《Optical Switching and Networking》：Joint optimization of routing and spectrum allocation in elastic optical networks using caracal-lemming algorithm and CNN-LSTM models
编辑推荐：
V. Srinivasa Rao|R.K. Jeyachitra印度泰米尔纳德邦特里奇国家理工学院电子与通信工程系，邮编620015摘要随着下一代通信系统的快速发展，弹性光网络被用于在不同带宽需求下动态且高效地利用光频谱资源。这类网络能够提供灵活的频谱分配方式，以满足多样化的高容
V. Srinivasa Rao|R.K. Jeyachitra
印度泰米尔纳德邦特里奇国家理工学院电子与通信工程系，邮编620015
摘要
随着下一代通信系统的快速发展，弹性光网络被用于在不同带宽需求下动态且高效地利用光频谱资源。这类网络能够提供灵活的频谱分配方式，以满足多样化的高容量流量需求。通常，弹性光网络需要更为复杂精细的资源管理策略来实现更细粒度的频谱划分。目前，有多种技术被用于共同优化频谱分配策略，但这些方法并不可靠，无法在选择最优路径和进行频谱分配时保证信号质量。因此，本文提出了一种基于优化的深度学习方法——Caracal-Lemming长短期记忆网络（CLSTM-Net），用于弹性光网络中的频谱分配与路由决策。首先通过模拟弹性光网络，运用Caracal Lemming优化算法（CarLemOA）结合多种评估指标确定最优路径；随后利用CLSTM-Net模型进行频谱分配，该模型通过考量频谱效率、带宽阻塞率、频谱利用率以及每时隙串扰等参数来指导分配过程。实验结果表明，该模型可使接收信号强度指标、能效、频谱效率以及带宽阻塞率分别达到?26.268 dBm、95.386比特/焦耳、0.937以及4.888%。
引言
在过去几十年里，电信网络经历了巨大变革，已成为支撑娱乐、社交、医疗、商业、教育等诸多领域活动的重要基础设施。这一发展趋势使得网络设备与用户数量持续增长[1]。弹性光网络作为先进的电信网络架构，能够有效应对高流量需求，同时满足新兴应用对不同服务类型及粒度的要求[2]。它通过灵活的网格结构支持多种线路速率，从而更高效地利用频谱资源。为应对网络环境变化，弹性光网络会采用多种调制格式，以此降低运营成本、节省能耗，并避免光信号质量下降[3]。在该网络中，频谱资源会被进一步细分为更小的单元，以实现更为灵活的分配方案[2]。不过，根据需求动态分配频谱时面临诸多挑战：源节点与目标节点之间的频谱分配需满足不重叠、连续性等约束，且分配到的频谱在所有连接链路中都需保持一致且未被占用[4]。
为提升网络的灵活性与稳定性，弹性光网络通常采用灵活的频谱网格结构，可根据实际带宽需求调整频谱宽度，同时不会影响通信协议的正常运行[5]。所谓灵活性，指的是弹性光网络能够根据连接需求动态调整调制格式及光带宽等资源[6]。如今，弹性光网络广泛运用灵活网格技术，以更细粒度的形式动态分配频谱资源，从而满足各类服务需求并提升网络频谱效率[7]。这种对光频谱的灵活利用方式被称为“灵活网格”，它能创建几乎任意宽度的频谱资源单元。这一概念正在光网络领域逐步普及，有助于在中短期提升核心/城域网络的处理能力。在灵活网格光网络中，频谱分配通常依据不同的带宽需求进行，相比传统的固定网格光网络，这种方式能提升频谱利用效率[8]。光频谱通常以50或100GHz为间隔划分，每个单独波长对应一个灵活网格中的频谱带。这些频谱资源会根据不同客户的需求进行动态分配。当大量频谱资源被联合使用时，数据传输速率可高达400Gbps甚至1Tbps，从而有效满足核心网络日益增长的带宽需求[9]。弹性光网络还可通过采用先进的调制格式提升每符号平均比特数，进而增强网络容量。在灵活网格光网络中，光频谱会被进一步划分为更窄的频率片段[3]。
在弹性光网络中，高效利用频谱是核心目标。目前，固定交替路由和固定路由这两种方法被广泛用于该类网络的路由规划。这两种方法可用于生成优先级列表以及所有可选路由中的固定路径[10]。在频谱分配过程中，波长分配机制会被与其他因素紧密结合，比如网络生存能力、虚拟拓扑结构、流量优化以及路由策略等。因此，从光网络诞生之初，行业从业者与研究人员就一直致力于开发高效的频谱分配方法[11]。实际上，频谱分配会受到现有分配情况、网络拓扑结构以及流量模式等多种因素的影响，属于典型的非线性问题[3]。目前，深度学习技术正被越来越多地应用于弹性光网络的频谱分配领域[12]。这类技术能够有效处理弹性光网络中规模庞大、动态变化且复杂的分配问题[13][14]。此外，深度学习方法还能实现自适应、可扩展且高效的资源分配，从而克服传统方法的局限性。神经网络具备快速处理海量数据的能力，非常适合用于解决大规模优化问题，也为高效频谱分配提供了有效解决方案[12]。
本文提出了一种名为CLSTM-Net的新框架，旨在帮助弹性光网络实现最优路径选择与高效频谱分配。首先会对弹性光网络进行模拟，然后通过CarLemOA算法确定最优路径，该算法会综合考虑接收信号强度、路径长度、平均跳数以及能效等多项评估指标。之后再利用CLSTM-Net进行频谱分配，为网络分配连续且连贯的频谱资源。该框架是通过CarLemOA算法优化CNN-LSTM模型参数构建的，而CNN-LSTM模型则会综合考虑频谱效率、频谱利用率、带宽阻塞率以及每时隙成本等参数来进行频谱分配。
本研究的主要贡献如下：
- •
设计了用于路由与频谱分配的CLSTM-Net模型：其中CarLemOA算法用于确定最优路径，而CLSTM-Net则负责弹性光网络中的频谱分配。CLSTM-Net模型是通过CarLemOA算法优化CNN-LSTM模型参数构建的，该算法则是将Caracal优化算法与人工Lemming算法相结合而形成的。
本文的结构如下：第2节简要回顾相关研究文献；第3节介绍弹性光网络系统模型；第4节详细阐述所设计的CLSTM-Net模型；第5节对CLSTM-Net的性能进行评估；最后第6节总结全文并指出未来可能的研究方向。
章节节选
研究动机
弹性光网络是一种先进的光相干传输技术，它通过提供灵活且动态的频谱分配功能，能够满足多样化的高容量流量需求。近年来，已有不少方法被用于共同优化频谱分配策略，但这些方法缺乏可靠性，无法在最优路由选择与频谱分配过程中保障信号质量。这促使人们开始探索混合深度学习
弹性光网络系统模型
弹性光网络是一种极具前景的光网络技术，它能够充分利用光网络资源，满足各类业务场景的传输需求。该网络会根据实际流量情况动态分配频谱资源，从而实现光资源的高效利用。弹性光网络具备较强的适应性，能够同时支持具有不同带宽与质量要求的多种业务类型，其系统模型
专为弹性光网络中的路由与频谱分配设计的Caracal-Lemming长短期记忆网络
本文提出了CLSTM-Net模型，用于解决弹性光网络中的路由与频谱分配问题。首先会对弹性光网络进行模拟，然后基于接收信号强度、距离、平均跳数以及能效等多项参数，通过CarLemOA算法选出数据传输的最优路径[20][21]。该算法是由Caracal优化算法与人工Lemming算法整合而成的[22][23]。之后再利用CLSTM-Net模型进行频谱分配
结果与分析
为评估CLSTM-Net的性能，本文采用了多种评估指标，并将其结果与以往研究的结果进行了对比。文中还介绍了实验设置、所使用的参数、开展的仿真实验，以及实验得到的最终结果。
结论
本文提出了一种基于混合优化算法的深度学习模型——CLSTM-Net，用于弹性光网络中的路由与频谱分配。首先会对弹性光网络进行模拟，然后通过CarLemOA算法结合接收信号强度、距离、平均跳数以及能效等多项评估指标来确定数据传输的最优路径。该算法同样是基于Caracal优化算法与人工Lemming算法构建的。
CRediT作者贡献说明
V. Srinivasa Rao：概念设计、数据整理、理论分析、实验研究、方法设计、项目管理、资源协调、软件开发、结果验证、可视化处理、论文初稿撰写及修订工作。R.K. Jeyachitra：项目监督工作。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关联关系。
