弹性光网络的出现为业务提供了灵活的资源分配方式,极大的提高了单链路上承载的业务量,这给运营商带来了巨大利益,但同时也带来了潜在的风险。风险在于:由于单链路承载的业务量增多,当因外部因素(如自然灾害)或内部因素(如链路自身使用年限或环境因素导致衰减系数增大)引发链路状态异常(链路故障或链路信道质量降级)时,网络容量将受到较大的影响。而异常链路状态下的资源分配方式决定了最终网络容量的大小,由此本课题得以开展。本课题中的链路状态包括两种异常链路状态:链路故障,链路信道质量降级(简称链路降级)。多链路故障导致网络中大量业务中断的同时,也会导致部分链路资源消失、网络资源紧缩且碎片化严重等问题,进而不利于中断业务的恢复。针对此问题,现有研究基于负载均衡的思想优化资源配置方式,负载分布的均衡化有助于提高未来业务被恢复的概率,从而有助于提高业务整体的恢复率。但仅仅进行负载均衡并不能有效改善网络中的碎片度,因此恢复能力有一定的限制。基于此,本文结合当前故障网络下的资源使用情况,通过对业务恢复次序进行优化来高效配置网络剩余资源实现恢复率的进一步提高。当多链路降级发生时,通信质量下降,频谱消耗率增大,网络容量减少。针对此问题,现有研究基于相应的评价模型判断光纤是否需要更替,或基于相应技术调整调制格式来避免降级引发业务中断的问题。但即使业务经过调制格式的调整被正常接收,因调制格式改变而引发的频谱消耗的增加也会影响网络容量。基于此,本文从资源分配的角度研究链路降级对网络容量的影响。总的来说,本文从异常链路状态的角度出发,分析了弹性光网络链路状态感知的资源优化问题,完成了不同链路状态下网络模型的建立及仿真、资源分配算法的设计及仿真,为大规模链路故障以及大规模链路降级的网络下如何进行网络优化和规划提供了一定的理论借鉴。本文的研究工作和创新点如下:一、针对弹性光网络中多链路故障发生时网络资源紧缺、大规模业务中断恢复困难的问题,本文在进行网络扩容和不进行网络扩容两个场景下进行研究,提出三种基于遗传的算法(传统的遗传、基于最小资源优先恢复的遗传、混合遗传禁忌),通过感知网络资源使用情况进行业务恢复次序的优化,以实现剩余网络资源的高效配置,从而提高业务恢复率,降低网络扩容成本。仿真结果表明,相较于传统的最大资源优先恢复算法、最小资源优先恢复算法、随机恢复算法,本文提出的三种基于遗传的业务次序感知恢复算法在恢复率、扩容成本方面均得到显著的改善。三种基于遗传的算法在时间效率和恢复性能方面的排序为:时间效率排序(达到优解时的迭代次数从小到大排序)为基于最小资源优先恢复的遗传>混合遗传禁忌>传统的遗传;恢复性能排序(即恢复率从大到小,扩容成本从小到大)为混合遗传禁忌>基于最小资源优先恢复的遗传>传统的遗传,运营商可以根据具体情况在时间成本和恢复性能上进行选择。同时,仿真结果显示,传统的最小资源优先恢复算法和最大资源优先恢复算法不能很好的兼顾进行网络扩容和不进行网络扩容两个场景(在某一场景下性能劣化严重),而本文提出的基于遗传的算法能够很好的兼顾此不同的目标场景,因此具有更强的泛化能力。二、针对弹性光网络中大规模链路降级而造成网络资源紧缺的问题,本文首先根据业务经过不同降级程度的链路累积噪声值不同这一现象,建立链路降级下的网络模型,接着设计了基于Q-learning的资源分配算法。该算法通过学习和感知网络中不同链路降级状态的影响给业务规划路由、分配资源。仿真结果表明,相较于传统的算法,本文提出的资源分配算法在网络发生大规模链路降级的情况下阻塞率得到显著改善。结果还显示,当网络中降级链路数量少、降级程度小时,降级对通信容量影响较小;反之,当降级链路数目较多、降级程度较大时,其对网络容量的影响不可忽略。这给运营商进行网络规划提供了一定的理论借鉴。