基于人工智能的光网络中波长转换节点近优布局

《Optical Switching and Networking》：AI-based near-optimal placement of wavelength-conversion nodes in optical networks

　　

阻塞被认为是波分复用网络中的主要挑战之一。如果前向网络节点无法为传入数据提供合适的波长，就会发生阻塞。这些阻塞会因数据包丢失和延迟而降低网络服务质量。发生阻塞时，数据包可能被丢失或重新传输。本文使用遗传算法作为人工智能解决方案，以研究在原型波分复用光网络中波长转换器的近似最优位置。本文引入了一个新颖的想法，即将Python代码整合到OMNeT++平台中。编写了一个Python程序来模拟遗传算法，生成不同的转换器位置候选方案，并根据考虑阻塞概率作为决定网络性能的主要因素的适应度函数进行比较。选中的候选方案随后提供给OMNeT++模型，以动态方式自动更新其ini文件。OMNeT++将反过来根据网络节点经历的潜在阻塞总数来评估这些个体的适应度。结果然后反馈给Python编码的遗传算法以生成其下一代候选方案。OMNeT++和遗传算法的这种组合在所有使用的12节点原型网络、14节点NSF网络和32节点GEANT2网络拓扑中均显示了有希望的结果。选择波长转换节点的近似最优位置，可导致阻塞数量减少近20%。这些转换器放置位置的决策对网络性能显示了显著影响。提出的模型在不同工作条件下也显示了明显的性能改进，包括不同的波长分配算法和不同类型的流量。值得注意的是，本工作的主要贡献是方法论层面的，其中整合了遗传算法与OMNeT++的能力，引入了一个强大的平台，提供在动态变化条件下对波分复用网络的可扩展现实模拟。

引言

光通信需求的空前增长显著加速了改进光纤的工作。为了更好地投资光纤链路，波分复用技术被采用，该技术使用不同的波长在同一时间通过同一链路承载多个数据包。在与频分复用类似的场景中，波分复用使用链路的未占用信道通过网络链路传输数据。据报告，使用不同波长交换数据的效率显著受到所使用频率区域的影响，或即所谓的频谱窗口。已证明四个区域产生的数据丢失较少。这些窗口使用的波长分别约为850纳米、1310纳米、1550纳米和1635纳米。尽管只有四个主要的频谱窗口被使用，但单个窗口可以被利用来容纳多个甚至数十个频率信道，这些信道通过狭窄的频率带分隔。

波分复用中存在三种场景。第一，消息波长应保持通过整个端到端路径，这被称为波长连续性约束。第二，所有节点可以通过任何可用的自由波长转发传入的数据包，这被称为具有完全波长转换能力路由。第三，一些节点具有波长转换能力，而其他节点没有，这是部分波长转换。所有节点都具备波长转换能力将通过减少潜在阻塞数量来显著改善网络效率。然而，这是一个成本高昂的解决方案，因为所有转发节点都应被替换为更复杂的节点。可以考虑一个折中解决方案，即采用部分波长转换模式。

许多研究论文已进行，以解决全光网络面临的两项主要问题。首先，路由问题；其次，分配适当光路径的问题。一些研究人员处理静态路由与波长分配，在此情况下，请求在网络运行之前预先确定，且在运行期间不预期突发请求。在此领域，静态路由与波长分配解决方案被分为三个类别，即基于链路的、基于路径的和启发式的。这些算法的目标是通过最小化所需波长数量或最大化网络连接性来减少连接被阻塞的概率。在基于链路的方法中，每个端到端请求被作为独立的商品处理，每条链路被标记是否用于该请求。这种方法的一个缺点是缺乏可扩展性，因为采用穷举检查方法在大型网络中增加了额外复杂性和时间消耗。为了简化解决方案，基于路径的方法只考虑几个替代路径，而不是考虑大型网络中大量可用路径。在此领域，Dijkstra算法被用于首先解决路由分配问题，然后在指定路由中使用特定光路径。由于只考虑少数可能的端到端解决方案，这种方法可能得出非最优路径。

另一方面，启发式算法不寻求最优性，而是选择良好且快速的解决方案。文献[15]的作者采用了一种边缘不相交路径算法作为启发式策略的一种。另一种被称为禁忌搜索的启发式算法在文献[16]中被采用。在边缘不相交路径算法中，完全分离的路径之间没有公共链路存在，这些路径可以被分配相同的波长。这可以有效地减少所需波长数量。文献[17]的作者采用了一种改进版本的启发式静态路由与波长分配算法，旨在节约网络资源并通过首先服务较短路由，然后再消耗可用链路和波长来容纳较长请求，从而减少阻塞数量。

与静态路由与波长分配不同，动态路由与波长分配在运行时动态更新路由和波长表。这可以显著适应数据流以避免拥塞链路，并因此减少潜在阻塞数量。已证明坚持最短路径可能导致阻塞数量增加，因为拥塞链路上的波长几乎被占用，当以波长连续性约束转发时，即将到来的请求将被阻塞。文献[20]中，作者建议了一种替代算法，固定替代路由，其中请求在最短路径上所需波长忙碌时应在替代路径上转发。这可以显著有助于改善网络上的流量平衡。

文献[21]的作者提出了一种称为加权最少拥塞路由-首次适配的动态路由与波长分配算法来操控路由和波长分配问题。相比之下，文献[22]的作者采用了最大重用算法进行波长分配。在最大重用算法中，被其他请求最多重用的波长更可能用于当前请求，前提是且当该波长在构成所需路径的所有链路上可用。否则，请求被阻塞。这种技术显著节约其他波长供未来请求使用。

上述算法与波长连续性约束配合工作，请求需要使用相同波长通过网络转发。如果所需波长在端到端路由链路之一上忙碌，请求被阻塞。增加的阻塞概率显著降低了网络提供的服务质量；因此，使用具有波长转换能力路由来通过减少阻塞概率改善通信性能。一些研究论文如文献[23]、[24]和[25]考虑了所有网络节点都具备波长转换设施的场景。然而，所有节点具备波长转换设施是一个成本高昂的解决方案。因此，许多研究人员致力于分析具有稀疏波长转换的网络。在稀疏波长转换中，只有一些节点被认为是波长可转换的，而其他节点则不是。这似乎是一个结合经济性和效率的更现实解决方案。由于流量分布被认为是决定网络拥塞的主要因素之一，从而决定网络性能。许多论文如文献[26]专注于测量不同网络关节上的流量流动，其他论文则分析阻塞概率作为界定数据通信效率的关键因素。

在稀疏波长转换领域，已撰写了许多论文。文献[27]的作者提出了一种称为最小转换器分配的波长分配方法，旨在减少所需波长转换器数量，同时保持可接受的阻塞概率。另一方面，文献[28]提出了树状和层次结构以引入数学公式，旨在推导考虑稀疏波长转换网络的总成本在不同网络拓扑中的值。此外，文献[29]介绍了光树对重构方法论，以在分类光树之间提供平滑过渡，而不会产生明显的服务中断。研究人员也认识到波长转换器的适当分布可以显著改善网络连接性能，因此在此领域进行了许多研究论文。

尽管在增强路由和波长分配操作方面付出了宝贵努力，尤其是在稀疏波长转换网络中，但在优化这些转换器位置方面仍然存在明显不足。本文使用OMNeT++模拟了12节点原型网络的稀疏波长转换场景，波长转换器放置被赋予了高度优先级。Python编程语言作为高效工具被用于构建与OMNeT++平台集成的遗传算法，通过向其提供选定的转换器位置。OMNeT++随后利用此Python程序输入来估计波长转换器位置选择的好坏。适应度函数的结果然后反馈给Python程序以执行交叉和变异操作并更新其生成的候选染色体。经过几次迭代后，发现遗传算法得出了波长转换器的近似最优位置。与文献[30]和[31]中的模型不同，提出的模型提供了一个高效平台以处理网络动态。因此，节点故障、链路故障、负载模式变化或其他网络变化在此提出模型中可以被轻松处理。

最优性以结果阻塞概率来衡量。本工作的新颖性体现在两个方面。第一，遗传算法与OMNeT++的合并与真实网络模拟结合，其中本工作的遗传算法适应度函数直接由真实模拟结果提供阻塞概率数据，而非数学公式和假设。相比之下，本领域大多数其他论文设计了数学、非真实的模型来分析其算法性能。第二，本文提出在近似最优位置放置波长转换器，以使用最少波长转换器数量实现最大网络性能。

为了将提出的系统与现有先进技术进行比较，提出的遗传算法方法的效率与传统的穷举搜索进行了比较。在穷举搜索方法中，考虑所有可能的解决方案，并确定每个个体解决方案的适应度以找到最佳方案。因此，对于具有N个节点和K个转换器的网络，波长转换器的可能分布总数可以根据文献[32]中的排列组合定理通过公式(1)计算：

C(N,K)=N选择K=P(N,K)除以K!=N!除以[(N?K)!K!]

其中N是节点数量，K是波长转换器数量，P(N,K)是排列系数，定义为N个元素集中K个元素的可能排列总数，C(N,K)是N个元素从中选择K个元素的组合数，不重复。

与大多数其他论文考虑波长分配算法或波长转换策略不同，本文创新性地引入了一种系统，研究了在不同波长分配策略中使用波长转换器近似最优放置的可行性。这些策略分别是首次适配、最佳适配、最常用和随机适配。此外，本工作中考虑了三种拓扑来检验提出的模型随拓扑变化的可扩展性。

此外，该模型已在不同的负载压力和不同的流量模式（即泊松分布、均匀分布和突发分布）下进行了检验。结果表明，在所有波长分配场景以及两种网络拓扑中，所提出的算法均显著优于现有的最先进算法。此外，所提出的系统提供了一个可扩展且灵活的平台，用于在可能发生动态网络变化的自适应环境中选择接近最优的光波长转换单元（WC）的数量和位置。本文分为四个部分。第一部分介绍了WDM网络中的主要挑战——RWA（路由与波长分配）问题，阐述了解决该问题的主要贡献，并提出了一种利用人工智能来解决该问题的智能方案。第二部分为方法论部分，详细解释了网络仿真的方式，展示了所有模型设置步骤。第三部分展示了仿真结果，比较了所提出模型在不同场景和假设下的性能，并对这些结果进行了讨论。第四部分总结了全文，并为未来的工作提供了建议和见解。部分摘要：方法论——OMNeT++是衡量网络性能的有力工具。因此，本文采用OMNeT++作为高效平台来模拟三种网络拓扑，包括一个12节点、15条双向链路的原型WDM网络，一个14节点、21条链路的NSF（美国国家科学基金会）WDM网络，以及一个32节点、53条双向链路的GEANT2 WDM网络。所有这些网络每条链路均配备8个波长，如图1所示。本文采用了稀疏波长转换策略，结果——本节将全面介绍所获得的仿真结果。结果表明，波长转换器的不同部署位置会导致不同的转换概率。图2显示，尽管使用的转换器数量相同（均为三个），但根据所选位置的不同，阻塞概率（pb）可能存在显著差异。该图表明，将转换器从位置（3、4、9）重新部署到位置（1、8、11）会导致一个……结论——在本研究中，结合Python程序和OMNeT++网络仿真器来监控和提升WDM网络的性能。采用了基于遗传算法的人工智能技术来实现这一目标。本文考虑了稀疏波长转换，即只有部分节点具备波长转换能力。主要目标是精心选择波长转换节点的位置，以使阻塞概率最小化……利益冲突声明——作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。致谢——本研究部分得到了南方科技大学科学研究的资助，项目编号：9/7934，2025年9月10日。穆罕默德·阿尔-穆明（Mohammed Al-Momin），计算机网络博士，1980年生于伊拉克巴士拉。2022年从巴士拉大学获得计算机工程学士学位。此后，阿尔-穆明进入巴士拉大学工程学院计算机工程系攻读研究生，于2005年获得计算机工程硕士学位，其硕士研究 specialization 为网络安全领域。随后，阿尔-穆明被伊拉克教育部提名……穆罕默德·阿尔-穆明