随着互联网、物联网,以及5G产业的不断发展壮大,一些新兴的多播业务,例如:科学计算、高清视频、在线游戏、视频会议、数据备份等,逐渐进入人们的视野并发展壮大起来。多播业务的典型特征是点到多点传输,多播业务要求相同的数据从一个源节点传输到多个目的用户。多播业务可以在IP层和光层完成传输,随着光网络技术的发展,光网络有效支撑着日益增长的数据传输与通信需求。为了降低网络成本,在光层,相较于建立多条光路用于传输多播业务,利用光树进行多播业务的承载,能够有效减少收发机的使用数量和频谱资源的消耗。另外,根据一定的策略进行多播流聚合,能够减少光树构件数量,进一步降低网络成本,提高资源效率,是一种行之有效的多播业务传输方式。然而由于多播业务的路由和频谱分配属于NP-Complete问题,在大规模网络和高业务量的情况难以找到最优解。同时,由于多播光树的可用性和信噪比受限于其所采用的调制格式、传输总距离、分光次数、用户数目、最长分支的传输距离等一系列因素的影响,使其难以有一个准确的模型能够统一这些变量,使得多播光树的可用性和信噪比预测较为困难。因此,如何在光网络中高效地构建光树对多播业务承载是当前要解决的一个重要难题。本论文以多播光树构建为核心,针对多播业务路由与频谱分配优化、光树可用性难以估计,以及信噪比测量复杂等问题展开研究,提出基于多播流聚合的路由与频谱分配方法,并应用深度学习技术强大的感知和学习能力,进行光树信噪比与可用性预测,还将这一功能实现引入到光网络体系架构里,为多播业务的路由与资源分配提供依据,以提高光树构建的成功率以及光网络的资源利用率。具体研究工作如下:(1)为了降低光树构建成本,改善网络资源利用率,本论文针对弹性光网络中的光树的路由与频谱分配问题,在综合考虑多播业务数据源与用户覆盖率的基础上,提出了调制格式感知的多播流聚合方案,利用调制格式与传输距离、目的用户数量之间的制约关系,设计了基于最高调制格式的多播流聚合与基于最低调制格式的多播流聚合两种策略,并分别开发了相应的启发式算法。仿真结果表明,该方案在频谱消耗和阻塞率可接受的情况下,可减少光树构建和收发机使用的数目。(2)由于光树的传输质量(Quality of Transmission,QoT)会受到各种物理损伤的影响,传统的建模方法比较复杂且耗时。光网络是一个动态网络,网络状态随着时间而变化。光树的QoT很难准确地求出。为了提高光树构建的成功率,本论文提出了一种基于深度学习的光树信噪比预测方法和一种基于深度学习的光树可用性预测方法,在搭建的试验平台上对所提出的基于深度学习的光树信噪比预测和光树可用预测性方法进行了性能分析。数值结果表明,基于深度学习的光树信噪比预测方法的准确率约为95%。基于深度学习的可用性预测方法的准确率达到98%以上。这两种方法为光树构建提供了一种快速的决策方法。(3)随着互联网、物联网、5G等技术的发展,通信业务量大幅增长,各业务服务质量要求也越来越高,这对光网络的性能要求提出了更高的要求。本论文将深度学习等机器学习技术与软件定义光网络相结合,开发了一种基于深度学习的光网络体系结构,把基于深度学习的光树信噪比与可用性预测功能集成到光网络中,并具体研究了各模块的功能实现。