弹性光网络中路由与频谱分配算法综述

张佳唯, 钱凤臣, 杨俊强, 赵 骞, 张峥嵘

(国防科技大学信息通信学院, 陕西 西安 710106)

0 引 言

近年来,随着云计算、视频点播等高流量型应用的不断兴起以及物联网等新型网络范式的广泛使用,以光纤通信为基础的现代信息通信技术受到越来越多的关注。其中,基于波分复用(wavelength division multiplexing,WDM)技术的第二代光网络采用固定波长资源分配模式,已无法满足具有较大带宽需求且灵活复杂的新型流量业务,使得目前急需一种能够支持高动态、高容量和高传输质量服务的网络架构。由此,以光正交频分复用(optical orthogonal frequency division multiplexing,O-OFDM)技术为基础的弹性光网络(elastic optical networks,EONs)应运而生。

在EONs中,带宽资源规划的高灵活性是其弹性概念的重要体现之一,所涉及的关键技术称为路由与频谱分配(routing and spectrum allocation,RSA)算法。迄今为止,有关RSA算法的研究已经较为深入,但当前公开发表的相关综述性文章偏于陈旧,并且详述的大多为静态性算法,即业务需求均为已知。然而,未来应用中网络业务流量将呈现出较强的突发性和不确定性,因此对动态求解算法的深入总结概括可以为后续研究人员提供更有实用价值的参考。本文首先简要介绍EONs的概念内涵,接着对RSA问题展开描述,然后分别从静态和动态特性入手,基于精确算法、智能优化算法、启发式算法以及学习型算法4个大类对近5年来RSA算法的最新研究现状进行总结剖析,最后指出RSA算法的未来发展方向。

1 弹性光网络

作为下一代最具前景的光传输网络,EONs的概念起源于频谱可切片弹性光连接网络(spectrum-sliced elastic optical path network, SLICE),通过在光频域中引入灵活的粒度,提升频谱资源的利用效率以及网络的可扩展性。

EONs的核心是O-OFDM技术,这是一种多载波调制技术,可以将高速数据流调制在相互正交的低速子载波上进行传输。如图1所示,与需要在波长之间设置固定信道间隔来消除干扰的WDM技术相比,OFDM由于正交性而允许单个子载波的频谱重叠,节约了带宽资源。同时,OFDM通过灵活的粒度聚合服务可以支持从Gbps到Tbps等多种数据速率,并能够根据传输质量调整子载波数量和调制格式,完成高效的频谱分配,实现了动态带宽的扩展与收缩,增大了系统容量。在传输流量不足时,OFDM还可关闭某些子载波来节省功耗。此外,每个子载波所调制符号的持续时间比相同总数据速率的单载波系统的持续时间长得多,缩减了OFDM信号的周期。

图1 WDM与OFDM频谱划分示例

EONs的基础网络架构如图2所示,主要涉及两大类节点:一类是处在网络边缘位置上,连接用户端和中心网络的带宽可变收发器(bandwidth-variable transponder, BVT);另一类是处在网络中心位置上,连接BVT的带宽可变波长交叉连接器(bandwidth-variable wavelength cross-connector, BV-WXC)。工作时,BVT依据用户的业务需求配置子载波个数并选取调制方式,以此产生合适的光信号;BV-WXC对接收的光信号进行连续频谱分割和多粒度交换,以完成相应信号到下一节点的传送。通过上述两类节点的配合,最终能够在EONs中以高频谱效率建立起端到端的灵活光路径。

图2 EONs基础架构

2 RSA问题

RSA问题最早由Jinno等人于2009年和EONs的概念一同提出,是指根据用户需求在源节点和目的节点之间找到一条合适的光路径,并为此光路请求分配相应的频谱资源,目的是满足某种最优的性能指标(如阻塞率最低、频谱利用率最高等)。

在EONs中,频谱资源的最小分配单元称为频隙(frequency slot, FS),多个连续FS的组合称为FS块(FS block, FSB),从简化网络设计的角度出发,单个FS的粒度大小通常被设置为12.5 GHz。频谱资源在分配时需要遵循3个最基本的约束条件。

(1) 频谱连续性约束:如果某业务请求需要个FS,则必须为其分配个连续的FS。

(2) 频谱一致性约束:建立业务请求对应的端到端光路径时,必须在该路径所经过的每条链路上分配位置相同的个连续FS。

(3) 频谱不重叠约束:同一条链路中任意两个已占用FSB之间不可以出现FS重叠的情况,即同一个频隙不能同时被分配给多个业务。

应用图3所示的例子对上述3项约束内涵加以解释。图3中,上半部分表示一个结构简单的EONs,下半部分表示当前时刻网内各条链路上频谱资源的使用情况(白色代表未被占用,灰色代表已被占用)。假设此时需要建立由节点到节点的一条光路请求,该请求占用2个FS。通过判断发现,由于在链路1和链路3中不存在相同位置上的连续两个空闲FS,因此无法选择——这条路径。相比之下,在链路1、链路2和链路4中对应位置索引为1和2的频隙是连续(满足连续性约束)且空闲的(满足不重叠约束)以及对齐的(满足一致性约束),从而可以选取路径———来建立光路请求。

图3 频谱连续性约束、一致性约束和不重叠约束示例

经过上述讨论可以看出,EONs中网络资源的规划从单个波长细化到了频谱层面,精细的频谱划分粒度导致整个网络范围内需要管理的资源数量变得巨大;加之存在连续性、一致性以及保护带宽等更严苛的约束限制,使得每条光路径的建立都会在一定程度上改变网内资源的分布情况,进而影响到业务的频谱分配结果,这种紧密的耦合关系进一步增大了实际应用中资源规划的复杂程度,从而加剧了RSA问题的求解难度。同时,RSA问题已被证明是一种非确定性多项式(non-deterministic, NP)难问题,即不存在多项式时间算法进行最优化求解。

当前,基于RSA问题的多种复杂变体形式也备受关注。如根据不同的路径长度和传输质量采用不同的调制格式时,RSA问题演变为了路由、调制与频谱分配(routing, modulation, and spectrum assignment, RMSA)问题;考虑动态建立和拆除光路产生的频谱碎片时,RSA问题则变成了频谱碎片感知RSA(fragmentation aware RSA, FA-RSA)问题;依照业务流类型的不同,RSA问题又可以划分为单播(unicast)、任播(anycast)以及组播(multicast)RSA问题。此外,还包括流量疏导RSA(traffic grooming with RSA, TG-RSA)问题、生存性 RSA(survivability RSA, S-RSA)问题等。

3 RSA算法

针对RSA这一关键问题,根据业务请求是否为已知,将对应的求解算法归为两大类,分别是静态RSA算法(业务请求提前给定)以及动态RSA算法(业务请求随机到达),如图4所示。

图4 RSA配算法分类图

3.1 静态RSA算法

在静态RSA算法中,输入包括一组源节点、目的节点和带宽需求均已知的业务请求,输出的是在离线状态下为每个请求所选择的光路径以及指定的连续FS资源,优化目标一般为最小化频谱资源占用总量。

3.1.1 精确算法

为了深入解析RSA问题的结构特性并求取最优化结果,整数线性规划(integer linear programming, ILP)方法被提出用以建立问题模型。其中,文献[21-24]详述了多种相关的ILP模型,这是在早期阶段依据不同应用背景、不同优化目标以及不同假设条件所提出的。在此基础之上,文献[25]根据定义决策变量的表达含义不同(即链路资源和FS资源的占用情况是用一组变量联合表示,还是用两组变量分别表示),共建立了4个基础性的ILP模型并衍生出十多种变体形式,通过分析各模型所涉及变量与约束的数量级,明确了模型的复杂度,最后利用数字优化技术CPLEX软件求解测试算例,对比各模型的性能,总结出其适用性。

当问题规模稍有增大时,仅依靠求解器是无法在可行时间内得出最佳解决方案的,为此一些精确算法被引入以提升求解效率,包括列生成法(column generation, CG)用于线性松弛模型求出问题下界(lower bound, LB),或利用分支定界法(branch and bound, BB)、分支定价法(branch and price, BP)等直接求取整数解。由于具备求解大规模变量问题的优良特性,CG被广泛采用,基本思路为:首先将“列”定义为可满足业务请求的一种候选光路结构,该结构包含链路与FS占用信息,通过启发式规则首先获得一组初始列,然后根据建立的光路生成子问题模型(如最短路径模型、最小化平均频谱使用数量模型),查找并添加新列以提高求解质量。此外,BP因为结合了分支定界的求整特性与列生成的解大规模特性,也被引入到RSA问题的求解中,并且通过相关启发式方法的配合(如使用模拟退火(simulated annealing, SA)、贪婪规则、遗传算法(genetic algorithm, GA)改善解方案的上界,使用松弛法则改善解方案的下界),提升了算法的求解性能,使其能够解决商用求解器(如CPLEX)难以求出的较大规模问题实例。

3.1.2 启发式算法

利用精确算法固然能得到最优解,但是随着网络规模与业务数量的进一步增加,问题对应的复杂度会不断提升,导致求解时间代价变得非常昂贵。比如,对于一种含有14个节点、46条链路的大型网络结构而言,采用ILP模型是无法在有效时间内输出可行结果的。因此,启发式算法的提出对于在有限时间内获取问题的可行解具有极为重要的意义。

从RSA问题结构的角度出发,关于启发式算法的设计,通常做法是将其分为两个独立的子算法进行研究,包括路由选择子算法与频谱分配子算法,称为两步法:首先为每个业务在光网络中进行选路,常用的策略包括固定路由(fixed routing, FR)、固定备选路由(fixed alternate routing, FAR)以及自适应路由(adaptive routing, AR)等;接着依据所选路径的状态为其分配连续可用的FS,常用的策略包括首次适配(first fit, FF)、尾部适配(last fit, LF)、随机适配(random fit, RF)以及精确适配(exact fit, EF)等。此外,还有综合考虑两类子算法特性的方式,通过采用贪婪策略或基于学习的规则同时进行路由选择与频谱资源查找,称为一步法。本节只涉及两步法和一步法中用于静态RSA算法设计的部分内容,下节会重点介绍其在动态RSA算法中的应用。

根据以上多种基础性策略,一些更为复杂有效的启发式算法被提出。文献[39]从提升能量效率和降低业务阻塞率的角度考虑,设计了一种基于能量感知的改进RSA算法。文献[40]以各FS对齐程度为考虑,提出了一种首尾精确适配(first-last-exact fit, FLEF)策略,目的就是为了增加连续可用的且对齐的FS数量,从而提升频谱使用效率。文献[41]中介绍了一种基于频谱优先的分层算法,该算法采用一步式贪婪策略,以业务的FS需求为基础,通过查找可用链路并构建层级子图的方式实现了路由与频谱资源的联合分配。文献[42]利用节点度数设计了具有分光能力的节点选择策略,并提出了一种预计算最短路径树的RSA算法并验证了其有效性。此外,存在部分研究以静态RSA问题特性为依据,尝试借鉴传统的优化调度理论进行计算。比如,文献[43-44]将静态RSA问题映射为多处理器调度模型,并通过设计表调度算法(list scheduling algorithm, LSA)进行求解;文献[45]建立了静态RSA问题的图染色模型,并分别针对链状网络和环状网络提出了有效的频谱分配算法。具体总结如图5所示。

图5 静态启发式策略

3.1.3 智能优化算法

除了上述基于直观或经验构造出的启发式算法外,还有一类是根据人体智能、生物群体社会性或自然现象规律总结出的方法,称之为智能优化算法,也称元启发式算法。与启发式算法在可接受时间内给出待解决优化问题的一个可行解不同,智能优化算法在任务规模变得更大、约束条件变得更加苛刻时能够具有良好的问题探索能力和收敛效率,尤其是在解决NP难问题时,智能优化算法可以有效应对“组合爆炸”现象, 获取到问题的满意解。

智能优化算法目前已广泛应用于交通、医疗、工业制造等多个领域。其中,采用经典之一的GA求解静态RSA问题已得到深入研究。为了建立完备的路由空间,文献[46]提出了一种基于优先权编码寻路的GA,并结合最大化频谱重合度原则来降低业务阻塞率。在考虑单播与任播业务资源联合分配的需求下,文献[47]将局部搜索引入GA中以改善RSA问题的求解效率。在GA的基础框架之下,文献[48]根据组播业务特性设计了合理的选择与交叉算子,有效提升了解的质量。为了降低种群维护的高计算成本,文献[49]提出了一种动态子种群数量控制策略来设计相应的RSA算法。文献[50]根据GA的思想,分别提出了改进资源分配算法来处理纯单播业务以及混合资源分配算法来处理单播与组播混合业务。文献[51]结合深度神经网络与GA,设计了一种基于软故障感知的RSA算法。当考虑同时优化如FS占用总数、服务质量等多个目标时,文献[52-54]提出了多目标GA来求解RSA问题。

此外,其他一些成熟的智能优化算法框架也被引入到静态RSA算法的设计中,包括禁忌搜索(tabu search, TS)、粒子群优化(particle swarm optimization, PSO)、差分进化(differential evolution, DE)、SA、蜂群优化(bee colony optimization, BCO)等。

以上总结了近年来主要的静态RSA算法,而未来大多面临的是随机到来的业务请求,网络环境会变得愈发复杂,因此动态RSA算法的研究更加符合EONs的发展趋势,同时也更具挑战性。

3.2 动态RSA算法

在动态RSA算法中,输入为随机到达的业务请求(包括源节点、目的节点、带宽需求、到达时间和持续时间等属性),输出的是根据当前网络状态为每项业务请求在线选择的光路径以及指定的连续频谱资源,优化目标一般为最小化业务阻塞率。

3.2.1 启发式算法

动态RSA问题通常涉及到业务的时间属性,即随着时间推移,光路连接会不断被建立与释放,由此导致网内频谱资源的状态总是处于变化之中,极大增加了网络资源的优化难度。经过工程实践验证,启发式算法目前是解决动态优化问题的一类有效技术。区别于第3.1.2节中的内容,本节将着重介绍启发式算法在动态RSA问题中的应用。

在动态场景下,业务的随机到来和离去使得光路连接处于不断的拆建过程之中,路由状态复杂多变;同时,频谱资源也随之被反复占用与释放,进而产生了大量难以满足一致性和连续性约束且无法为后续业务提供服务的小频谱块,称之为频谱碎片。迄今为止,绝大多数动态RSA算法的研究都是以路由状态和频谱碎片作为最基础的启发式信息。图6所示为动态启发式RSA算法的基本框架。

图6 动态启发式算法框架

(1) 频谱碎片感知

频谱碎片感知是指当业务到达时，通过某些策略预判出频谱块最适合的分配位置，所谓最适合，即尽可能使分配后剩余的空闲FS保持连续且齐整，以承载更多后续业务，达到最小化碎片产生数量的目的。

文献[62]以指定时间窗内到达业务的带宽需求为基础定义了业务的优先级指标，同时依据当前光网络中所有空闲FSB的大小找出中位数所在，接着通过判断此中位数与各业务带宽需求的关系并结合业务优先级，进而确定出最终的频谱分配方案。文献[63]采用了一种可变分组机制，该机制首先依据带宽需求将业务分为不同种类，接着对应不同业务类型将链路总频段划分为多个组，每个组仅需明确其起始FS位置，并规定相邻两组之间的空闲FS可根据实际需要合并至任意一组中；此外还定义了组规模的概念与计算公式，以此为动态业务选取最优路径与频谱块。文献[64]首先采用了条最短路算法离线计算业务路由，接着定义了块成本函数的概念来评估可用的候选频谱块，该函数的取值基于链路中相邻FS的状态而定。文献[65]引入了频谱候选窗的概念来为新到达业务筛选可用的FSB，同时基于精确适配策略定义了空闲频谱连续度的指标，并以此为依据选出最适合此业务的频谱资源。文献[66]定义了邻接度和邻接度降低的概念分别来衡量空闲FSB的邻接程度以及使用过后的邻接变化程度，并据此提出了最小化路径邻接度降低和链路邻接度降低算法。

(2) 频谱碎片重构

频谱碎片重构也称碎片整理，即通过网络中断的方式，利用一定手段对已有光路径进行重新建立，或对已分配频谱进行位置搬移，进而达到最大化碎片集中整合的目的。

文献[67]以定义频谱连续度的预设阈值为启动机制，采用频谱搬移的思想提出了基于滑动窗口机制下的重路由算法；同时，根据网络的实时拓扑状态，利用介数分析法评估节点的重要度并确定出关键链路，由此提出了基于关键链路的重路由算法。文献[68]在综合考虑局部频谱资源状态和业务连接需求的情况下，巧妙设计了路径整理前后的频谱可用度、阻塞业务需求度等计算公式，并由此提出了基于策略的频谱整理比较触发机制以及基于所选路径的阻塞触发频谱碎片整理算法。为了找寻频谱分配结果的最优性与频谱重配置所导致的网络中断次数之间的平衡关系，文献[69]通过建立一种新颖的混合整数线性规划模型来为新到达业务选取合适的路径，并基于首次适配策略提出了一种动态启发式算法来确定业务所占的FS位置。

(3) 路由状态感知

所谓路由状态感知，即通过对候选链路或光路径的状态信息(如能耗、距离、负载、碎片化程度等)进行评估，并基于评估结果为新到达业务选取一条合适的光路径，以达到最小化路由状态受影响的目的。

针对传输速率实时变化的业务,文献[70]提出了两种频谱扩展/缩减方案用于网络性能分析,以确定出各方案实施后的网络阻塞概率,并基于条最短路策略设计了路径最小负载的启发式规则。文献[71]以网络能耗为考虑,提出了持续时间感知的能效路由算法求取代价最小的光路径,随后根据业务与所选光路在时间域上的关系, 分配时间差较小且频谱连贯度最高的频谱块作为承载资源。文献[72]提出了一种固定/备用选路机制,该机制能够实时构建节点对间的最短和次最短路径信息,并通过定义频谱碎片规模的权值量化公式选取合适的路径,接着基于精确适配与最小可用原则设计了频谱动态匹配策略。考虑在每条链路具有多根光纤的前提下,文献[73]首先离线计算出每个节点对之间可行的候选路径及其概率分布,接着提出了一种基于后续状态感知和路径选择概率的频谱分配算法。文献[74]提出了一种距离自适应路径策略,该策略同步考虑了各条备选路径的跳数及其可达的最高调制等级,并以此为基础确定出终选路径。文献[75]通过设置光路径对应跳数的增量阈值,提出了一种基于约束的低索引块策略,该策略主要考虑在跳数较少的路径上分配起始索引较低的频谱块,而当某一路径的跳数大于另一条但可用频谱块的最低起始索引又小于另一条时,如果其跳数之差不大于预设阈值,则优先选取低索引FSB及所在路径。文献[76]以高调制等级作为路径的首选标准,其次定义了外部碎片指标,考虑当多条路径调制等级相同时将选取该指标最小的一条,同时还考虑当多条路径的上述指标也均相同时,则基于最小跳数作出路由决策,最后又结合首次适配与尾部适配策略提出了一种首尾混合适配频谱分配方案。考虑到光信号质量易受物理层损耗的影响,文献[77]引入了跨层优化的思想,首先通过对链路中光信噪比与色散这两项参数值的估计来评估其状态,接着基于评估结果提出了链路状态感知路由算法来搜索满足传输质量要求的可行路径,同时设计了碎片减少算法来分配频谱资源。在光纤链路可以改变调制格式的前提下,文献[78]优先选择节点数最少的路径或在节点数相同时选择距离之和最小的路径,并将此路径划分成一定数目的子路径,然后采用距离自适应调制技术为每条子路径分配频谱资源。

(4) 其他策略

不同于上述3种常用的动态启发式思想,还有部分其他新颖的策略被提出。

例如,考虑不同网络应用在时延敏感度和带宽感知度的差异性,文献[79]构建了3类典型的业务请求模型,通过在时间维度上采用离散化处理的方式进行网络操作,并依据各类业务特性设计了多种启发式策略,由此生成了对应的带宽资源动态调度算法。文献[80]以分层图模型为基础,对其进行修改并建立了一种新的过滤图来表示网络实时状态,接着通过采用首次适配与最短路的思想设计出两种动态启发式算法,此外还推导出一个具有较高精度的分析模型以估计所需的分层图数量。文献[81]通过建立一种线性规划模型来离线解决路由子问题,此模型可确保所有链路的阻塞水平维持在一个阈值域内,且该步计算耗时为可接受的秒级范围,并基于获取的路由信息采用首次适配策略在线分配频谱。为了应对业务分配路径不均匀的现象,文献[82]设计了一种基于节点重要度的路由选择方法,该方法以牺牲业务路径距离为代价,将大量集中于关键节点上的业务安排至其他节点,并利用精确适配策略与首次适配策略相结合的方式完成频谱分配。文献[83]考虑在传统WDM光网络向EONs转型的过渡期间,主要是以固定栅格与灵活栅格并存的混合形式出现,由此设计了一种基于混合网格感知的动态资源规划算法。

3.2.2 学习型算法

当前,启发式算法仍是求解各类动态性优化问题的常规方法,具有较强的适用性,但由于其受限在仅能维持某一种或某几种特定的求解策略,这对于未来具有高动态特性的EONs而言,将无法全面感知愈发复杂多变的环境状态,从而极大影响到资源的使用效率和业务请求的完成效率。

近年来随着人工智能技术的崛起,以数据和知识为驱动的计算智能、机器学习、深度学习、强化学习等一系列学习型算法迎来了发展高潮,并且已成功应用于光网络领域中的多个方面,如流量预估、故障检测、业务分类、调制格式识别、网络运营与规划等,相关综述性总结可查阅文献[84-85]。

然而迄今为止,有关学习型算法求解光网络中动态资源分配问题的研究开展相对较少。经过分析,本文将其归为两类,一类称为间接学习型,另一类称为直接学习型。

(1) 间接学习型

所谓间接学习,即首先利用学习型算法充分挖掘光网络中承载的历史业务数据,进而对未来业务进行预测,并在此基础上选取光路径以及分配频谱资源。例如,文献[86]中引入了反向传播神经网络预测未来业务的到达时间和持续时间,提出了基于预测的最小综合权重算法以及基于蜂群引导原则的混合蚁群算法;文献[87]探索了深度学习算法在数据中心光网络中的应用,设计了一种基于深度神经网络的业务预测策略,并提出了基于深度学习的RSA资源分配算法。

(2) 直接学习型

所谓直接学习,即通过实时分析光网络环境特性,采用学习型算法对网络状态开展在线学习,进而完成由动态业务输入到分配资源输出的直接映射,一种典型的学习框架如图7所示。早在2008年,文献[88]就将光突发交换网络的路由与波长分配问题描述为强化学习领域中经典的多臂老虎机问题(multi-armed bandits problem, MABP),即考虑把路径选择与波长分配视为老虎机中对其支臂的选取决策,并通过设计一种改进的Q-learning算法进行求解,以最大程度地减小突发损失概率。随着深度强化学习技术的火热发展,到了2019年,文献[89]采用了一种高效的异步学习框架——异步优势动作评价(asynchronous advantage actor-critic, A3C)算法来求解动态路由、调制与频谱分配问题,其依据问题特性设计了状态空间、动作空间、奖励机制以及深度神经网络模型,同时将资源预配置过程划分成多个回合,并提出了一种基于滑动窗口的灵活训练策略以减小累计奖励的震荡,从而提升算法运行的收敛性。

图7 一种典型的直接学习型算法框架

以上即为近年来EONs中主要的RSA算法,具体总结如表1所示。

表1 路由与频谱分配算法总结

4 结 论

本文首先从静态和动态角度入手对EONs中RSA算法进行综述,接着依据不同类型的优化算法框架将其分别归纳为精确算法、智能优化算法、启发式算法以及学习型算法,同时通过分析每一类算法的求解特性与优缺点,对其又做了进一步细致的分类与概括。

总的来讲,随着未来多样化业务请求数量的急剧攀升,网络环境必定会变得越发复杂,而作为下一代最具前景的光网络,EONs展现出了较多优势,这些优势很大程度上则依赖于网络资源的高效灵活分配。对此,本文将RSA算法的未来发展趋势总结为以下几点。

(1) 由静态向动态转变

随着数据业务量的指数级增长,光网络的承载压力势必会大大增加,此时考虑业务的动态时间属性就显得尤为重要,特别是针对大量突发性业务请求的产生与结束,这将直接导致资源配置难度的急剧攀升。为了更好适应未来发展,有关动态性RSA算法的研究还需深入开展下去,包括对不同类型动态问题结构(如多播、任播业务等)、算法解决思路(如资源预留、动态重构等)以及动态算法性能(如鲁棒性、自适应性等)等的进一步探索。当然,静态性方面的研究仍不可忽视,比如数学模型构建的合适与否体现的是对一个或一类问题本质特性的掌握程度,这有助于实现算法设计由静态向动态的高效转变。

(2) 由单目标向多目标转变

在现实生活中,多目标优化问题是普遍存在的,而且处于非常重要的地位。作为EONs中的一项关键技术,RSA算法在应用时也存在着多个目标,例如阻塞率最低、频谱利用率最高、任务完成率最大、链路负载均衡等,这些目标之间还可能具有一定的冲突性,并且对于不同的用户偏好与工程背景,优化目标的侧重程度也会有较大差异。同时,当前较为成熟的一些多目标优化手段在求解带有复杂约束的大规模问题时仍存在着计算复杂度高、优化结果质量较差等弊端,而EONs在未来必然会愈发复杂化,面对的业务规模也会成倍数扩大。因此,研究高效的多目标RSA算法能够更加深入了解问题内涵,理清不同目标间的相关性,从而为工程决策提供综合性的优化方案。

(3) 由基于策略规则向基于数据知识转变

针对EONs中RSA问题的求解,现有研究大多是从策略角度入手,通过构造多种启发式规则设计相应算法,尤其对于动态性问题更是如此。虽然这类方法应用广泛且取得了不错的效果,但为了更进一步提升算法优化性能,获得更快的资源配置速率,实现更高的动态响应能力,就要充分利用数据并通过学习从中获取知识,例如使用可以感知复杂EONs状态的深度神经网络来学习RSA参数化策略,由此设计出高动态网络资源的协同调度机理与方法。因此,尝试引入深度学习、深度强化学习等新兴人工智能技术框架来求解RSA问题,有助于生成基于任务需求数据与网络行为知识的资源调度能力,以便支持高资源利用率网络建设,完成网络自配置与自优化,从而为实现真正智能的光网络提供理论与算法支撑,这将成为未来的主要研究趋势。