技术摘要：
本发明提供了一种弹性光网络中的资源分配方法及系统，其中，该方法包括：通过弹性光网络历史流量对初始循环神经网络训练得到流量预测模型；由设定流量状态，以两节点组合作为源、目的节点对，由反映负载均衡回报函数对初始蒙特卡洛模型训练更新Q表格得到分配路由蒙特卡  全部
背景技术：
近年来，随着通信技术的不断普及和发展，光网络中的流量呈现爆炸式增长。正交 频分复用技术(OFDM，Orthogonal  Frequency  Division  Multiplexing)的出现使光网络实 现了从WDM(Wavelength  Division  Multiplexing，波分复用技术)到EON(Elastic  Optical  Networks，弹性光网络)的发展。OFDM实现了更细粒度的频谱划分，使光网络可以满足更多 的流量需求。然而，更细粒度的频谱划分使弹性光网络在拥有较高灵活性的同时，也给弹性 光网络带来了频谱碎片化等问题。使用合适的资源分配方案可以减少弹性光网络中的频谱 碎片，使其能够拥有更高的频谱利用率，能够承载更多的网络流量。路由和频谱资源分配一 直是弹性光网络中的关键问题之一。 基于机器学习或者遗传算法的分配资源的方案具有很好的性能，但是其时间复杂 度很高，也就是会增加计算时间很长，会导致业务阻塞率增加的问题。因此，很难满足现代 光通信低时延的要求。
技术实现要素：
鉴于此，本发明实施例提供了一种弹性光网络中的资源分配方法及系统，以降低 业务阻塞率及时间复杂度。 为了达到上述目的，本发明采用以下方案实现： 根据本发明实施例的一个方面，提供了一种弹性光网络中的资源分配方法，该方 法包括： 利用弹性光网络中各链路的历史流量数据对初始循环神经网络进行训练，得到流 量预测模型； 基于所述弹性光网络的设定网络流量状态，以所述弹性光网络中每个两节点组合 作为源节点和目的节点对，利用能够反映路由的链路负载均衡情况的回报函数对初始蒙特 卡洛模型进行路由探索训练，以更新每个两节点组合对应的Q表格，得到用于分配路由的蒙 特卡洛模型； 将所述弹性光网络中各链路的最近时刻的已知网络流量数据输入至所述流量预 测模型，实时预测所述弹性光网络中各链路的相应未来时刻的网络流量数据，以得到接收 到业务请求的时刻对应的网络流量数据；其中，所述业务请求包括源节点、目的节点及需求 带宽； 基于接收到业务请求的时刻对应的网络流量数据，针对所述业务请求中的源节点 和目的节点，根据所述业务请求中的需求带宽并利用能够反映频谱连续度的回报函数对所 述用于分配路由的蒙特卡洛模型进行训练，得到用于为所述业务请求分配路由和频谱资源 的蒙特卡洛模型； 5 CN 111586502 A 说　明　书 2/15 页 利用用于为所述业务请求分配路由和频谱资源的蒙特卡洛模型为所述业务请求 分配路由及其各链路的频谱资源。 在一些实施例中，所述初始循环神经网络为长短时记忆循环神经网络。 在一些实施例中，利用弹性光网络中各链路的历史流量数据对初始循环神经网络 进行训练，得到流量预测模型，包括： 将弹性光网络中的各链路的历史流量数据作为初始时刻的流量数据输入至初始 循环神经网络的输入层的相应节点，经由所述初始循环神经网络的隐藏层的相应节点进行 处理和传递，从所述初始循环神经网络的输出层的相应节点输出所述弹性光网络中相应链 路在未来时刻的流量数据预测值；其中，所述初始时刻和所述未来时刻相差设定时长； 根据所述弹性光网络中链路在所述未来时刻的流量数据预测值与在所述未来时 刻的真实流量数据计算得到流量预测准确率； 在流量预测准确率小于设定阈值的情况下，更新所述初始循环神经网络的参数， 直到更新参数后的所述初始循环神经网络对应的流量预测准确率大于或等于所述设定阈 值，得到流量预测模型；其中，所述循环神经网络的输入层的节点数量和输出层的节点数量 均等于所述弹性光网络的链路数量。 在一些实施例中，基于所述弹性光网络的设定网络流量状态，以所述弹性光网络 中每个两节点组合作为源节点和目的节点，利用能够反映路由的链路负载均衡情况的回报 函数对初始蒙特卡洛模型进行路由探索训练，以更新每个两节点组合对应的Q表格，得到用 于分配路由的蒙特卡洛模型，包括： 基于初始的Q表格，以所述弹性光网络中每个两节点组合作为源节点和目的节点， 利用初始蒙特卡洛模型探索得到一条路由； 根据所述弹性光网络的设定网络流量状态得到探索得到的路由经过的链路的负 载情况，并根据探索得到的路由经过的链路的负载情况计算得到能够反映链路负载均衡情 况的回报函数的回报值； 根据所述回报值利用所述初始蒙特卡洛模型从目的节点反向传递至源节点，以更 新初始的Q表格，直到达到设定训练次数，得到用于分配路由的蒙特卡洛模型。 在一些实施例中，基于接收到业务请求的时刻对应的网络流量数据，针对所述业 务请求中的源节点和目的节点，根据所述业务请求中的需求带宽并利用能够反映频谱连续 度的回报函数对所述用于分配路由的蒙特卡洛模型进行训练，得到用于为所述业务请求分 配路由和频谱资源的蒙特卡洛模型，包括： 基于接收到业务请求的时刻对应的网络流量数据，针对所述业务请求中的源节点 和目的节点，根据所述业务请求中的需求带宽并利用能够反映频谱连续度的回报函数，并 在贪婪度小于1的情况下利用e-greedy贪婪算法对所述用于分配路由的蒙特卡洛模型进行 训练，直到达到设定训练次数，得到用于为所述业务请求分配路由和频谱资源的蒙特卡洛 模型； 利用用于为所述业务请求分配路由和频谱资源的蒙特卡洛模型为所述业务请求 分配路由及其各链路的频谱资源，包括： 在贪婪度等于1的情况下，基于e-greedy贪婪算法并利用用于为所述业务请求分 配路由和频谱资源的蒙特卡洛模型为所述业务请求分配路由及其各链路的频谱资源。 6 CN 111586502 A 说　明　书 3/15 页 在一些实施例中，能够反映路由的链路负载均衡情况的回报函数为： 其中，R表示回报值；b为常数；Var表示路由中所有链路的负载情况的方差；li表示 第i条链路的负载情况，i为整数，1≤i≤L；mL为路由中所有链路上负载情况的均值；L为路 由的物理链路数量。 在一些实施例中，用于更新Q表格中节点的Q值的表达式为： Q'(s,a)＝Q(s,a) (R/Lt-Q(s,a))/Ns,a； 其中，Q'(s ,a)表示更新后的Q值，Q(s ,a)表示更新前的Q值，s表示以节点作为状 态，a表示执行的动作；Lt表示节点s到目的节点经历所有链路的距离；Ns,a表示涉及节点s的 更新动作a的Q值的次数；R表示回报值。 在一些实施例中，能够反映频谱连续度的回报函数为： 其中，Φ表示弹性光网络的总的频谱连续度，作为回报值；L为路由经过的所有链 路的数目； 表示链路l的频谱连续度；Nl是链路l上的频谱槽数量，Nl为正整数；Ml表示链 路l上的可用频谱槽块总数，Ml为整数；n(i)为第i个可用频谱槽块的频谱槽数；nmax为链路l 上最大的可用频谱槽块的频谱槽数。 根据本发明实施例的另一个方面，提供了一种弹性光网络中的资源分配系统，包 括： 流量预测模型离线训练单元，用于利用弹性光网络中各链路的历史流量数据对初 始循环神经网络进行训练，得到流量预测模型； 蒙特卡洛模型离线训练单元，用于基于所述弹性光网络的设定网络流量状态，以 所述弹性光网络中每个两节点组合作为源节点和目的节点对，利用能够反映路由的链路负 载均衡情况的回报函数对初始蒙特卡洛模型进行路由探索训练，以更新每个两节点组合对 应的Q表格，得到用于分配路由的蒙特卡洛模型； 流量数据在线预测单元，用于将所述弹性光网络中各链路的最近时刻的已知网络 流量数据输入至所述流量预测模型，实时预测所述弹性光网络中各链路的相应未来时刻的 网络流量数据，以得到接收到业务请求的时刻对应的网络流量数据；其中，所述业务请求包 括源节点、目的节点及需求带宽； 蒙特卡洛模型在线训练单元，用于基于接收到业务请求的时刻对应的网络流量数 据，针对所述业务请求中的源节点和目的节点，根据所述业务请求中的需求带宽并利用能 够反映频谱连续度的回报函数对所述用于分配路由的蒙特卡洛模型进行训练，得到用于为 所述业务请求分配路由和频谱资源的蒙特卡洛模型； 路由和频谱资源分配单元，用于利用用于为所述业务请求分配路由和频谱资源的 7 CN 111586502 A 说　明　书 4/15 页 蒙特卡洛模型为所述业务请求分配路由及其各链路的频谱资源。 根据本发明实施例的另一个方面，提供了一种计算机可读存储介质，其上存储有 计算机程序，该程序被处理器执行时实现上述任一实施例所述方法的步骤。 本发明实施例的弹性光网络中的资源分配方法及系统，通过采用线下大量训练， 线上少量训练后分配资源的策略降低了算法的时间复杂度，使得弹性光网络的控制平面对 到达的业务请求快速做出反应，满足现代网络通信低延迟的需求。而在弹性光网络的资源 分配问题中利用蒙特卡洛算法寻找资源分配问题的近似最优解，可以提高弹性光网络的频 谱利用率，降低光网络中业务阻塞率，使弹性光网络可以容纳更多的业务。 本发明的附加优点、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，或者可以根据本发明的实践而获 知。本发明的目的和其它优点可以通过在书面说明及其权利要求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，能够用本发明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发明能够实现的上述和其他目的。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。并且，附图中的部件不是成比例绘制的，而只是为了示出本 发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相 对于依据本发明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是本发明一实施例的弹性光网络中的资源分配方法的流程示意图； 图2是本发明一实施例的弹性光网络中的资源分配系统的结构图； 图3是本发明一具体实施例的弹性光网络中的资源分配方法的流程示意图； 图4是本发明一具体实施例的弹性光网络中的资源分配系统的结构图。