SDON架构模型优化方法、装置、系统及计算机可读存储介质与流程

本发明涉及通信技术领域，尤其涉及一种sdon架构模型优化方法、装置、系统及计算机可读存储介质。

背景技术：

近年来，随着大数据、高清视频、移动互联等应用服务的不断涌现，推动了对网络带宽需要的迅猛增长，特别是5g时代的到来，相比于4g时代，业内普遍认为5g的带宽需求将提高100-1000倍，因此在各种组网应用中，起着承载作用的光传送网技术越来越得到业内的广泛重视，同时，随着光传送网技术自身的发展(如超100g技术等)，光传送网变得更加灵活、弹性，可编程定义的光网络资源种类更加丰富(如柔性化光电混合调度节点信息模型、光频谱效率、光子载波个数、中心频率、栅格宽度等)。在这种背景下，通过支撑光传送网技术的sdn管控架构体系-软件定义光网络sdon(softwaredefinedopticalnetwork)架构，实现对可编程光网络资源的动态分配与灵活调度，也随之成为业界在光网络管控领域的关注热点。

基于软件定义光网络sdon架构系统的推出，赋予了对光网络资源更好的可编程性，sdon在光传送网的应用层，将网络资源编程能力开放给用户(用户可以是网路运营商、网络服务提供商或者是应用领域的第三方厂商)。用户可以根据自身需要，选择一定的优化策略，按需支取所需要的资源，从而实现对光网络资源使用的灵活部署与调度。

目前，业界普遍采用在sdon应用层支持用户定义对应的算法优化策略和对应的数学模型、在sdon控制器层内部构建启发式算法(如混合整数线性规划(mixedintegerlinearprogramming)milp算法等)引擎的方式，实现对用户所需光网络资源的动态分配与并发优化，因此，启发式算法被业界认为是当前最佳sdon光网络资源全局并发优化解决方案，包括混合整数线性规划milp算法、贪婪算法、遗传算法等都属于启发式算法范畴，鉴于milp算法的可操作性、实用性较好，业界尤其对milp算法的应用研究较多，在milp算法设计中，通常按照启发式算法的解决思路，根据对光网络的使用经验，构造满足一定全局资源优化策略的数学模型，主要包括目标函数和约束条件两部分的构建，并通过算法本身的迭代过程完成对资源优化计算结果的输出，目前国际上如ibm公司开发了基于线性规划lp算法原理的ilogcplex算法软件，并取得了较为理想的应用效果。

然而结合光网络资源自身特点，启发式算法在光网络全局并发优化应用中，也暴露出自身的一些不足：

1)业界尚未形成较为完整的、标准化的针对光网络资源优化数学模型设计的理论体系，优化求解策略和数学模型设计仅根据经验获得。

2)由于lp面临的np理论问题，所求解会出现满足局部最优、且无法满足全局最优的情况；并就出现局部最优时的判定依据，还需要算法模型设计者确定。

3)数学模型中的条件参数对算法效果起着至关重要的作用，如何有效设置参数是个重要问题。

4)启发式算法的收敛性问题还普遍，包括如何解决收敛速度的不确定性、如何实现算法收敛速度的最快，如何确定在非收敛情况下的迭代停止条件和处理措施等。

技术实现要素：

有鉴于此，本发明的目的在于提供一种sdon架构模型优化方法、装置、系统及计算机可读存储介质,在普通sdon控制器架构系统的基础上，增加人工智能化特征，通过认知和学习等人工智能化处理过程，实现对sdon控制器全局并发优化算法模型的动态优化和修正。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的一种sdon架构模型优化方法，，包括：

接收应用服务请求，所述应用服务请求包括：被优化的资源对象和资源优化策略意向；

根据所述应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；

根据所述优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；

调用数据库中的案例信息，根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化。

可选地，所述根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化包括：

判断所述数据库中是否存在与所述优化计算结果相匹配的案例信息；

若存在与所述优化计算结果相匹配的案例信息，则判断所述相匹配的案例信息是否优于所述优化计算结果；

若判断结果为是，则根据所述相匹配的案例信息对所述sdon架构模型进行修正；

若判断结果为否，则根据所述优化计算结果对软所述sdon架构模型进行优化。

可选地，根据所述相匹配的案例信息对所述sdon架构模型进行修正包括：

根据所述案例信息对所述优化算法数学模型和所述算法执行策略给出修正建议或调整建议。

可选地，所述判断所述数据库中是否存在与所述优化计算结果相匹配的案例信息之后还包括：

若所述数据库中没有与所述优化计算结果相匹配的案例信息，将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中；

所述判断所述相匹配的案例信息是否优于所述优化计算结果之后还包括：

若所述优化计算结果优于所述相匹配的案例信息，则将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中。

可选地，将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中之后还包括：

根据所述优化结果为所述被优化的资源对象分配可编程的网络资源，并根据分配的可编程的网络资源更新所述全网可编程虚拟网络资源信息。

根据本发明的一个方面，提供的一种sdon架构模型优化装置，包括：

接收模块，用于接收应用服务请求，所述应用服务请求包括：被优化的资源对象和资源优化策略意向；

获取模块，用于根据所述应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；

计算模块，用于根据所述优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；

优化模块，用于调用数据库中的案例信息，根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化。

可选地，所述优化模块包括：

第一判断单元，用于判断所述数据库中是否存在与所述优化计算结果相匹配的案例信息；

第二判断单元，用于当所述数据库中存在与所述优化计算结果相匹配的案例信息时，判断所述相匹配的案例信息是否优于所述优化计算结果；

修正单元，用于当所述相匹配的案例信息优于所述优化计算结果时，根据所述相匹配的案例信息对所述sdon架构模型进行修正；

优化单元，用于当所述优化计算结果优于所述相匹配的案例信息时，则根据所述优化计算结果对软所述sdon架构模型进行优化。

可选地，所述修正单元包括：

根据所述案例信息对所述优化算法数学模型和所述算法执行策略给出修正建议或调整建议。

可选地，所述优化模块还包括：

更新单元，用于当所述数据库中没有与所述请求信息相匹配的案例信息时，或当所述优化计算结果优于所述相匹配的案例信息时，将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中。

可选地，所述优化模块还包括：

资源分配单元，用于根据所述优化结果为所述被优化的资源对象分配可编程的网络资源，并根据分配的可编程的网络资源更新所述全网可编程虚拟网络资源信息。

根据本发明的再一个方面，提供的一种sdon架构模型优化系统，包括存储器、处理器和至少一个被存储在所述存储器中并被配置为由所述处理器执行的应用程序，所述应用程序被配置为用于执行以上所述的sdon架构模型优化方法。

根据本发明的再一个方面，提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上所述的sdon架构模型优化方法。

本发明实施例的一种sdon架构模型优化方法、装置、系统及计算机可读存储介质，该方法包括：接收应用服务请求，所述应用服务请求包括：被优化的资源对象和资源优化策略意向；根据所述应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；根据所述优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；调用数据库中的案例信息，根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化，在普通sdon控制器架构系统的基础上，增加人工智能化特征，通过认知和学习等人工智能化处理过程，实现对sdon控制器全局并发优化算法模型的动态优化和修正。

附图说明

图1为本发明实施例一提供的一种sdon架构模型优化方法流程图；

图2为本发明实施例一提供的sdon控制器架构系统示意图；

图3为本发明实施例一提供的应用模块子层示意图；

图4为图1中步骤s40的方法流程图；

图5为本发明实施例二提供的一种sdon架构模型优化装置示范性结构框图；

图6为本发明实施例二提供的一种优化模块的示范性结构框图；

图7为本发明实施例二提供的另一种优化模块的示范性结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，在本实施例中，一种sdon架构模型优化方法，包括：

s10、接收应用服务请求，所述应用服务请求包括：被优化的资源对象和资源优化策略意向；

s20、根据所述应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；

s30、根据所述优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；

s40、调用数据库中的案例信息，根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化。

在本实施例中，在普通sdon控制器架构系统的基础上，增加人工智能化特征，通过认知和学习等人工智能化处理过程，实现对sdon控制器全局并发优化算法模型的动态优化和修正。

如图2所示，在本实施例中，sdon控制器架构系统包括：应用层、控制器层和传输设备层，其中，应用层包括若干个应用服务，控制器层包括北向接口api层、应用模块子层、开源sdn控制器源码内核和南向接口api层，传输设备层包括南向接口协议代理和物理层。

其中，所述北向接口api层，用于实现和应用层的交互，获取用户所需的应用服务请求、并应答服务实现结果；

所述应用模块子层，用于实现普通服务和人工智能特征的应用服务功能，是sdon控制器层的核心功能子层；

所述开源sdn控制器源码内核，用于为控制器提供软件操作系统作用的平台支撑功能；

所述南向接口api层，用于实现和传输设备层的交互，下发应用服务配置请求，并获取服务配置处理结果；

所述南向接口协议代理，用于实现和控制器层的交互，获取应用服务配置请求消息，并将请求消息解析并转发给物理层处理；

所述物理层，主要由可编程光网络组件和监控管理模块构成，根据南向接口协议代理传递的被解析消息内容对可编程光网络组件进行配置和监控等操作。

如图3所示，在本实施例中，应用模块子层又包括普通sdon编程定义控制系统和sdon人工智能控制系统，普通sdon编程定义控制系统不依赖于sdon人工智能控制系统，可独立运行；且开源sdn控制器源码内核基于开源osgi架构，可视sdon控制器负荷、用户使用要求、sdon软件版本兼容性等因素，可动态加载和卸载sdon人工智能控制系统部分，满足对sdon非人工智能版本的前向兼容性。当sdon人工智能控制系统部分被动态卸载后，该sdon控制器仍然能够依靠普通sdon编程定义控制系统，实现以往sdon非人工智能版本功能，不受影响。

具体地，sdon人工智能控制系统又包括智能决策管理器、认知学习管理器和光网络资源优化知识库，其中，

所述智能决策管理器，用于处理应用服务包含的全网资源优化请求；并将请求信息中包含的优化策略、优化算法数学模型、被优化网络模型、最新的优化计算结果，转发给认知学习管理器；根据认知学习管理器返回的分析结果，对优化策略及优化数学模型进行校正处理；将校正后的优化策略、优化算法数学模型返回给资源优化策略控制器；

所述认知学习管理器，用于对智能决策管理器发送的请求信息中包含的优化策略、优化算法数学模型、待优化网络模型、最新的优化计算结果进行分析，并调用光网络资源优化知识库的案例信息(包括以往优化策略、优化算法数学模型与被优化网络模型的映射关系、当前最优的计算结果)与该请求信息进行匹配分析，，并给出针对该请求信息中包含的优化策略、优化算法数学模型等的修正建议；如发现该请求信息无法与知识库中的案例信息相匹配，或请求信息中包含的最新优化计算结果优于同类案例信息的优化计算结果，则将该请求信息作为知识库中新的案例信息予以记录或更新，并返回不予修正建议；

认知学习管理器可借助构建神经网络控制器等智能化组件完成上述匹配分析；

所述光网络资源优化知识库，也即步骤s40中的数据库，用于逐条记录资源优化策略、优化算法数学模型与被优化网络模型的映射关系，以及对应的最新优化计算结果。

而普通sdon编程定义控制系统的主要功能模块为现有技术，兹不赘述。

如图4所示，在本实施例中，所述步骤s40包括：

s41、判断所述数据库中是否存在与所述请求信息相匹配的案例信息；

若所述数据库中没有与所述请求信息相匹配的案例信息，进入步骤s42、将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中；

若有，则进入步骤s43、判断所述相匹配的案例信息是否优于所述优化计算结果，若是，则进入步骤s44、根据所述相匹配的案例信息对所述sdon架构模型进行修正；

否则，若所述优化计算结果优于所述相匹配的案例信息，则进入步骤s42、将所述请求信息中的被优化的资源对象、资源优化策略意向、优化算法数学模型、算法执行策略和优化计算结果作为新的案例信息记录到所述数据库中。

在本实施例中，所述步骤s44包括：

根据所述案例信息对所述优化算法数学模型和所述算法执行策略给出修正建议或调整建议。

在本实施例中，所述步骤s42之后还包括：

根据所述优化结果为所述被优化的资源对象分配可编程的网络资源，并根据分配的可编程的网络资源更新所述全网可编程虚拟网络资源信息。

实施例二

如图5所示，在本实施例中，一种sdon架构模型优化装置，包括：

接收模块10，用于接收应用服务请求，所述应用服务请求包括：被优化的资源对象和资源优化策略意向；

获取模块20，用于根据所述应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；

计算模块30，用于根据所述优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；

优化模块40，用于调用数据库中的案例信息，根据所述案例信息与所述优化计算结果对软件定义光网络sdon架构模型进行优化。

在本实施例中，在普通sdon控制器架构系统的基础上，增加人工智能化特征，通过认知和学习等人工智能化处理过程，实现对sdon控制器全局并发优化算法模型的动态优化和修正。

如图2所示，在本实施例中，sdon控制器架构系统包括：应用层、控制器层和传输设备层，其中，应用层包括若干个应用服务，控制器层包括北向接口api层、应用模块子层、开源sdn控制器源码内核和南向接口api层，传输设备层包括南向接口协议代理和物理层。

其中，所述北向接口api层，用于实现和应用层的交互，获取用户所需的应用服务请求、并应答服务实现结果；

所述应用模块子层，用于实现普通服务和人工智能特征的应用服务功能，是sdon控制器层的核心功能子层；

所述开源sdn控制器源码内核，用于为控制器提供软件操作系统作用的平台支撑功能；

所述南向接口api层，用于实现和传输设备层的交互，下发应用服务配置请求，并获取服务配置处理结果；

所述南向接口协议代理，用于实现和控制器层的交互，获取应用服务配置请求消息，并将请求消息解析并转发给物理层处理；

所述物理层，主要由可编程光网络组件和监控管理模块构成，根据南向接口协议代理传递的被解析消息内容对可编程光网络组件进行配置和监控等操作。

如图3所示，在本实施例中，应用模块子层又包括普通sdon编程定义控制系统和sdon人工智能控制系统，普通sdon编程定义控制系统不依赖于sdon人工智能控制系统，可独立运行；且开源sdn控制器源码内核基于开源osgi架构，可视sdon控制器负荷、用户使用要求、sdon软件版本兼容性等因素，可动态加载和卸载sdon人工智能控制系统部分，满足对sdon非人工智能版本的前向兼容性。当sdon人工智能控制系统部分被动态卸载后，该sdon控制器仍然能够依靠普通sdon编程定义控制系统，实现以往sdon非人工智能版本功能，不受影响。

具体地，sdon人工智能控制系统又包括智能决策管理器、认知学习管理器和光网络资源优化知识库，其中，

所述智能决策管理器，用于处理应用服务包含的全网资源优化请求；并将请求信息中包含的优化策略、优化算法数学模型、被优化网络模型、最新的优化计算结果，转发给认知学习管理器；根据认知学习管理器返回的分析结果，对优化策略及优化数学模型进行校正处理；将校正后的优化策略、优化算法数学模型返回给资源优化策略控制器；

所述认知学习管理器，用于对智能决策管理器发送的请求信息中包含的优化策略、优化算法数学模型、待优化网络模型、最新的优化计算结果进行分析，并调用光网络资源优化知识库的案例信息(包括以往优化策略、优化算法数学模型与被优化网络模型的映射关系、当前最优的计算结果)与该请求信息进行匹配分析，，并给出针对该请求信息中包含的优化策略、优化算法数学模型等的修正建议；如发现该请求信息无法与知识库中的案例信息相匹配，或请求信息中包含的最新优化计算结果优于同类案例信息的优化计算结果，则将该请求信息作为知识库中新的案例信息予以记录或更新，并返回不予修正建议；

认知学习管理器可借助构建神经网络控制器等智能化组件完成上述匹配分析；

所述光网络资源优化知识库，也即步骤s40中的数据库，用于逐条记录资源优化策略、优化算法数学模型与被优化网络模型的映射关系，以及对应的最新优化计算结果。

而普通sdon编程定义控制系统的主要功能模块为现有技术，兹不赘述。

如图6所示，在本实施例中，所述优化模块包括：

第一判断单元41，用于判断所述数据库中是否存在与所述请求信息相匹配的案例信息；

第二判断单元42，用于当所述数据库中存在与所述请求信息相匹配的案例信息时，判断所述相匹配的案例信息是否优于所述优化计算结果；

修正单元43，用于当所述相匹配的案例信息优于所述优化计算结果时，根据所述相匹配的案例信息对所述sdon架构模型进行修正；

优化单元44，用于当所述优化计算结果优于所述相匹配的案例信息时，则根据所述优化计算结果对软所述sdon架构模型进行优化。

在本实施例中，所述修正单元包括：

根据所述案例信息对所述优化算法数学模型和所述算法执行策略给出修正建议或调整建议。

如图7所示，在本实施例中，所述优化模块还包括：

更新单元45，用于当所述数据库中没有与所述请求信息相匹配的案例信息时，或当所述优化计算结果优于所述相匹配的案例信息时，将所述被优化的资源对象、所述优化算法数学模型、所述算法执行策略和所述优化计算结果作为新的案例信息记录到所述数据库中。

在本实施例中，所述优化模型还包括：

根据所述优化结果为所述被优化的资源对象分配可编程的网络资源，并根据分配的可编程的网络资源更新所述全网可编程虚拟网络资源信息。

实施例三

在本实施例中，一种sdon架构模型优化系统，包括存储器、处理器和至少一个被存储在所述存储器中并被配置为由所述处理器执行的应用程序，所述应用程序被配置为用于执行实施例一所述的sdon架构模型优化方法。

实施例四

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述sdon架构模型优化方法实施例中任一所述的方法实施例。

需要说明的是，上述装置、系统实和计算机可读存储介质实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。

本发明实施例的一种sdon架构模型优化方法、装置、系统及计算机可读存储介质，该方法包括：接收应用服务请求，应用服务请求包括：被优化的资源对象和资源优化策略意向；根据应用服务请求获取全网可编程虚拟网络资源信息，并生成优化算法数学模型和算法执行策略；根据优化算法数学模型、算法执行策略和全网可编程虚拟网络资源信息计算得到优化计算结果；调用数据库中的案例信息，根据案例信息与优化计算结果对软件定义光网络sdon架构模型进行优化，在普通sdon控制器架构系统的基础上，增加人工智能化特征，通过认知和学习等人工智能化处理过程，实现对sdon控制器全局并发优化算法模型的动态优化和修正。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。