[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

说明书

本说明书一个或多个实施例提供一种基于LSTM深度学习的光网络路由优化方法及其相关装置，应用深度学习中的LSTM预测模型，通过学习不同场景下的链路使用率和业务剩余时间特征与路由策略复杂的映射关系，将网络中链路和业务整体信息作为输入，通过几层神经网络计算快速获取重构阈值，来决策是否进行路由优化策略。该方法解决了现有技术中算法通常存在特征学习能力有限，对复杂函数的表达能力比较差，优化目标参数单一，交换机资源有限和网络资源开销巨大的缺陷，同时该阈值随着业务的不断到来可以实时高效的改变，从而缓解因为网络流量波动或者承载业务量过多而导致业务阻塞的情况，实现了光网络业务自适应的路由优化。

技术领域

本说明书一个或多个实施例涉及路由优化技术领域，尤其涉及一种基于LSTM深度学习的光网络路由优化方法及其相关装置。

背景技术

传统的光网络路由优化方式有重路由和频谱搬移两种。重路由，即将一些在非最优路径上的业务通过重新路由来选择新的最优路径传输以改善网络整体性能。在网络承载业务进行传输时，因为业务的资源需求没有得到满足，很多业务并没有被分配在最短或最优路径上。当最短路径上的业务请求被拆除时，处于别的非最优路径上的业务就可以通过重路由的方式转移到最短或最优路径上，从而优化网络资源的使用，改善网络整体性能。频谱搬移是指在业务原有路径下，寻找是否有空闲的低位频隙资源，如果有则将业务直接搬移到空闲频隙上，如果没有则不对业务进行操作。由于业务连接请求的频繁建立和释放，使得频谱资源的碎片化程度非常高，将业务进行频谱搬移可以整合频谱资源，从而可以部署更多的业务以达到网络优化的目的。

近年来已经开始涌现出一些结合深度学习方法的光网络路由优化方法研究成果，但是目前所提出的基于深度学习的光网络路由优化算法存在一些缺陷：第一，目前只是使用了传统机器学习或者浅层的人工神经网络算法，这些传统的算法通常存在特征学习能力有限，对复杂函数的表达能力比较差等问题。第二，目前大部分方案都是通过预测网络中的某项参数，然后根据这些网络参数达到对业务路由间接优化的目的，然而网络业务路由优化是一个复杂的问题，针对单一目标参数的优化通常很难取得明显的路由优化性能提升。第三，都需要在每个交换机中部署机器学习算法，然后交换机收集这些信息进行路由计算，但是在实际场景中交换机的资源十分有限，很难满足机器学习算法对计算资源的要求。第四，都需要使用流量矩阵作为深度学习算法的输入，但是在真实场景中进行精准的流量矩阵测量需要巨大的网络资源开销。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于LSTM深度学习的光网络路由优化方法及其相关装置，以解决现有技术中算法通常存在特征学习能力有限，对复杂函数的表达能力比较差，优化目标参数单一，交换机资源有限和网络资源开销巨大的问题。

基于上述目的，本说明书一个或多个实施例提供了一种基于LSTM深度学习的光网络路由优化方法及其相关装置，其中方法包括：

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；

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。

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。

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：