[发明专利]一种基于机器学习的频谱碎片避免方法

权利要求书

1.一种基于机器学习的频谱碎片避免方法，其特征在于：在该方法中，利用机器学习方法中的Elman神经网络预测业务的大小、到达时间及持续时间；将时间和频谱资源抽象成二维资源池，并综合考虑业务的大小和业务持续时间，将每个业务等效为一个矩形块；最后，根据二维packing填充原则将业务矩形块填充至二维资源池，从而减小了网络中的频谱碎片。此外，将每条纤芯上的频谱资源划分为两个子区域，在相邻纤芯之间交替使用每个子区域中的资源，并根据每条纤芯上的业务量动态调整每个子区域的大小，从而降低纤芯之间串扰。

2.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：在本方法中，所述基于Elman神经网络的业务预测过程为：首先，对Elman神经网络模型进行初始化，然后将业务大小、业务到达时间及持续时间的历史数据输入到神经网络中进行模型的训练，接着根据输入的业务历史数据信息计算各层(输入层、隐含层、承接层及输出层)的输出，最后计算误差函数，此时分为两种情况，第一种是误差值小于预先设定的阈值，此时直接输出预测到的业务大小、业务到达时间及持续时间，另一种是误差值大于阈值，此时则需要一直更新连接权值，直到误差值小于阈值才输出预测值(业务大小、业务到达时间及持续时间)。

3.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：在本方法中所述的二维Packing填充原则主要分为3步：

步骤1：将T时间段内的所有业务请求(即t_a≤T，t_a表示业务的到达时间)，按照其等效矩形面积M(M＝f×t，其中f表示业务大小，t表示持续时间)降序排序，并按照此顺序依次将业务(矩形块)放入资源池。

步骤2：对于较大矩形块，从二维资源池的可用空间的左下位置依次将其放入资源池。

步骤3：对较小的矩形块，使用二维Packing模型中的“穴度”[K.He,W.Huang,Y.Jin,“Anefficient deterministic heuristic for two-dimensional rectangular packing,”Computers and Operations Research,vol.39,no.7,pp.1355-1363.Jul.2012]在资源池中选择一个最佳的放置位置。

4.根据权利要求1所述的一种基于机器学习的频谱碎片避免方法，其特征在于：所述交替使用原则为：首先，将两条相邻纤芯C_i和C_j(i≠j)上的频谱资源分别划分为两个子区域S_i1、S_i2和S_j1、S_j2。在为业务分配频谱资源时，优先占用S_i1和S_j2上的资源，以此避免相邻纤芯上的频谱重叠，从而减小串扰。随着业务的动态建立与拆除，每条纤芯上的资源使用情况会随时间动态变化，因此每个子区域的大小会根据业务量进行动态调整。特别地，鉴于七芯光纤处于中间位置的纤芯与其它六条纤芯都相邻，所以在此纤芯上采用随机匹配的频谱分配方式。