[发明专利]一种基于机器学习的频谱碎片避免方法

说明书

本发明涉及一种基于机器学习的频谱碎片避免方法，本方法首先使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；然后，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。本方法能够在降低芯间串扰的同时，降低网络中的频谱碎片，有效地提升了网络的资源利用率并降低了整体阻塞率。

技术领域

本发明属于光通信与网络领域，涉及一种基于机器学习的频谱碎片避免方法。

背景技术

近年来，随着高清视频、云计算等带宽密集型业务的大量出现，特别是5G高速移动传媒业务、物联网的快速发展，用户对于通信网络的带宽需求也随之大幅地提高，光纤通信的信道带宽消耗量呈几何倍上升趋势，基于单芯光纤的弹性光网络(Elastic OpticalNetwork，EON) 的传输容量已经接近其物理极限。为了能够满足网络中日益增长的带宽需求，空分复用(Space Division Multiplexing，SDM)技术应运而生，其被认为是一种可以长期解决弹性光网络容量问题的有效方案。

在EON中，频谱资源的细粒度划分以及实时分配的特点，可以为不同的业务分配恰适的频谱资源进行传输，但是由于业务大小以及到达和终止时间都具有随机性，导致网络中出现一些孤立的、非对齐的频谱块，即频谱碎片。而引入空分复用技术后，相当于在原来的单芯光纤中引入了更多并行的纤芯，这虽然使网络中承载的业务成倍增加，但同时也造成空分复用弹性光网络(Space Division Multiplexing Elastic Optical Network，SDM-EON)中频谱碎片的成倍增加。这些频谱碎片很难被用来服务未来新的业务连接请求，将会严重影响网络的总体性能。因此，如何减少网络中的频谱碎片得到了广泛关注。