《Simulation Modelling Practice and Theory》：NeuralCol: A machine learning mechanism for dynamic spectrum allocation in SDFON networks
编辑推荐：
NeuralCol是一种面向软件定义灵活光网络（SDFON）的机器学习动态频谱分配机制，研究人员在哥伦比亚国家光纤网络（ColombiaNet）上基于450条仿真记录进行了评估。Box-Cox变换与Z-score标准化有效提升了预测可靠性。所提机制将带宽消耗最
NeuralCol是一种面向软件定义灵活光网络（SDFON）的机器学习动态频谱分配机制，研究人员在哥伦比亚国家光纤网络（ColombiaNet）上基于450条仿真记录进行了评估。Box-Cox变换与Z-score标准化有效提升了预测可靠性。所提机制将带宽消耗最多降低了97.7%。静态缓冲区策略具有更低的延迟，而具体方案的选择取决于应用需求。
**论文解读：NeuralCol——面向SDFON网络的轻量级机器学习动态频谱分配机制**
**一、研究背景与问题**
近年来，5G和6G网络的部署推动了电信服务在速率、延迟尤其是带宽需求上的急剧增长，传统光网络因缺乏自适应能力而难以应对流量变化和资源优化需求。软件定义光网络（SDON）及其演进形态软件定义灵活光网络（SDFON）通过引入控制与数据平面分离的架构，借助正交频分复用（OFDM）和波分复用（WDM）技术实现了可变带宽光通道的动态配置。然而，SDFON仍面临频谱碎片化、实时资源管理复杂、控制器与节点间通信延迟等问题。现有解决方案如深度强化学习（DRL）、图神经网络（GNN）和循环神经网络虽在路由、调制与频谱分配（RMSA）等问题上有所进展，但普遍存在训练成本高、收敛时间长、依赖大规模数据集或环境交互等局限，难以在资源受限或历史数据稀缺的场景中部署。因此，设计一种轻量级、可实际部署的机器学习频谱分配机制具有重要的研究意义。该研究发表于《Simulation Modelling Practice and Theory》。
**二、研究内容与结论**
研究人员设计、实现并评估了NeuralCol机制——一种集成于SDN控制器中的轻量级前馈神经网络（3-10-10-10架构），基于历史运行数据预测最优带宽，并通过带宽延迟积（BDP）动态调整缓冲区大小。研究以哥伦比亚国家光纤网络（ColombiaNet）为仿真场景，在OMNeT++中构建了包含15个城市、覆盖约85%人口的混合网格拓扑，并设置了三种对比配置：传统静态缓冲区（64 KB、256 KB、512 KB）、基于启发式规则的动态缓冲区、以及NeuralCol动态缓冲区。在0.1 ms、1 ms和10 ms三种传输间隔下各执行150次独立重复仿真，共计450次实验，评估了带宽消耗、延迟、抖动、丢包率（PLR）、信道利用率等指标。结果显示：NeuralCol在10 ms间隔下相比静态64 KB缓冲区实现了97.7%的带宽减少，且变异系数极低（1.25%），远优于启发式动态方案（5.08%）；Kruskal-Wallis检验确认带宽差异具有高度统计显著性（p<0.001），Dunn事后检验表明NeuralCol与静态及启发式方案均存在显著差异；同时，动态策略（包括NeuralCol和启发式）的延迟比静态方案增加约174%，但NeuralCol的推理开销仅占延迟增量的约0.1%，主要延迟成本来自缓冲区重配置机制本身。该研究表明，轻量级神经网络能够在保持稳定服务质量的前提下大幅降低频谱消耗，为实际光网络中的动态频谱管理提供了可行方案。
**三、关键技术方法**
研究采用了以下核心技术方法：（1）在OMNeT++离散事件仿真环境中构建ColombiaNet分层混合网格拓扑；（2）对450条仿真记录进行Box-Cox幂变换和Z-score标准化预处理；（3）通过Pearson相关分析和决定系数（R2）筛选出三个关键预测变量（有效缓冲区、最大队列长度、缓冲区利用率）；（4）设计并训练3-10-10-10两层全连接前馈神经网络，隐藏层采用ReLU激活函数，输出层为10个神经元，以第一分量作为预测带宽；（5）利用BDP公式将预测带宽映射为缓冲区大小，并设置64 KB至1 MB的边界约束和80%利用率预防性调整阈值；（6）采用delta方法计算95%置信区间、Kruskal-Wallis非参数检验和Dunn事后检验进行统计验证。
**四、主要研究结果**
4.1 第一研究阶段：三种待比较网络的创建。该阶段定义了三种网络配置：静态缓冲区网络（64 KB、256 KB、512 KB）、基于启发式规则的动态缓冲区网络（100 ms检查间隔、四种离散缓冲区配置）和NeuralCol机器学习网络（10 ms检查间隔、连续预测）。三种配置在相同条件下运行，确保比较的公平性。
4.2 第二研究阶段：研究结果的呈现。该阶段展示了带宽和QoS指标的对比结果。NeuralCol在0.1 ms、1 ms和10 ms间隔下分别记录了200501 GHz、2120 GHz和112 GHz的平均带宽消耗，相比静态64 KB方案分别减少了29.9%、94.2%和97.7%。在延迟方面，动态策略的延迟（约0.0725 ms）比静态方案（约0.0264 ms）增加约174%，而PLR、抖动、延迟和信道利用率在五组策略间无显著差异。
4.3 置信区间和敏感性分析。通过delta方法计算得出NeuralCol在10 ms间隔下带宽减少比例的95%置信区间为[97.05%，98.35%]，确认97.7%的改善幅度具有高度可靠性。敏感性分析显示，在不同传输间隔和不同静态缓冲区基准下，NeuralCol的带宽减少效果均保持一致的优越性。
4.4 统计分析。Kruskal-Wallis检验结果显示，带宽和延迟在三个时间间隔上均具有高度显著性差异（p<0.001），而PLR、抖动、延迟和信道利用率无显著差异。Dunn事后检验表明，NeuralCol的带宽减少效果显著优于静态和启发式方案，而其延迟特性与启发式动态方案无显著差异。
4.5 权衡分析：带宽减少与延迟增加。该部分量化了频谱效率与延迟之间的内在权衡。延迟分解显示，缓冲区重配置机制贡献了约99.9%的延迟增量，而神经网络推理仅占不到0.1%。NeuralCol适合频谱效率优先的应用场景（如批量数据传输、视频流媒体），静态缓冲区适合超低延迟需求（如远程手术、工业自动化），启发式方案适合计算资源受限的网络。
4.6 控制器开销和可扩展性考量。NeuralCol的3-10-10-10网络每次推理仅需230次乘法和230次加法，在15个节点的ColombiaNet部署中，控制器处理1500次推理/秒，仅占典型控制器CPU处理能力的约0.1%。在10 ms重配置间隔下，该架构可支持约100-150个节点的网络规模。
4.7 可扩展性和计算复杂度分析。复杂度分析表明NeuralCol的计算复杂度为O(N)，随节点数线性增长。对于200个节点以上的网络，建议采用更长的重配置间隔（20-50 ms）或分布式控制器架构。
**五、讨论与结论**
讨论部分指出，NeuralCol的频谱效率优势以延迟增加为代价，这一权衡本质上是动态缓冲区管理的固有特性。未来需要探索静态与动态模式切换的混合方案，并进一步研究多控制器分布式部署、在线权重自适应更新以及更丰富的流量模型泛化验证。结论部分通过对数尺度分析确认，NeuralCol在均值、标准差和变异系数三个维度上均表现出最佳性能：其带宽消耗随传输频率增加而持续降低，离散程度最小（标准差极低），相对变异性最低（变异系数在10 ms间隔下仅1.25%），证明了该机制在频谱利用效率和稳定性方面的双重优势。科学研究贡献包括：轻量级ML设计集成到SDN控制器（R2=0.99，预测速度约21000 obs/s）、严格的统计验证（Kruskal-Wallis检验p<0.001）以及频谱效率-延迟权衡的量化（延迟增加约174%）。局限性包括仿真时间短（1秒）、数据集规模有限（450个样本，单拓扑）、缺乏物理硬件验证、单一控制器假设以及低频率下PLR的固有劣化。未来工作方向涵盖物理测试平台部署、在线权重自适应、多拓扑扩展、备选ML架构探索及自适应检查间隔设计。
