[发明专利]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

说明书

本发明公开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，属于光网络领域。本发明综合考虑物理层和网络层，实现物理层性能优化和阻塞概率降低；借助机器学习同时实现高精度和高速度；选用链路的波特率、比特率、信道入纤光功率和跨段数，每跨段所用的光放大器类型、所用的光放大器的噪声系数、色散系数、色散累积值、跨段长度和非线性系数作为光网络物理层参数，与传输过程中对信号传输质量带来的影响的物理层损伤之间存在的映射关系，借助机器学习训练找到该映射关系；使用通过求解光纤传输方程获得的人工合成数据，具有更高可靠性和真实性。

技术领域

本发明属于光网络路由领域，更具体地，涉及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。

背景技术

上世纪90年代中期以来，IP业务出现了爆炸性的增长，通信网络已经由“技术驱动”时代进入“业务驱动”时代，未来网络的发展方向必将是全业务运营。为了满足客户日益增长的业务质量需求，当前传送网络在提供给客户多种服务的同时也要满足不断提高的服务质量需求，也就是物理层传输质量的需求。波分复用技术的出现很好的解决了光网络中巨大的带宽传送需求，然而在光网络不断向透明化演进的过程中，却引入了许多其他问题，物理层损伤就是其中之一。在透明光网络中，由于没有传统网络中的电再生器，使得网络中的非理想光器件和设备引入的物理层损伤沿着光路不断积累，造成信号的失真和噪声。

通信网络中的路由即为源节点和目标节点之间的每个连接请求标识路径。传统的网络性能研究侧重于计算网络吞吐量或阻塞概率等参数，这些参数仅基于网络的可用容量和流量负载等特性。然而，在真实的网络场景中，特别是在透明光网络的情况下，阻塞概率不仅由网络层决定，还由物理层决定，物理层根据信号在物理层的传输质量和物理损伤对连接的影响来定义连接的可行性。因此在透明光网络中使用网络层参数决定部署一条新光路前，必须评估其物理层传输质量。物理层传输质量的概念一般是指接收光信噪比、误码率、Q因子等物理层参数，这些参数提供了一种定量的衡量指标来检查预定的物理层传输质量水平是否得到了保证。到目前为止，传统的用于评估光路物理层传输质量的技术大致可分为两类：(1)精确分析模型估算物理层损伤，提供准确的结果，但需承受巨大的计算量，实时性较差；(2)近似公式，计算速度快，但精度不高，通常引入高余量导致未充分利用的网络资源。与传统的这两种方法相比，基于机器学习的物理层传输质量预测是一种很有前途的方法，它可以同时满足高精度和实时性要求，可以自动预测未建立的光路是否满足所需的系统物理层传输质量阈值。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了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，其目的在于同时实现高精度和高速度的光路物理层传输质量估计。

为实现上述目的，按照本发明的第一方面，提供了一种基于机器学习的物理层损伤约束的光网络路由方法，该方法包括以下步骤：

S1.获取光网络当前拓扑信息和可用带宽信息；

S2.根据获取到的光网络当前拓扑信息，确定光网络物理层参数多维历史数据和标签，将其作为训练数据集，所述标签为链路接收端的误码率与前向纠错误码率阈值的比较结果，所述误码率由物理层损伤决定；

S3.使用训练数据集，对基于机器学习的物理层传输质量估计模型进行训练，得到训练好的物理层传输质量估计模型；

S4.光网络接收到新业务请求信息后，根据新业务请求中的源节点和目的节点信息，使用K条最短路径算法找到K条最短路径；

S5.根据光网络当前拓扑信息和可用带宽信息，计算K条最短路径考虑路径距离和可用带宽的综合评价分数；

S6.将这K条路径对应的物理层参数输入至训练好的物理层传输质量估计模型进行预测，选择综合评价分数最高且接收端满足前向纠错误码率阈值要求的路径作为最终输出结果；