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
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；
S7.根据最终的输出结果为新业务请求配置路由之后，更新步骤S1中相应的拓扑信息和可用带宽信息，等待接收下一次业务请求，接收到新的业务请求后，再次执行步骤S4到步骤S6。
具体地，步骤S1中，光网络拓扑由无向有权图G(V，E)表示，其中，V是光网络的节点集，光网络中的节点指光交叉连接器、光分插复用器或者波长路由器；E是光网络的链路集，权值为链路的可用带宽和长度信息。
具体地，步骤S2中，光网络物理层参数多维历史数据包括：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。
具体地，步骤S2还包括：通过精确求解光信号在光纤中传输方程，得到的人工合成数据作为真实数据的补充数据，得到包含真实数据和人工合成数据的训练集。
具体地，所述通过精确求解光信号在光纤中传输方程，得到的人工合成数据，具体如下：
(1)模拟产生满足条件的光网络物理层参数多维历史数据xi，在假定两个波长传输的情况下，光网络中光信号在光纤中的传输过程写成以下形式：
其中，vgi表示群速度，β2i表示群速度色散系数，αi表示损耗系数，γi表示非线性系数，i＝1，2，分别对应上述的假定两个波长，A1表示仿真信道的慢变振幅，A2表示干扰信道的慢变振幅；
(2)在得到仿真信道的慢变振幅之后，对A1进行相关解调、采样和标准的电域DSP补偿处理，得到一系列基带信号；
(3)对基带信号进行判决解码处理，得到误码率；
(4)将误码率与前向纠错误码率阈值比较，得到xi对应的标签yi。
具体地，所述机器学习为SVM、逻辑斯蒂回归或K最近邻算法。
具体地，S5包括以下步骤：
(1)根据光网络当前拓扑信息，得到K条路径的归一化长度评价分数(1/Li)/(max{1/L1，1/L2，...，1/LK})，L1，L2，...，LK分别为K条最短路径P1，P2，...，PK的路径长度；
(2)根据所有链路的可用带宽信息，得到K条路径的归一化可用带宽评价分数(BWi)/(max{BW1，BW2，...，BWK})，BW1，BW2，...，BWK分别为K条最短路径P1，P2，...，PK的可用带宽；
(3)对于每条路径，将两个评价分数加权求和，得到K条路经的综合评价分数。
为实现上述目的，按照本发明的第二方面，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系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于机器学习的物理层损伤约束的光网络路由方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明综合考虑了物理层和网络层两方面的因素，实现了物理层性能优化和阻塞概率降低；本发明借助机器学习算法，只要有新的数据，就可以根据所述路由方法，得到最终路由结果；与现有技术相比，基于机器学习的物理层传输质量估计方法能够同时实现高精度和高速度，具有很大的优势；
(2)本发明选用链路的波特率、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，这些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较为复杂的映射关系，借助机器学习模型，通过训练找到该映射关系。
(3)本发明通过精确求解光信号在光纤中传输方程，得到的人工合成数据作为真实数据的补充数据，使用通过求解光纤传输方程获得的人工合成数据会比使用高斯噪声模型获取的人工合成数据，具有更高的可靠性和真实性，从而构成一个可靠完备的大规模数据集，用于机器学习方法的训练。
附图说明
图1为本发明实施例提供的一种基于机器学习的物理层损伤约束的光网络路由方法的流程示意图；
图2为本发明实施例提供的包括链路长度信息和实时可用带宽信息的光网络拓扑示意图；
图3为本发明实施例提供的长度邻接矩阵示意图；
图4为本发明实施例提供的可用带宽邻接矩阵示意图；
图5为本发明实施例提供的使用训练好的SVM分类器估计测试数据的过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明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，该方法用于光网络中新业务请求的路由规划，该方法包括以下步骤：
步骤S1.获取光网络当前拓扑信息和可用带宽信息。
光网络拓扑由无向有权图G(V，E)表示，其中，V是光网络的节点集，光网络中的节点指光交叉连接器，光分插复用器或者波长路由器；E是光网络的链路集，权值为链路的带宽和长度信息。若该网络中共有p个节点，q条链路，那么该无向图G的长度邻接矩阵L＝[lij]共有p行p列，lij定义如下：若i节点和j节点之间存在链路，则其数值代表二者之间的链路长度，否则为无穷大。对角线上的元素默认取无穷大。
光网络的可用带宽邻接矩阵B＝[bij]表示(共有p行p列)，其中，bij定义如下：若i节点和j节点之间存在链路，则其数值代表二者之间的链路的可用带宽，可用带宽由该链路的最大带宽限制减去该链路当前业务带宽得到，否则为无穷大。对角线上的元素默认取无穷大。
如图2所示，对于一个14节点的无向图，每条链路的长度和可用带宽分别用lij和bij表示。对应一个14行14列的长度邻接矩阵L＝[lij]，如图3所示，其中若i节点和j节点之间存在链路，则其数值代表二者之间的链路长度，否则为无穷大。对角线上的14个元素默认取无穷大，其余182个元素根据连接情况的取值为无穷大或有限正值。类似地，对应一个14行14列的可用带宽邻接矩阵B＝[bij]，如图4所示，若i节点和j节点之间存在链路，则其数值代表二者之间的链路的可用带宽，可用带宽由该链路的最大带宽限制减去当前业务带宽得到，否则为无穷大。对角线上的14个元素默认取无穷大，其余182个元素根据连接情况的取值为无穷大或有限正值。
步骤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。
光网络物理层参数多维历史数据xi包括：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。一条链路包括若干跨段，每个跨段由一段传输光纤和一个光放大器构成。
标签yi为链路的接收端误码率与前向纠错误码率阈值的比较结果，用-1表示小于阈值，表示物理层传输质量满足要求；1表示大于阈值，表示物理层传输质量不满足要求。前向纠错误码率阈值为4×10-3。
由于机器学习的训练集对数据集的大小有一定要求，若仅仅靠实际网络记录的真实数据构成，具有较大的难度，因此本发明中，步骤S2还包括：通过精确求解光信号在光纤中传输方程，得到的人工合成数据作为真实数据的补充数据，得到包含真实数据和人工合成数据的训练集T。
光网络中光信号在光纤中的传输方程可用耦合非线性薛定谔方程来描述，我们可以模拟产生满足条件的样本(xi，yi)，对实际网络记录的真实数据进行补充。
具体地，模拟产生满足条件的xi，在假定两个波长传输的情况下，光网络中光信号在光纤中的传输过程写成以下形式：
其中，vgi表示群速度，β2i表示群速度色散系数，αi表示损耗系数，γi表示非线性系数，Ai表示光信号的慢变振幅，i＝1，2，分别对应上述的假定两个波长的情况，其中，A1为仿真信道的慢变振幅，A2为干扰信道的慢变振幅。
在得到光信号的慢变振幅A1之后，对A1进行相关解调、采样和标准的电域DSP补偿处理，得到一系列基带信号，对基带信号进行判决解码处理，得到误码率，再将误码率与前向纠错误码率阈值比较，得到xi对应的比较结果yi。
训练样本数据(xi，yi)由实际网络记录的真实数据和通过精确求解光信号在光纤中传输方程得到的人工合成数据共同构成。
步骤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。
机器学习可以是SVM、逻辑斯蒂回归或K最近邻算法。本实施例使用的机器学习算法为SVM，是一种在给定特征空间中分离不同类别样本的分类技术，本发明中涉及的分类问题是一种非线性分类问题，因此需要使用非线性SVM，其原理如下所示：
输入：训练数据集T＝{(x1，y1)，(x2，y2)，...，(xN，yN)}；
输出：分离超平面和分类决策函数；
(1)选择适当的核函数K(x，z)和惩罚参数C＞0，构造并求解凸二次规划问题
(2)选择α*的一个分量
(3)分类决策函数
在确定了机器学习方法后，首先使用交叉验证和网格搜索的方式确定超参数，包括核函数K(x，z)类型以及惩罚参数C。确定了SVM的超参数之后，再将步骤S2得到的全部训练集T输入模型进行训练，得到最终的训练完成的模型。
步骤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。
业务请求信息至少包括信号的波特率、比特率以及信道入纤光功率等。具体地，假设新的业务请求中源节点为r节点，目的节点为s节点，则获得长度邻接矩阵L，使用K条最短路径算法获得r和s两个节点间的K条最短路径，P1，P2，...，PK，路径长度分别为L1，L2，...，LK。K随着拓扑节点数的增加和节点之间连接情况的复杂程度的增加而加大，具体取值根据光网络拓扑的复杂程度来决定。
步骤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。
(1)根据光网络当前拓扑信息，得到K条路径的归一化长度评价分数。
已知每条路径的长度等于其所经过的所有链路的长度之和，使用归一化长度评价分数对每条路径进行评价，其定义为每条路径的长度的倒数，1/Li，再除以所有路径中长度的倒数的最大值，max{1/L1，1/L2，...，1/LK}，即(1/Li)/(max{1/L1，1/L2，...，1/LK})。归一化长度评价分数越大，代表该路径的长度越短，越符合本发明期望。
(2)根据所有链路的可用带宽信息，得到K条路径的归一化可用带宽评价分数。
具体地，类似于长度邻接矩阵，基于步骤S1获得的可用带宽邻接矩阵BW，获得步骤S4中路径P1，P2，...，PK的可用带宽BW1，BW2，...，BWK。已知每条路径的可用带宽由经过的链路中的可用带宽最小的链路决定，使用归一化可用带宽评价分数对每条路径进行评价，其定义为每条路径的可用带宽BWi除以所有路径中的最大可用带宽max{BW1，BW2，...，BWK}，即(BWi)/(max{BW1，BW2，...，BWK})。可用带宽评价分数越大，表示该路径可用带宽越大，越符合本发明期望。
(3)对于每条路径，将两个评价分数加权求和，得到K条路经的综合评价分数。
具体地，设置两个权重系数，二者之和为1且均大于0，对获得的两个归一化评价分数加权求和。设其中的长度归一化评价分数对应的权重系数为μ，则可用带宽归一化评价分数对应的权重系数为1-μ，μ的具体取值由路径长度和可用带宽两个因素的实际考虑的优先级决定。进而得到了路径P1，P2，...，PK对应的综合评价分数，即通过加权求和综合考虑了路径距离和可用带宽两个因素的影响。
步骤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。
具体地，根据新的业务请求信息，将获得的路径P1，P2，...，PK对应的物理层参数特征，包括波特率、比特率、每跨段所用的光放大器类型、每跨段所用的光放大器的噪声系数、每跨段的色散系数、每跨段色散累积值、每跨段的非线性系数、跨段长度、跨段数、信道入纤光功率，输入训练好的SVM分类器中，即可预测路径P1，P2，...，PK中每条路径的误码率是否满足前向纠错的误码率阈值。如图5所示，选择综合评价分数最高且满足接收端前向纠错误码率阈值要求(误码率小于前向纠错的误码率阈值)的路径作为最终输出结果。
步骤S7.根据最终的输出结果为新业务请求配置路由之后，更新步骤S1中相应的拓扑信息和可用带宽信息，等待接收下一次业务请求，接收到新的业务请求后，再次执行步骤S4到步骤S6。
本发明使用基于机器学习的方法，实现了高精度和低复杂度物理层传输质量预测，相较于传统的不考虑物理层性能约束的路由算法，综合考虑了物理层和网络层两方面的因素，实现了物理层性能优化和阻塞概率降低。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
