论文部分内容阅读
近年来,随着各种宽带业务的涌现和物联网、大数据等技术的发展,网络流量呈现出持续增长的趋势,与此同时,为各种新兴技术和应用提供服务的光网络的发展也受到了前所未有的挑战。大容量、高灵活性和可扩展性成为未来光通信网的发展方向;网络拓扑结构也越来越复杂,为了满足用户的基本需求,保证QoS(Quality ofService,服务质量)机制正常工作,对光网络实施拥塞控制、优化光网络的路由波长分配(RWA,Routing Wavelength Assignment)机制就显得更为关键。本论文以国家自然科学基金为依托,围绕 TWDM(Time and Wavelength Division Multiplexed,时分/波分复用)技术、软件定义光网络系统结构及带宽分配算法进行了研究并分别提出了一种基于机器学习的光网络性能预测机制和控制方案,该方案是基于软件定义光网络系统结构,利用机器学习算法建模预测光网络系统性能,综合考虑网络资源利用率的实时状态和经典的路由资源分配算法,提出了新型的动态带宽算法。进一步提高了网络带宽利用率,降低业务阻塞率和延时。主要工作和创新点如下:(1)建立了 TWDM光网络的仿真平台,对时分、波分等关键复用功能进行了仿真分析,完成了关键性能数据的采集,如业务的源和目的节点、请求的带宽以及持续时间、固定时间周期的链路的带宽利用率等。(2)建立了基于机器学习预测光网络性能的理论模型,通过对机器学习算法的分析,确定了其结构和参数。针对当前日益严峻的网络拥塞问题,具体提出并实现了基于机器学习的光网络拥塞度预测的方案。仿真结果表明,该方案可以有效地预测光网络系统的拥塞度,达到预警和理论指导的作用。(3)为了进一步控制和降低网络拥塞,提出了 SDON(Software Defined Optical Network,软件定义光网络)中基于链路带宽利用率预测的资源分配方案。仿真结果表明,该方案根据实时的链路资源利用率状态,通过SDN控制器集中管控路由和资源分配,能够有效地降低业务阻塞率、时延,提升系统的带宽利用率。