[發明專利]一種基于回聲狀態網絡的光網絡多信道傳輸質量預測方法

有效

• 申請號: 202011044514.9
• 申請日: 2020-09-28
• 公開（公告）號: CN112270058B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 李瑩琦;王嘉林;曹荻非;才迪;秦林林;李志剛;孫曉川
• 申請（專利權）人: 華北理工大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06F119/02
• 代理公司: 天津創智睿誠知識產權代理有限公司 12251
• 代理人: 王海濱

本發明公開了一種基于回聲狀態網絡的光網絡多信道傳輸質量預測方法，收集并加載廣域光骨干網絡中的用于傳輸質量試驗的多條信道的Q因子數據，設置包含信道狀態和Q因子特征的組合向量表達每一條信道中Q因子狀態；選擇組合向量中需要同時進行預測的多條信道數據進行歸一化處理，作為訓練樣本，對構建的CESN神經網絡結構進行訓練，用訓練好的CESN預測模型進行預測，再對預測結果進行反歸一化得到預測的多信道Q因子數據值。該方法可以克服傳統機器學習方法中存在的低時效問題，提供高準確度和高時間效率的光網絡傳輸質量預測模型；同時，該方法可以同時預測多條光路的傳輸質量，減少網絡損耗并提高效率。

技術領域

本發明屬于計算機應用技術領域，具體涉及一種基于回聲狀態網絡的光網絡多信道傳輸質量預測方法。

背景技術

5G時代的到來不斷促進云計算、遠程教育、智能城市、自動駕駛等高端需求的進一步發展，致使終端用戶數量、網絡業務量和數據流量正以井噴式的速度快速增長，這使得支撐數字通信基礎設施的廣域光骨干網絡面臨嚴峻的挑戰。為及時滿足用戶需求，光網絡需要在短時間內完成有效的資源分配任務。目前，光網絡運營商通過分配較大的裕度來保證光路的傳輸質量，從而維護光路在生命周期內可能出現的性能下降，因此準確的傳輸質量預測模型對于提高光網絡運行效率和優化網絡資源使用至關重要。

近年來，機器學習的興起使其逐漸成為光網絡傳輸質量(Quality?ofTransmission,QoT)預測的主流方法。機器學習使得表示高維數據和近似復雜函數成為可能。現階段研究成果主要采用隨機森林、支持向量機和K近鄰算法的傳統機器學習方法以及利用人工神經網絡建模進行光網絡QoT預測。這些方案均通過訓練數據集學習光網絡的損傷參數(如質量因子、光信噪比、誤碼率等)，從而得到光路的傳輸質量。

然而，現有模型的精度仍不令人滿意，并且這些方法未能關注到預測任務中的時間消耗，在實際場景中無法同時兼顧精度與時間效率兩方面的要求。訓練時間過長不適合用于實際應用中的如在線預測等實時數據處理，從而影響光網絡運營商的判斷與決策；另一方面，現有的研究主要集中于單信道預測上，無法為整個光網絡提供完整QoT信息。因此，在廣域光骨干網絡中，為光網絡提供高效精準的多信道QoT預測是當前亟需解決的重要問題。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于回聲狀態網絡的光網絡多信道傳輸質量預測方法。該方法可以克服傳統機器學習方法中存在的低時效問題，提供高準確度和高時間效率的光網絡傳輸質量預測模型；同時，該方法可以同時預測多條光路的傳輸質量，減少網絡損耗并提高效率，為后續進行有效的光網絡資源分配和優化奠定基礎，保障業務的可靠性。

本發明是通過以下技術方案實現的：

一種基于回聲狀態網絡的光網絡多信道傳輸質量預測方法，包括以下步驟：

S1、收集并加載廣域光骨干網絡中的用于傳輸質量試驗的多條信道的Q因子數據，設置包含信道狀態和Q因子特征的組合向量來表達每一條信道中Q因子的狀態；

S2、選擇S1中的組合向量中需要同時進行預測的多條信道數據進行歸一化處理，作為訓練樣本；

S3、根據S2中的輸入信道數量確定輸入層和輸出層節點個數，確定CESN神經網絡各層之間的激活函數類型，構建CESN神經網絡結構；

S4、采用網格搜索與前向交叉驗證相結合的方法優化CESN神經網絡中的儲備池規模和譜半徑，采用S2中的訓練樣本訓練CESN神經網絡結構；

S5、用訓練好的CESN預測模型進行預測，對預測結果進行反歸一化得到預測的多信道Q因子數據值。