本发明提出一种弹性光网络中结合业务预测和频谱转换的RSA方法，用于解决弹性光网络中的动态路由与频谱分配问题，实现步骤是：首先为网络所有节点对选择K条候选路径；然后，预测链路上业务请求变化信息，计算各候选路径的综合权重；其次，按照频谱约束条件，判断是否可以处理业务请求；最后，当所有候选路径均不满足频谱约束条件时，考虑添加频谱转换器来处理业务请求。本发明使用径向基神经网络RBFNN预测技术，在选路时不仅考虑了路径长度和频谱占用情况，还考虑了候选路径上业务请求持续时间的竞争程度，再结合频谱转换，可有效提高网络性能，为运营商或数据中心互连等需求提供高效的资源优化分配方案。
1.一种弹性光网络中采用业务预测与频谱转换的RSA方法，其特征在于：利用径向基神经网络RBFNN，预测链路上业务请求的变化信息，先按照频谱约束条件，判断是否可以处理所选业务请求，当所有候选路径均不满足频谱约束条件时，考虑频谱转换器，处理业务请求，该方法的具体步骤如下：(1)预处理网络和业务信息：
(1a)输入弹性光网络的网络拓扑、链路频谱状态信息和业务请求集合；
(1b)随机选取弹性光网络中的至少一个节点，放置频谱转换器；
(1c)利用K最短路径方法，获取业务集合中的每个业务请求的3条候选路径；
搭建一个三层的径向基神经网络RBFNN，依次为输入层、隐含层和输出层；将输入层的神经元个数设置为9，隐含层的神经元个数设置为10，输出层的神经元个数设置为1；
(3)从业务请求集合中按顺序选取一个未处理的业务请求；
(4a)判断所选业务请求中每条候选路的链路上已承载的业务请求个数是否小于50，若是，则将预测的未来业务请求引起的流量增加时刻记为0后执行步骤(4e)；否则，执行步骤(4b)；
(4b)对所选业务请求中每条候选路径的链路上已承载的业务请求，按承载时间顺序从后往前选取9个业务请求，组成预测业务请求样本集合，再按承载时间顺序从后往前选取50个业务请求，组成训练业务请求样本集合；
(4c)将训练业务请求样本集合中的所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数；
(4d)将预测业务请求样本集合中所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，根据所训练好的RBFNN网络结构参数，预测所选业务请求的候选路径的链路上未来业务请求引起的流量增加时刻；
(4e)判断预测的未来业务请求引起的流量增加时刻是否小于所选业务请求的离开时刻，若是，则执行步骤(4f)，否则，将链路上预测的未来增加的流量的持续时间记为0后执行步骤(5)；
(4f)将训练业务请求样本集合中所有的业务请求的持续时间信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数；
(4g)将预测业务请求样本集合中所有业务请求的持续时间信息输入到径向基神经网络RBFNN，根据所训练好的RBFNN网络结构参数，预测所选业务请求的候选路径的链路上的未来增加的流量的持续时间，执行步骤(5)；
(5a)计算所选业务请求的候选路径的每条链路上的持续时间重合度；
(5b)计算所选业务请求的候选路径的每条链路上的持续时间重合率；
(5c)选取候选路径中最大的链路持续时间重合率，作为候选路径的持续时间重合率；
(6a)计算所选业务请求的每条候选路径的频谱占用率；
(6b)计算所选业务请求的每条候选路径跳数归一化值；
(6c)计算所选业务请求的每条候选路径的综合权重值；
(6d)将所选业务请求的所有候选路径按综合权重值从小到大的顺序进行排序；
(7)按照频谱约束条件，判断是否可以处理所选业务请求：
(7a)按综合权重值的顺序，从所选业务请求的所有候选路径依次选取一条候选路径；
(7b)判断所选取的候选路径上是否存在满足频谱约束条件的空闲频谱块，若是，则执行步骤(7c)，否则，执行步骤(7d)；
(7c)将满足频谱约束条件的第一个空闲频谱块分配给所选业务请求后，执行步骤9；
(7d)判断所选取的候选路径综合权重值是否最大，若是，执行步骤(8)，否则执行步骤(7a)；
(8a)判断所有候选路径中是否有候选路径经过放置频谱转换器的节点，若是，则执行步骤(8b)，否则，阻塞所选业务请求后执行步骤(9)；
(8b)在经过放置频谱转换器的节点的候选路径中，判断经过频谱转换节点的前后的链路上是否有满足频谱邻接性条件的空闲频谱块，若是，则执行步骤(8c),否则，阻塞所选业务请求后执行步骤(9)；
(8c)将满足频谱邻接性条件的第一个空闲频谱块分配给所选业务请求，执行步骤(9)；
(10)判断业务请求集合是否为空，若是，则执行步骤(11)，否则，执行步骤(3)；
2.根据权利要求1所述弹性光网络中采用业务预测与频谱转换的RSA方法，其特征在于，步骤(4c)和步骤(4f)中用所述的监督学习算法训练业务请求的相关信息来预测链路的上业务请求的变化信息，提前为未来的业务请求预留资源，从而有效地为当前到达的业务请求选择更合适的光路；监督学习算法的具体步骤如下：第一步，随机选取训练样本集中的数据，初始化径向基函数的中心向量、扩展宽度向量和隐含层到输出层的权值，其中，步骤(4c)中所述的训练样本集合是由训练业务请求样本集合中的所有业务请求的到达时刻信息所组成，步骤(4f)中所述的训练样本集合是由训练业务请求样本集合中的所有业务请求的持续时间信息所组成；
第二步，在径向基神经网络RBFNN的输入层侧输入训练样本数据，按照下式，计算径向基神经网络RBFNN隐含层中每个神经元的输出值：式中，hj表示径向基神经网络RBFNN的隐含层中第j个神经元的输出值，j＝1,2,3,…,p，p表示隐含层神经元的总数，exp(·)表示以e为底的指数操作，||·||表示欧式范数操作，X表示径向基神经网络RBFNN中的输入向量，Cj表示径向基神经网络RBFNN的隐含层中第j个神经元的中心向量，Dj表示径向基神经网络RBFNN的隐含层中第j个神经元的扩展宽度向量，其影响着神经元对输入向量的作用范围，Dj越大，隐含层对输入向量的影响范围越大，且神经元间的平滑度也越好；
第三步，按照下式，对径向基神经网络RBFNN的隐含层的输出进行线性变化，得到输出神经元的值：式中，yi表示径向基神经网络RBFNN的输出层中第i神经元的输出值，Σ表示求和操作，wij表示径向基神经网络RBFNN的隐含层中第j个神经元到输出层中第i个神经元的权值；
第四步，按照下式，计算径向基神经网络RBFNN的目标函数值：
式中，E表示径向基神经网络RBFNN的目标函数值，n表示训练样本数，q表示径向基神经网络RBFNN的输出层神经元个数，yik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的网络输出值，oik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的期望输出值；
第五步，判断目标函数值是否大于迭代终止精度，若是，则执行第六步，否则，训练结束，其中，步骤(4c)中的迭代终止精度为0.01，步骤(4f)中的迭代终止精度为0.1；
第六步，按照下面的三个式子，分别更新径向基神经网络RBFNN的径向基函数的中心向量Cj(t)、扩展宽度向量Dj(t)和隐含层到输出层的权值Wj(t)后返回第四步：式中，Cj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的中心向量，Cj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的中心向量，η1表示径向基神经网络RBFNN中心向量的学习因子， 表示偏导操作，Dj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的扩展宽带向量，Dj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的扩展宽度向量，η2表示径向基神经网络RBFNN扩展宽带向量的学习因子，Wj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的输出权值向量，Wj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的输出权值向量，η3表示径向基神经网络RBFNN隐含层中输出权重向量的学习因子。
3.根据权利要求1所述的弹性光网络中采用业务预测与频谱转换的RSA方法，其特征在于，步骤(5a)中所述的持续时间重合是指，所选业务的候选路径的每条链路上已承载业务请求的持续时间、所选业务请求的持续时间与预测的未来增加流量持续时间的重合，持续时间重合度是指持续时间重合的程度，其反映了在所选业务请求的持续时间范围内，链路上的其他业务请求与所选业务请求的资源竞争程度，链路的持续时间重合度越大，表示该链路上的竞争度越激烈。
4.根据权利要求1所述的弹性光网络中采用业务预测与频谱转换的RSA方法，其特征在于，步骤(5a)中所述的持续时间重合度计算公式如下：式中， 表示所选业务请求的候选路径中的链路lmn上承载的业务请求或预测的未来的业务请求j与所选业务请求i的链路持续时间重合度， 表示业务请求j的离开时刻，表示所选业务请求i的到达时刻， 表示业务请求j的到达时刻， 表示所选业务请求i的离开时刻， 表示业务请求j的持续时间， 表示所选业务请求i的持续时间。
5.根据权利要求1所述的弹性光网络中采用业务预测与频谱转换的RSA方法，其特征在于，步骤(6c)中所述的网络中含有频谱转换器的候选路径的综合权重值计算公式如下：Weight(Pk)＝αRT(Pk)+βRU(Pk)+γRL(Pk)
式中，Weight(Pk)表示候选路径Pk的综合权重值，α表示持续时间重合率的权重因子，RT(Pk)表示候选路径Pk的持续时间重合率，β表示频谱占用率的权重因子，RU(Pk)表示候选路径Pk的频谱占用率，γ表示路径跳数的权重因子，α+β+γ＝1，RL(Pk)表示候选路径Pk的路径跳数的归一化值。
弹性光网络中采用业务预测与频谱转换的RSA方法
技术领域
[0001] 本发明属于通信技术领域，更进一步涉及网络通信技术领域中的一种弹性光网络EONs(Elastic Optical Networks)中采用业务预测与频谱转换的RSA(Routing and Spectrum Assignment)方法。本发明可以在弹性光网络中，针对每个随机到达的动态业务请求完成路由选择与频谱分配。
背景技术
[0002] 基于编码光正交频分复用CO-OFDM(Coded optical-Orthogonal Frequency Division Multiplexing)的弹性光网络EONs可根据用户请求带宽，灵活分配合适的频谱资源，成为未来光网络的发展趋势之一。在弹性光网络中，路由与频谱分配RSA问题分为路由选择子问题与频谱分配子问题。网络运营商或网络资源分配器根据用户的业务请求，建立一条端到端的光路，并在该路径上分配相应的频谱资源。动态路由与频谱分配RSA问题的优化目标通常是降低业务阻塞率或提高网络资源利用率。
[0003] 北京邮电大学在申请的专利文献“弹性光网络中资源感知的路由与频谱资源分配方法和系统”(公开号CN 103051547B，申请号201210568557.6)中，公开了一种资源感知的路由与频谱资源分配RSA方法。该方法针对到达的业务请求，首先判断当前网络中已建立的空闲光路能否承载此请求，如果能，则直接利用空闲光路进行通信，否则重新计算候选路径，根据路径的链路跳数和可用的频隙数选择工作路径，接着在工作路径上进行频谱分配，建立新光路以完成源宿节点间的通信；通信完成后，暂不拆除新光路，启动定时器，在定时器时间内继续处理到达的业务请求。该方法存在的不足之处是，在选路时所考虑的两个因素都是基于当前网络状态信息，忽略了特定源宿节点对未来业务请求对当前业务选路的影响，从全局来看，这使得网络资源未能充分利用。
[0004] Wenbin Jia、Zhanqi Xu、Zhe Ding和Kai Wang在其发表的论文“Routing and Spectrum Assignment Algorithm with Prediction for Elastic Optical Networks under Self-Similar Traffic”(2016 15th International Conference on Optical Communications and Networks(ICOCN),Hangzhou,2016,pp.1-3)中公开了一种使用预测的路由与频谱分配RSA方法。该方法首先采用前K条最短路径算法离线计算出不同源宿节点间业务的候选路径集，然后通过反向传播神经网络BPNN(Back Propagation Neural Networks)预测未来链路流量的变化时刻。在选路阶段针对每条候选路径综合考虑候选路径上的持续时间重合度、路径跳数和频谱利用率，优先在综合权重最小的候选路径上进行频谱分配。当所有候选路径上没有满足该业务请求的频谱块时，直接阻塞掉该业务请求。该方法的不足之处是，在频谱分配阶段，当网络资源不能提供满足业务请求的频谱块时，直接阻塞掉该业务，未考虑采用频谱转换技术改善频谱分配的灵活性，从而导致了业务阻塞率较高，浪费了网络资源。
发明内容
[0005] 本发明的目的在于克服现有技术的不足，提出了一种弹性光网络中采用业务预测与频谱转换的路由与频谱分配RSA方法。
[0006] 本发明的具体思路是：首先为网络所有源宿节点对计算出3条候选路径，然后按顺序从所有业务请求中依次选取业务请求，其次，在所选业务请求的候选路径中的每条链路上，利用径向基神经网络RBFNN(Radical Basis Function Neural Network)，预测未来业务请求引起的流量增加时刻和持续时间，即预测所选业务请求持续时间内未来链路流量的变化。接着对每条候选路径综合考虑路径持续时间重合度、路径频谱占用和路径跳数三个因素，计算候选路径的综合权重值，并按从小到大的顺序进行排序。最后，按照频谱约束条件，依次判断是否有候选路径可以处理所选业务请求，当所有候选路径均不满足频谱约束条件时，考虑频谱转换器，以尽可能建立光路，承载所选业务请求。
[0007] 为了实现上述目的，本发明的具体实现步骤如下：
[0008] (1)预处理网络和业务信息：
[0009] (1a)输入弹性光网络的网络拓扑、链路频谱状态信息和业务请求集合；
[0010] (1b)随机选取弹性光网络中的至少一个节点，放置频谱转换器；
[0011] (1c)利用K最短路径方法，获取业务集合中的每个业务请求的3条候选路径；
[0012] (2)构建径向基神经网络RBFNN：
[0013] 搭建一个三层的径向基神经网络RBFNN，依次为输入层、隐含层和输出层；将输入层的神经元个数设置为9，隐含层的神经元个数设置为10，输出层的神经元个数设置为1；
[0014] (3)从业务请求集合中按顺序选取一个未处理的业务请求；
[0015] (4)预测链路上业务请求的变化信息：
[0016] (4a)判断所选业务请求中每条候选路的链路上已承载的业务请求个数是否小于50，若是，则将预测的未来业务请求引起的流量增加时刻记为0后执行步骤(4e)；否则，执行步骤(4b)；
[0017] (4b)对所选业务请求中每条候选路径的链路上已承载的业务请求，按承载时间顺序从后往前选取9个业务请求，组成预测业务请求样本集合，再按承载时间顺序从后往前选取50个业务请求，组成训练业务请求样本集合；
[0018] (4c)将训练业务请求样本集合中的所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数；
[0019] (4d)将预测业务请求样本集合中所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，根据所训练好的RBFNN网络结构参数，预测所选业务请求的候选路径的链路上未来业务请求引起的流量增加时刻；
[0020] (4e)判断预测的未来业务请求引起的流量增加时刻是否小于所选业务请求的离开时刻，若是，则执行步骤(4f)，否则，将链路上预测的未来增加的流量的持续时间记为0后执行步骤(5)；
[0021] (4f)将训练业务请求样本集合中所有的业务请求的持续时间信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数；
[0022] (4g)将预测业务请求样本集合中所有业务请求的持续时间信息输入到径向基神经网络RBFNN的输入层，根据所训练好的RBFNN网络结构参数，预测所选业务请求的候选路径的链路上的未来增加的流量的持续时间，执行步骤(5)；
[0023] (5)计算每条候选路径的持续时间重合率：
[0024] (5a)计算所选业务请求的候选路径的每条链路的持续时间重合度；
[0025] (5b)计算所选业务请求的候选路径的每条链路的持续时间重合率；
[0026] (5c)选取候选路径中最大的链路持续时间重合率，作为候选路径的持续时间重合率；
[0027] (6)计算每条候选路径的综合权重值：
[0028] (6a)计算所选业务请求的每条候选路径的频谱占用率；
[0029] (6b)计算所选业务请求的每条候选路径跳数归一化值；
[0030] (6c)计算所选业务请求的每条候选路径的综合权重值；
[0031] (6d)将所选业务请求的所有候选路径按综合权重值从小到大的顺序进行排序；
[0032] (7)按照频谱约束条件，判断是否可以处理所选业务请求：
[0033] (7a)按综合权重值的顺序，从所选业务请求的所有候选路径依次选取一条候选路径；
[0034] (7b)判断所选取的候选路径上是否存在满足频谱约束条件的空闲频谱块，若是，则执行步骤(7c)，否则，执行步骤(7d)；
[0035] (7c)将满足频谱约束条件的第一个空闲频谱块分配给所选业务请求后，执行步骤9；
[0036] (7d)判断所选取的候选路径综合权重值是否最大，若是，执行步骤(8)，否则执行步骤(7a)；
[0037] (8)考虑频谱转换器，处理所选业务请求：
[0038] (8a)判断所有候选路径中是否有候选路径经过放置频谱转换器的节点，若是，则执行步骤(8b)，否则，阻塞所选业务请求后执行步骤(9)；
[0039] (8b)在经过放置频谱转换器的节点的候选路径中，判断经过频谱转换节点的前后的链路上是否有满足频谱邻接性条件的空闲频谱块，若是，则执行步骤(8c),否则，阻塞所选业务请求后执行步骤(9)；
[0040] (8c)将满足频谱邻接性条件的第一个空闲频谱块分配给所选业务请求，执行步骤(9)；
[0041] (9)更新网络资源状态；
[0042] (10)判断业务请求集合是否为空，若是，则执行步骤(11)，否则，执行步骤(3)；
[0043] (11)处理完所有业务请求。
[0044] 本发明与现有技术相比有以下优点：
[0045] 第一，由于本发明利用径向基神经网络RBFNN，预测链路上业务量的变化信息，先按照频谱约束条件，判断是否可以处理所选业务请求，当所有候选路径均不满足频谱约束条件时，考虑频谱转换器，处理业务请求，克服了现有技术在选路时所考虑的两个因素都是基于当前网络状态信息，而忽略未来业务请求引起的链路流量变化对当前业务选路的影响，导致网络资源未能充分利用的问题，本发明可以充分利用预测技术预测链路上业务量的变化信息，提前为未来业务请求预留资源，从而有效地为当前到达的业务请求选择更合适的光路。
[0046] 第二，由于本发明利用径向基神经网络RBFNN，预测链路上业务量的变化信息，先按照频谱约束条件，判断是否可以处理所选业务请求，当所有候选路径均不满足频谱约束条件时，考虑频谱转换器，处理业务请求，克服了现有技术在频谱分配阶段，当候选路径在当前状态下不能提供满足业务请求的连续空闲频隙块时，直接阻塞掉该业务的缺点，本发明采用频谱转换技术，对那些可能会阻塞的业务，在其候选路径上尝试进行频谱变换，以使弹性光网络尽可能多地承载业务请求。
附图说明
[0047] 图1为本发明的流程图；
[0048] 图2为本发明仿真图。具体实施方式：
[0049] 以下结合附图对本发明做进一步的详细描述。
[0050] 参照图1，对本发明的具体实现步骤做进一步的描述。
[0051] 步骤1，预处理网络和业务信息。
[0052] 输入弹性光网络的网络拓扑、链路频谱状态信息和业务请求的集合。
[0053] 随机选取弹性光网络中的至少一个节点，放置频谱转换器。
[0054] 利用K最短路径方法，获取业务集合中的每个业务请求的3条候选路径。
[0055] 步骤2，构建径向基神经网络RBFNN。
[0056] 搭建一个三层的径向基神经网络RBFNN，依次为输入层、隐含层和输出层；将输入层的神经元个数设置为9，隐含层的神经元个数设置为10，输出层的神经元个数设置为1。
[0057] 步骤3，从业务请求集合中按顺序选取一个未处理的业务请求。
[0058] 步骤4，预测链路上业务请求的变化信息。
[0059] (4.1)判断所选业务请求中每条候选路的链路上已承载的业务请求个数是否小于50，若是，则将预测的未来业务请求引起的流量增加时刻记为0后执行4.5；否则，执行4.2。
[0060] (4.2)对所选业务请求中每条候选路径的链路上已承载的业务请求，按承载时间顺序从后往前选取9个业务请求，组成预测业务请求样本集合，再按承载时间顺序从后往前选取50个业务请求，组成训练业务请求样本集合；
[0061] (4.3)将训练业务请求样本集合中的所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数。
[0062] 所述的监督学习算法的具体步骤如下：
[0063] 第1步，随机选取训练业务请求样本集合中的业务请求的到达时刻信息，初始化径向基函数的中心向量、扩展宽度向量和隐含层到输出层的权值。
[0064] 第2步，在径向基神经网络RBFNN的输入层侧输入训练样本数据，按照下式，计算径向基神经网络RBFNN隐含层中每个神经元的输出值：
[0065]
[0066] 式中，hj表示径向基神经网络RBFNN的隐含层中第j个神经元的输出值，j＝1,2,3,…,p，p表示隐含层神经元的总数，exp(·)表示以e为底的指数操作，||·||表示欧式范数操作，X表示径向基神经网络RBFNN中的输入向量，Cj表示径向基神经网络RBFNN的隐含层中第j个神经元的中心向量，Dj表示径向基神经网络RBFNN的隐含层中第j个神经元的扩展宽度向量，其影响着神经元对输入向量的作用范围，Dj越大，隐含层对输入向量的影响范围越大，且神经元间的平滑度也越好。
[0067] 第3步，按照下式，对径向基神经网络RBFNN的隐含层的输出进行线性变化，得到输出神经元的值：
[0068]
[0069] 式中，yi表示径向基神经网络RBFNN的输出层中第i神经元的输出值，Σ表示求和操作，wij表示径向基神经网络RBFNN的隐含层中第j个神经元到输出层中第i个神经元的权值。
[0070] 第4步，按照下式，计算径向基神经网络RBFNN的目标函数值：
[0071]
[0072] 式中，E表示径向基神经网络RBFNN的目标函数值，n表示训练样本数，q表示径向基神经网络RBFNN的输出层的神经元个数，yik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的网络输出值，oik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的期望输出值。
[0073] 第5步，判断目标函数值是否大于迭代终止精度，若是，则执行本步骤的第6步，否则，训练结束。
[0074] 第6步，按照下面的三个式子，分别更新径向基神经网络RBFNN的径向基函数的中心向量Cj(t)、扩展宽度向量Dj(t)和隐含层到输出层的权值Wj(t)后返回本步骤的第4步：
[0075]
[0076]
[0077]
[0078] 式中，Cj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的中心向量，Cj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的中心向量，η1表示径向基神经网络RBFNN中心向量的学习因子， 表示偏导操作，Dj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的扩展宽带向量，Dj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的扩展宽度向量，η2表示径向基神经网络RBFNN扩展宽带向量的学习因子，Wj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的输出权值向量，Wj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的输出权值向量，η3表示径向基神经网络RBFNN隐含层中输出权重向量的学习因子。
[0079] (4.4)将预测业务请求样本集合中所有业务请求的到达时刻信息输入到径向基神经网络RBFNN，根据所训练好的RBFNN网络结构参数，预测所选业务请求中候选路径的链路上的未来业务请求引起的流量增加时刻。
[0080] (4.5)判断预测的未来业务请求引起的流量增加时刻是否小于所选业务请求的离开时刻，若是，则执行4.6，否则，将预测的未来增加的流量的持续时间记为0后执行步骤5。
[0081] (4.6)将训练业务请求样本集合中所有的业务请求的持续时间信息输入到径向基神经网络RBFNN，采用监督学习算法，训练RBFNN网络结构参数。
[0082] 所述的监督学习算法的具体步骤如下：
[0083] 第1步，随机选取持续时间样本集合中的数据，初始化径向基函数的中心向量、扩展宽度向量和隐含层到输出层的权值。
[0084] 第2步，在径向基神经网络RBFNN的输入层侧输入训练样本数据，按照下式，计算径向基神经网络RBFNN隐含层中每个神经元的输出值：
[0085]
[0086] 式中，hj表示径向基神经网络RBFNN的隐含层中第j个神经元的输出值，j＝1,2,3,…,p，p表示隐含层神经元的总数，exp(·)表示以e为底的指数操作，||·||表示欧式范数操作，X表示径向基神经网络RBFNN中的输入向量，Cj表示径向基神经网络RBFNN的隐含层中第j个神经元的中心向量，Dj表示径向基神经网络RBFNN的隐含层中的第j个神经元的扩展宽度向量，其影响着神经元对输入向量的作用范围，Dj越大，隐含层对输入向量的影响范围越大，且神经元间的平滑度也越好。
[0087] 第3步，按照下式，对径向基神经网络RBFNN的隐含层的输出进行线性变化，得到输出神经元的值：
[0088]
[0089] 式中，yi表示径向基神经网络RBFNN的输出层中第i神经元的输出值，Σ表示求和操作，wij表示径向基神经网络RBFNN的隐含层中第j个神经元到输出层中第i个神经元的权值。
[0090] 第4步，按照下式，计算径向基神经网络RBFNN的目标函数值：
[0091]
[0092] 式中，E表示径向基神经网络RBFNN的目标函数值，n表示训练样本数，q表示径向基神经网络RBFNN的输出层神经元个数，yik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的网络输出值，oik表示径向基神经网络RBFNN的第k个输出神经元在第i个输入样本时的期望输出值。
[0093] 第5步，判断目标函数值是否大于迭代终止精度，若是，则执行本步骤的第6步，否则，训练结束。
[0094] 第6步，按照下面的三个式子，分别更新径向基神经网络RBFNN的径向基函数的中心向量Cj(t)、扩展宽度向量Dj(t)和隐含层到输出层的权值Wj(t)后返回本步骤的第4步：
[0095]
[0096]
[0097]
[0098] 式中，Cj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的中心向量，Cj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的中心向量，η1表示径向基神经网络RBFNN中心向量的学习因子， 表示偏导操作，Dj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的扩展宽带向量，Dj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的扩展宽度向量，η2表示径向基神经网络RBFNN扩展宽带向量的学习因子，Wj(t)表示径向基神经网络RBFNN的隐含层中第j个神经元第t次更新的输出权值向量，Wj(t-1)表示径向基神经网络RBFNN的隐含层中第j个神经元第t-1次更新的输出权值向量，η3表示径向基神经网络RBFNN隐含层中输出权重向量的学习因子。
[0099] 步骤4.7，将预测业务请求样本集合中所有业务请求的持续时间信息输入到径向基神经网络RBFNN的输入层，根据所训练好的RBFNN网络结构参数，预测所选业务请求的候选路径的链路上的未来增加的流量的持续时间，执行步骤5。
[0100] 步骤5，计算每条候选路径的持续时间重合率。
[0101] 计算所选业务请求的候选路径的每条链路的持续时间重合度。
[0102] 所述的持续时间重合是指，所选业务的候选路径的每条链路上已承载业务的持续时间、所选业务的持续时间与预测的未来业务的持续时间的重合，持续时间重合度是指持续时间重合的程度，其反映了在所选业务的持续时间范围内，链路上的其他业务与所选业务的资源竞争程度，链路的持续时间重合度越大，表示该链路上的竞争度越激烈。
[0103] 持续时间重合度计算公式如下：
[0104]
[0105] 式中， 表示所选业务请求i的候选路径中的链路lmn上承载的业务请求或预测的未来业务请求j与所选业务请求i的链路持续时间重合度， 表示业务请求j的离开时刻，表示所选业务请求i的到达时刻， 表示业务请求j的到达时刻， 表示所选业务请求i的离开时刻， 表示业务请求j的持续时间， 表示所选业务请求i的持续时间。
[0106] 计算所选业务请求在候选路径的每条链路上的持续时间重合率。
[0107] 归一化计算公式如下：
[0108]
[0109] 式中，RT(lmn)表示所选业务请求的候选路径中的链路lmn的持续时间重合率，∈表示属于符号，Ωmn表示所选业务请求的候选路径中的链路lmn上的业务请求集合，Ni表示所选业务请求的候选路径的链路lmn上与所选业务请求的持续时间重合的业务请求的总数目。
[0110] 选取候选路径中最大的链路持续时间重合率，作为候选路径的持续时间重合率。
[0111] 步骤6，计算每条候选路径的综合权重值。
[0112] 计算所选业务请求的每条候选路径的频谱占用率。
[0113] 频谱占用率公式如下：
[0114] RU(Pk)＝fU(Pk)/Nfs.
[0115] 式中，RU(Pk)表示所选业务请求的候选路径Pk的频谱占用率，fU(Pk)表示所选业务请求候选路径Pk上占用频隙的总数，Nfs表示每条候选路径中链路上的总频隙数。
[0116] 计算所选业务请求的每条候选路径跳数归一化值。
[0117] 路径跳数归一化公式如下：
[0118]
[0119] 式中，RL(Pk)表示所选业务请求的候选路径Pk的路径跳数的归一化值，Lpk表示所选业务请求候选路径Pk的跳数，L表示所选业务请求所有候选路径跳数的最大值。
[0120] 步骤6.3，利用综合权重值计算公式，计算所选业务请求的每条候选路径的综合权重值大小。
[0121] 所述的综合权重值计算公式如下：
[0122] Weight(Pk)＝αRT(Pk)+βRU(Pk)+γRL(Pk)
[0123] 式中，Weight(Pk)表示候选路径Pk的综合权重值，α表示持续时间重合率的权重因子，RT(Pk)表示候选路Pk的持续时间重合率，β表示频谱占用率的权重因子，γ表示路径跳数的权重因子，α+β+γ＝1。
[0124] 将所选业务请求的所有候选路径按综合权重值从小到大的顺序进行排序。
[0125] 步骤7，按照频谱约束条件，判断是否可以处理所选业务请求。
[0126] 所述的频谱约束条件是指，频谱具有连续性和邻接性，其中，所述的连续性是指为到达的业务请求沿路径在每条链路上分配相同的空闲频谱资源；所述的邻接性是指为每个业务请求分配的频谱资源是连续的，这里的频谱资源必须等于业务请求的频谱资源大小。
[0127] (7.1)按综合权重值的顺序，从所选业务请求的所有候选路径依次选取一条候选路径。
[0128] (7.3)判断所选取的候选路径上是否存在满足频谱约束条件的空闲频谱块，若是，则执行7.3，否则，执行7.4。
[0129] (7.3)将满足频谱约束条件的第一个空闲频谱块分配给所选业务请求后，执行步骤9。
[0130] (7.4)判断所选取的候选路径综合权重值是否最大，若是，执行步骤8，否则执行步骤7.1。
[0131] 步骤8，考虑频谱转换器，处理所选业务请求。
[0132] (8.1)判断所有候选路径中是否有候选路径经过放置频谱转换器的节点，若是，则执行步骤8.2，否则，阻塞所选业务请求后执行步骤9。
[0133] (8.2)在经过放置频谱转换器的节点的候选路径中，判断经过频谱转换节点的前后的链路上是否有满足频谱邻接性条件的空闲频谱块，若是，则执行步骤8.3，否则，阻塞所选业务请求后执行步骤9。
[0134] (8.3)将满足频谱邻接性条件的第一个空闲频谱块分配给所选业务请求，执行步骤9。
[0135] 步骤9，更新网络资源状态。
[0136] 步骤10，判断业务请求集合是否为空，若是，则执行步骤11，否则，执行步骤3。
[0137] 步骤11，处理完所有业务请求。
[0138] 下面通过本发明仿真验证发明方法的效果。
[0139] 1.仿真条件：
[0140] 本发明在Windows系统上使用软件Visual Studio 2013通过C++编程实现的。仿真参数设置如下：设定弹性光网络中每条链路上光纤带宽容量为4THZ，每个频隙带宽为12.5GHz，即每条链路上包含320个频隙。每个业务请求的带宽服从[1,6]频隙的均匀分布，保护带宽为1个频隙。业务请求总数为100000，到达过程分别取到达速率为λ的泊松过程和自相似过程。自相似过程采用多重分形小波模型，持续时间服从参数为μ的负指数分布。随机选取3个节点放置频谱转换器。路径权重计算时，α、β和γ分别取0.5、0.3和0.2。
[0141] 2.仿真内容及其结果分析：
[0142] 本发明的仿真实验是利用本发明的方法和两个现有技术的方法，在NSFNET网络拓扑中，针对泊松业务源和自相似业务源，在不同业务强度下，业务阻塞率与频谱资源利用率进行评估计算，其中NSFNET网络拓扑具有14个节点，21条单向链路，如图2(a)所示。所述的现有技术为Wenbin Jia等人在其发表的论文“An Efficient Routing and Spectrum Assignment Algorithm Using Prediction for Elastic Optical Networks”(2016International Conference on Information System&Artificial Intelligence，Hong Kong，2016,pp.89-93.)中所提到的基于K最短路和首次匹配的RSA方法和基于预测的RSA方法。其中，基于K最短路和首次匹配的RSA方法在选路阶段仅考虑路径的长度，在频谱分配阶段采用首次匹配策略；基于预测的RSA方法中，在选路时不仅考虑了路径的长度和当前的网络状态影响，还考虑了预测因素的影响，其在频谱分配阶段仍采用首次匹配策略。
[0143] 在仿真图2(b)、仿真图2(c)、仿真图2(d)和仿真图2(e)中，最左边的正斜线矩形框表示基于K最短路和首次匹配的RSA方法的结果，方格矩形框表示基于预测的RSA方法的结果，最右边的反斜线矩形框表示本发明方法。
[0144] 仿真图2(b)为泊松业务源模型下，网络中业务的阻塞率随业务强度的变化情况。从图中可以看出，本发明方法的阻塞率最低，其次是基于预测的RSA方法，基于K最短路和首次匹配的RSA方法得到的阻塞率最高。具体来说，本发明的阻塞率比基于K最短路和首次匹配的RSA方法的阻塞率平均低12.30％，比基于预测的RSA方法的阻塞率平均低8.29％。这是由于基于K最短路和首次匹配的RSA方法并没有考虑预测因素来提前预留资源，基于预测的RSA方法和本发明方法不仅考虑当前已承载业务，同时考虑了未来链路上业务的到来，所以这两种方法的性能优于基于K最短路和首次匹配的RSA方法。此外，本发明还引入了频谱变换，对初次资源分配不成功的业务会在候选路径上尝试进行频谱变换，以进一步提高网络性能，因此在阻塞率性能方面，本发明优于基于预测的RSA方法。
[0145] 仿真图2(c)为泊松业务源模型下，频谱利用率随业务强度的变化情况。同样地，由于本发明方法考虑已承载业务和未来业务的时间信息计算网络资源，同时利用频谱变换技术，使更多的业务请求可以被承载，从而有效地提高了网络资源利用率。因此，本发明得到的频谱利用率是最高的，其比基于K最短路和首次匹配的RSA方法的频谱利用率平均高6.35％，比基于预测的RSA方法的频谱利用率平均高4.62％。
[0146] 仿真图2(d)为自相似业务源模型下，网络中业务的阻塞率随业务强度的变化情况。由于自相似业务到达的突发性，其阻塞率高于泊松业务源下的阻塞率。此外，由于本发明方法和基于预测的RSA的方法充分挖掘链路的历史承载信息，预测未来业务请求的到来，提前为突发性业务请求预留资源，减缓自相似业务对频谱资源的竞争程度。同时，本发明引入了频谱变换策略可进一步降低阻塞性能，但阻塞性能的改进并不是十分明显。自相似业务模型下，基于K最短路和首次匹配的RSA方法所得阻塞率最高，本发明方法所得的阻塞率最低，其平均比基于K最短路和首次匹配的RSA方法低3.66％，基于预测的RSA方法所得阻塞率比基于K最短路和首次匹配的RSA方法平均低1.58％。
[0147] 仿真图2(e)表示了在自相似业务源模型下，频谱利用率随业务强度的变化情况。仿真结果表明，基于K最短路和首次匹配的RSA方法所得频谱利用率最低，基于预测的RSA方法所得频谱利用率次之，本发明方法所得的频谱利用率最高。其中，在频谱利用率性能方面，本发明所得结果比基于K最短路和首次匹配的RSA方法所得结果平均高3.74％，比基于预测的RSA方法所得结果平均高1.89％。
[0148] 对比仿真图2(b)、仿真图2(c)、仿真图2(d)和仿真图2(e)，可知，频谱转换策略对泊松业务源和自相似业务源的阻塞率和频谱利用率均有影响，但其对泊松源下的阻塞概率和频谱利用率的影响更大。
