随着5G/B5G的快速发展,为了满足车联网,增强现实,工业互联网等新兴应用超低时延需求,光与无线融合的接入网架构成为5G/B5G的重要组网形式。由于5G/B5G时代业务高度的动态性和差异性,面对不同的网络需求,网络需要端到端的切片,以应对差异化服务。切片给网络带来了灵活性,同时也增加了管理的复杂性。光与无线融合网络切片配置依赖于操作人员的经验来操作网络,这种方式缺乏灵活性和及时性。而在B5G场景中,用户更关心的是配置的实现,而不是在网络上配置操作的过程。为了有效地容纳5G/B5G中的各种服务并满足新兴业务服务质量要求,新兴业务的复杂性和差异性对光与无线融合网络资源管理的灵活性和可扩展性提出了新的挑战。综上所述,实现网络的自我学习、自我优化和自我管理是光与无线融合网络智能控制技术的未来发展方向。因此,本论文从智能切片策略视角出发,围绕基于意图驱动下的光与无线融合网络智能控制策略展开研究,取得若干关于意图驱动光与无线融合网络切片闭环控制的创新性研究成果,主要内容如下:第一,针对现有的光与无线融合网络难以精确有效地将业务意图转换为光与无线融合网络配置语言的难题,本论文研究了研究意图与网络资源需求的映射,捕获业务意图构建知识图谱,利用知识图谱匹配技术将其转换为网络策略,实现了对意图到网络状态需求的精准转换。第二,针对现有的光与无线融合网络难以为多样化意图的灵活需求提供定制化服务的难题,本论文研究在意图的约束下,基于深度强化学习的切片策略生成,通过有效地将用户的性能要求转换为光与无线融合网络的切片配置策略,实现多维感测要求,实现了意图与切片策略的最优适配,克服了传统光与无线融合网络资源分配策略静态固化的缺点。第三,针对智能切片策略下发执行时,由于意图的高度动态性,可能面临与突变的网络环境无法适配的难题,本论文重点研究了基于快速切片重构方法的意图保障机制,通过引入Dueling Deep-Q-Network网络,提出一种面向高度动态网络环境的快速切片重构方法,有效实现调整不同域的频谱、计算和存储资源的分配策略以匹配切片请求中的动态变化,最大化保障意图实现。仿真结果表明,所提出的模型能够根据实时网络状态,连续检测执行策略与原始意图的一致性,并在未达到意图要求时采取快速切片重构,重构时间缩短39.2%,资源利用率提升17.6%,降低意图约束违背率的同时提升网络资源利用率。