Page 28 - 网络电信2022年9/10月刊
P. 28
光 通 信
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
(14) 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性。
3. 实验结果分析
设 为光通信链路的物理节点v i 的特征向 三种资源分配方法的通信冲突率对比结果如图1所示。从
量，计算公式为: 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
(15) 机器学习理论的光通信链路资源分配方法，其通信冲突率小于
式中， 为光通信链路物理节点v i 的当前容量，当
图1 通信冲突率对比结果
时，光通信链路物理节点v i 处于无效分配状态; k i 表示
v i 的最大相邻物理节点的容量，S k 表示分配节点ECMP分配参量，
则:
(16)
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 ei 进行资源分配过程中消耗的实际带
宽为Me max (e i ) ，光通信链路对 ei进行资源分配时，分配总时长
为μ max (e i ) ，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
i
i
分配初始节点和资源配终止节点。当v(e )=s和v(e j )=t时，e 代
表光通信链路资源分配节点e的资源分配始节点和资源分配终止
节点分别从s端和t端流入的 ［14］ ，Ca(e)代表光通信链路资源分
的共享资源上界。
以上计算过程基于机器学习理论 ［15－16］ ，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。
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
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
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
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
46 网络电信 二零二二年九，十月
