随着移动互联网、物联网、云计算等新兴业务的高速发展,基础传送网的规模与日俱增,网络资源数据也呈几何级数增长。网络业务的增值和扩展,驱动着基础承载网络的通信能力、运营能力的发展以及网络设计方式的转型,设计任务的软件化和工具化已经成为必然趋势。以WDM/OTN技术为基础的省际干线传送网的规划设计工作也在大数据的时代背景下逐渐向软件化转型。但是,由于很多干线传送网的设计场景,尤其是路由规划和波长分配工作,往往依赖于设计人员经验,其决策过程很难被抽象为逻辑程序,所以在此类软件的设计研发过程中,难免会遇到设计决策难以软件化的瓶颈,开发人员与设计人员之间好像存在着一条“信息鸿沟”。针对这种问题,本课题提出以机器学习为工具,从历史设计决策中提炼影响因素参数模型,从而实现路由选择的智能化。论文的主要工作有:(1)根据电信运营商OTN资源数据和历史路由数据特征,进行数据预处理,生成资源影响及拓扑影响两类样本数据,基于机器学习分类算法构建决策因素参数模型。在参数模型构建过程中,基于现网历史数据,通过仿真平台类比几种流行的机器分类算法,并选择表现最佳算法。(2)提出了基于决策因素参数模型的路由选择和波长分配算法。该算法基于K最短路径算法原理,利用拓扑影响参数选出一组备选路由集,再利用资源和拓扑影响参数从备选路由集中选出最优路由。经过历史路由回归测试,该算法所得路由与历史真实决策路由的路径重合率达到81%,资源命中率达到84%,达到了投入实际生产的要求。(3)设计并开发了干线传送网规划设计系统下属的路由选择系统,实现将本文研究成果的软件化和产品化。该子系统运用了上述算法方案,包含链路参数模型训练模块、路由选择模块、用户交互模块等。