光网络动态频谱分区方法、装置、存储介质和计算机设备制造方法及图纸

本申请实施例公开了一种光网络动态频谱分区方法、装置、存储介质和计算机设备，方法包括：接收到第一流量请求时，将若干个样本弹性光网络的第一环境状态、第一频谱分区信息和第一频谱分区动作输入到初始频谱分区神经网络，得到第一频谱分区动作评分值；接收到第二流量请求时，根据各个样本弹性光网络的第二环境状态、第二频谱分区信息和多个第二频谱分区动作得到目标频谱分区动作评分值；根据第一频谱分区动作评分值以及对应的目标频谱分区动作评分值进行训练，得到目标频谱分区神经网络；通过目标频谱分区神经网络得到最大频谱分区动作评分值和对应的频谱分区动作并实施调整，可以提高调整后的各个频谱分区的公平性。以提高调整后的各个频谱分区的公平性。以提高调整后的各个频谱分区的公平性。

【技术实现步骤摘要】
光网络动态频谱分区方法、装置、存储介质和计算机设备


[0001]本申请涉及光网络频谱分区的
，具体涉及一种光网络动态频谱分区方法、装置、存储介质和计算机设备。

技术介绍

[0002]弹性光网络（Elastic Optical Network, EON）是下一代光通信网络的有力候选方案。在弹性光网络中，整个频谱被划分成多个频隙，一般是12.5GHz，不同的业务根据其数据速率的要求和连接质量分配不同数量的频隙。
[0003]然而，弹性光网络面临着带宽碎片化问题，这是因为带宽碎片是指在流量请求的路由和频谱分配过程中存在不对齐和不连续的频隙，这可能导致网络资源利用率的下降和阻塞率的提高。为了减轻碎片的不利影响，学者已经提出了频谱分区方案作为一种简单的碎片缓解方法。
[0004]在频谱分区方案中，整个频隙被分成几个固定的分区，每个分区仅服务于一种具有特定带宽要求（即，需要特定数量的频隙）的流量请求。这样可以限制非对齐和不连续的可用频隙的出现，有助于降低网络的阻塞概率。在频谱分区方案中，分区边界的选择非常关键，并且与流量负载高度相关。
[0005]在实际的弹性光网络应用中，由于流量随时间变化，因而分区边界应该适应流量变化自动调整，而现有的频谱分区调整方案虽然可以根据流量需求的变化，自适应的调整频谱的分区边界，但在调整频谱的分区边界时，是通过损失公平性为代价获得了较好的效率，因此无法兼顾调整频谱的分区边界时的效率和公平性。

技术实现思路

[0006]本申请的目的在于克服现有技术中的缺点与不足，提供一种光网络动态频谱分区方法、装置、存储介质和计算机设备，可以在调整频谱的分区边界时兼顾调整效率和调整后的各个分区的公平性。
[0007]本申请的一个实施例提供一种光网络动态频谱分区方法，包括如下步骤：接收到第一流量请求时，获取若干个样本弹性光网络的第一环境状态、第一频谱分区信息、预设的一个第一频谱分区动作和第一瞬时奖励；所述第一瞬时奖励用于指示根据所述第一频谱分区动作调整对应的所述样本弹性光网络的频谱分区的边界后，各个所述频谱分区支持的流量种类数的平均程度；将所述第一环境状态、第一频谱分区信息和所述第一频谱分区动作输入到初始频谱分区神经网络，得到对应样本弹性光网络的第一频谱分区动作评分值；接收到第二流量请求时，将各个所述样本弹性光网络的第二环境状态、第二频谱分区信息和预设的多个第二频谱分区动作输入到所述初始频谱分区神经网络，得到对应样本弹性光网络的最大的第二频谱分区动作评分值；根据各个样本弹性光网络的第一瞬时奖励以及对应的最大的第二频谱分区动作
评分值，获得对应的第一频谱分区动作的目标频谱分区动作评分值；根据所述第一频谱分区动作评分值以及对应的所述目标频谱分区动作评分值，对所述初始频谱分区神经网络进行训练，得到目标频谱分区神经网络；当接收到第三流量需求时，将待调整分区的弹性光网络的当前环境状态和预设的多个第三频谱分区动作输入到所述目标频谱分区神经网络，得到各个所述第三频谱分区动作对应的频谱分区动作评分值；采用最大的所述频谱分区动作评分值对应的所述第三频谱分区动作调整所述待调整分区的弹性光网络的频谱分区的边界，得到调整后的频谱分区。
[0008]本申请的光网络动态频谱分区方法结合了弹性光网络执行各个频谱分区动作后，用于表示各个所述频谱分区支持的流量种类数的平均程度的瞬时奖励，对初始频谱分区神经网络进行训练，得到用于计算频谱分区动作评分值的目标频谱分区神经网络，再通过目标频谱分区神经网络计算出弹性光网络执行各个频谱分区动作后的频谱分区动作评分值，根据所述频谱分区动作评分值判断各个频谱分区动作的优劣，再根据最高的频谱分区动作评分值对应的频谱分区动作调整所述弹性光网络的频谱分区，从而得到分区公平性高的调整后的频谱分区，其通过训练后的通过目标频谱分区神经网络可以快速地计算出弹性光网络对应各个频谱分区动作的频谱分区动作评分值，无需逐一模拟弹性光网络执行各个频谱分区动作后的频谱分区情况，可以提高频谱分区的处理效率。
[0009]在一个实施例中，获取各个样本弹性光网络的第一瞬时奖励，包括：根据所述第一频谱分区动作调整对应的所述样本弹性光网络的频谱分区边界；通过以下公式，计算各个样本弹性光网络的所述频谱分区支持的流量种类平均数：；其中，为对应的样本弹性光网络的所述频谱分区支持的流量种类平均数，为所述频谱分区的总数量，为第个频谱分区支持的流量种类数，为接收到第一流量请求的时刻；通过以下公式，计算所述第一瞬时奖励：其中，为所述第一瞬时奖励。
[0010]根据调整分区后的所述样本弹性光网络的各个频谱分区支持的流量种类数和所有频谱分区支持的流量种类平均数计算得到所述第一瞬时奖励，从而得到可以表示调整分区后的各个频谱分区支持的流量种类数的公平程度所述第一瞬时奖励。
[0011]在一个实施例中，获取若干个样本弹性光网络的预设的一个第一频谱分区动作，包括：获取一个随机数；若所述随机数小于预设的固定值，从与所述样本弹性光网络对应的多个预设频谱
分区动作中，随机选择一个确定为所述第一频谱分区动作；否则，将与所述样本弹性光网络对应的多个预设频谱分区动作、第一环境状态和第一频谱分区信息输入到所述初始频谱分区神经网络，得到多个第一频谱分区动作评分值；将最大的所述第一频谱分区动作评分值对应的预设频谱分区边界动作确定为所述第一频谱分区动作。
[0012]通过所述随机数提高所述第一频谱分区动作的随机性，可以采集更广泛的第一频谱分区动作作为样本，从而避免陷入局部最优，更可能找到最优的动作。
[0013]在一个实施例中，所述根据所述第一频谱分区动作调整对应的所述样本弹性光网络的频谱分区边界的步骤，包括：根据预设的频谱分区动作合法性判断规则，判断所述第一频谱分区动作是否合法；若合法，对所述第一频谱分区信息执行所述第一频谱分区动作，以调整对应的样本弹性光网络的频谱分区边界；否则，不执行所述第一频谱分区动作。
[0014]通过预设的频谱分区动作合法性判断规则对所述第一频谱分区动作进行合法性判断，避免直接执行所述第一频谱分区动作后，所述样本弹性光网络的频谱分区会出现错了或者数量减少等情况。
[0015]在一个实施例中，所述根据预设的频谱分区动作合法性判断规则，判断所述第一频谱分区动作是否合法，包括：从各个所述第一频谱分区信息中，获取相邻的第一分区边界的相对方位，根据所述第一分区边界的相对方位生成各个约束条件；获取根据所述第一频谱分区动作，模拟调整对应的所述样本弹性光网络的频谱分区边界后的预测分区边界信息；从所述预测分区边界信息中，获取相邻的模拟调整后的频谱分区边界的相对方位，以及最后一个模拟调整后的频谱分区边界的位置；若所述模拟调整后的频谱分区边界的相对方位符合所述约束条件，且所述最后一个模拟调整后的频谱分区边界的位置不超过对应的样本弹性光网络的最后一个频隙的位置，确定所述第一频谱分区动作合法；否则，确定所述第一频谱分区动作不合法。
[0016]根据模拟调整后的频谱分区边界的相对方位是否发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光网络动态频谱分区方法，其特征在于，包括如下步骤：接收到第一流量请求时，获取若干个样本弹性光网络的第一环境状态、第一频谱分区信息、预设的一个第一频谱分区动作和第一瞬时奖励；所述第一瞬时奖励用于指示根据所述第一频谱分区动作调整对应的所述样本弹性光网络的频谱分区的边界后，各个所述频谱分区支持的流量种类数的平均程度；将所述第一环境状态、第一频谱分区信息和所述第一频谱分区动作输入到初始频谱分区神经网络，得到对应样本弹性光网络的第一频谱分区动作评分值；接收到第二流量请求时，将各个所述样本弹性光网络的第二环境状态、第二频谱分区信息和预设的多个第二频谱分区动作输入到所述初始频谱分区神经网络，得到对应样本弹性光网络的最大的第二频谱分区动作评分值；根据各个样本弹性光网络的第一瞬时奖励以及对应的最大的第二频谱分区动作评分值，获得对应的目标频谱分区动作评分值；根据所述第一频谱分区动作评分值以及对应的所述目标频谱分区动作评分值，对所述初始频谱分区神经网络进行训练，得到目标频谱分区神经网络；当接收到第三流量需求时，将待调整分区的弹性光网络的当前环境状态和预设的多个第三频谱分区动作输入到所述目标频谱分区神经网络，得到各个所述第三频谱分区动作对应的频谱分区动作评分值；采用最大的所述频谱分区动作评分值对应的所述第三频谱分区动作调整所述待调整分区的弹性光网络的频谱分区的边界，得到调整后的频谱分区。2.根据权利要求1所述的光网络动态频谱分区方法，其特征在于，获取各个样本弹性光网络的第一瞬时奖励的步骤，包括：根据所述第一频谱分区动作调整对应的所述样本弹性光网络的频谱分区边界；通过以下公式，计算各个样本弹性光网络的所述频谱分区支持的流量种类平均数：；其中，为对应的样本弹性光网络的所述频谱分区支持的流量种类平均数，为所述频谱分区的总数量，为第个频谱分区支持的流量种类数，为接收到第一流量请求的时刻；通过以下公式，计算所述第一瞬时奖励：其中，为所述第一瞬时奖励。3.根据权利要求1所述的光网络动态频谱分区方法，其特征在于，所述根据各个样本弹性光网络的第一瞬时奖励以及对应的最大的第二频谱分区动作评分值，获得对应的目标频谱分区动作评分值的步骤，包括：通过以下公式，计算所述目标频谱分区动作评分值：；；
其中，为所述目标频谱分区动作评分值，为所述第一瞬时奖励，为预设的折扣因子，为所述最大的第二频谱分区动作评分值，为所述初始频谱分区神经网络的参数。4.根据权利要求3所述的光网络动态频谱分区方法，其特征在于，所述根据所述第一频谱分区动作评分值以及对应的所述目标频谱分区动作评分值，对所述初始频谱分区神经网络进行训练，得到目标频谱分区神经网络的步骤，包括：根据所述第一频谱分区动作评分值以及对应的所述目标频谱分区动作评分值构建损失函数：其中，为所述损失函数的输出值，为所述第一频谱分区动作评分值，为数学期望；根据各个所述样本弹性光网络的所述损失函数的输出值，采用梯度下降算法更新所述初始频谱分区神经网络的参数，得到各个所述损失函数的输出值小于或等于预设阈值的目标频谱分区神经网络。5.根据权利要求1所述的光网络动态频谱分区方法，其特征在于，获取若干个样本弹性光网络的预设的一个第一频谱分区动作的步骤，包括：获取一个随机数；若所述随机数小于预设的固定值，从与所述样本弹性光网络对应的多个预设频谱分区动作中，随机选择一个确定为所述第一频谱分区动作；否则，将与所述样本弹性光网络对应的多个预设频谱分区动作、第一环境状态和第一频谱分区信息输入到所述初始频谱...

【专利技术属性】
技术研发人员：黄岳彩，王鑫，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：