基于層次回聲狀態(tài)網絡的電力EPON業(yè)務流感知

,

(湖北大學 計算機與信息工程學院，武漢 430062)

0 引言

隨著能源互聯(lián)網與智能電網的穩(wěn)步發(fā)展，電力通信本地接入業(yè)務流量日益龐大，電力以太無源光網絡(Ethernet Passive Optical Network, EPON)以其高帶寬、大容量的優(yōu)勢，成為電力通信接入網的主流技術之一。隨著該技術的演進，業(yè)界已實現(xiàn)容量甚至達到10G的EPON[1]。

光接入網技術既要保障電力通信業(yè)務帶寬和實時可靠性，還要具備對智能電網新業(yè)務多樣化的支持匹配能力。隨著光接入網業(yè)務的日益復雜，為了獲得較好的QoS( Quality of Service) 保障，對業(yè)務識別和分類是實施相關網絡行為，進一步提高業(yè)務端到端QoS 的前提和基礎。在分析業(yè)務性能時往往需要獲悉單個業(yè)務的流量、性能以及網絡承載的并發(fā)流的統(tǒng)計特征，用于指導流量工程策略制定與實施的業(yè)務流感知方法因此應運而生。業(yè)務流感知是一種更高層的流量監(jiān)測方法，把數(shù)據(jù)包按照不同的業(yè)務流定義進行分類識別，并進行相應的資源優(yōu)化調度，提高光接入網對多業(yè)務的支持能力。因此，電力EPON的智能感知能力尤為重要。業(yè)務感知通常被定義為識別感知通信網絡中業(yè)務流所屬的業(yè)務類型、業(yè)務的QoS要求、業(yè)務優(yōu)先級以及其帶寬和實時性[2-3]。

目前通信網絡的業(yè)務感知技術大多采用檢測數(shù)據(jù)幀所包含的協(xié)議標示字、端口號以及IP地址等方法。但是隨著智能電網新業(yè)務的多樣化和復雜性與日俱增，傳統(tǒng)方法越來越難以適應業(yè)務的發(fā)展趨勢。因此，利用業(yè)務流的傳輸特征進行業(yè)務感知成為了新的研究方向[3-9]。文獻[4-5]的研究表明網絡業(yè)務流的統(tǒng)計特性和應用協(xié)議之間存在著一定的對應關系，但這些機制在對于業(yè)務類型感知的準確性方面存在不足。文獻[5]提出了業(yè)務流的特征集提取方法以實現(xiàn)對業(yè)務流的感知識別。文獻[6]進一步對業(yè)務流中IP 包長度、數(shù)據(jù)包到達間隔和次序等特征進行提取，再通過神經網絡算法實現(xiàn)業(yè)務流感知識別，但該方法的復雜度較高，運算量較大。

在光接入網的業(yè)務流感知技術中，基于業(yè)務流特征的模式識別算法起到了日益重要的作用，而且模式識別算法的性能直接影響業(yè)務感知的準確度和效率。因此，高準確率且復雜度適中的業(yè)務感知方法尤為重要。為此，本文提出一種基于層次回聲狀態(tài)網絡(Echo State Network, ESN)的電力EPON業(yè)務流感知機制，采用離散回聲狀態(tài)網絡算法對電力通信業(yè)務流進行識別感知，以實現(xiàn)EPON對業(yè)務的高效匹配能力。在此基礎上通過OLT與ONU的交互，優(yōu)化電力EPON的資源調度與分配能力。在發(fā)揮電力EPON技術的容量帶寬優(yōu)勢的同時，提高其對多樣化業(yè)務QoS的區(qū)分支持能力。

1 面向電力業(yè)務的EPON系統(tǒng)

配用電網絡覆蓋面廣，運行環(huán)境復雜，除了滿足各類業(yè)務通道要求之外，還必須符合以下原則：

1)安全性：電力二次系統(tǒng)的安全防護必須達到“安全分區(qū)、網絡專用、橫向隔離、縱向認證”的要求。其中，縱聯(lián)保護、配網自動化、變電站監(jiān)測、用電負荷控制業(yè)務屬于生產控制大區(qū)范疇，必須由電力通信專網承載，以滿足《電力二次系統(tǒng)安全防護規(guī)定》以及《電力二次系統(tǒng)安全防護總體方案》的要求。

2)可靠性：智能配用電網的通信系統(tǒng)必須部署具有自愈功能的備份通道，通信設備要求具有工業(yè)級的可靠性，其他基礎設施建設必須考慮可靠性保障的原則和要求。

3)經濟性：配電網終端設備往往規(guī)模龐大，海量的業(yè)務接入要求智能配用電通信網應全面考慮各類業(yè)務特性，通信節(jié)點部署必須兼顧可靠保障和全面覆蓋、設計合理經濟的實施方案。

配用電通信網絡通常分為骨干層和接入層，配電主站和配電子站之間的通信網絡為骨干層，配電主站、子站至配電終端的通信網絡為接入層。骨干層可合理利用主網資源，依托EPON等光通信技術。目前，EPON 主要應用于用電信息采集和配網自動化等電力業(yè)務的承載，電力EPON系統(tǒng)架構如圖1所示。

以太無源光網絡(EPON)技術以其高可靠性、高帶寬、高傳輸效率以及長期成本低的特點，在智能配用電通信系統(tǒng)中具有極大的優(yōu)勢和良好的適用性。EPON系統(tǒng)由局側的光線路終端(OLT)和用戶側的光網絡單元(ONU)組成，OLT到ONU下行方向采用廣播傳播的方式，OLT發(fā)送的數(shù)據(jù)通過ODN到達各個ONU。ONU到0LT上行方向采用TDMA多址接入方式，ONU發(fā)送的數(shù)據(jù)會依次匯聚到OLT設備上，再由OLT通過三層交換機接入光纖專網上聯(lián)到主站平臺。

在用電領域，EPON技術與傳統(tǒng)的無線通信和電力線載波通信技術相比，在可靠性和實時性等方面有著明顯優(yōu)勢；未來隨著用電信息采集業(yè)務向更精細化管理方向的發(fā)展，要求其通信系統(tǒng)具備對精細化業(yè)務的支持能力。EPON 作為最重要的通信方式之一，已被納入國家電網公司的用電信息采集的新增標準規(guī)范中。

在配電領域，EPON 作為配電自動化主要的通信方式之一。EPON 網絡拓撲與10kV配電線路的物理拓撲具有極高相似度；EPON系統(tǒng)通?？刹捎脴湫?、星型等各種拓撲結構，支持電力手拉手保護方案。由于EPON 技術的穩(wěn)定性和實時性遠遠高于無線通信，在配電自動化中采用EPON技術，可有效解決工業(yè)以太網多點故障問題。因此，在國家電網公司制定的《配網通信總體設計》標準規(guī)范中，EPON也被列為主要通信技術之首。

2 層次回聲狀態(tài)網絡分類算法

2.1 回聲狀態(tài)網絡原理

回聲狀態(tài)網絡(ESN)算法是一種可用于模式識別的新型神經網絡算法。ESN采用由隨機稀疏連接的神經元組成的儲備池作為隱層，用以對輸入進行高維、非線性的表示。儲備池的生成過程獨立于回聲狀態(tài)網絡的訓練過程，因此，只需采用線性方法訓練儲備池至輸出層的權值，使網絡的訓練過程得以簡化，并保證權值確定的全局最優(yōu)性以及良好的泛化能力，避免了傳統(tǒng)神經網絡中存在的訓練算法復雜、易陷入局部最小等問題。上述優(yōu)點使得回聲狀態(tài)網絡在業(yè)務量感知中具有極大的應用潛力。回聲狀態(tài)網絡的典型結構如圖2所示, 由輸入層、核心層和輸出層組成[10-14]。

圖2 回聲狀態(tài)網絡結構圖

假設回聲狀態(tài)網絡由K個輸入單元、N個儲備池處理單元和L個輸出單元構成?；芈暊顟B(tài)網絡的基本方程為公式(1)和公式(2)：

x(n+1)=f(Winu(n+1)+Wx(n)+Wbacky(n))

(1)

y(n+1)=fout(Woutu(n+1)+Wx(n+1)+Wbacky(n))

(2)

其中:u(n)為ESN的輸入變量，x(n)為狀態(tài)變量，y(n)為輸出變量；另外，f和fout可視為ESN模型中處理單元和輸出單元的激勵函數(shù)。輸入變量通過Win與ESN的處理單元連接，W為ESN內部處理單元之間的權值，Wback表示輸出層與核心層的連接權值，Wout為核心層與輸出層的連接權值。此外，Win、W和Wback通常被設置為常數(shù)，通過一定的訓練可獲得Wout。

在ESN的訓練中，樣本數(shù)據(jù)通過隨機生成的權值矩陣Win和Wback激勵核心層的處理單元，可以采用線性回歸對每一輪訓練后的ESN內部參數(shù)進行修正，可以將均方誤差降低到最小化。

2.2 回聲狀態(tài)網絡分類算法

回聲狀態(tài)網絡分類方法的基本原理如公式(3)所示，其中n僅表示不同的樣本, 而非時間。 在分類訓練的過程中，必須始終保持輸入樣本不變， 直至儲備池狀態(tài)變量的值趨于穩(wěn)定，使得前后兩次迭代結果之間的差異最小[15]。

(3)

該算法的優(yōu)點在于只通過儲備池處理單元激活函數(shù)對狀態(tài)變量處理之前使其趨于穩(wěn)定, 并且仍然保持回聲狀態(tài)網絡訓練過程簡捷的特點，在降低整體復雜度的同時保證運算結果具有全局最優(yōu)的性能表現(xiàn)。

3 基于層次回聲狀態(tài)網絡算法的業(yè)務感知

3.1 基于層次ESN的業(yè)務分類感知原理

為了進一步提高電力EPON的業(yè)務感知能力，本文提出了基于層次回聲狀態(tài)網絡算法的業(yè)務感知?；趯哟蜤SN算法的業(yè)務感知，其本質上為業(yè)務特征到業(yè)務類型的映射，其實質是根據(jù)條件屬性(業(yè)務特征) 確定決策屬性(業(yè)務類型) 的分類過程。

針對EPON系統(tǒng)的主從式架構，本文提出一種分層ESN模型。分層ESN模型分為規(guī)則層、主控層和代理層(如圖3所示)。

圖3 分層ESN模型結構圖

主控層由ESN主控模塊和訓練樣模塊構成。主控模塊從訓練模塊輸入大量的樣本集進行統(tǒng)一的ESN訓練，直到形成完備的ESN分類器；所采用的ESN訓練方法與現(xiàn)有的ESN訓練方法相同。形成ESN分類器之后，主控模塊將ESN分類器的參數(shù)信息分發(fā)給代理層的所有ESN代理模塊，以保證各代理模塊在進行業(yè)務流分類感知時的一致性。代理層由眾多的ESN代理模塊構成。各代理模塊都從主控層獲得相同的ESN分類器，并使用相同的分類器進行業(yè)務流分類感知。

基于層次回聲狀態(tài)網絡算法的業(yè)務感知過程分為三部分：業(yè)務特征參數(shù)提取、ESN訓練和ESN判決。ONU對收到的雙向業(yè)務流Pi提取其主要特征參數(shù)，主要包括幀長度、業(yè)務流持續(xù)時間和業(yè)務包流時間間隔，形成業(yè)務流的特征集u={u1,u2,…,uk,…}。將業(yè)務流的特征集u輸入訓練后的回聲狀態(tài)網絡模型，通過計算Wout獲得該業(yè)務所屬的分類類型。本文將業(yè)務分為對丟包率敏感業(yè)務和對時延敏感業(yè)務進行業(yè)務感知，每種業(yè)務又按優(yōu)先級分為高/低兩個等級。

3.2 業(yè)務流特征參數(shù)的提取與預處理

在基于分層ESN模型的業(yè)務流感知中，業(yè)務流特征是進行分類感知的輸入信息。因此，首先需要對業(yè)務流特征進行提取，業(yè)務流特征主要包括：數(shù)據(jù)包長PSIZE(i)、數(shù)據(jù)包到達間隔PINTERVAL(i)、業(yè)務持續(xù)時間PDUR(i)和ONU節(jié)點的負載程度PLOAD(i)。 其中，為了充分考慮ONU節(jié)點的業(yè)務負載程度對業(yè)務流影響，特別引入了負載程度PLOAD(i)作為特征參數(shù)之一。

主控層和代理層都需要對業(yè)務流的特征參數(shù)進行預處理。主控層在進行ESN訓練之前，需要將樣本集里的特征參數(shù)進行歸一化預處理；而代理層同樣需要對到達的業(yè)務流提取特征參數(shù)進行歸一化預處理。預處理方法見公式(4)。

(4)

其中:PSIZE_MAX為統(tǒng)計的最大包長，PINTERVAL_MAX為最大的到達間隔，PDUR_MAX為最大的業(yè)務持續(xù)時間，PLOAD_MAX為ONU節(jié)點最大的負載率。

主控層將訓練樣本集提供的業(yè)務流的特征集根據(jù)公式(4)進行訓練前的預處理。代理層中，各個貝葉斯代理模塊也根據(jù)公式(4)對提取到的業(yè)務流特征數(shù)據(jù)進行ESN分類運算之前的預處理，便于ESN分類器計算出該業(yè)務流所屬的優(yōu)先級類型。

3.3 業(yè)務感知機制的實現(xiàn)

在業(yè)務感知機制的實現(xiàn)方式上，本文根據(jù)PON系統(tǒng)中OLT與ONU之間的主從式架構，提出了與主從式架構相適應的業(yè)務感知實現(xiàn)方案。電力EPON的業(yè)務感知機制的實現(xiàn)流程如圖4所示。

圖4 電力EPON的業(yè)務感知處理流程

主從式業(yè)務感知機制主要由位于OLT的Master-ESN模塊和各ONU的Sub-ESN模塊構成。Master-ESN模塊負責對ESN進行初始化配置以及復雜的ESN訓練，并將訓練完備的ESN分類器各參數(shù)信息下發(fā)給所有ONU。而每個ONU對獲得的OLT下發(fā)的ESN分類器參數(shù)進行配置，并各自獨立負責本地業(yè)務感知功能、ONU對業(yè)務流特征參數(shù)的提取、根據(jù)業(yè)務流的QoS需求為其分配相應的帶寬和隊列優(yōu)先級。

主控層中，ESN主控模塊可采用當前現(xiàn)有的ESN訓練方法以形成ESN分類器。將ESN訓練統(tǒng)一到OLT，以保證系統(tǒng)中所有ONU都采用相同的ESN分類器，從全局角度保持業(yè)務感知結果的一致性。此外，ONU節(jié)點統(tǒng)計業(yè)務流分類感知的記錄(包括特征值和分類識別結果)，并周期性地將此記錄反饋給主控層，不斷補充新的訓練樣本集。而OLT中的Bayes主控模塊會周期性地根據(jù)樣本集重新進行ESN訓練，以形成新的ESN分類器。

代理層功能由運行在ONU設備中的“ESN代理模塊”實現(xiàn), 其業(yè)務流感知可以分為三個過程：業(yè)務流特征提取、ESN分類運算和優(yōu)先級隊列調度。根據(jù)OLT廣播的ESN分類器信息參數(shù)，代理模塊內部通過配置FPGA以硬件方式實現(xiàn)并固化ESN分類器。在ESN分類器保持一致的條件下，各個ONU內的“ESN代理模塊”分別獨立工作進行業(yè)務流感知?！癊SN代理模塊”提取每一個業(yè)務流的特征參數(shù)并進行歸一化處理以避免過擬合現(xiàn)象，從而獲得描述該業(yè)務流的特征集U(i)，輸入ESN分類器進行運算得到分類識別結果，即業(yè)務流的優(yōu)先級；然后ONU中的調度模塊根據(jù)分類識別結果進行業(yè)務優(yōu)化調度。

3.4 復雜度分析

復雜度是基于層次ESN的多業(yè)務感知算法的關鍵性能指標之一。只有高準確率且復雜度適中的核心算法模型，才能使業(yè)務感知技術具備可實現(xiàn)性。采用ESN算法模型為核心，要獲得業(yè)務流識別計算的結果，只需進行一次加法和一次減法及兩次乘法運算，故其運算復雜度可視為O(1)。

復雜度通常與輸入?yún)?shù)集的成員數(shù)量成正比。假設輸入?yún)?shù)集的成員有m類，則ESN的運算復雜度為O(m)×O(1)，因此本文所提出的算法模型具有較低的復雜度，同時保證了對業(yè)務流進行感知的準確性。

4 仿真結果與分析

為了驗證所提出的機制，本文在基于NS2的仿真軟件平臺上構建一個電力EPON的仿真系統(tǒng)，仿真系統(tǒng)由一個OLT掛載32個ONU構成。以智能配用電通信的本地接入作為典型業(yè)務場景，主要包括用電信息采集、配電自動化、配電終端監(jiān)測等業(yè)務。通過仿真對具有業(yè)務感知機制的EPON和不具有業(yè)務感知的EPON進行比較。仿真中將業(yè)務類型分為兩類：丟包率敏感業(yè)務和時延敏感業(yè)務，每類業(yè)務內部優(yōu)先度又分為兩個等級：即高優(yōu)先級業(yè)務和低優(yōu)先級業(yè)務。

圖5為業(yè)務感知準確率與訓練次數(shù)關系圖?？梢婋S著訓練次數(shù)的增加，業(yè)務感知的準確率也隨之提高，經過充分訓練的回聲狀態(tài)網絡算法能夠保證業(yè)務分類分級的準確度。

圖5 業(yè)務感知準確率與訓練次數(shù)關系

在電力EPON系統(tǒng)中分別采用本文機制(業(yè)務感知)與傳統(tǒng)的非業(yè)務感知機制進行仿真，圖6和圖7為比較的結果。結合圖6和圖7的仿真結果，隨著網絡業(yè)務負載的增加，EPON的丟包率和實時性都呈現(xiàn)劣化的趨勢。在高負載情況下，采用本文機制的EPON在高優(yōu)先級業(yè)務的丟包率、傳輸時延這兩大重要指標上均優(yōu)于傳統(tǒng)的EPON系統(tǒng)。另一方面，由于低優(yōu)先級類業(yè)務對傳輸時延和丟包率要求較低，本文機制在某種程度上以降低此類業(yè)務性能的代價，換取整體的業(yè)務服務質量，尤其保證高優(yōu)先級業(yè)務的QoS需求。

圖6 丟包率比較

圖7 時延比較

綜上所述，本文所提出的業(yè)務感知方法在較低的運算復雜度的情況下，能夠保證電力EPON系統(tǒng)中不同類型及不同優(yōu)先級的業(yè)務能夠獲得與之相匹配的業(yè)務質量，并且保證了對業(yè)務的總體服務質量。因此，與不具備業(yè)務感知的電力EPON相比，本文所提出的機制能夠有效增強電力EPON對多業(yè)務區(qū)分支持的能力，尤其保證高實時性和高可靠性業(yè)務的服務質量，全面優(yōu)化電力EPON面向智能電網多業(yè)務的資源分配效果。

5 結語

隨著智能電網新業(yè)務的多樣化和復雜性與日俱增，傳統(tǒng)方法越來越難以適應業(yè)務的發(fā)展趨勢，迫切需要高準確率、復雜度適中且易于實現(xiàn)的業(yè)務感知方法。本文為了提高電力EPON對智能電網多業(yè)務的主動支持能力，結合人工智能的典型算法回聲狀態(tài)網絡模型，提出了一種基于層次回聲狀態(tài)網絡算法的電力EPON業(yè)務感知方法。根據(jù)PON系統(tǒng)中OLT與ONU之

間的主從式架構，提出了與主從式架構相適應的業(yè)務感知實現(xiàn)方案。仿真結果表明本文所提出的業(yè)務感知技術在保證EPON帶寬和實時性的同時，可以有效提升EPON對智能配用電多業(yè)務本地接入的主動承載和支持能力，最終實現(xiàn)電力EPON與智能電網多業(yè)務通信需求之間的高效匹配。

[1] Kramer G. 10G-EPON: Drivers, challenges, and solutions[A]. In: Proceedings of European Conference on Optical Communication[C]. Vienna, Austria, 2009,1-3.

[2] Tanaka K, Agata A, Horiuchi Y. et al. IEEE 802.3av 10G-EPON Standardization and Its Research and Development Status[J]. Journal of Lightwave Technology, 2010, 28(4):651-661.

[3] 劉 靜. 基于EPON的三網融合通信服務系統(tǒng)的設計[J]. 計算機測量與控制, 2011, 19(11):2868-2870.

[4] Hajduczenia M, Silva H J A D, Monteiro P P. 10G EPON Development Process[A]. In: Proceedings of International Conference on Transparent Optical Networks[C]. Rome, Italy, 2007,276-282.

[5] Elbers J P. Optical access solutions beyond 10G-EPON/電力PON[A]. In: Proceedings of 2010 Conference on National Fiber Optic Engineers Conference[C]. San Diego, United States of America 2010,1-3.

[6] Roy R, Kramer G, Hajduczenia M. Performance of 10G-EPON[J]. IEEE Communications Magazine, 2011, 49(11): 78-85.

[7] Crotti M, Gringoli F, Pelosato P, et al. A statistical approach to IP-level classification of network traffic[A]. In: Proceedings of IEEE International Conference on Communications[C]. Istanbul, Turkey, 2006,170-176.

[8] Moore A W, Zuev D. Internet traffic classification using bayesian analysis techniques[J]. Acm Sigmetrics Performance Evaluation Review, 2005, 33(1):50-60.

[9] BAI Huifeng, LI Mingwei, WANG Dongshan. Bayesian Classifier Based Service-aware Mechanism in 10G-EPON for Smart Power Grid[J]. Acta Photonica Sinica, 2013, 42(6): 668-673.

[10] Jaeger H, Lukosevicius M, Popovici D, et al. Optimization and applications of echo state networks with leaky-integrator neurons[J]. Neural Networks the Official Journal of the International Neural Network Society, 2007, 20(3):335-352.

[11] Jaeger H. Echo state network[J]. Scholarpedia, 2007, 2(9):1479-1482.

[12] Jaeger H, Maass W, Principe J. Special issue on echo state networks and liquid state machines[J]. Neural Networks, 2007,20(3): 287-289.

[13] Rodan A, Tino P. Minimum complexity echo state network[J]. Neural Networks IEEE Transactions on, 2011, 22(1):131-144.

[14] Jaeger H. Reservoir riddles: suggestions for echo state network research[A]. In: Proceedings of the IEEE International Joint Conference on Neural Networks[C]. Montreal, Canada: IEEE, 2005,1460-1462.

[15] Alexandre L A, Embrechts M J, Linton J. Benchmarking reservoir computing on time independent classification tasks[A]. In: Proceedings of International Joint Conference on Neural Networks[C]. Atlanta, Georgia, United States of America, 2009:89-93.