论文部分内容阅读
随着人工智能(Artificial Intelligence，AI)、云计算(Cloud Computing，CC)、大数据(Big Data，BD)和物联网(Intemet of Things，IoT)等先进技术的发展，在软件定义网络(Software Defined Network，SDN)、机器学习(Machine Learning，ML)和深度学习(Deep Learning，DL)等多学科交叉技术的支持下，数据中心光网络正向网络结构扁平化、组网方式智能化和业务应答低时延等方向迅速演进。目前，由于数据中心光网络规模的不断扩大，拓扑结构变得更加复杂，业务承载需求变得更加多样化，全网整体效能取决于众多因素，各种动态性能指标显得更加重要。传统的频谱分配算法难以满足不同业务的资源需求，导致频谱碎片化的产生。此外，点对点静态单一的参数监测技术难以满足大规模动态复杂光网络的分析需求，并且对故障的分析不够全面及时准确。针对现有方法和研究的不足，本论文的主要研究工作如下:(1)本论文首先设计了引入人工智能技术的软件定义光网络(Software Defined Optical Network，SDON)架构，解决了异构网络互联互通的问题，并且通过在控制层面引入人工智能技术辅助SDON控制器，实现了容量规划类的弹性管理、故障预测、信道质量评估和流量监控，还研究了数据中心之间(inter-DC)和数据中心内部(intra-DC)的业务特点和架构特点。
(2)针对传统频谱分配算法不能够满足不同业务需求的问题，本论文提出了基于机器学习的灵活资源管理算法(Machine Learning based the Flexible Resource Management，ML-FRM)。ML-FRM算法采用支持向量机(Support Vector Machine，SVM)算法对信道质量进行分类;采用无监督学习K-Means算法对业务流量进行聚类;根据业务流量聚类结果，将不同等级的业务匹配不同的信道并分配相适应的频谱资源分配算法，提高了全网频谱资源的利用率。
(3)针对数据中心光网络中的故障分析问题，本论文提出基于长短期记忆网络的数据中心光网络故障预测算法Long Short-term Memory-Support Vector Machine(LSTM-SVM)，本论文中采用基于时间序列的LSTM算法进行参数的演变趋势自学习预测，同时联合SVM算法自动构建最优分类超平面，实现数据中心光网络故障预测。
本论文提出的ML-FRM算法充分利用了机器学习强大的挖掘和推理能力，紧密结合现网运行数据，实现了数据中心光网络中的多目标参数分析;提出的LSTM-SVM算法在立体监测数据集和深度学习算法的基础上，完成参数的状态追踪和预测，进一步实现高效、准确和智能的故障预测，为动态可靠智能的光网络技术提供有效的故障分析模型和综合分析方案。因此，数据中心光网络能够准确、快速地响应多业务需求，降低成本，实现更高的资源利用率。
(2)针对传统频谱分配算法不能够满足不同业务需求的问题，本论文提出了基于机器学习的灵活资源管理算法(Machine Learning based the Flexible Resource Management，ML-FRM)。ML-FRM算法采用支持向量机(Support Vector Machine，SVM)算法对信道质量进行分类;采用无监督学习K-Means算法对业务流量进行聚类;根据业务流量聚类结果，将不同等级的业务匹配不同的信道并分配相适应的频谱资源分配算法，提高了全网频谱资源的利用率。
(3)针对数据中心光网络中的故障分析问题，本论文提出基于长短期记忆网络的数据中心光网络故障预测算法Long Short-term Memory-Support Vector Machine(LSTM-SVM)，本论文中采用基于时间序列的LSTM算法进行参数的演变趋势自学习预测，同时联合SVM算法自动构建最优分类超平面，实现数据中心光网络故障预测。
本论文提出的ML-FRM算法充分利用了机器学习强大的挖掘和推理能力，紧密结合现网运行数据，实现了数据中心光网络中的多目标参数分析;提出的LSTM-SVM算法在立体监测数据集和深度学习算法的基础上，完成参数的状态追踪和预测，进一步实现高效、准确和智能的故障预测，为动态可靠智能的光网络技术提供有效的故障分析模型和综合分析方案。因此，数据中心光网络能够准确、快速地响应多业务需求，降低成本，实现更高的资源利用率。