基于深度强化学习的弹性光网络频谱划分方法

《Computer Communications》：Deep reinforcement learning-based spectrum partition for elastic optical networks

　　

王欣 | 黄月才 | 沈宏 | 田辉

摘要

频谱划分已被证明是缓解弹性光网络（EON）中带宽碎片化问题的有效方法。它将一组频谱时隙分成若干个固定分区，每个分区服务于具有特定带宽需求的流量请求（TRs）。然而，传统的固定划分方法无法很好地应对流量需求的动态变化。为了解决这一缺陷，我们开发了一个基于深度强化学习（DRL）的决策模型，用于频谱划分，该模型可以动态调整频谱分区的边界。我们提出了两种边界调整策略：（1）以效率优先的策略来优化整体阻塞概率；（2）兼顾效率和公平性的策略来平衡不同分区之间的整体阻塞概率和公平性。仿真结果表明，我们的基于DRL的模型优于启发式划分基线和基于DRL的去碎片化方案，在小型EON上的整体阻塞概率降到了2.94%，在NSFNET拓扑结构上降到了7.14%。此外，这种同时考虑效率和公平性的平衡设计可以在最小化对整体效率影响的同时，减少跨分区之间的阻塞不平衡问题。