[发明专利]一种基于LSTM深度学习的光网络路由优化方法及其相关装置

权利要求书

1.一种基于LSTM深度学习的光网络路由优化方法，其特征在于，包括：

接收待部署业务的请求，解析所述待部署业务的属性，根据所述待部署业务的属性计算其最短路径；

判断所述最短路径上频谱是否充足；

若不充足，则获取满足所述待部署业务所需频谱数量的堵塞路径上已部署业务的剩余时间，计算所述待部署业务的持续时间与所述已部署业务的剩余时间的时间差，并为所述待部署业务寻找次优路径进行部署；

收集光网络中整体路径频谱占用状况数据，将收集的数据输入至训练好的LSTM深度学习模型中，获得预设的重构阈值；

所述LSTM深度学习模型的训练步骤包括：

第一步：获取网络中历史的网络频谱占用状况信息和业务信息；

第二步：根据所述历史的网络频谱占用状况信息和业务信息，按照时间序列生成频谱矩阵S与业务矩阵R，包括在时间序列t₁、t₂至tn下，得到对应的频谱矩阵S1、S2至Sn和业务矩阵R1、R2至Rn；

其中，所述业务矩阵R的形式为：

其中所述业务矩阵R中的分别代表业务R_i的源节点和宿节点；代表业务R_i所需的频谱资源；代表业务R_i的剩余时间；P_i代表业务R_i的工作路径，所述业务矩阵随着业务的到来和离去随时更新；

第三步：根据当前t_i采集到的所述频谱矩阵S_i和所述业务矩阵R_i当做输入数据输入初始的LSTM预测模型，t_i表示在所述时间序列t₁、t₂至t_n中的任一时刻，使用t_i的下一时刻t_i+1的所述频谱矩阵S_i+1和所述业务矩阵R_i+1作为标签数据，训练所述预设的重构阈值的选取；

第四步：根据每次t_i输入的所述频谱矩阵和所述业务矩阵，将输出得到预测重构阈值进行模拟，根据使用所述预测重构阈值得到的网络业务堵塞率来给所述预测重构阈值进行打分，并将所述t_i时刻得到的预测重构阈值当做输入信息，得到所述t_i+1时刻的预测重构阈值进行模拟，打分，输入，直至结束；

重复上述四个步骤，对所述LSTM模型进行反复训练，所述LSTM模型会选取不同的所述预测重构阈值进行模拟并根据网络中业务阻塞率进行打分，选取得分最高的所述预测重构阈值作为预设的重构阈值；

判断所述时间差是否达到所述预设的重构阈值，根据判断结果进行分配路径。

2.根据权利要求1所述的基于LSTM深度学习的光网络路由优化方法，其特征在于，所述判断所述最短路径上频谱是否充足之后，包括：

若充足，则选择并分配给所述待部署业务所述最短路径的波长频谱，更新所述最短路径上的频谱状态信息并结束分配。

3.根据权利要求1所述的基于LSTM深度学习的光网络路由优化方法，其特征在于，所述判断所述时间差是否达到所述预设的重构阈值，根据判断结果进行分配，包括：

若所述时间差大于所述预设的重构阈值，则所述待部署业务经过所述时间差的时间后进行重构，选择并分配给所述待部署业务最短路径的波长频谱，更新路径上的频谱状态信息并结束分配，若所述时间差小于或等于所述预设的重构阈值，则结束分配。

4.根据权利要求1所述的基于LSTM深度学习的光网络路由优化方法，其特征在于，所述业务属性包括源节点，宿节点，业务开始时间，业务持续时间和需要频谱数；

所述计算业务最短路径的算法为Dijkstra算法。

5.根据权利要求3所述的基于LSTM深度学习的光网络路由优化方法，其特征在于，所述选择并分配给待部署业务最短路径的波长频谱采用的方法为First-Fit算法。