基于机器学习的光网络监测与优化方法

近年来,许多新型调制和复用技术以及动态网络概念被提出,以适应不断提高的网络带宽和质量需求。网络控制平台向系统化、智能化趋势发展,要求网络管理者不断监测网络各项参数,时刻优化网络状态。然而,大范围部署额外的监测设备获取参数信息从成本控制的角度缺乏可行性,利用已知数据与特殊算法进行网络性能监测和优化是更优的选择。机器学习方法因为其足够准确和高效逐渐被学术界采纳用于完成上述任务。文章梳理了在光网络监测与优化任务中使用机器学习算法的不同应用场景,综述了该领域的研究成果,并提出了现存的基于机器学习的光网络监测与优化方法存在的问题及可能的进一步研究的方向。基于机器学习的光学性能监测包括光学损伤辨别、信道质量评估以及通道功率预测,基于机器学习的网络配置优化方法包括强化学习优化通道功率。进一步研究方向可以考虑加强与运营商的合作,使用真实的现场数据,不断获取数据动态训练模型,并使用迁移学习和数据增强等技术,以保证算法的鲁棒性与泛化能力。

基于多目标业务流量的光网络优化方法研究

介绍了光网络优化的研究现状及满意度算法的基本原理。在此基础上,设计了多目标业务流量优化模型,给出了遗传算法在网络优化中的应用。根据建立的模型,选择合适的实验网络拓扑和实验参数对遗传算法进行仿真和分析。

集成化的光因特网技术

未来的光网络在体系结构复杂程度方面必须降低,以便节省费用和便于管理。将IP构建于光层上无疑是正确的解决办法。通用多协议标记交换(GMPLS)技术的出现,为光因特网的实现提供了一种新的方式。分析了IP层与WDM层的组网模型,基于GMPLS技术,建立了新的集成化的光因特网网络体系结构,分析和讨论了基于GMPLS的光因特网的控制平面的特征。研究结果为实现光因特网提供了一种新方法。

对巴里坤县(乡、镇)光纤干线网的优化改造

本文就使用1550nm代替1310nm光传输进行优化改造,并提出解决方法。

边缘计算与云计算协同的SOON实现机制(特邀)

随着光网络规模的快速扩张,光网络的运维与管理在可靠性、灵活性和安全性等方面面临着越来越严峻的挑战。为降低光网络决策控制的复杂度,提升光网络的智能化控管能力,文章结合人工智能技术提出了自优化光网络的概念,并基于边缘计算与云计算协同的思想,提出了边缘计算与云计算协同的自优化光网络实现机制,通过光传送节点和控制节点的协同机制,为光网络动态提供人工智能所需的计算资源。

论三网融合的前景及重要意义

本文介绍三网融合的发展前景,并从多方面论述三网融合的战略意义。