弹性光网络的轻量化业务流识别机制

吉晓龙 静国刚

公安部第三研究所 上海 200031

引言

随着能源互联网的发展，信息业务与通信技术的融合日益紧密，对于光网络的数据传输能力提出了新的挑战[1-2]。这意味着弹性光网络（Elastic Optical Network，EON）必须满足能源互联业务对高带宽、高可靠性以及高实时性的数据传输要求。弹性光网络所面临的业务日益复杂，为了获得较好的业务质量（QoS），对业务识别并优化业务区分传输的支持能力是提高业务端到端QoS的先决条件。因此，弹性光网络对复杂业务的智能感知识别主要包括识别业务流类型、QoS要求以及网络资源的调度优化等功能[3-5]。基于弹性光网络的业务流量监测技术，业务流识别能够根据不同的业务流对差异化的数据包进行分类识别，并对网络资源调度分配的进行优化，以提高弹性光网络对多样化业务的区分支持能力。

目前业务流分类识别方法也随着技术发展不断演进，从早期的端口识别法、深度包流检测到基于机器学习的方法。端口识别法往往由于端口号的变化导致识别准确度不高[6]。为了解决端口方法的局限性，通过应用层和载荷等的深度包流检测为业务流识别提供了新方法[7-10]。深度包流检测法通过检测数据包的内容进行分类识别，根据已知业务流的特征模式进行分类处理。深度包流检测法具有识别精度高、业务颗粒度小等优点，但是业务协议日趋多样化导致实时分类计算复杂度高，甚至某些采用加密的业务数据包，识别处理的时延更长[11]。这导致深度包流检测法在网络业务量监测中的扩展应用受到了极大的限制[12-14]。因此很多研究人员尝试借助业务流的特征识别业务，通过提取业务流中IP包长度、数据包到达间隔和次序等特征，再采用贝叶斯网络（Bayesian Network）或回声状态网络（Echo-State-Network, ESN）等神经网络模型算法进行业务流的识别计算，但机器学习算法在一定程度上存在运算量较大的问题，难以通过硬件实现快速的分类识别。

随着基于业务流特征的机器学习分类算法逐渐成为业务识别的主要方法之一，机器学习算法的性能在很大程度上决定了业务流识别的效果。因此，如何实现低复杂度的机器学习算法成为亟待解决的问题。为此，本文对传统的回声状态网络模型进行了适度简化，提出一种轻量化回声状态网络算法，对储备池中神经元节点的拓扑结构进行了简化，以降低实现的复杂度。针对弹性光网络的多业务传输需求，提出了弹性光网络的轻量化业务流识别算法，并设计了相应的实现方案。仿真结果表明本文所提出的算法能较好地适用于弹性光网络系统，有效增强了弹性光网络对多业务灵活传输的QoS保障。

1 轻量化回声状态网络模型

回声状态网络（ESN）算法是由神经网络发展而来的一种新型储备池计算模型。通常情况下，回声状态网络模型采用由随机稀疏连接的神经元组成的储备池作为隐含层作为核心。储备池的生成与回声状态网络模型的学习过程相互独立，因此，储备池至输出层的权值只需通过线性算法获取，极大简化了网络的深度学习过程，既保证了算法模型的全局最优和泛化能力，又解决了传统回声状态网络的全局复杂性和局部过拟合等难题。

回声状态网络通常包括：K个输入神经元、N个储备池神经元、L个输出神经元。根据公式（1）所示，信号由输入层传送至隐含层的神经元：

则隐含层神经元的输出函数y（n）为公式（2）：

由于回声状态网络应用领域日益广泛，为了满足各种应用对实时性的要求，而硬件化是实现实时高速计算的途径。回声状态网络模型中，大量神经元节点组成了储备池。现有的储备池计算大多是基于软件完成的，严重制约了回声状态网络算法的处理速度。

神经元节点之间拓扑的复杂性对硬件实现技术提出了极大的挑战。为了解决原有的回声状态网络算法复杂程度较高，实用难度大等问题，本文提出了一种轻量化回声状态网络模型。如图1所示。

图1 轻量化回声状态网络模型

LW-ESN模型主要思想是降低回声状态网络中储备池的复杂度，将储备池结构简化为N个神经单元节点所构成的环形拓扑。轻量回声状态网络模型在原有回声状态网络模型进行简化的同时，为了保持储备池运算准确度，本文引入了具有丰富的动态特征的动力学方程来生成储备池内的节点，如公式（3）所示：

其中，P为节点平均生成速率，ɑ为激励系数，ɗ为节点消亡率，θ为节点间距。对方程（3）作积分处理，可得到LWESN中神经元节点x(i)的生成公式（4）：

轻量化回声状态网络的分类识别方法原理如公式（5）所示。基于LW-ESN的分类学习的过程中输入样本不变，直至储备池中神经元节点的值趋于稳定，最终达到前后迭代计算的差异值最小化：

轻量化回声状态网络只通过储备池处理单元激活函数对状态变量处理之前使其趋于稳定，并且仍然保持回声状态网络训练过程简捷的特点，在降低整体复杂度的同时，也保证了算法模型的识别精度。

2 弹性光网络的轻量级业务流识别

基于上述的轻量化回声状态网络模型，本文提出了弹性光网络多维分类识别算法，为弹性光网络进行业务优化调度提供决策依据。

2.1 弹性光网络业务流识别系统架构

基于前文所提出的轻量化回声状态网络模型，本文根据弹性光网络系统的集中控制架构，提出了适用于的LW-ESN业务流识别机制，如图2所示。

图2 弹性光网络系统架构

本文提出的业务流识别机制主要由“业务识别主模块”和多个“业务识别代理”构成。业务感知主模块运行在弹性光网络的控制器中，主要负责LW-ESN模型的初始化和训练，以形成训练完备的LW-ESN业务识别器。业务识别代理模块运行在弹性光网络的网络边缘节点中，用于提取每一个业务流的特征参数并进行归一化处理。业务识别代理模块将业务流特征参数上报给控制器中的业务识别主模块，输入LW-ESN模型进行运算得到分类识别结果，然后弹性光网络的控制器根据业务流分类识别结果进行任务的优化调度。

2.2 业务流特征参数提取

业务流特征参数的提取是业务流识别的重要前提，而如何选取业务流特征参数直接决定了业务流识别的性能。业务流识别的特征参数提取主要基于两种方法：包特征参数和流特征参数。目前，基于包的业务流量特征参数主要有：包大小、相邻数据包时间间隔、速率等，因此本文选取最大包、最小包、平均包大小、平均到达时间以及间隔时间均值等参数。基于流的统计特征主要有：流的大小、流的持续时间、标志位个数等参数。为满足业务流量感知的要求，原则上优先考虑易于统计和计算复杂度较低的特征参数。

2.3 业务流识别的S-ESN学习过程

根据集中式的LW-ESN业务流识别架构，LW-ESN的初始化与学习功能集中在控制器中实现，从网络全局进行业务流识别。在业务流识别学习之前，LW-ESN需要先完成初始化，设定储备池的神经元个数N，内部连接矩阵Win，连接权重矩阵W等参数。之后利用学习样本库对LW-ESN进行训练，直到LWESN学习效果趋于稳定。位于控制器端的LW-ESN业务识别主模块学习过程如下所述：

步骤1：设定LW-ESN的初始化参数，包括储备池的神经元个数N，内部连接矩阵Win，连接权重矩阵W的初始值；

步骤2：根据公式（3）计算各神经单元的值，并在储备池中形成神经单元的环形拓扑；

步骤3：根据公式（4）计算内部连接权重矩阵W；

步骤4：从学习样本库向LW-ESN输入数据样本，通过伪逆回归算法不断更新Wout，根据公式（5）判断是否趋于稳定，则LW-ESN业务识别模块完成学习过程。

2.4 业务流识别的实现流程

本文提出的业务流识别机制通过“业务识别模块”和“业务识别代理”的交互实现，其交互流程如下：

步骤1：光交换机节点收到新的业务流，查询其业务流表，如果有相应的流表项纪录，则根据流表直接转发，否则转到步骤2；

步骤2：位于光交换机节点的业务识别代理模块提取业务流特征参数，形成新业务流的特征参数集。

步骤3：光交换机节点将新业务流特征参数集上报给弹性光网络的控制器；

步骤4：位于控制器点的业务识别模块提取新业务流特征参数，运用本文提出的轻量级业务流识别算法，得出新业务流所对应的OoS类型和优先级；

步骤5：控制器根据业务流识别结果，进行路由计算，并分配相应的网络资源；

步骤6：控制器将新业务流的路由及资源配置指令以流表方式，下达给相关的光交换机节点；

步骤7：相关光交换机根据控制器的指令，进行波长资源分配，并回复确认消息给控制器，完成业务流识别与业务连接的建立。

3 仿真结果与分析

本文以支撑能源互联网多业务接入的弹性光网络作为典型应用场景以验证所提出的业务流识别方法，主要从系统丢包率、时延等方面性能与相关算法进行对比验证。仿真环境采用NS2网络仿真软件构建弹性光网络验证平台，主要针对丢包率敏感型和时延敏感型两种业务。业务按照优先级不同划分为3个等级：即Class_1（高优先级业务）、Class_2（中优先级业务）和Class_3（低优先级业务）。在网络仿真系统中分别采用本文算法（LW-ESN）与传统算法（ESN）进行仿真比较，图3到图4为比较的结果。

仿真验证主要对业务流识别与非业务流识别这两种机制进行对比。通过分析图3和图4的仿真结果，两种机制的丢包率和时延性能随着业务负载的增长均有所劣化。对于相同的业务负载，本文机制的丢包率和时延性能总体上优于传统机制，尤其Class_1（高优先级业务）和Class_2（中优先级业务）。由于Class_3级的业务的时延或者对丢包率的要求较低，本文机制有所取舍地优先保证中高等级的业务，而低等级业务的性能则略为降低。

此外，采用本文机制的弹性光网络中，高优先级业务的丢包率和时延性能均优于传统的弹性光网络系统。本文机制虽然以降低Class_3业务性能为代价，获得业务服务质量的总体提升，尤其满足高优先级业务的需求。因此，本文机制整体而言更具合理性。

本文所提出的业务流识别方法能够有效降低计算处理的复杂度，并且提高了弹性光网络系统中多类型业务与网络之间的适配性，从而在整体上提高了光接入网对业务的服务质量。因此本文所提出的机制能够有效增强弹性光网络系统区分支持多业务的能力，尤其提升了高实时性和高可靠性业务的服务质量，使得面向互联网多业务的弹性光网络能够达到更为合理的资源分配和效果。

4 结束语

为更好地提高弹性光网络系统对互联网多样化新业务的区分支持能力，本文提出了一种轻量化回声状态网络算法，通过对回声状态网络模型进行了轻量化的裁剪，极大简化了储备池中神经元结构和储备池计算复杂度。针对弹性光网络的多业务识别感知需求，提出了基于轻量化回声状态网络的业务流感知优化机制，并设计了相应的实现方案。仿真以互联网多业务混合接入作为应用场景，对基于轻量化回声状态网络的业务流识别优化算法进行验证。仿真结果与分析验证了本文所提出的算法的有效性，并且表明业务流识别机制能较好地适用于多业务的弹性光网络，有效提高其对多业务传输的QoS保障。