空分弹性光网络中基于蚁群算法的自适应负载均衡资源分配算法研究

来源 :北京邮电大学 | 被引量 : 0次 | 上传用户:zjp_22
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
弹性光网络具有精细的频谱分配粒度,而且可以根据业务的带宽需求自适应地实现频谱资源分配,因此被视为应对骨干网流量不断增长的有效解决方案。另一方面,由于单光纤的传输容量已接近现有单模光纤的非线性shannon极限,光纤的信道容量增长缓慢。多芯光纤或多模光纤等支持的空分复用技术作为一种新型传输技术被引入弹性光网络的研究,用以应对云服务等宽带应用的爆发式增长。空分复用弹性光网络将网络的资源分配问题扩展至空间维度,资源分配算法复杂度的上升和频谱碎片生成的加剧为网络资源分配问题的研究提出新的挑战。其中,基于多芯光纤的空分复用弹性光网络的资源分配问题所受到的关注最为广泛,即路由、频谱及纤芯分配(routing,spectrum and core assignment,RSCA)问题。此外,空分复用弹性光网络所承载网络中流量的提升也对网络的传输性能提出了更高的要求。因此,本文的研究内容是针对空分复用弹性光网络中负载均衡自适应、碎片抑制及低串扰的资源分配算法的优化设计与性能分析。论文的主要研究工作如下:(1)针对空分复用弹性光网络资源分配中路由分配时的负载不均衡问题,基于蚁群算法的设计思路提出了一种动静态结合的负载均衡自适应路由分配(load-balanced adaptive routing allocation,LARA)算法。该算法包括基于蚁群算法的自适应负载均衡策略和监测链路实时负载状态的动静态结合路由分配策略,在路由规划的过程中,综合考虑链路的物理传输成本和网络中各链路的实时资源占用情况等因素,优化了由传统路由分配算法导致的负载分布不均的情况。经仿真测试,LARA算法与最短路和最短跳数等经典路由分配算法相比,在网络阻塞率参数上实现了较大幅度的优化,具有良好的负载均衡性能。LARA算法以实时链路频谱资源利用率为核心评估标准,通过链路平均负载和链路负载方差验证算法负载均衡的效果,以低复杂度的调整方式保障路由分配层面的负载均衡自适应,进而实现对网络传输阻塞率的优化。仿真结果表明,LARA算法的负载均衡效果较好,与传统路由分配算法相比,LARA算法实现了网络阻塞率12.5%-41.6%的降低。通过对网络状态的实时监测设置不同的负载均衡阈值,进一步降低了算法的时间复杂度,提高了算法性能,仿真结果表明阈值为0.9时LARA算法有较好的负载均衡效果。(2)针对空分复用弹性光网络中频谱分配时的碎片生成问题,基于碎片抑制的设计思路提出了低串扰的碎片抑制Ca-FSA(Crosstalk-aware Fragmentation Suppression Algorithm)算法。由于频谱邻接性和频谱连续性的限制,在不同频谱隙上分配资源会产生不同位置、不同大小的频谱碎片。碎片抑制算法可以从源头减少频谱碎片的产生,并避免碎片整理算法的请求中断问题。Ca-FSA算法基于碎片抑制的设计思路,综合考量不同频谱分配方案产生的频谱碎片大小和频谱碎片的持续时间,定义链路频谱碎片指数(Link Fragmentation Index LFI)描述不同情况下链路的碎片化程度。在请求随机到来和随机离去的情况下,较低LFI链路中的频谱碎片有更大的概率被后续到达的请求再次利用或更早被释放。Ca-FSA算法通过LFI评估链路碎片化程度,选择碎片化程度较小的频谱分配方案实现频谱资源利用率的提高和网络阻塞率的降低。在经典拓扑结构下与仿真表明Ca-FSA算法可以有效预测链路上的频谱碎片并实现碎片抑制,与FF、LF等经典频谱算法相比实现了网络传输阻塞率10%~40%的降低和链路碎片5%~25%的抑制。(3)结合MCF-EONs中的空间特点,对保障网络生存性的单故障保护策略和降低串扰技术进行了针对性的优化研究,提出了串扰感知的单故障保护算法。基于MCF的弹性光网络可以进一步扩充网络容量,但是多芯光纤的芯间串扰会对信号传输的质量产生影响。本论文结合多芯光纤的物理结构提出了串扰感知的单故障保护策略,首先结合多芯光纤的空间结构划分工作纤芯和备份纤芯,基于不重叠的K-SP(K-Shortest Path)思路选择较低串扰的备份路径完成路由层面的备份,通过等效路径的方式实现100%单故障保护。接下来定义频谱隙重复度描述并预测重复频谱隙数量,提出频谱层单故障保护算法。仿真结果表明,较之于无串扰感知的RSCA算法,串扰感知的单故障算法可实现最高17%的串扰优化。
其他文献
深度学习是当前医疗多变量时序数据分析的主流方法.临床辅助决策关乎病人生命健康,因此深度模型需要抽取患者个性化表示,保证较高的分析、预测准确率;同时还需提供足够的可解释性,即能解释模型给出分析、预测结论的依据.而现有工作暂未能匹配医疗领域多变量时间序列数据的特性来进行个性化表示学习,同时源于深度学习的黑盒性质,现有模型大都可解释性不足,难以满足临床应用的需求.在此背景下,提出了基于医疗特征上下文学习的患者健康状态可解释评估方法Dr.Deep,将各变量的时序特征分别编码,利用多头去协同的自注意力机制,学习不同
近年来互联网技术的快速发展,伴随而来的安全漏洞问题也日益严重,对于安全漏洞管理已然成为国家企业应对安全问题的关注重点。就目前某安全领域的企业来说,企业内部对于安全漏洞管理仍存在一些弊端有待解决:第一,企业员工获取安全漏洞信息需要通过网络查询多个漏洞公开平台,且各个公开网站收录的漏洞信息有来自厂商机构等存在同一数据多网站收录的问题。第二,对于安全领域的企业来说员工发现漏洞信息没有一个一体系化的漏洞申
3D物体检测是计算机视觉的一个重要研究方向,在自动驾驶等领域有着广泛的应用.现有的前沿工作采用端到端的深度学习方法,虽然达到了很好的检测效果但存在着算法复杂度高、计算量大、实时性不够等问题.经过分析发现3D物体检测中的“部分任务”并不适合使用深度学习的方法进行解决,为此提出了一种基于异构方法的3D物体检测方法,该方法在检测过程中同时使用深度学习和传统算法,将检测过程划分为多任务阶段:1)利用深度学习方法从被检测图片中获取被检测物体的mask、物体类别等信息;2)基于mask,利用快速聚类方法从雷达点云空间
语义分割是计算机视觉中的一个重要课题,被广泛应用于自动驾驶和医学图像分析等不同领域。它为图像中的每个像素点都标记一个语义标签,实现像素级的分类。本文提出了两种改进的语义分割网络,分别应用于二维场景图像和三维脑部MRI图像,即场景解析与MRI分割。论文的主要内容如下:(1)语义分割网络中多阶段的卷积和池化会减小图像尺寸,从而损失位置信息。此外,当图像中的类别数量较多时,语义分割的准确性会降低。针对以
随着系统规模与集成度的快速增加,可靠性与可用性问题成为构建E级计算机系统所面临的重大挑战.针对神威太湖之光超级计算机可靠性与可用性设计与实现开展全面的分析.首先概要描述神威太湖之光超级计算机系统结构.其次,系统提出神威太湖之光超级计算机可靠性增强技术以及故障预测、主动迁移、任务局部降级等主被动容错技术,建立神威太湖之光超级计算机多层次主被动协同的容错系统.再次,根据系统故障统计信息,分析失效分布及主要失效来源,结合指数、对数正态与韦布尔3种典型寿命周期分布,对神威太湖之光系统故障间隔时间分布进行数据拟合分
在如今的数据中心中,各种分布式任务往往会对各种不同的资源进行竞争,特别是网络资源.如果没有有效的网络调度,那么这种竞争就会降低整个数据中心的运行效率.以往的网络资源调度研究由于忽视了任务里计算与网络需求之间的具体关系,对于任务性能的提升十分有限.因此,旨在探索如何通过网络调度来缩短数据中任务的完成时间(job completion time,JCT),从而提升数据中心的整体效率.通过对基于有向无环图(directed acyclic graph,DAG)的分布式任务的深度分析,发现可以在降低它们的网络占用
量子算法的发展和应用对密码算法的设计和分析产生了深远的影响,其中Grover量子算法和Simon量子算法在密码安全性评估中应用较多,但作为生日碰撞攻击量子化的BHT(Brassard,Hφyer,Tapp)量子算法,还没有得到具体应用,研究BHT量子算法对密码算法的分析具有重要意义.通过对多轮EM(Even,Mansour)结构进行分析,研究了经典条件和量子条件下的碰撞搜索算法与差分密钥恢复攻击的结合,对多轮EM结构进行了差分碰撞密钥恢复攻击,并从BHT量子算法的角度进行量子化.结果 表明,经典条件下,当
图像去雨算法通过对有雨图像进行分析和处理从而去除雨水条纹,恢复干净的背景场景,有助于提升计算机视觉任务识别精度,因此成为当下的研究热点.为系统地了解该领域的研究现状和发展趋势,首先介绍了典型的雨水合成模型,其次从基于模型驱动和基于数据驱动两个方面重点分析了典型图像去雨算法模型和方法;之后比较了去雨图像质量评价指标及雨水数据集;最后,对单幅图像去雨算法未来发展趋势进行了展望.
实体对齐任务目标是在知识图谱间发现更多的等价实体对.目前一些实体对齐方法聚焦实体结构和属性信息,却没有很好地处理两者交互学习的问题.为此,提出一种基于双重注意力和关系语义建模的实体对齐方法,采用双重注意力在属性分类嵌入的基础上学习实体属性和结构的交互特征,采用关系语义建模对实体结构嵌入进行局部语义优化,最后对实体多方面语义特征下的相似度矩阵进行融合.在三个真实数据集上的对齐准确率分别可达到81.00%、83.90%和92.73%,与基准模型相比平均提升了2.62%,实验结果表明提出的方法可以有效地识别出对
如何实现数据的安全共享,促进多源数据的碰撞、融合是当前学术界和产业界共同面临的重要技术挑战之一,近年来,联邦学习作为应对这一挑战的新技术受到了广泛的关注,已在智慧医疗、智慧城市建设等领域得到应用,但是在充满潜力的轨迹数据挖掘领域却鲜有研究.为了解决这个问题,提出一种安全的、分布式的基于联邦学习的谱聚类算法框架FSC(federated spectral clustering),并应用于船舶AIS(automatic identification system)轨迹数据谱聚类.该算法通过加密样本对齐技术和同