频谱分配方法、装置以及存储介质与流程

本发明涉及通信技术领域，尤其涉及一种频谱分配方法、装置以及存储介质。

背景技术：

随着高清视频、物联网等新兴业务与应用的蓬勃发展，网络带宽需求的增长也日益明显。光网络作为支撑整个互联网的基础设施，空分复用技术是突破单纤传输容量极限的一个重要技术方向。空分复用技术主要包括通过在同一光纤包层内设计多个纤芯或者在同一纤芯内部同时传输若干线偏振模式，或两者相结合来提高光纤传输容量。空分复用方式包含多芯复用和模式复用，目前利用多芯、少模或多芯少模光纤作为传输介质，已实现了百倍以上的系统容量提升。当光网络中以多芯、少模或多芯少模光纤为传输介质时，串扰因素的引入导致网络层的资源分配算法变得更加复杂。虽然通过新型光纤并将其作为传输介质能够提高传输容量，但同时也引入了不可忽视的串扰问题，会对业务的传输造成一定的影响，严重时还可导致业务阻塞，无法建立连接。在空分复用光网络中，如何在考虑串扰的前提下，保障业务传输质量并建立连接是空分复用光网络中值得研究的问题。

技术实现要素：

有鉴于此，本发明要解决的一个技术问题是提供一种频谱分配方法、装置以及存储介质。

根据本发明的一个方面，提供一种频谱分配方法，包括：构建与空分复用光网络的光纤传输相对应的神经网络模型；获得与空分复用光网络中的光纤路径段相对应的第一传输数据参数、与所述第一传输数据参数相对应的第一串扰值；基于所述第一传输数据参数和所述第一串扰值生成训练样本，使用深度学习方法并基于所述训练样本对所述神经网络模型进行训练，获得训练好的光纤传输模型；接收对于业务流的发送路径建立请求，确定用于发送所述业务流的多条备选路径，将每条备选路径分为多个候选路径段；依次获得与所述多个候选路径段相对应的第二传输数据参数，将所述第二传输数据参数输入所述光纤传输模型进行预测，获得与所述候选路径段相对应的第二串扰值；基于所述第二串扰值从所述候选路径中选取业务发送路径，基于所述业务发送路径建立用于发送所述业务流的纤芯发送路径，其中，所述业务发送路径满足预设的串扰要求。

可选地，所述第一传输数据参数包括：所述光纤路径段中的纤芯的芯编号、模式编号、波长编号及传输距离；所述第一串扰值为所述光纤路径段中的纤芯之间的串扰值；所述第二传输数据参数包括：所述候选路径段中的候选纤芯的芯编号、模式编号、波长编号及传输距离；所述第二串扰值为所述候选路径段中的纤芯之间的串扰值。

可选地，所述确定用于发送所述业务流的多条备选路径包括：获得发送所述业务流的源节点和目的节点；基于路由算法确定在所述源节点和所述目的节点之间的所述多条备选路径，其中，所述路由算法包括：最短路径算法；所述将每条备选路径分为多个候选路径段包括：获得每条备选路径中的跳转中间节点，基于所述跳转中间节点将每条备选路径分为多个候选路径段。

可选地，从第一备选路径开始，依次在所述备选路径的各候选路径段中选取纤芯作为候选纤芯；其中，所述第一备选路径为最短路径；将与所述候选纤芯相对应的第二传输数据参数输入所述光纤传输模型进行预测，获得与所述候选纤芯相对应的第二串扰值；如果确定与所述候选纤芯相对应的第二串扰值小于或等于所述串扰阈值，则将此候选纤芯作为发送纤芯，并在此备选路径的下一候选路径段中选取纤芯作为候选纤芯；如果确定与所述候选路径段中的全部候选纤芯相对应的第二串扰值大于所述串扰阈值，则将此候选路径段进行阻塞处理。

可选地，基于所述发送纤芯在所述源节点和所述目的节点之间建立用于发送所述业务流的至少一条纤芯发送路径；获取在所述纤芯发送路径中的连续频谱槽编号，将与所述连续频谱槽编号相对应的连续频谱资源作为发送所述业务流的连续频谱资源。

根据本发明的另一方面，提供一种频谱分配装置，包括：模型构建模块，用于构建与空分复用光网络的光纤传输相对应的神经网络模型；模型训练模块，用于获得与空分复用光网络中的光纤路径段相对应的第一传输数据参数、与所述第一传输数据参数相对应的第一串扰值；基于所述第一传输数据参数和所述第一串扰值生成训练样本，使用深度学习方法并基于所述训练样本对所述神经网络模型进行训练，获得训练好的光纤传输模型；候选路径确定模块，用于接收对于业务流的发送路径建立请求，确定用于发送所述业务流的多条备选路径，将每条备选路径分为多个候选路径段；串扰预测模块，用于依次获得与所述多个候选路径段相对应的第二传输数据参数，将所述第二传输数据参数输入所述光纤传输模型进行预测，获得与所述候选路径段相对应的第二串扰值；发送路径建立模块，用于基于所述第二串扰值从所述候选路径中选取业务发送路径，基于所述业务发送路径建立用于发送所述业务流的纤芯发送路径，其中，所述业务发送路径满足预设的串扰要求。

可选地，所述第一传输数据参数包括：所述光纤路径段中的纤芯的芯编号、模式编号、波长编号及传输距离；所述第一串扰值为所述光纤路径段中的纤芯之间的串扰值；所述第二传输数据参数包括：所述候选路径段中的候选纤芯的芯编号、模式编号、波长编号及传输距离；所述第二串扰值为所述候选路径段中的纤芯之间的串扰值。

可选地，所述候选路径确定模块，用于获得发送所述业务流的源节点和目的节点；基于路由算法确定在所述源节点和所述目的节点之间的所述多条备选路径，其中，所述路由算法包括：最短路径算法；获得每条备选路径中的跳转中间节点，基于所述跳转中间节点将每条备选路径分为多个候选路径段。

可选地，所述串扰预测模块，用于从第一备选路径开始，依次在所述备选路径的各候选路径段中选取纤芯作为候选纤芯；其中，所述第一备选路径为最短路径；将与所述候选纤芯相对应的第二传输数据参数输入所述光纤传输模型进行预测，获得与所述候选纤芯相对应的第二串扰值；所述发送路径建立模块，用于如果确定与所述候选纤芯相对应的第二串扰值小于或等于所述串扰阈值，则将此候选纤芯作为发送纤芯，并在此备选路径的下一候选路径段中选取纤芯作为候选纤芯；如果确定与所述候选路径段中的全部候选纤芯相对应的第二串扰值大于所述串扰阈值，则将此候选路径段进行阻塞处理。

可选地，所述发送路径建立模块，用于基于所述发送纤芯在所述源节点和所述目的节点之间建立用于发送所述业务流的至少一条纤芯发送路径；获取在所述纤芯发送路径中的连续频谱槽编号，将与所述连续频谱槽编号相对应的连续频谱资源作为发送所述业务流的连续频谱资源。

根据本发明的又一方面，提供一种频谱分配装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。

根据本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现权利要求1至5任意一项所述的方法的步骤。

本发明的频谱分配方法、装置以及存储介质，利用软件建模的方法建立神经网络模型，获取训练数据并利用机器学习算法训练神经网络模型得到光纤传输模型；获取新业务的相关参数输入该模型进行串扰预测，并将预测结果应用到空分复用光网络中的资源分配过程，以保证业务的传输质量需求，为空分复用光网络中考虑复杂串扰的资源分配提供了可行且有效的解决方案，可以使阻塞率更低，频谱资源利用率更高、连接建立时间更短，能够在降低业务阻塞率的同时提高频谱资源利用率，提高用户的使用感受度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的频谱分配方法的一个实施例的流程示意图；

图2为多芯少模光纤的示意图；

图3为本发明的频谱分配方法的一个实施例中的神经网络模型的示意图；

图4为本发明的频谱分配方法的一个实施例中的利用软件建模方法进行串扰预测的过程；

图5为频谱资源分配模型的示意图；

图6为资源分配过程的示意图；

图7为本发明的频谱分配装置的一个实施例的模块示意图；

图8为本发明的频谱分配装置的另一个实施例的模块示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

光空分复用(opticalspacedivisionmultiplexing，osdm)技术是指不同空间位置传输不同信号的复用方式，利用多芯光纤传输多路信号。光空分复用(osdm)是指对光纤芯线的复用，利用空间分割来构成不同信道。

图1为本发明的频谱分配方法的一个实施例的流程示意图，如图1所示：

步骤101，构建与空分复用光网络的光纤传输相对应的神经网络模型。

步骤102，获得与空分复用光网络中的光纤路径段相对应的第一传输数据参数、与第一传输数据参数相对应的第一串扰值。

在空分复用光网络中可以使用多芯少模光纤发送业务流，光纤路径段可以由多芯少模光纤构成，可以获得与光纤路径段中的多芯少模光纤对应的第一传输数据参数，获得多芯少模光纤的纤芯之间的第一串扰值。第一传输数据参数包括：光纤路径段中的纤芯的芯编号、模式编号、波长编号及传输距离等；第一串扰值为光纤路径段中的纤芯之间的串扰值。

步骤103，基于第一传输数据参数和第一串扰值生成训练样本，使用深度学习方法并基于训练样本对神经网络模型进行训练，获得训练好的光纤传输模型。

步骤104，接收对于业务流的发送路径建立请求，确定用于发送业务流的多条备选路径，将每条备选路径分为多个候选路径段。

在空分复用光网络中可以使用多芯少模光纤发送业务流，多条备选路径可以由多芯少模光纤构成。

步骤105，依次获得与多个候选路径段相对应的第二传输数据参数，将第二传输数据参数输入光纤传输模型进行预测，获得与候选路径段相对应的第二串扰值。

可以获得与候选路径段中的多芯少模光纤对应的第二传输数据参数，将第二传输数据参数输入光纤传输模型进行预测，获得多芯少模光纤的纤芯之间的第二串扰值。第二传输数据参数包括候选路径段中的候选纤芯的芯编号、模式编号、波长编号及传输距离等；第二串扰值为候选路径段中的纤芯之间的串扰值。

步骤106，基于第二串扰值从候选路径中选取业务发送路径，基于业务发送路径建立用于发送业务流的纤芯发送路径，其中，业务发送路径满足预设的串扰要求。

随着大数据的快速发展，机器学习在近年来受到工业界和学术界的极大关注。机器学习算法可从观测数据出发寻求当前尚不能通过公式定理获得的规律，利用学习得到的规律去分析预测未知数据。本发明的频谱分配方法，针对在以多芯少模光纤等新型光纤为传输介质的空分复用光网络中，串扰复杂且无法利用相关公式准确计算评估的问题，提供了一种基于机器学习的串扰预测方法；利用软件建模的方法获取训练数据，利用机器学习算法训练得到神经网络模型；当有新业务到达网络时，获取相关参数，输入该模型进行串扰预测，并将预测结果应用到空分复用光网络中的资源分配过程，以保证业务的传输质量需求。新型的多芯少模光纤如图2所示，为7芯3模光纤。

在一个实施例中，确定用于发送业务流的多条备选路径有多种方法。例如，获得发送业务流的源节点和目的节点，基于路由算法确定在源节点和目的节点之间的多条备选路径，路由算法包括：最短路径算法等。获得每条备选路径中的跳转中间节点，基于跳转中间节点将每条备选路径分为多个候选路径段。

从第一备选路径开始，依次在备选路径的各候选路径段中选取纤芯作为候选纤芯；其中，第一备选路径为最短路径。将与候选纤芯相对应的第二传输数据参数输入光纤传输模型进行预测，获得与候选纤芯相对应的第二串扰值。如果确定与候选纤芯相对应的第二串扰值小于或等于串扰阈值，则将此候选纤芯作为发送纤芯，并在此备选路径的下一候选路径段中选取纤芯作为候选纤芯。如果确定与候选路径段中的全部候选纤芯相对应的第二串扰值大于串扰阈值，则将此候选路径段进行阻塞处理。

基于发送纤芯在源节点和目的节点之间建立用于发送业务流的至少一条纤芯发送路径。获取在纤芯发送路径中的连续频谱槽编号，将与连续频谱槽编号相对应的连续频谱资源作为发送业务流的连续频谱资源。频谱槽编号即为频谱编号，频谱编号指的是将全部频谱块进行连续编号si(i＝0,1,2,…,n)n的值取决于预先的假定。例如，如果假设可用频谱块总数为128，则n为127。

上述实施例中的空分复用光网络中基于人工神经网络的频谱资源分配方法，能够利用神经网络模型选择更适合的频谱资源，使得阻塞率更低，频谱资源利用率更高或者连接建立时间更短等。

在一个实施例中，利用软件建模的方法建立神经网络模型作为光纤传输模型，光纤指空分复用背景下可使用的光纤，如少模光纤，多芯光纤或多芯少模光纤等。建模软件可以为多种软件，如rsoft，comsol等。

进行与空分复用光网络中的光纤路径段相关的第一传输数据参数的获取，包括芯编号、模式编号、波长编号及传输距离等，可以采用现有的多种算法计算与第一传输数据参数相对应的第一串扰值。利用人工神经网络算法，对第一传输数据参数和第一串扰值进行训练，从而形成训练好的神经网络模型，即光纤传输模型。

神经网络模型可以有多种，例如cnn、rnn、rntn、gan等。例如，神经网络模型包括三层神经元模型，三层神经元模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型，每层神经元模型的输出作为下一层神经元模型的输入，输入层神经元模型的神经元与传输数据参数相对应，输出层神经元模型的神经元与和串扰值相对应。三层神经元模型可以为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。

如图3所示，神经网络模型中的output1代表串扰值输出，input1-n分别对应传输数据参数中的纤芯的芯编号、模式编号、波长编号及传输距离等具体参数值的输入。神经网络模型中的unit1-5分别对应一个深度学习网络子结构。根据问题的复杂度不同，该网络的子结构设计和复杂度均不同。可将unit1-5设计为具有一定神经元节点数的单个神经网络层。例如，可将unit1-5设计为具有50个神经元的神经网络层。将第一传输数据参数的具体指作为输入值，将第一串扰值作为输出值对神经网络模型进行训练，从而形成训练好的神经网络模型。

在一个实施例中，如图4所示，第1步，在rsoft软件下建立7芯3模光纤传输模型，rsoft采用的是光束传播原理。

第2步，获取传输相关的参数。具体步骤如下：

第2.1步，利用光束传播法获取每种传输模式的相对功率。

第2.2步，利用公式(1)计算xt值，即串扰值：

其中，a和b表示芯编号，lpij代表芯中传输的lp模式，plpij@a表示芯a中lpij模式的相对功率。利用光束传播法获取的参数可以很复杂，但是从网络层角度出发，选择芯编号c，模式编号m，波长λ和传输距离l。

利用建模软件，如rsoft，comsol等建立光纤传输模型，获取每种传输模式的相对功率，并结合公式1计算串扰值。最终得到的参数包括：芯编号，模式编号，波长，传输距离及相应的串扰值。

光束传播法的原理就是在给定初始场的前提下，一步步计算出各个传播截面上的场。利用建模软件，如rsoft，comsol等建立多芯-少模光纤传输模型，通过合理的参数设定，从光纤的一端注入光束，通过传输一定的距离，在光纤另一端收集每种传输模式的相对功率。

第3步，进行数据训练。利用机器学习算法，对第2步中获取的相关参数进行训练，从而生成训练好的神经网络模型，即光纤传输模型，如图4所示。

第4步，获取业务相关的数据，基于业务属性(c′,m′,λ′和l′)对串扰值进行预测。其中，c′、m′、λ′分别表示为业务选择的芯编号，模式编号及波长编号。l′表示最短路径的距离长度。

最短路径的计算采用弗洛伊德算法等算法，c′、m′及l′的选择利用首次适应算法。首次适应算法可以采用现有的多种首次适应算法，例如，芯c′、模式m′及路径均有特定的专属编号，每种资源的选择均按照编号大小进行。假定c′、m′及路径的编号集分别为{0,1,2,3,4,5,6}，{0,1}，及{0,1,2}。对路径资源来说，若首次选择的是0号最短路径，且在该路径上首次选中的芯c′为0号芯，但是在该芯上并未找到符合业务传输需求的模式资源m′，则便在1号芯上继续寻找，如果找到了可用模式资源m′，其编号为0，则1号芯及0号模式为在0号路径上首次适应选出的芯c′和模式资源m′。l′则为所选路径对应的距离长度。

第5步，串扰预测。将第4步获取的c′,m′,λ′和l′将作为第3步中建立的神经网络模型的输入，不同的组合值将会得到一组串扰预测值。

第6步，连接建立。利用首次适应算法选择满足业务串扰需求的频谱资源建立连接，即选择首次满足串扰需求的频谱资源建立连接，如图5所示。若未找到可用资源，则连接建立失败。

在一个实施例中，已利用人工神经网络算法结合软件建模方法训练好了神经网络模型。如图6所示，使用的波长单位是纳米，传输距离单位是千米，串扰单位是db。业务n(2,5,-32)到达网络，源节点为2号节点，目的节点为5号节点，串扰阈值需求为-32db。

利用最短路径算法得到的最短路径为2→4→5。可用资源组合为：(1，0，1558.98，900)(1，0，1558.88，900)(1，1，1548.51，900)(1，0，1553.53，900)，……；将上述各组合输入神经网络模型，得到相应的串扰预测值：(-23.91)，(-23.90)，(-75.01)，(-91.72)，……；利用首次适应算法选择出满足业务串扰需求的传输路径及频谱资源，建立连接。因此，首先选出的可用路径为2→4→5；可用资源为：1号芯，1号传输模式，波长为1548.51，实际串扰预测值为-75.01db。若最终遍历所有的路径，仍未找到可用频谱资源，则连接将被阻塞。

本发明的频谱分配方法为空分复用光网络中的资源分配提供了新的解决思路，尤其针对串扰复杂且无法利用数学模型进行评估时，利用本方法能够较为准确地对复杂的串扰因素进行评估，得到预测值，从而进行串扰感知的资源分配过程，保证业务的传输质量要求。

在一个实施例中，如图7所示，本发明提供一种频谱分配装置70，包括：模型构建模块71、模型训练模块72、候选路径确定模块73、串扰预测模块74和发送路径建立模块75。

模型构建模块71构建与空分复用光网络的光纤传输相对应的神经网络模型。模型训练模块72获得与空分复用光网络中的光纤路径段相对应的第一传输数据参数、与第一传输数据参数相对应的第一串扰值。模型训练模块72基于第一传输数据参数和第一串扰值生成训练样本，使用深度学习方法并基于训练样本对神经网络模型进行训练，获得训练好的光纤传输模型。

候选路径确定模块73接收对于业务流的发送路径建立请求，确定用于发送业务流的多条备选路径，将每条备选路径分为多个候选路径段。串扰预测模块74依次获得与多个候选路径段相对应的第二传输数据参数，将第二传输数据参数输入光纤传输模型进行预测，获得与候选路径段相对应的第二串扰值。发送路径建立模块75基于第二串扰值从候选路径中选取业务发送路径，基于业务发送路径建立用于发送业务流的纤芯发送路径，其中，业务发送路径满足预设的串扰要求。

第一传输数据参数包括：光纤路径段中的纤芯的芯编号、模式编号、波长编号及传输距离等；第一串扰值为光纤路径段中的纤芯之间的串扰值。第二传输数据参数包括：候选路径段中的候选纤芯的芯编号、模式编号、波长编号及传输距离等；第二串扰值为候选路径段中的纤芯之间的串扰值。

在一个实施例中，候选路径确定模块73获得发送业务流的源节点和目的节点，基于路由算法确定在源节点和目的节点之间的多条备选路径，其中，路由算法包括：最短路径算法等。候选路径确定模块73获得每条备选路径中的跳转中间节点，基于跳转中间节点将每条备选路径分为多个候选路径段。

串扰预测模块74从第一备选路径开始，依次在备选路径的各候选路径段中选取纤芯作为候选纤芯；其中，第一备选路径为最短路径。串扰预测模块74将与候选纤芯相对应的第二传输数据参数输入光纤传输模型进行预测，获得与候选纤芯相对应的第二串扰值。发送路径建立模块75如果确定与候选纤芯相对应的第二串扰值小于或等于串扰阈值，则将此候选纤芯作为发送纤芯，并在此备选路径的下一候选路径段中选取纤芯作为候选纤芯。发送路径建立模块75如果确定与候选路径段中的全部候选纤芯相对应的第二串扰值大于串扰阈值，则将此候选路径段进行阻塞处理。

发送路径建立模块75基于发送纤芯在源节点和目的节点之间建立用于发送业务流的至少一条纤芯发送路径。发送路径建立模块75获取在纤芯发送路径中的连续频谱槽编号，将与连续频谱槽编号相对应的连续频谱资源作为发送业务流的连续频谱资源。

图8为根据本发明公开的频谱分配装置的另一个实施例的模块示意图。如图8所示，该装置可包括存储器81、处理器82、通信接口83以及总线84。存储器81用于存储指令，处理器82耦合到存储器81，处理器82被配置为基于存储器81存储的指令执行实现上述的频谱分配方法。

存储器81可以为高速ram存储器、非易失性存储器(non-volatilememory)等，存储器81也可以是存储器阵列。存储器81还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器82可以为中央处理器cpu，或专用集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明公开的频谱分配方法的一个或多个集成电路。

在一个实施例中，本公开还提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一实施例涉及的频谱分配方法。

上述实施例提供的频谱分配方法、装置以及存储介质，利用软件建模的方法建立神经网络模型，获取训练数据并利用机器学习算法训练神经网络模型得到光纤传输模型；获取新业务得相关参数输入该模型进行串扰预测，并将预测结果应用到空分复用光网络中的资源分配过程，以保证业务的传输质量需求，为空分复用光网络中考虑复杂串扰的资源分配提供了可行且有效的解决方案，使得阻塞率更低，频谱资源利用率更高、连接建立时间更短，能够在降低业务阻塞率的同时提高频谱资源利用率，提高用户的使用感受度。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。