申请/专利权人：北京邮电大学;国家电网有限公司信息通信分公司

申请日：2019-06-19

公开（公告）日：2021-01-05

公开（公告）号：CN110391843B

主分类号：H04B10/079(20130101)

分类号：H04B10/079(20130101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.05#授权;2019.11.22#实质审查的生效;2019.10.29#公开

摘要：本发明公开了一种多域光网络的传输质量预测、路径选择方法和系统，所述系统包括：传送平面中的OPM，用于将当前采集的对应节点的网络数据输入到第一神经网络模块经过一层神经网络运算后输出所述节点的抽象化的网络数据至所述多域光网络的控制平面；控制平面中的控制器，用于针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果。应用本发明实现传送平面和控制平面协同智能，可以克服多域光网络的自主性和隐私性约束同时降低控制器负载，提供高准确度的传输质量预测，保障业务的可靠性。

主权项：1.一种多域光网络的传输质量预测系统，其特征在于，包括：设置于多域光网络的传送平面中的光性能监测功能模块OPM，用于将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器，用于针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过所述多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。

全文数据：多域光网络的传输质量预测、路径选择方法和系统技术领域本发明涉及网络传输领域，特别是指一种多域光网络的传输质量预测、路径选择方法和系统。背景技术新型的高带宽应用，如基于云的多媒体应用的爆炸式扩张，推动了互联网流量呈指数级增长，促使光通信网络的结构也越来越复杂，因此保证业务的传输质量是一项十分重要且艰巨的任务。目前的光网络运营商通常通过考虑最坏链路条件和分配较大的裕度来保证光路的传输质量，从而保证光路在生命周期内可能出现的性能下降，但这样会大大缩减网络资源，因此准确的光路传输质量QoT估计模型对于提高光网络运行效率至关重要。近年来研究者将人工智能的方法运用在光网络的传输质量的预测上，人工智能技术使得表示高维数据和近似复杂函数成为可能。如基于人工神经网络的深度学习系统通过监测信道功率来预测传输质量以及利用支持向量机SVM和k近邻KNN算法的机器学习系统来预测传输质量等等。这些方案均通过训练数据集学习光网络的损伤参数，从而得出光路的传输质量。然而，这些模型显然不能直接应用于多域光网络的场景，因为它们需要访问每个光学组件的状态，这显然违反了多域系统自主性和隐私性。事实上，跨多个自治系统多域光网络因为受制于管理约束，管理人员可能对一些详细的网络运行信息保密，而只披露非常有限的域内信息。因此，在多域光网络中，为域间光路提供传输质量预测是一项非常艰巨的任务。发明内容本发明提出了一种多域光网络的传输质量预测、路径选择方法和系统，可以克服多域光网络的自主性和隐私性约束，提供高准确度的传输质量预测，为后续进行有效的资源分配奠定基础，保障业务的可靠性。基于上述目的，本发明提供一种多域光网络的传输质量预测系统，包括：设置于多域光网络的传送平面中的光性能监测功能模块OPM，用于将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器，用于针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过所述多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。其中，所述采集的对应节点的网络数据具体为所述节点的网络特征数据；所述网络特征数据为如下数据之一或任意组合：拥塞率、功率、链路长度、EDFA的噪声系数，WDM的通道占用率、调制格式。较佳地，第一神经网络模块中的第一层隐藏层的神经元节点个数少于输入节点个数。较佳地，第二神经网络模块中设置有至少三层神经网络。本发明还提供一种多域光网络的路径选择系统，包括：如上所述的多域光网络的传输质量预测系统；设置于所述多域光网络的应用平面中的传输策略模块，用于将源节点与目的节点之间的若干路径逐一作为待预测路径指示所述控制器对当前的待预测路径进行传输质量预测结果；根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。本发明还提供一种多域光网络的传输质量预测方法，包括：设置于多域光网络的传送平面中的光性能监测功能模块OPM将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的路径传输质量预测结果；其中，第二神经网络模块是预先通过所述多域光网络中多个路径的历史传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。较佳地，在所述OPM将当前采集的对应节点的网络数据输入到第一神经网络模块之前，还包括：所述OPM将当前采集的网络数据进行标准化处理；以及所述OPM将当前采集的网络数据输入到第一神经网络模块，具体为：所述OPM将标准化处理后的网络数据输入到第一神经网络模块。本发明还提供一种多域光网络的路径选择方法，包括：如上所述的传输质量预测方法中的各步骤；设置于所述多域光网络的应用平面中的传输策略模块将源节点与目的节点之间的若干路径逐一作为待预测路径指示所述控制器对当前的待预测路径进行传输质量预测结果；并根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。其中，所述根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径，具体包括：所述传输策略模块将所述控制器发送的路径的传输质量预测结果与设定的传输质量阈值进行比较；若所述路径的传输质量预测结果大于所述传输质量阈值，则为所述业务分配该路径。本发明的技术方案中，设置于多域光网络的传送平面中的光性能监测功能模块OPM将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将第一神经网络模块运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。这样，传送平面中的OPM通过第一神经网络模块以非可逆的激活函数进行运算，一方面由于无法根据输出的抽象化的网络数据解析出输入到第一神经网络模块的网络数据，可以起到加密效果，从而满足多域光网络情况下的自主性和隐私性等特点；另一方面，OPM输出的抽象化的网络数据可以反映传送平面中采集的网络数据的特征，而这些抽象化的网络数据进一步可以被输入到控制平面中的控制器经过第二神经网络模块的运算进行传输质量预测，提供高准确度的传输质量预测，为后续进行有效的资源分配奠定基础，保障业务的可靠性。更优地，本发明技术方案中，第一神经网络模块中的第一层隐藏层的神经元节点个数少于输入节点个数，起到数据压缩的效果，在进行数据传输和进行控制器的第二神经网络模块训练时大大降低负载，从而提高了网络运行效率。附图说明图1为本发明实施例提供的一种多域光网络的传输质量预测、路径选择系统的内部结构图；图2为本发明实施例提供的第一神经网络模块的内部结构示意图；图3为本发明实施例提供的第二神经网络模块的内部结构示意图；图4为本发明实施例提供的一种多域光网络的传输质量预测、路径选择方法流程图；图5为本发明实施例提供的传输策略模块为业务选择一条符合要求的路径的方法流程图；图6为本发明实施例提供的第二神经网络模块的训练方法流程图。具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。本发明的发明人考虑到，SDNSoftwareDefinedNetwork，软件定义网络颠覆了传统网络垂直整合的特性，SDN网络被分解为三个面即传送平面、控制平面、应用平面；其中控制平面是整个网络的调配中心，所有的控制逻辑都集中在控制平面，将网络的控制逻辑与底层硬件设备解耦合如路由器、交换机，将网络进化为逻辑上集中的控制模型。而现有的利用人工智能算法的通信传输质量预测技术常常是将完整的人工智能算法运行在SDN控制器中，大大加大了控制器的负载；且大部分方案过度依赖数据本身，然而在多域光网络约束下，控制器中的通信传输质量预测算法，无法直接获取详细的底层硬件设备的数据，所以不能很好的保证传输质量预测结果。因此，本发明的技术方案中，设置于多域光网络的传送平面中的光性能监测功能模块OPM将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将第一神经网络模块运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。这样，传送平面中的OPM通过第一神经网络模块以非可逆的激活函数进行运算，一方面由于无法根据输出的抽象化的网络数据解析出输入到第一神经网络模块的网络数据，可以起到加密效果，从而满足多域光网络情况下的自主性和隐私性等特点；另一方面，OPM输出的抽象化的网络数据可以反映传送平面中采集的网络数据的特征，而这些抽象化的网络数据进一步可以被输入到控制平面中的控制器经过第二神经网络模块的运算进行传输质量预测，提供高准确度的传输质量预测，为后续进行有效的资源分配奠定基础，保障业务的可靠性。下面结合附图详细说明本发明实施例的技术方案。本发明实施例提供的一种多域光网络的传输质量预测系统，结构如图1所示，具体包括：设置于多域光网络的传送平面中的OPM光性能监测功能模块101、设置于多域光网络的控制平面中的控制器102。其中，OPM101可以是多个，可以设置于不同光网络域中。例如，如图1所示，在第一个光网络域中设置了两个光节点光节点A1和A2以及两个OPM，分别为A1和A2的OPM；第二个光网络域中有三个光节点光节点B1、B2和B3和三个OPM，即B1的OPM、B2的OPM和B3的OPM。OPM通过外挂AI计算板卡均具有智能运算能力。OPM101用于采集对应节点的网络数据，并将当前采集的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将第一神经网络模块运算得到所述节点的抽象化的网络数据发送给所述多域光网络的控制平面。其中，OPM101中的第一神经网络模块可以是内置于OPM101也可以是外挂于OPM101；第一神经网络模块的内部结构可以如图2所示，包括一层神经网络，其中，X1～X6表示输入节点，a1～a4表示第一层隐藏层的神经元节点；第一神经网络模块中的第一层隐藏层的神经元节点个数可以少于输入节点个数。这样，第一神经网络模块输出的抽象化的网络数据的维数将少于输入到第一神经网络模块的网络数据的维数，从而起到数据压缩的效果，在进行数据传输和进行控制器的第二神经网络模块训练时可以大大降低负载，从而提高了网络运行效率。其中，OPM101采集的网络数据具体可以是节点的网络特征数据；所述网络特征数据可以是如下数据之一或任意组合：拥塞率、功率、链路长度、EDFA掺铒光纤放大器的噪声系数，WDM波分复用的通道占用率、调制格式。控制器102用于针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果。其中，控制器102中的第二神经网络模块可以是内置于控制器102中，也可以是外挂于控制器102；第二神经网络模块中设置有至少三层神经网络，第二神经网络模块的具体结构可以采用常用的神经网络结构，例如，如图3所示。第二神经网络模块是预先通过所述多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM101历史输出的抽象化的网络数据训练得到的；而OPM101历史输出的抽象化的网络数据是根据OPM101历史采集的网络数据经第一神经网络模块运算得到的。第一神经网络模块中的神经网络参数可以是本领域技术人员根据经验设置的，而不用参与训练。本发明实施例提供的一种多域光网络的路径选择系统，结构如图1所示，包括了上述的多域光网络的传输质量预测系统，即包括上述的设置于多域光网络的传送平面中的OPM光性能监测功能模块101、设置于多域光网络的控制平面中的控制器102，此外还包括：设置于多域光网络的应用平面的传输策略模块103。传输策略模块103用于将源节点与目的节点之间的若干路径逐一作为待预测路径指示所述控制器对当前的待预测路径进行传输质量预测结果；根据所述控制器发送的路径传输质量预测结果，为业务选择一条符合要求的路径。基于上述的多域光网络的传输质量预测、路径选择系统，本发明实施例提供的一种多域光网络的传输质量预测、路径选择方法，具体流程如图4所示，包括如下步骤：步骤S401：OPM101采集对应节点的当前的网络特征数据。具体地，OPM101采集当前的网络特征数据；所述网络特征数据可以是如下数据之一或任意组合：拥塞率、功率、链路长度、EDFA的噪声系数，WDM的通道占用率、调制格式。步骤S402：OPM101对采集的网络数据进行预处理。具体地，OPM101可以将当前采集的网络数据进行标准化处理，包括网络数据各项指标翻译、去除冗余数据、格式转换、制作成神经网络模块可以直接使用的数据类型等。步骤S403：OPM101将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算。具体地，OPM101将经过标准化处理后的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，得到所述节点的抽象化的网络数据。其中，非可逆的激活函数，比如可以是ReLu、Ramp函数等。较佳地，第一神经网络模块中的第一层隐藏层的神经元节点个数少于输入节点个数；这样，第一神经网络模块输出的抽象化的网络数据的维数将少于输入到第一神经网络模块的网络数据的维数，从而起到数据压缩的效果，在进行数据传输和进行控制器的第二神经网络模块训练时可以大大降低负载，从而提高了网络运行效率。步骤S404：OPM101将第一神经网络模块输出的所述节点的抽象化的网络数据传送至控制平面。步骤S405：控制平面的控制器102获取所述多域光网络中不同光网络域的OPM输出的抽象化的网络数据。具体地，控制器102针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据。步骤S406：控制器102将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果。本步骤用于计算路径的传输质量预测结果的第二神经网络模块是预先通过所述多域光网络中多个路径的历史传输Q因子，以及这些路径所经过的节点所对应的OPM101历史输出的抽象化的网络数据训练得到的，具体训练方法将在后续介绍。本步骤中第二神经网络模块输出的路径传输质量预测结果可以是预测的所述路径的传输Q因子。步骤S407：控制器102将第二神经网络模块输出的路径的传输质量预测结果传送到应用平面。步骤S408：应用平面中的传输策略模块103根据控制器102发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。具体地，传输策略模块103为业务选择一条符合要求的路径的方法，具体流程可以如图5所示，包括如下步骤：步骤S501：传输策略模块103根据网络拓扑结构找出业务的源节点和目的节点之间的若干路径。例如，如图1所示，A1和B3之间可能的传输路径有A1-A2-B1-B3和A1-A2-B1-B2-B3。步骤S502：传输策略模块103将源节点与目的节点之间的若干路径逐一作为待预测路径指示控制器102对当前的待预测路径进行传输质量预测结果。例如，传输策略模块103可以将路径A1-A2-B1-B3和A1-A2-B1-B2-B3依次作为待预测路径，指示控制器102依次对路径A1-A2-B1-B3和A1-A2-B1-B2-B3进行传输质量预测结果。步骤S503：传输策略模块103根据控制器102发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。具体地，传输策略模块103将所述控制器102发送的路径的传输质量预测结果与设定的传输质量阈值进行比较；若所述路径传输质量预测结果大于所述传输质量阈值，则为所述业务分配该路径。例如，若控制器102发送的路径A1-A2-B1-B2-B3的传输质量预测结果大于所述传输质量阈值，则为所述业务分配的路径为A1-A2-B1-B2-B3。上述第二神经网络模块的训练方法，具体流程如图6所示，包括如下步骤：步骤S601：采集网络数据，生成训练集和验证集。具体地，可以利用多域光网络中的各OPM历史输出的对应节点的抽象化的网络数据，以及历史采集的多域光网络中多个路径的传输Q因子生成训练集和验证集；其中，验证集中包括这些路径的传输Q因子，训练集中包括每个路径所经过的节点的抽象化的网络数据。而OPM历史输出的抽象化的网络数据是根据OPM历史采集的网络数据经第一神经网络模块运算得到的。第一神经网络模块中的神经网络参数可以是本领域技术人员根据经验设置的，而不用参与训练。步骤S602：将训练集中的节点的抽象化的网络数据输入到第二神经网络模块，将验证集中由这些节点所构成的路径的传输Q因子作为标签，与第二神经网络模块的输出做比较，采用反向传播算法对第二神经网络模块进行训练。本发明的技术方案中，设置于多域光网络的传送平面中的光性能监测功能模块OPM将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将第一神经网络模块运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。这样，传送平面中的OPM通过第一神经网络模块以非可逆的激活函数进行运算，一方面由于无法根据输出的抽象化的网络数据解析出输入到第一神经网络模块的网络数据，可以起到加密效果，从而满足多域光网络情况下的自主性和隐私性等特点同时降低控制器负载；另一方面，OPM输出的抽象化的网络数据可以反映传送平面中采集的网络数据的特征，而这些抽象化的网络数据进一步可以被输入到控制平面中的控制器经过第二神经网络模块的运算进行传输质量预测，提供高准确度的传输质量预测，为后续进行有效的资源分配奠定基础，保障业务的可靠性。更优地，本发明技术方案中，第一神经网络模块中的第一层隐藏层的神经元节点个数少于输入节点个数，起到数据压缩的效果，在进行数据传输和进行控制器的第二神经网络模块训练时大大降低负载，从而提高了网络运行效率。本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围包括权利要求被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种多域光网络的传输质量预测系统，其特征在于，包括：设置于多域光网络的传送平面中的光性能监测功能模块OPM，用于将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器，用于针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的传输质量预测结果；其中，第二神经网络模块是预先通过所述多域光网络中多个路径的传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。2.根据权利要求1所述的系统，其特征在于，所述采集的对应节点的网络数据具体为所述节点的网络特征数据；所述网络特征数据为如下数据之一或任意组合：拥塞率、功率、链路长度、EDFA的噪声系数，WDM的通道占用率、调制格式。3.根据权利要求1所述的系统，其特征在于，第一神经网络模块中的第一层隐藏层的神经元节点个数少于输入节点个数。4.根据权利要求1所述的系统，其特征在于，第二神经网络模块中设置有至少三层神经网络。5.一种多域光网络的路径选择系统，其特征在于，包括：如权利要求1-4任一所述的多域光网络的传输质量预测系统；设置于所述多域光网络的应用平面中的传输策略模块，用于将源节点与目的节点之间的若干路径逐一作为待预测路径指示所述控制器对当前的待预测路径进行传输质量预测结果；根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。6.一种多域光网络的传输质量预测方法，其特征在于，包括：设置于多域光网络的传送平面中的光性能监测功能模块OPM将当前采集的对应节点的网络数据输入到第一神经网络模块中以非可逆的激活函数经过一层神经网络的运算，并将运算得到的所述节点的抽象化的网络数据发送给所述多域光网络的控制平面；设置于所述控制平面中的控制器针对待预测路径，获取构成所述路径的各节点所对应的OPM输出的抽象化的网络数据，并将获取的抽象化的网络数据作为第二神经网络模块的输入，将第二神经网络模块的输出作为所述路径的路径传输质量预测结果；其中，第二神经网络模块是预先通过所述多域光网络中多个路径的历史传输Q因子，以及这些路径所经过的节点所对应的OPM历史输出的抽象化的网络数据训练得到的。7.根据权利要求6所述的方法，其特征在于，所述采集的对应节点的网络数据具体为所述节点的网络特征数据；所述网络特征数据为如下数据之一或任意组合：拥塞率、功率、链路长度、EDFA的噪声系数，WDM的通道占用率、调制格式。8.根据权利要求6所述的方法，其特征在于，在所述OPM将当前采集的对应节点的网络数据输入到第一神经网络模块之前，还包括：所述OPM将当前采集的网络数据进行标准化处理；以及所述OPM将当前采集的网络数据输入到第一神经网络模块，具体为：所述OPM将标准化处理后的网络数据输入到第一神经网络模块。9.一种多域光网络的路径选择方法，其特征在于，包括：如权利要求6-8任一所述的传输质量预测方法中的各步骤；设置于所述多域光网络的应用平面中的传输策略模块将源节点与目的节点之间的若干路径逐一作为待预测路径指示所述控制器对当前的待预测路径进行传输质量预测结果；并根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径。10.根据权利要求9所述的方法，其特征在于，所述根据所述控制器发送的路径的传输质量预测结果，为业务选择一条符合要求的路径，具体包括：所述传输策略模块将所述控制器发送的路径的传输质量预测结果与设定的传输质量阈值进行比较；若所述路径的传输质量预测结果大于所述传输质量阈值，则为所述业务分配该路径。

百度查询： 北京邮电大学;国家电网有限公司信息通信分公司 多域光网络的传输质量预测、路径选择方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD