Page 28 - 网络电信2022年7/8月刊

光 通 信

(13) 2.设定评价指标
在测试过程中，为了更好地验证基于机器学习理论的光通
其中，D(v j ，v k ) 为相邻光通信链路资源分配节点v j 和v k 之 信链路资源分配方法的性能，将测试过程分为两个阶段，第一
间的传输距离。v j 和v k 共享同一传输媒介 ［12］ ，假设φ为光通信 阶段以通信冲突率作为评价指标，在光通信链路资源分配合理
链路资源的分配容量参数，则分配节点的光通信链路分配率为: 的情况下，当通信冲突率较低，且光通信链路资源分配不合理
时，将会产生光通信链路拥塞，从而导致通信冲突率较高; 第
(14) 二阶段以通信节点负载均衡度和链路负载均衡度作为评价指
设 ∈V，M(v i ) 为光通信链路的物理节点v i 的特征向 标，彰显基于机器学习理论的光通信链路资源分配方法的优越
量，计算公式为: 性。
(15) 3. 实验结果分析
式 中 ， E g i 为 光 通 信 链 路 物 理 节 点 v i 的 当 前 容 量 ， 当 三种资源分配方法的通信冲突率对比结果如图1所示。从图
1 的结果可以看出，在通信网络链路资源分配上，采用基于机
时，光通信链路物理节点v i 处于无效分配状态; k i 表
器学习理论的光通信链路资源分
示v i 的最大相邻物理节点的容量，S k 表示分配节点ECMP分配参
配方法，其通信冲突率小于0.06，而采用文献［4］的资
量，则: 源分配方法和文献［5］的资源分配方法时，通信冲突率分别为
0.11 和0.08，因此可以得到，基于机器学习理论的光通信链路
(16)
资源分配方法在分配光通信链路资源时的通信冲突率比较低。

设 为光通信链路e i 的最大资源分配
的上限容量，光通信链路ei进行资源分配过程中消耗的实际带 图1 通信冲突率对比结果
宽为Me max (e i )，光通信链路对e i 进行资源分配时，分配总时长为
μmax(ei) ，M(e i )代表光通信链路资源分配e i 的分配容量的下
限值，其表达式如下:
(17)

根据机器学习理论得到F=fst，通过光通信链路资源守恒定
律 ［13］ ，计算得到光通信链路资源分配的容量约束，计算公式如下:

(18)
(19)
其中， 和 分别代表光通信链路资源分配节点e的
资源分配初始节点和资源分配终止节点。当v(e i )=s和v(e j )=t
i
时，e 代表光通信链路资源分配节点e的资源分配初始节点和资
源分配终止节点分别从s端和t端流入的，Ca(e)代表光通信链路
资源分配的共享资源上界。
以上计算过程基于机器学习理论，实现了对光通信链路资
源分配算法的设计，具体公式如下:

(20)

根据以上过程，实现了光通信链路资源的分配。

三.仿真分析
1. 搭建实验环境
为了验证基于机器学习理论的光通信链路资源分配方法在
实际应用中的可行性，在Cloud Sim2.0环境下，搭建光通信链
路资源分配测试平台，引入文献 ［4］ 的资源分配方法和文献 ［5］
的资源分配方法进行对比，采用Cloud Sim2. 0工具进行一次光
纤网络测试。

48 网络电信 二零二二年七，八月