基于机器学习的光网络传输质量预测方法与资源优化技术

发布时间：2025-06-19 04:58

　　随着5G时代移动流量的迅猛增长以及多样化业务的快速融合,光网络的发展面临着从传输控制层面到资源优化层面的诸多挑战。在传输控制层面,光网络需要进行动态重配置实现高效的按需分配。在资源优化层面,为了缓解用户流量的承载压力,前传光网络需要灵活的功能分割方式实现面向业务的基带功能部署。由于用户流量的时变性,业务基带功能链的部署需要不断调整以保障资源利用率和服务质量。光传输趋于动态化、基带功能部署的复杂化、以及外界环境的不可控等因素都导致传统以人工经验为主导的网络资源调配方式难以为继,必须引入新的自动化,智能化的运维机制。机器学习,通过模仿人的学习方式,从数据中获取知识不断进行策略提升的能力与当前光网络需要引入智能化的运维机制相适应。因此,本文基于机器学习从“数据挖掘”,“决策推理”以及“用户感知”角度,探索精准的光链路传输质量(QoT)预测方法与高效的资源优化技术,进而逐步推进光网络的智能化。本论文的主要内容和创新点如下:(1)提出一种基于神经网络的多信道传输质量预测模型。针对光网络进行重配置时新建信道和已有信道QoT的预测问题,本文提出了一种基于神经网络(ANN)的多信道Q因子(Q-facto...

【文章页数】：111 页

【学位级别】：博士

【部分图文】：

图１－１?５Ｇ网络的使用场景??特性进行针对性的部署，在保障基带资源利用率的同时提供差异化的服务

北京邮电大学工学博士学位论文???１．２光网络的智能化??１．２．１光网络智能化的需求分析??５Ｇ时代光网络不仅需要承载剧增的流量为整个社会的数字化进程提供有力??的保障，还需要针对不同的应用场景提供差异化的服务来提升服务质量和效率??｜２２】。随着数字型产业的加速发展，以及各种....

图１－２物理层的智能化应用举例??集数据中拟合出从链路传输状态Ｘ到ＱｏＴ相关参数＾；的映射

高??效融合，基于机器学习的智能化光网络开始从物理层和网络层逐步推进。??物理层：机器学习在光网络物理层的应用主要体现在通过机器学习方法进行??快速数学建模，使用基于机器学习的预测模型进行光链路Ｑ〇Ｔ预测，调制格式??的模式识别，光器件参数的自适应控制以及非线性效应的抑制等［４Ｍ....

图１－３网络层的智能化应用举例??网络层：机器学习在网络层的应用主要集中在用户流量的预测与疏导，网络??

物理层机器学习也用于故障预警，调制格式??识别，ＥＤＦＡ的自适应均衡等。这些应用与ＱｏＴ预测的原理相近，都是通过收集??网络的历史数据，通过机器学习方法抽象需要的映射关系（函数）。与传统的物??理分析模型相比，基于机器学习的预测模型不需要分析光传输的物理过程，它的??性能很大程度....

图１－５强化学习流程图??新的策略继续与环境交互，重复以上步骤直到算法收敛

第一章绪论??Ｔ??外（ｒ）＝夕⑷?ｎ?％?ｋ?）ｐ（ｖ丨?ｋ，“＇），?（１?＿３）??ｒ＝ｌ??最优的％，?ｂ；）应该使轨迹中的即时奖励之和最大［６７］，ＢＰ：??ｆ＝ａｒｇｎ＾ａｘＥ卜从）》－（？，〇，），?（１－４）??＿?Ｉ?＿??强化学习需要提升智能体的总体表现。结合....

本文编号：4050893