,通过把数据从高维映射到低维来降低特征维度,同时保留尽可能多的信息。首先将数据集按列组成n行m列矩阵X,将X的每一行进行去均值化,即减去这一行的均值。再求出协方差矩阵/>和它的特征值及对应的特征向量。然后将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。最后Y=PX即为降维后,得到的k维数据。采用欠取样的方法进行数据采样。欠采样使用EasyEnsemble算法,即将多数类样本集(正常样本)随机分成多个子集,且每一个子集样本与少数类样本(故障样本)大致相同,我们选择各种故障类型数量的中位数作为正常样本抽样后的子样本数量,然后分别将各个多数类样本子集与少数类样本进行组合,使用AdaBoost基分类模型进行训练,最后集成各基分类器,得到最终模型。自适应提升算法(Adaptive Boosting,Adaboost)属于Boosting策略的集成学习,因此EasyEnsemble算法既有Bagging集成策略,也有Boosting集成策略,属于一种混合集成策略。
本申请提供的基于故障分类的光网络抗毁方法,考虑了原始运维数据集的高维不平衡特性,采用PCA算法对其进行降维处理,并利用欠采样技术中的EasyEnsemble算法实现对样本集平衡预处理。
为了进一步提高链路权重的应用可靠性及有效性,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,参见图2,所述基于故障分类的光网络抗毁方法中的步骤200具体包含有如下内容:
步骤210:根据各个所述链路的各自对应的所述故障类型预测结果分别生成各个所述链路的风险权重。
步骤220:根据预获取的各个所述链路的各自对应的资源状态数据分别生成各个所述链路的资源占用率。
步骤230:基于各个所述链路的风险权重和资源占用率,分别生成各个所述链路的链路权重。
具体来说,若分类为某一故障类型,把链路故障风险权重赋值为该故障类型样本数量在所有故障类型样本集中的占比。若分类为正常工作状态,因预测故障可能性较低,将链路风险权重赋值为0。同时考虑链路的资源占用情况,资源占用率为已占用带宽与总带宽的比值。因此,综合考虑生存性与资源利用,链路权重=a*资源占用率+(1-a)*故障风险权重,其中a为区间在[0,1]的系数,优选取0.5。
为了进一步提高业务在光网络中传输的可靠性,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,参见图2,所述基于故障分类的光网络抗毁方法中的步骤300具体包含有如下内容:
步骤310:应用K条最短路径算法计算得到目标业务在所述光网络中的多条的初始路径。
步骤320:获取各个所述初始路径中的各个所述链路的链路权重和。
步骤330:若各个所述链路权重和中存在唯一最小值,则将该最小值对应的初始路径确定为所述目标业务在所述光网络中的工作路径。
步骤340:若各个所述链路权重和中存在多个相同的最小值,则判断所述链路权重和均为所述最小值的各个所述初始路径中是否存在唯一的距离最短路径,若是,则将该唯一的距离最短路径作为所述目标业务在所述光网络中的工作路径。
步骤350:若各个所述链路权重和中存在多个相同的最小值,且所述链路权重和均为所述最小值的各个所述初始路径的距离也相同,则在所述链路权重和均为所述最小值且距离也相同的各个所述初始路径中选取链路数最小的一个,作为所述目标业务在所述光网络中的工作路径。
可以理解的是,所述步骤330至步骤350择一执行。
步骤360:在除所述工作路径中之外的剩余初始路径中选取一个链路权重和小于预设权重和阈值且与所述工作路径不相交的路径,作为所述目标业务在所述光网络中的保护路径。
步骤370:根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源。
具体来说,根据划分好的业务等级,为高等级业务优先分配路由与资源。对高等级业务,先用K条最短路径算法(k-shortest pathes,KSP)计算出K条距离最短的路径,将每条路径经过的链路权重加和,选择链路权重和最小的路径作为工作路径。在源目的节点之间剩余的路径中,另外选择一条链路权重和较小的路径作为链路不相交的保护路径并预留专用保护带宽资源。对低等级业务,工作路径与保护路径的选择方式同上。但是低等级业务在保护路径的相同链路上预留的带宽资源是共享的。
为了进一步提高光网络的资源利用率及合理性,在本申请实施例提供的一种基于故障分类的光网络抗毁方法中,所述基于故障分类的光网络抗毁方法中的步骤370具体包含有如下内容:
步骤371:若所述目标业务的预设优先级为高等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述专用保护带宽资源。
步骤372:若所述目标业务的预设优先级为低等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述共享保护带宽资源以及对应的共享度阈值。
具体来说,为了限制低等级业务预留带宽的共享度,设置相应的阈值,即同一预留带宽上的若干个低等级业务对应工作路径的链路权重和再相加需小于等于1,否则另选带宽作为预留资源。另外注意,在选路时若有链路权重和相等的路径,则选择距离较短的一条,若距离仍相等,则选择中间节点数量更少的。
从软件层面来说,本申请还提供一种用于执行所述基于故障分类的光网络抗毁方法中全部或部分内的基于故障分类的光网络抗毁装置,参见图3,所述基于故障分类的光网络抗毁装置具体包含有如下内容:
故障类型预测模块10,用于应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果。
链路权重计算模块20,用于根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重。
路由及资源分配模块30,用于基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源。
本申请提供的基于故障分类的光网络抗毁装置的实施例具体可以用于执行上述实施例中的基于故障分类的光网络抗毁方法的实施例的处理流程,其功能在此不再赘述,可以参照上述基于故障分类的光网络抗毁方法实施例的详细描述。
所述基于故障分类的光网络抗毁装置进行基于故障分类的光网络抗毁的部分可以在服务器中执行,而在另一种实际应用情形中,也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器,用于基于故障分类的光网络抗毁的具体处理。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
从上述描述可知,本申请实施例提供的基于故障分类的光网络抗毁装置,通过应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,能够在进行光网络抗毁分配前预先感知各个链路各自的故障类型预测结果,进而能够为确定各个链路的权重提供可靠、有效且准确的数据基础,并能够有效提高光网络中各个链路故障类型预测的自动化程度及智能化程度,并能够提高光网络抗毁过程的执行效率;通过根据链路故障类型预测结果与资源感知为每条链路赋予权重,能够有效提高链路权重的应用可靠性及有效性,进而为后续路由选择提供准确、可靠及有效的数据基础;通过基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,能够有效提高业务在光网络中传输的可靠性,并能够有效提高光网络的资源利用率及合理性,进而能够提高光网络抗毁过程的有效性及可靠性,为光网络中的业务选择合适的保护方式,使得光网络在后续面对多链路故障时,也能够有效地对业务进行保护。
为了进一步说明本方案,本申请还提供一种用于实现基于故障分类的光网络抗毁方法的基于故障分类的光网络抗毁系统的具体应用实例,所述方法包括建立故障分类模型,获取网络拓扑信息,确定每条链路的权重,根据业务等级依次选择工作路径与保护路径;所述基于故障分类的光网络抗毁系统包括模型训练装置、获取装置和选择装置。本发明提供的技术方案,通过预测故障类型与资源感知为每条链路赋予权重作为路由选择的依据,提高了业务传输的可靠性,根据业务优先级选择不同的保护策略,有效提升了光网络的资源利用率。
(一)参见图4,本申请应用实例提供的所述基于故障分类的光网络抗毁系统的具体说明如下:
训练模块:包括数据集的确定,数据预处理以及SVM故障分类模型的训练。
获取模块:包括网络拓扑的获取,链路特征向量的获取,链路资源状态的获取。
选择模块:包括为不同等级的业务选择工作路径与保护路径,以及预留资源。
(二)参见图5,本申请应用实例提供的所述基于故障分类的光网络抗毁方法的具体说明如下:
步骤1,确定网络原始运维数据集,具体来说:
对网络原始运维数据集进行初步确定,删除一些无效信息,将数据集划分出训练集和测试集,数量比例为8:2。
步骤2,对原始数据集进行预处理,具体来说:
对训练数据集进行预处理。将其进行特征标准化,比如对雷电等级,风力等级,雨雪冰冻等级等,选择线性归一化的方法,即其中xnew是归一化后的结果,x是x的平均值,σ是x的标准差。对于网络状态的高维不平衡运维数据,我们先降维、取样后再分类。采用主成分分析(PCA)降维算法,通过把数据从高维映射到低维来降低特征维度,同时保留尽可能多的信息。首先将数据集按列组成n行m列矩阵X,将X的每一行进行去均值化,即减去这一行的均值。再求出协方差矩阵/>和它的特征值及对应的特征向量。然后将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。最后Y=PX即为降维后,得到的k维数据。采用欠取样的方法进行数据采样。欠采样使用EasyEnsemble算法,即将多数类样本集(正常样本)随机分成多个子集,且每一个子集样本与少数类样本(故障样本)大致相同,我们选择各种故障类型数量的中位数作为正常样本抽样后的子样本数量,然后分别将各个多数类样本子集与少数类样本进行组合,使用AdaBoost基分类模型进行训练,最后集成各基分类器,得到最终模型。自适应提升算法(Adaptive Boosting,Adaboost)属于Boosting策略的集成学习,因此EasyEnsemble算法既有Bagging集成策略,也有Boosting集成策略,属于一种混合集成策略。
步骤3,基于预处理后的故障数据集采用SVM算法构建故障分类模型,具体来说:
将预处理后的数据集采用多分类支持向量机(SVM)算法构建故障分类模型。SVM算法最初是为二值分类问题设计的,当处理多类问题时,就需要构造合适的多类分类器。LibSVM是一套支持向量机的库,这套库运算速度比较快,可以很方便的对数据做分类或回归。由于LibSVM程序小,运用灵活,输入参数少,并且是开源的,易于扩展,因此成为目前国内应用最多的SVM的库。LibSVM采用的是一对一(one-versus-one,OvO)法来解决多分类问题,具体来说就是投票算法。而当得票相同时,则可以用概率绝对值的和作为判断最终故障分类输出的依据。分类概率的维度为[样本数量*二分类器数量],每一列对应一个二分类器的输出。对测试数据集进行同样处理并执行模型,生成预测结果。根据预测结果,计算准确率,评估模型性能。
可以理解的是,本申请提及的故障分类模型也可以采用除上述多分类支持向量机之外的能够实现数据分类预测的机器学习模型。
步骤4,结合故障类型预测与资源感知为每条链路赋予权重,具体来说:
将训练好的模型投入使用。把链路特征向量输入到SVM分类器中,得到预测分类结果。若分类为某一故障类型,把链路故障风险权重赋值为该故障类型样本数量在所有故障类型样本集中的占比。若分类为正常工作状态,因预测故障可能性较低,将链路风险权重赋值为0。同时考虑链路的资源占用情况,资源占用率为已占用带宽与总带宽的比值。因此,综合考虑生存性与资源利用,链路权重=a*资源占用率+(1-a)*故障风险权重,其中a为区间在[0,1]的系数,我们取0.5。
步骤5,根据业务优先级选择工作路径与保护路径并分配资源,具体来说:
根据划分好的业务等级,为高等级业务优先分配路由与资源。对高等级业务,先用K条最短路径算法(k-shortest pathes,KSP)计算出K条距离最短的路径,将每条路径经过的链路权重加和,选择链路权重和最小的路径作为工作路径。在源目的节点之间剩余的路径中,另外选择一条链路权重和较小的路径作为链路不相交的保护路径并预留专用保护带宽资源。对低等级业务,工作路径与保护路径的选择方式同上。但是低等级业务在保护路径的相同链路上预留的带宽资源是共享的。为了限制低等级业务预留带宽的共享度,设置相应的阈值,即同一预留带宽上的若干个低等级业务对应工作路径的链路权重和再相加需小于等于1,否则另选带宽作为预留资源。另外注意,在选路时若有链路权重和相等的路径,则选择距离较短的一条,若距离仍相等,则选择中间节点数量更少的。
可以理解的是,本申请提供的针对业务等级的保护策略也可以采用其他能够提高资源利用率的算法。
参见图6,在一种业务路径选择的具体举例中,业务请求表示为R(源节点,目的节点,所需带宽数量),假设有高优先级业务R1(A,D,4),低优先级业务R2(A,D,2)、R3(A,E,2)、R4(C,F,2),且A至F均指节点。
先看高等级业务,对于R1(A,D,4),从源节点A到目的节点D计算路径,这里工作路径选择A-D,保护路径选择A-F-E-D。在A-D上,根据业务的带宽需求,则可以将带宽序号为{f1,f2,f3,f4}作为业务请求R1的工作频谱资源。在A-F-E-D上,将带宽序号为{f1,f2,f3,f4}作为业务请求R1的专用保护频谱资源。
再看低等级业务,对于R2(A,D,2),工作路径选择A-D,保护路径选择A-F-E-D,在A-D上,根据业务的带宽需求,则可以将带宽序号为{f5,f6}作为业务请求R2的工作频谱资源。在A-F-E-D上,将带宽序号为{f5,f6}作为业务请求R2的共享保护频谱资源。对于R3(A,E,2),工作路径选择A-D-E,保护路径选择A-F-E,在A-D-E上,根据业务的带宽需求,则可以将带宽序号为{f7,f8}作为业务请求R3的工作频谱资源。在A-F-E上,将带宽序号为{f5,f6}作为业务请求R3的共享保护频谱资源。对于R4(C,F,2),工作路径选择C-D-A-F,保护路径选择C-E-F,在C-D-A-F上,根据业务的带宽需求,则可以将带宽序号为{f9,f10}作为业务请求R4的工作频谱资源。在C-E-F上,将带宽序号为{f7,f8}作为业务请求R4的共享保护频谱资源。
在为实例中的业务请求选择的工作路径和保护路径上分配资源情况具体如下表1所示:
表1
业务请求 | 工作路径与带宽序号 | 保护路径与带宽序号 |
R1(A,D,4) | A-D,{f1,f2,f3,f4} | A-F-E-D,{f1,f2,f3,f4} |
R2(A,D,2) | A-D,{f5,f6} | A-F-E-D,{f5,f6} |
R3(A,E,2) | A-D-E,{f7,f8} | A-F-E,{f5,f6} |
R4(C,F,2) | C-D-A-F,{f9,f10} | C-E-F,{f7,f8} |
本申请应用实例采用PCA算法及欠采样技术中的EasyEnsemble算法处理原始网络运维数据集;将SVM预测故障类型与路由选择相结合;根据业务等级选择保护方式,限制共享保护资源的重复分配。
与现有技术相比,本申请应用实例的有益效果是:
本申请应用实例提出一种基于故障分类的光网络抗毁方法,较之前的方法,考虑了原始运维数据集的高维不平衡特性,采用PCA算法对其进行降维处理,并利用欠采样技术中的EasyEnsemble算法实现对样本集平衡预处理。本发明提出采用SVM算法对光网络链路故障的分类模型,将预测的故障类型作为路由选择的考虑因素之一,提高网络可靠性。另外,为合理利用资源,不同等级的业务选择不同的保护方式,提高带宽利用率。
本申请实施例还提供了一种电子设备(也即电子设备),该电子设备可以包括处理器、存储器、接收器及发送器,处理器用于执行上述实施例提及的基于故障分类的光网络抗毁方法,其中处理器和存储器可以通过总线或者其他方式连接,以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据,并自所述视频采集装置接收原始视频序列。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的基于故障分类的光网络抗毁方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于故障分类的光网络抗毁方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行实施例中的基于故障分类的光网络抗毁方法。
在本申请的一些实施例中,用户设备可以包括处理器、存储器和收发单元,该收发单元可包括接收器和发送器,处理器、存储器、接收器和发送器可通过总线系统连接,存储器用于存储计算机指令,处理器用于执行存储器中存储的计算机指令,以控制收发单元收发信号。
作为一种实现方式,本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现,处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式,可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器,接收器和发送器功能的程序代码存储在存储器中,通用处理器通过执行存储器中的代码来实现处理器,接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述基于故障分类的光网络抗毁方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本申请中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于故障分类的光网络抗毁方法,其特征在于,包括:
应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果;
根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重;
基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源;
其中,所述基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,包括:
应用K条最短路径算法计算得到目标业务在所述光网络中的多条的初始路径;
获取各个所述初始路径中的各个所述链路的链路权重和;
若各个所述链路权重和中存在唯一最小值,则将该最小值对应的初始路径确定为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,则判断所述链路权重和均为所述最小值的各个所述初始路径中是否存在唯一的距离最短路径,若是,则将该唯一的距离最短路径作为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,且所述链路权重和均为所述最小值的各个所述初始路径的距离也相同,则在所述链路权重和均为所述最小值且距离也相同的各个所述初始路径中选取链路数最小的一个,作为所述目标业务在所述光网络中的工作路径;
在除所述工作路径中之外的剩余初始路径中选取一个链路权重和小于预设权重和阈值且与所述工作路径不相交的路径,作为所述目标业务在所述光网络中的保护路径;
根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源;
其中,所述根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源,包括:
若所述目标业务的预设优先级为高等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述专用保护带宽资源;
若所述目标业务的预设优先级为低等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述共享保护带宽资源以及对应的共享度阈值。
2.根据权利要求1所述的基于故障分类的光网络抗毁方法,其特征在于,所述应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果,包括:
获取光网络的网络拓扑对应的各个链路以及各个所述链路的资源状态数据;
分别获取各个所述链路对应的链路特征向量;
将各个所述链路特征向量分别输入预设的故障分类模型,以使该故障分类模型输出各个所述链路各自对应的故障类型预测结果。
3.根据权利要求1所述的基于故障分类的光网络抗毁方法,其特征在于,在所述应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测之前,还包括:
获取光网络原始运维数据集,所述光网络原始运维数据集中包含有所述光网络中链路发生故障的各个故障样本和各个所述故障样本对应的故障类型;
将所述光网络原始运维数据集划分为训练集和测试集;
对所述训练集进行数据预处理;
应用经所述数据预处理的训练集训练预设的多分类支持向量机,以使该多分类支持向量机用于根据输入其中的链路特征向量,对应输出该链路特征向量在各个所述故障类型的概率值和正常工作的概率值;
基于所述测试集对训练后的所述多分类支持向量机进行测试,并根据对应的测试结果对所述多分类支持向量机进行调整以得到对应的故障分类模型。
4.根据权利要求3所述的基于故障分类的光网络抗毁方法,其特征在于,所述数据预处理包括:针对特征数据的归一化处理、针对运维数据的降维处理和欠采样取样处理。
5.根据权利要求1所述的基于故障分类的光网络抗毁方法,其特征在于,所述根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重,包括:
根据各个所述链路的各自对应的所述故障类型预测结果分别生成各个所述链路的风险权重;
根据预获取的各个所述链路的各自对应的资源状态数据分别生成各个所述链路的资源占用率;
基于各个所述链路的风险权重和资源占用率,分别生成各个所述链路的链路权重。
6.一种基于故障分类的光网络抗毁装置,其特征在于,包括:
故障类型预测模块,用于应用预设的故障分类模型对光网络对应的各个链路分别进行故障类型预测,得到各个所述链路各自对应的故障类型预测结果;
链路权重计算模块,用于根据各个所述链路各自对应的所述故障类型预测结果以及预获取的带宽信息,分别确定各个所述链路的链路权重;
路由及资源分配模块,用于基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,其中,所述目标带宽资源包括:所述目标业务专用的专用保护带宽资源或者所述目标业务与其他业务共享的共享保护带宽资源;
其中,所述基于各个所述链路的链路权重以及目标业务的优先级对该目标业务进行路由及资源分配,以得到该目标业务在所述光网络中的工作路径、保护路径以及为该保护路径预留的目标带宽资源,包括:
应用K条最短路径算法计算得到目标业务在所述光网络中的多条的初始路径;
获取各个所述初始路径中的各个所述链路的链路权重和;
若各个所述链路权重和中存在唯一最小值,则将该最小值对应的初始路径确定为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,则判断所述链路权重和均为所述最小值的各个所述初始路径中是否存在唯一的距离最短路径,若是,则将该唯一的距离最短路径作为所述目标业务在所述光网络中的工作路径;
若各个所述链路权重和中存在多个相同的最小值,且所述链路权重和均为所述最小值的各个所述初始路径的距离也相同,则在所述链路权重和均为所述最小值且距离也相同的各个所述初始路径中选取链路数最小的一个,作为所述目标业务在所述光网络中的工作路径;
在除所述工作路径中之外的剩余初始路径中选取一个链路权重和小于预设权重和阈值且与所述工作路径不相交的路径,作为所述目标业务在所述光网络中的保护路径;
根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源;
其中,所述根据所述目标业务的预设优先级,为所述目标业务在所述光网络中的保护路径预留对应的目标带宽资源,包括:
若所述目标业务的预设优先级为高等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述专用保护带宽资源;
若所述目标业务的预设优先级为低等级,则为所述目标业务在所述光网络中的保护路径预留对应的所述共享保护带宽资源以及对应的共享度阈值。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于故障分类的光网络抗毁方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于故障分类的光网络抗毁方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296412.5A CN115913994B (zh) | 2022-10-21 | 2022-10-21 | 基于故障分类的光网络抗毁方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296412.5A CN115913994B (zh) | 2022-10-21 | 2022-10-21 | 基于故障分类的光网络抗毁方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115913994A CN115913994A (zh) | 2023-04-04 |
CN115913994B true CN115913994B (zh) | 2023-07-18 |
Family
ID=86483201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296412.5A Active CN115913994B (zh) | 2022-10-21 | 2022-10-21 | 基于故障分类的光网络抗毁方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913994B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787916A (zh) * | 2019-11-01 | 2021-05-11 | 华为技术有限公司 | 一种路径保护方法和网络节点 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113347589B (zh) * | 2021-06-07 | 2022-03-25 | 北京邮电大学 | 一种面向智能配电业务的虚拟网络资源分配方法 |
-
2022
- 2022-10-21 CN CN202211296412.5A patent/CN115913994B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787916A (zh) * | 2019-11-01 | 2021-05-11 | 华为技术有限公司 | 一种路径保护方法和网络节点 |
Also Published As
Publication number | Publication date |
---|---|
CN115913994A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11265369B2 (en) | Methods and systems for intelligent distribution of workloads to multi-access edge compute nodes on a communication network | |
Du et al. | Stacked LSTM deep learning model for traffic prediction in vehicle-to-vehicle communication | |
Pérez-Romero et al. | Knowledge-based 5G radio access network planning and optimization | |
CN106534333A (zh) | 一种基于mec和mcc的双向选择计算卸载方法 | |
Samek et al. | The convergence of machine learning and communications | |
CN102119512A (zh) | 分布式负载平衡器 | |
CN103324444B (zh) | 一种主机端与存储端协同的多控io调度方法 | |
CN111629380A (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
Liu et al. | Fine-grained flow classification using deep learning for software defined data center networks | |
Lange et al. | Machine learning-based prediction of VNF deployment decisions in dynamic networks | |
CN115914392A (zh) | 算力网络资源调度方法及系统 | |
CN114268362B (zh) | 基于有序聚类和动态库的卫星通信虚拟网络快捷映射方法 | |
CN113391824A (zh) | 计算卸载方法、电子设备、存储介质以及计算机程序产品 | |
US20230123074A1 (en) | Machine learning-based approaches for service function chain selection | |
Koursioumpas et al. | AI-driven, context-aware profiling for 5G and beyond networks | |
US11201789B1 (en) | Coordinated device grouping in fog computing | |
CN115913994B (zh) | 基于故障分类的光网络抗毁方法及装置 | |
TWI632790B (zh) | 通訊路徑管理方法及通訊路徑管理系統 | |
CN109698726B (zh) | 一种基于机器学习的无线频谱资源分配方法 | |
US11622322B1 (en) | Systems and methods for providing satellite backhaul management over terrestrial fiber | |
CN114915940B (zh) | 一种车路通信链路匹配方法、系统、设备及介质 | |
AU2021101149A4 (en) | Iot based secure educational system | |
US20240154852A1 (en) | Historical data transfer to agent in a multi-agent system for an action controlling performance of the multi-agent system | |
Karimi et al. | Intelligent and Decentralized Resource Allocation in Vehicular Edge Computing Networks | |
Mohan et al. | A survey on long term evolution scheduling in data mining |
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 |