Page 27 - 网络电信2022年7/8月刊
P. 27
(3) (8)
通过对光通信链路资源分配模型的链接线路(m，n) 进行资 上式中，k pop 为光通信链路资源共享主体特征。
源分配，得到光通信链路获取端n的资源分配模型y n 进行表示: 设σ ert 为光通信链路共享资源的分配能力信息， 为分
配信息在光通信链路中的流转能力，S ery 代表光通信链路物理节
(4) 点n sg 到节点n jg 的路径，利用下式(9)表述共享光通信链路资源的
关键路径链:
上式中，x m 是光通信链路逻辑输出端m 输出的光通信链路
分配容量，在光通信链路资源分配的平均功率为Pm，h mn 为(m， (9)
n) 在光通信链路资源中的物理资源分配容量。如果h mn 值不变，
那么光通信链路资源分配信道响应h mn 的表达式为: 式中，共享光通信链路资源中任意物理链路节点的资源状
态变量为u dhj 。
(5) 将m个机器学习资源信息分布到m wer 个光通信链路资源物理
节点中，把各个机器学习理论所处的光通信链路物理节点作为
其中，e mn 为光通信链路资源分配容量的随机变量， 资源均衡分配中心，利用机器学习理论结合自适应交叉算法
是光通信链路资源分配中过时的资源信息，ρ表示响应系数。 ［10］ ，对光通信链路资源分配进行合理化均衡分配调整，利用
基于公式(5)的计算，光通信链路资源分配容量的随机变量 式(10)表述:
emn和光通信链路资源分配中过时的资源信息 之间没有
联系 ［7］ 。当 值一定时，假设光通信链路资源的载噪比 (10)
2
为rn，某一个资源分配的载噪比为 为χ 分布，
对应的链路资源分配为2 ［8］ ，得到光通信链路资源分配信道 式中，opoi为任意光通信链路物理节点的实际共享范围，
的表达式为: ulpo为光通信链路物理节点的资源信息初始数量，ρ为信息资
源分享要素，ρ(t)代表ρ的原始值，ρ min 代表ρ的最优值，
(6) e poi 为共享光通信链路资源的最优值。
设p ijk 为i个光通信链路共享资源的处理性能，E asd 为光通信
式中，I 0 表示光通信链路逻辑链路资源。采用通信网络效 链路信息资源节点的均衡分配能力，k hkl 代表光通信链路资源的
用的最优化方法解决资源分配的问题 ［9］ ，如果采用G 表示通信 分配处理性能，E wer 为t时刻第i个机器学习选择资源j的实际概
网络效用的最优模型，其表达式为: 率，则利用式(11) 求出光通信链路共享分配的优化模型:
(7) (11)
采用机器学习理论得到光通信链路的初始逻辑光通信链路 式中，r hju 代表光通信链路共享信息素的价值度。
与物理光通信链路，通过网络效用最优化方法来解决多目标光 假设，由f max 代表共享光通信链路资源方案的最优分配机
通信链路资源合理化跨层资源分配的问题，在逻辑光通信链路 制，f wer 代表交叉检验后的资源适应度，ε yui 代表光通信链路物
与物理逻辑链路的基础上，建立通信网络效用最优模型。 理节点的共享度，则利用式(12)给出优化共享光通信链路资源
的最优机制:
2.2优化共享光通信链路资源
在光通信链路信息资源进行优化共享的过程中，首先采集 (12)
光通信链路信息资源传输的平均数据量，提取光通信链路环境
下，信息资源分配的实时变化特征，得到光通信链路资源分配 依据式(12) 的计算结果完成光通信链路资源的优化共享。
的传递的基础路径链，利用机器学习理论光通信链路资源分配 2.3设计光通信链路资源分配算法
过程中的资源信息进行合理化分配，再通过机器学习构建资源 首先，构建光通信链路资源分配模型，分配方式表示为G=(
分配模型，得到共享光通信链路资源的最优机制，以此作为光 V，E)，其中，V={v 1 ，v 2 ，…，v n }表示光通信链路资源分配各
通信链路资源均衡分配的依据。 个节点集合，v i 表示光通信链路的物理节点，具有通信信息资
设p sg 代表资源分配的实际规律，s sgjj 为光通信链路资源共 源的采集和传输功能，V中的各个光通信链路资源分配节点的
享节点的集合，d sgh 、f sgj 为光通信链路资源分配的逻辑链路与 传输距离λ 0 相等，E={e 1 ，e 2 ，…，e m } 为各个分配节点之间的
物流链路，E wer 表示光通信链路资源分配数据量，那么利用公式 链路集，每个分配节点都具有独特的标识 ［11］ ，则E还可以表示
(8)可以提取出光通信链路资源共享变化性特征，即: 为:
网络电信 二零二二年七，八月 47
