數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的智能光網(wǎng)絡(luò)架構(gòu)與關(guān)鍵技術(shù)

谷志群，張佳瑋，紀(jì)越峰，于浩，塔里克·塔勒布

（1. 北京郵電大學(xué)信息光子學(xué)與光通信國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100876; 2. 奧盧大學(xué)，芬蘭 奧盧 90570）

0 引言

通信網(wǎng)絡(luò)的規(guī)模部署不斷升級(jí)，寬帶網(wǎng)絡(luò)的流量需要日益劇增，尤其是4K/8K視頻、虛擬現(xiàn)實(shí)（vitual reality，VR）游戲、物聯(lián)網(wǎng)、無人駕駛等相關(guān)智能終端和新業(yè)務(wù)的涌現(xiàn)，在帶寬、時(shí)延、可靠性等方面給網(wǎng)絡(luò)傳輸性能提出了新的差異化需求[1]。作為承載業(yè)務(wù)的光傳送網(wǎng)絡(luò)，雖然其在傳輸容量、傳輸質(zhì)量等方面的性能已經(jīng)得到了廣泛的認(rèn)可，但為應(yīng)對(duì)未來新興業(yè)務(wù)的需求，仍面臨著傳輸資源不足等諸多挑戰(zhàn)。因此，如何實(shí)現(xiàn)資源的高效整合利用、提供差異化定制化的服務(wù)成為傳輸網(wǎng)絡(luò)發(fā)展亟待解決的難題。

針對(duì)上述問題，常規(guī)思路通常在于提升網(wǎng)絡(luò)的“硬實(shí)力”。一方面，通過多模式、多纖芯等方式，增大網(wǎng)絡(luò)的傳輸容量。另一方面，由傳統(tǒng)固定柵格轉(zhuǎn)變?yōu)榭伸`活調(diào)整柵格，由剛性管道轉(zhuǎn)變?yōu)槿嵝怨艿?，以此提升光網(wǎng)絡(luò)資源的利用率。但是，傳統(tǒng)形態(tài)下數(shù)學(xué)模型與香農(nóng)定理、摩爾定律等物理規(guī)律所建立起來的寬帶網(wǎng)絡(luò)，其傳輸容量和效率已趨于“極限”，導(dǎo)致業(yè)務(wù)需求與網(wǎng)絡(luò)資源適配性弱等難題。近年，軟件定義網(wǎng)絡(luò)、網(wǎng)絡(luò)功能虛擬化、云計(jì)算、大數(shù)據(jù)、人工智能等新技術(shù)的涌現(xiàn)，驅(qū)動(dòng)光網(wǎng)絡(luò)朝著自動(dòng)化、數(shù)字化、智能化變革，因此，需要在不斷提升網(wǎng)絡(luò)“硬實(shí)力”的同時(shí)，采用新技術(shù)提升網(wǎng)絡(luò)的“軟實(shí)力”，即通過物理模型和智能算法實(shí)現(xiàn)從軟件和硬件兩方面協(xié)同提升當(dāng)前網(wǎng)絡(luò)傳輸性能，逐漸成為突破傳統(tǒng)光網(wǎng)絡(luò)技術(shù)瓶頸的關(guān)鍵。目前，提升網(wǎng)絡(luò)“軟實(shí)力”主要有模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩種方式。

基于模型驅(qū)動(dòng)[2]的方法，通常建立在光網(wǎng)絡(luò)的物理機(jī)制和數(shù)學(xué)原理等經(jīng)驗(yàn)知識(shí)之上，通過建立嚴(yán)格的數(shù)學(xué)模型來簡(jiǎn)化復(fù)雜的網(wǎng)絡(luò)問題。從光網(wǎng)絡(luò)的發(fā)展歷程上看，網(wǎng)絡(luò)的模型具有比較完備的理論支撐，基于模型驅(qū)動(dòng)的方法具有較強(qiáng)的算法收斂性和可解釋性，網(wǎng)絡(luò)屬性和狀態(tài)是數(shù)據(jù)和環(huán)境參數(shù)信息的高度凝練，經(jīng)過長(zhǎng)期驗(yàn)證，其算法具有高效性。但是隨著網(wǎng)絡(luò)規(guī)模的不斷升級(jí)和新型業(yè)務(wù)應(yīng)用的持續(xù)深化，網(wǎng)絡(luò)的復(fù)雜性和數(shù)據(jù)量逐漸增加，只依靠模型分析的方法難以實(shí)現(xiàn)超大規(guī)模網(wǎng)絡(luò)的完備覆蓋和快速響應(yīng)[3]，尤其是針對(duì)動(dòng)態(tài)業(yè)務(wù)和網(wǎng)絡(luò)狀態(tài)難以進(jìn)行實(shí)時(shí)建模，致使難以建立精準(zhǔn)的網(wǎng)絡(luò)模型。

基于數(shù)據(jù)驅(qū)動(dòng)[4]的方法，通過從歷史數(shù)據(jù)中汲取知識(shí)，同時(shí)依靠其自我演進(jìn)的能力，可以做出適配當(dāng)前業(yè)務(wù)和網(wǎng)絡(luò)狀態(tài)的路由決策。例如人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等機(jī)器學(xué)習(xí)方法以數(shù)據(jù)驅(qū)動(dòng)為核心，不通過網(wǎng)絡(luò)建模，即可對(duì)網(wǎng)絡(luò)參數(shù)狀態(tài)進(jìn)行大范圍或全局的搜索，通過分析網(wǎng)絡(luò)數(shù)據(jù)之間的潛在關(guān)系進(jìn)行學(xué)習(xí)泛化，依據(jù)大量的開源模型和數(shù)據(jù)找出網(wǎng)絡(luò)的最佳形態(tài)，相對(duì)于傳統(tǒng)物理模型刻畫的網(wǎng)絡(luò)狀態(tài)，可以有效提升網(wǎng)絡(luò)性能。然而，這種數(shù)據(jù)驅(qū)動(dòng)的方式在理論分析上存在一定局限性，智能算法的“黑盒性”（“黑盒性”指智能算法模型的內(nèi)部工作機(jī)制，以及模型不同特征之間的相互作用關(guān)系難以理解，無法估計(jì)每個(gè)特征參數(shù)對(duì)算法模型性能的重要性）使得網(wǎng)絡(luò)最佳狀態(tài)的可解釋性較差，導(dǎo)致網(wǎng)絡(luò)的分析和運(yùn)營(yíng)管理難度加大；此外由于數(shù)據(jù)驅(qū)動(dòng)方法高度依賴大數(shù)據(jù)，在實(shí)際的網(wǎng)絡(luò)環(huán)境中，檢測(cè)儀器和檢測(cè)環(huán)境等現(xiàn)實(shí)因素的限制，使得網(wǎng)絡(luò)的真實(shí)數(shù)據(jù)難以獲得，嚴(yán)重限制數(shù)據(jù)驅(qū)動(dòng)模型的學(xué)習(xí)和分析效果。

綜上所述，結(jié)合其各自特點(diǎn)采用基于數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)[5]的方法，可以打破上述傳統(tǒng)模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的限制，即：通過以模型驅(qū)動(dòng)為主，以數(shù)據(jù)驅(qū)動(dòng)為輔，賦予傳統(tǒng)模型與網(wǎng)絡(luò)實(shí)時(shí)交互的能力。充分利用現(xiàn)有的硬件系統(tǒng)配置，挖掘傳輸網(wǎng)絡(luò)的內(nèi)在潛力，探索業(yè)務(wù)特征與網(wǎng)絡(luò)狀態(tài)的耦合規(guī)律，尋找光傳輸網(wǎng)絡(luò)的最佳工作狀態(tài)。

1 智能光網(wǎng)絡(luò)發(fā)展需求

隨著通信網(wǎng)絡(luò)技術(shù)的應(yīng)用發(fā)展，全國(guó)網(wǎng)絡(luò)流量將呈現(xiàn)持續(xù)爆炸式增長(zhǎng)的趨勢(shì)[1]。同時(shí)，超高清視頻傳輸、自動(dòng)駕駛和工業(yè)互聯(lián)等新興業(yè)務(wù)的大量增加，在網(wǎng)絡(luò)帶寬、時(shí)延和可靠性等方面對(duì)承載網(wǎng)絡(luò)提出了更高的差異化服務(wù)要求。傳統(tǒng)網(wǎng)絡(luò)模式形態(tài)難以滿足日益增加的業(yè)務(wù)流量及其差異化的服務(wù)要求，迫切需要借助大數(shù)據(jù)、人工智能等技術(shù)推動(dòng)光網(wǎng)絡(luò)朝著智能化變革[6]。光網(wǎng)絡(luò)朝著智能化的邁進(jìn)，對(duì)光網(wǎng)絡(luò)的物理層、網(wǎng)絡(luò)層和業(yè)務(wù)層3個(gè)層面分別提出了新的發(fā)展需求。

（1）物理層狀態(tài)感知需求

隨著通信技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)承載數(shù)據(jù)業(yè)務(wù)逐漸趨于多樣化，如遠(yuǎn)程手術(shù)、自動(dòng)駕駛等新型業(yè)務(wù)，需要光網(wǎng)絡(luò)提供超高可靠性服務(wù)。光網(wǎng)絡(luò)在信息傳輸過程中需要經(jīng)過多個(gè)物理器件（如光纖、放大器、光復(fù)用/解復(fù)用器等），這些物理器件的制造工藝、生命周期及其工作環(huán)境具有較強(qiáng)的不確定性，導(dǎo)致經(jīng)過這些物理器件的光路傳輸狀態(tài)存在不確定性；此外，由于不同種類數(shù)據(jù)業(yè)務(wù)的動(dòng)態(tài)變化，光網(wǎng)絡(luò)資源配置需要不斷進(jìn)行重置調(diào)整，以保證網(wǎng)絡(luò)的傳輸性能。然而，光路的頻繁拆除和重建會(huì)嚴(yán)重加劇其傳輸狀態(tài)的不確定性，嚴(yán)重影響網(wǎng)絡(luò)傳輸可靠性，因此需要對(duì)光路物理層傳輸狀態(tài)進(jìn)行準(zhǔn)確感知，從而實(shí)現(xiàn)網(wǎng)絡(luò)資源和傳輸配置的優(yōu)化選擇，以保證網(wǎng)絡(luò)傳輸可靠性。

（2）網(wǎng)絡(luò)層資源聯(lián)動(dòng)需求

傳輸網(wǎng)絡(luò)的多樣性和異構(gòu)性體現(xiàn)在多種傳輸資源的共存，數(shù)據(jù)信息的傳輸需要經(jīng)過無線設(shè)備、光傳送設(shè)備、信息處理等多種設(shè)備組成的端到端傳輸鏈路，使得光、無線等多種異構(gòu)網(wǎng)絡(luò)相互交織，增加了網(wǎng)絡(luò)的復(fù)雜性和異構(gòu)性，從而導(dǎo)致網(wǎng)絡(luò)資源配置與部署的難度加大。同時(shí)，業(yè)務(wù)流量的動(dòng)態(tài)變化（如時(shí)空潮汐效應(yīng)），使得不同地區(qū)不同時(shí)間的帶寬資源消耗存在較大差異，這一特性加劇了光網(wǎng)絡(luò)資源配置的復(fù)雜性。僅通過單一的網(wǎng)絡(luò)資源控制方式，依托網(wǎng)管控制和人工干預(yù)的控制方法，難以實(shí)現(xiàn)網(wǎng)絡(luò)資源的高效靈活分配，尤其是復(fù)雜環(huán)境下容易使得網(wǎng)絡(luò)陷入局部?jī)?yōu)化“陷阱”，嚴(yán)重影響網(wǎng)絡(luò)整體性能優(yōu)化。因此，需要建立更加智能的網(wǎng)絡(luò)資源分配模式，實(shí)現(xiàn)光與無線網(wǎng)絡(luò)資源的高效部署與跨域資源的聯(lián)動(dòng)。

（3）業(yè)務(wù)層切片定制需求

隨著超大連接、超高帶寬、超低時(shí)延應(yīng)用技術(shù)的發(fā)展，光網(wǎng)絡(luò)需要承載的業(yè)務(wù)需求種類日益增加。不同應(yīng)用場(chǎng)景下的業(yè)務(wù)對(duì)網(wǎng)絡(luò)性能的要求（如傳輸速率、時(shí)延、帶寬、安全可靠性、隔離性等）具有較大差異。為了高效地承載差異化業(yè)務(wù)需求，網(wǎng)絡(luò)切片（network slicing，NS）技術(shù)通過在邏輯上相互隔離各個(gè)網(wǎng)絡(luò)切片，使得每個(gè)網(wǎng)絡(luò)切片可擁有自己獨(dú)立的網(wǎng)絡(luò)資源和管控方式，提供不同類型業(yè)務(wù)服務(wù)。隨著通信網(wǎng)絡(luò)應(yīng)用規(guī)模不斷升級(jí)優(yōu)化，不同的應(yīng)用網(wǎng)絡(luò)服務(wù)模式、可用帶寬、傳輸速率、安全性及可靠性等差異逐漸增加，對(duì)網(wǎng)絡(luò)切片技術(shù)的要求增加，因此需要根據(jù)多樣化業(yè)務(wù)的嚴(yán)苛要求，通過將基礎(chǔ)設(shè)施網(wǎng)絡(luò)切分成面向不同業(yè)務(wù)類型，定制得到隔離度不同的多個(gè)網(wǎng)絡(luò)切片來實(shí)現(xiàn)網(wǎng)絡(luò)差異化服務(wù)。

2 數(shù)模協(xié)同驅(qū)動(dòng)的“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)及其“3可功能”特征

信息通信網(wǎng)絡(luò)作為萬物互聯(lián)的基礎(chǔ)設(shè)施，是支撐全行業(yè)、全社會(huì)運(yùn)行的主要保障。現(xiàn)有信息通信體系在速率、覆蓋和時(shí)延等方面難以支撐未來全行業(yè)多樣化應(yīng)用的需求，亟須在傳輸網(wǎng)理念、架構(gòu)設(shè)計(jì)和管理以及服務(wù)智能化等方面進(jìn)行根本性的技術(shù)變革。

人工智能技術(shù)的快速發(fā)展為信息網(wǎng)絡(luò)的智能化帶來了前所未有的契機(jī)，將人工智能引入光網(wǎng)絡(luò)，基于硬件設(shè)備可編程控制的前提，設(shè)計(jì)智能信息網(wǎng)絡(luò)架構(gòu)，研究光與無線資源高效融合和匹配映射算法，可以實(shí)現(xiàn)光/無線等傳輸設(shè)備的統(tǒng)一控制和光/無線融合網(wǎng)絡(luò)資源的跨域聯(lián)動(dòng)。基于數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)思想，本文提出數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)，如圖1所示?！?層”指的是物理層、控制層和智能決策層。其中，物理層包含用戶終端、無線傳輸網(wǎng)絡(luò)、光傳輸網(wǎng)絡(luò)和邊緣/核心計(jì)算網(wǎng)絡(luò)，囊括了信號(hào)的編/解碼與調(diào)制/解調(diào)過程?？刂茖影W(wǎng)絡(luò)監(jiān)控模塊、傳輸網(wǎng)絡(luò)控制器和計(jì)算資源控制器，其中傳輸網(wǎng)絡(luò)控制器包含無線網(wǎng)絡(luò)控制器和光傳輸網(wǎng)絡(luò)控制器；計(jì)算資源控制器包含邊緣計(jì)算資源控制器和云計(jì)算資源控制器。傳輸網(wǎng)絡(luò)控制器與計(jì)算資源控制器協(xié)同控制，相互合作。智能決策層包含AI模型庫(kù)、業(yè)務(wù)/網(wǎng)絡(luò)數(shù)據(jù)庫(kù)和智能算法/模型，AI模型庫(kù)包括經(jīng)典的機(jī)器學(xué)習(xí)模型（如循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）、長(zhǎng)短期記憶（long short-term memory，LSTM）和強(qiáng)化學(xué)習(xí)（reinforcement learning，RL）等），業(yè)務(wù)/網(wǎng)絡(luò)數(shù)據(jù)庫(kù)存儲(chǔ)業(yè)務(wù)速率信息和網(wǎng)絡(luò)資源信息，用于智能算法/模型中物理信道、網(wǎng)絡(luò)優(yōu)化等模型的訓(xùn)練與性能評(píng)估。

圖1 數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)

“3循環(huán)”充分體現(xiàn)智能體（如神經(jīng)網(wǎng)絡(luò)模型）在物理層、控制層和智能決策層3層結(jié)構(gòu)中自學(xué)習(xí)、自優(yōu)化的循環(huán)過程。第1個(gè)循環(huán)主要包括物理狀態(tài)的智能感知、上報(bào)與智能調(diào)控，為實(shí)現(xiàn)智能傳輸網(wǎng)絡(luò)的硬件提供基礎(chǔ)；第2個(gè)循環(huán)包括網(wǎng)絡(luò)層異構(gòu)資源的抽象與統(tǒng)一調(diào)配，為實(shí)現(xiàn)智能傳輸網(wǎng)絡(luò)提供軟件保障；第3個(gè)循環(huán)包括基于數(shù)模協(xié)同思想的數(shù)據(jù)分析與模型優(yōu)化相結(jié)合，是做出智能決策實(shí)現(xiàn)智能傳輸網(wǎng)絡(luò)的關(guān)鍵。

基于“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)，通過智能光網(wǎng)絡(luò)資源的統(tǒng)一調(diào)度和分配，實(shí)現(xiàn)網(wǎng)絡(luò)的“3可功能”特性：物理層狀態(tài)可感知、網(wǎng)絡(luò)層資源可聯(lián)動(dòng)和業(yè)務(wù)層切片可定制。物理層狀態(tài)可感知是指上層的控制層和網(wǎng)絡(luò)決策層可以感知底層物理層設(shè)備和資源的使用情況，用于做出相應(yīng)分析和決策；網(wǎng)絡(luò)層資源可聯(lián)動(dòng)是指通過對(duì)網(wǎng)絡(luò)中光域、無線域和電域等多維資源進(jìn)行聯(lián)合建模及協(xié)同調(diào)度，打破多種網(wǎng)絡(luò)資源因物理屬性不同而造成分域自治的限制；業(yè)務(wù)層切片可定制是指在同一物理設(shè)施上的基礎(chǔ)上，通過軟隔離/硬隔離的方式切分得到多個(gè)虛擬網(wǎng)絡(luò)，進(jìn)而實(shí)現(xiàn)對(duì)多種差異化業(yè)務(wù)的高效承載。

3 數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的光網(wǎng)絡(luò)智能化實(shí)現(xiàn)技術(shù)

本文在提出的“3層3循環(huán)”的智能光與無線融合網(wǎng)絡(luò)架構(gòu)基礎(chǔ)上，采用數(shù)模協(xié)同驅(qū)動(dòng)的研究方法，分別對(duì)物理層狀態(tài)智能感知技術(shù)、網(wǎng)絡(luò)層資源智能聯(lián)動(dòng)技術(shù)和業(yè)務(wù)層切片智能定制技術(shù)展開研究，以實(shí)現(xiàn)更加高效的資源部署和分配策略，提升網(wǎng)絡(luò)資源的利用率，實(shí)現(xiàn)未來網(wǎng)絡(luò)全生命周期的自動(dòng)化和智能化。

在“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，筆者所在研究組提出了數(shù)模協(xié)同驅(qū)動(dòng)方法[7]，結(jié)合模型驅(qū)動(dòng)對(duì)網(wǎng)絡(luò)強(qiáng)大的建模能力和數(shù)據(jù)驅(qū)動(dòng)對(duì)數(shù)據(jù)全面的感知能力，一方面根據(jù)光網(wǎng)絡(luò)的物理機(jī)制和數(shù)學(xué)原理等經(jīng)驗(yàn)知識(shí)，構(gòu)建嚴(yán)格的數(shù)學(xué)模型（如線性規(guī)劃模型、高斯模型和輔助圖模型等）來簡(jiǎn)化復(fù)雜網(wǎng)絡(luò)問題的求解；另一方面利用數(shù)據(jù)驅(qū)動(dòng)對(duì)歷史數(shù)據(jù)的挖掘能力和自我演進(jìn)能力，學(xué)習(xí)業(yè)務(wù)和網(wǎng)絡(luò)數(shù)據(jù)的內(nèi)在聯(lián)系。數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)方法如圖2所示，模型驅(qū)動(dòng)對(duì)網(wǎng)絡(luò)行為進(jìn)行建模，縮小了數(shù)據(jù)驅(qū)動(dòng)的探索空間，加快數(shù)據(jù)驅(qū)動(dòng)的求解過程；數(shù)據(jù)驅(qū)動(dòng)通過感知和學(xué)習(xí)數(shù)據(jù)中的知識(shí)，修正傳統(tǒng)模型中一些不準(zhǔn)確的參數(shù)，使修正后的模型更適合當(dāng)前業(yè)務(wù)和網(wǎng)絡(luò)狀態(tài)，實(shí)現(xiàn)網(wǎng)絡(luò)性能的提升。通過數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的智能化手段，可以進(jìn)一步挖掘光與無線網(wǎng)絡(luò)的內(nèi)在潛力，在不改變硬件傳輸配置的情況下，僅通過數(shù)模協(xié)同驅(qū)動(dòng)的智能算法等手段來有效提升傳輸網(wǎng)絡(luò)的資源利用率和網(wǎng)絡(luò)容量，為未來智能傳輸網(wǎng)絡(luò)提供理論與技術(shù)基礎(chǔ)。

圖2 數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)方法

3.1 物理層狀態(tài)智能感知技術(shù)

面向物理層狀態(tài)的感知需求，本文針對(duì)“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)中第1個(gè)循環(huán)實(shí)現(xiàn)技術(shù)展開研究。物理層狀態(tài)的智能感知技術(shù)作為實(shí)現(xiàn)智能傳輸網(wǎng)絡(luò)的硬件基礎(chǔ)，通過對(duì)物理層參數(shù)數(shù)據(jù)的智能分析實(shí)現(xiàn)對(duì)光鏈路和網(wǎng)絡(luò)的性能的評(píng)估，從而影響網(wǎng)絡(luò)智能決策。

本文以光路傳輸質(zhì)量（quality of transmission，QoT）預(yù)測(cè)為例，對(duì)物理層狀態(tài)的感知技術(shù)進(jìn)行研究。光路QoT作為物理層傳輸狀態(tài)的綜合表征指標(biāo)之一，其預(yù)測(cè)感知方法研究得到了廣泛的關(guān)注。傳統(tǒng)的分布傅里葉法[7-8]QoT預(yù)測(cè)方案是基于光信號(hào)在光纖中的傳輸理論進(jìn)行數(shù)理建模從而進(jìn)行光路QoT預(yù)測(cè)，精度較低，難以用于光物理層狀態(tài)的在線感知和預(yù)測(cè)。機(jī)器學(xué)習(xí)（machine learning，ML）可以通過大量樣本數(shù)據(jù)自動(dòng)學(xué)習(xí)擬合樣本間的非線性關(guān)系，且訓(xùn)練完成后可快速計(jì)算，因此，以數(shù)理模型為指導(dǎo)，基于ML的QoT預(yù)測(cè)方案可以彌補(bǔ)數(shù)理模型的缺陷。

基于機(jī)器學(xué)習(xí)的QoT預(yù)測(cè)模型如圖3所示，可以實(shí)現(xiàn)高精度快速的QoT預(yù)測(cè)[9-13]，但光信號(hào)在網(wǎng)絡(luò)中傳輸受諸多非平穩(wěn)環(huán)境因素（如業(yè)務(wù)波動(dòng)、器件損耗、部署環(huán)境變化等）影響，導(dǎo)致光傳輸狀態(tài)呈現(xiàn)較強(qiáng)的不確定性[14]。例如光信號(hào)衰減以及信道參數(shù)的不確定變化等因素使得光信道傳輸質(zhì)量難以被準(zhǔn)確感知，從而使光路傳輸?shù)目煽啃韵陆礫15-19]。因此，如何實(shí)現(xiàn)光物理層狀態(tài)感知與高精度預(yù)測(cè)是實(shí)現(xiàn)光網(wǎng)絡(luò)高效傳輸?shù)囊粋€(gè)關(guān)鍵問題。

圖3 基于機(jī)器學(xué)習(xí)的QoT預(yù)測(cè)

針對(duì)該問題，筆者所在研究組針對(duì)數(shù)模協(xié)同驅(qū)動(dòng)的智能感知技術(shù)進(jìn)行研究，提出基于深度學(xué)習(xí)的光路QoT智能預(yù)測(cè)方法（如圖4所示）[20]，該方法依據(jù)大量的光傳輸網(wǎng)絡(luò)歷史數(shù)據(jù)，借用機(jī)器學(xué)習(xí)強(qiáng)大的數(shù)據(jù)挖掘能力學(xué)習(xí)信道狀態(tài)信息到光物理層狀態(tài)的映射關(guān)系。在真實(shí)網(wǎng)絡(luò)場(chǎng)景中采集1024個(gè)數(shù)據(jù)集（包括網(wǎng)絡(luò)配置信息、頻譜分布、光放大器實(shí)時(shí)參數(shù)以及與之對(duì)應(yīng)的Q因子），通過在此數(shù)據(jù)集上對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以提取網(wǎng)絡(luò)狀態(tài)特征到Q因子的深度映射。同時(shí)，設(shè)計(jì)一種自動(dòng)調(diào)參機(jī)制，將神經(jīng)網(wǎng)絡(luò)定義為一個(gè)函數(shù)，神經(jīng)網(wǎng)絡(luò)的超參數(shù)為函數(shù)的變量。根據(jù)初始化參數(shù)和可變超參數(shù)建立神經(jīng)網(wǎng)絡(luò)模型，基于收集的數(shù)據(jù)進(jìn)行交叉驗(yàn)證，誤差最小時(shí)對(duì)應(yīng)的超參數(shù)即神經(jīng)網(wǎng)絡(luò)最佳超參數(shù)。最后通過自適應(yīng)梯度下降法完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實(shí)現(xiàn)光路傳輸質(zhì)量的精確預(yù)測(cè)。模型均方誤差與迭代次數(shù)的關(guān)系如圖5所示，數(shù)據(jù)預(yù)測(cè)值與實(shí)際Q-actor值的散點(diǎn)分布圖如圖6所示，模型訓(xùn)練收斂后實(shí)現(xiàn)快速準(zhǔn)確的光物理層狀態(tài)感知，為光傳輸網(wǎng)絡(luò)可靠高效傳輸提供有力支撐。該研究基于數(shù)模協(xié)同驅(qū)動(dòng)的多信道傳輸質(zhì)量預(yù)測(cè)方案通過自主學(xué)習(xí)信道狀態(tài)與對(duì)應(yīng)QoT的映射關(guān)系，實(shí)現(xiàn)網(wǎng)絡(luò)物理層狀態(tài)可感知功能，對(duì)光網(wǎng)絡(luò)中的光路QoT進(jìn)行精確預(yù)測(cè)，使網(wǎng)絡(luò)控制器獲得精確的物理層感知信息，為網(wǎng)絡(luò)優(yōu)化部署提供基礎(chǔ)。

圖4 數(shù)模協(xié)同驅(qū)動(dòng)的光路傳輸質(zhì)量智能預(yù)測(cè)技術(shù)

圖5 模型均方誤差與迭代次數(shù)的關(guān)系

圖6 數(shù)據(jù)預(yù)測(cè)值與實(shí)際Q-actor值的散點(diǎn)分布圖

3.2 網(wǎng)絡(luò)層資源智能聯(lián)動(dòng)技術(shù)

面向網(wǎng)絡(luò)層資源聯(lián)動(dòng)需求，本文針對(duì)“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)和第2個(gè)循環(huán)的實(shí)現(xiàn)技術(shù)展開研究?？缬蚓W(wǎng)絡(luò)層資源的智能聯(lián)動(dòng)技術(shù)主要通過控制層對(duì)跨域網(wǎng)絡(luò)資源的協(xié)同控制，實(shí)現(xiàn)網(wǎng)絡(luò)層異構(gòu)資源的統(tǒng)一調(diào)配，從而實(shí)現(xiàn)光與無線等多種融合異構(gòu)網(wǎng)絡(luò)資源優(yōu)化配置。

本文以X-Haul網(wǎng)絡(luò)為例，對(duì)光電跨層網(wǎng)絡(luò)資源的聯(lián)動(dòng)技術(shù)進(jìn)行研究。X-Haul被認(rèn)為是未來5G網(wǎng)絡(luò)通用的、靈活的異構(gòu)傳輸網(wǎng)絡(luò)解決方案，將前傳、中傳和回傳及其所有的光與無線技術(shù)整合到一個(gè)基于分組的通用傳輸網(wǎng)絡(luò)中。X-Haul采用雙層網(wǎng)絡(luò)架構(gòu)，即跨層網(wǎng)絡(luò)架構(gòu)，如圖7所示，包含IP層和光層，其中IP層節(jié)點(diǎn)裝配了路由器/交換機(jī)等電層設(shè)備，負(fù)責(zé)細(xì)粒度業(yè)務(wù)流的匯聚；光層包含光纖、光模塊、ROADM等光層設(shè)備，負(fù)責(zé)為業(yè)務(wù)提供大容量“剛性”的傳輸通道。X-Haul作為承載網(wǎng)組網(wǎng)方案，其業(yè)務(wù)具有高動(dòng)態(tài)性的特點(diǎn)。業(yè)務(wù)流量在其生命周期內(nèi)隨時(shí)間不斷變化，不同業(yè)務(wù)連接建立（因服務(wù)開始進(jìn)入網(wǎng)絡(luò)）和連接拆除（因服務(wù)結(jié)束離開網(wǎng)絡(luò)）的時(shí)間具有隨機(jī)性，業(yè)務(wù)的到達(dá)和離開具有較大的不確定性。基于“IP+光”雙層架構(gòu)的復(fù)雜特性以及業(yè)務(wù)的高動(dòng)態(tài)性，如何實(shí)現(xiàn)資源高效的跨層網(wǎng)絡(luò)路由配置成為X-Haul中面臨的一項(xiàng)重要問題。

圖7 跨層網(wǎng)絡(luò)架構(gòu)

光電跨層網(wǎng)絡(luò)中的路由設(shè)計(jì)作為一個(gè)典型的光網(wǎng)絡(luò)資源的聯(lián)動(dòng)問題，需要聯(lián)合決策業(yè)務(wù)路由波長(zhǎng)分配以及節(jié)點(diǎn)間光路的建立與拆除。同時(shí)，由于網(wǎng)絡(luò)接入業(yè)務(wù)流量通常表現(xiàn)為“時(shí)空潮汐效應(yīng)”，即不同地理位置、不同地區(qū)、不同時(shí)間的帶寬資源消耗存在較大的差異，這一特性加劇了光網(wǎng)絡(luò)資源聯(lián)動(dòng)的復(fù)雜性。在保障接入業(yè)務(wù)高質(zhì)量承載的前提下，傳統(tǒng)網(wǎng)絡(luò)場(chǎng)景中算法對(duì)時(shí)間維度變化業(yè)務(wù)的感知能力不足，且跨層路由采用固定策略決策模型，導(dǎo)致網(wǎng)絡(luò)波長(zhǎng)資源使用利用率低下。采用深度強(qiáng)化學(xué)習(xí)（2eep reinforcement learning，DRL）等數(shù)據(jù)驅(qū)動(dòng)方法，正逐漸取代傳統(tǒng)的基于整數(shù)線性規(guī)劃（integral linear programming，ILP)方法[21]和啟發(fā)式算法[22]的模型驅(qū)動(dòng)的資源聯(lián)動(dòng)方法，成為網(wǎng)絡(luò)層資源智能聯(lián)動(dòng)的核心技術(shù)。這類“黑箱”方法在理論特性分析上往往存在困難；然而，其高度依賴高質(zhì)量大數(shù)據(jù)，隨著網(wǎng)絡(luò)規(guī)模的進(jìn)一步擴(kuò)大，規(guī)劃問題的解空間維度災(zāi)難問題為路由決策效率帶來了嚴(yán)峻挑戰(zhàn)。

針對(duì)上述問題，筆者所在研究組對(duì)數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的網(wǎng)絡(luò)資源智能聯(lián)動(dòng)技術(shù)進(jìn)行了研究，提出一種數(shù)模協(xié)同驅(qū)動(dòng)的智能路由策略（collaborative 2ata-2riven an2 mo2el-2riven intelligent routing engine，ADMIRE）[5]。該策略采用的數(shù)學(xué)模型是傳統(tǒng)的輔助圖模型，ADMIRE跨層網(wǎng)絡(luò)路由原理如圖8所示，該模型基于跨層路由的經(jīng)驗(yàn)知識(shí)構(gòu)建（如網(wǎng)絡(luò)架構(gòu)、路由策略等），包含依據(jù)路由策略預(yù)先設(shè)定的輔助圖邊權(quán)重和基于跨層網(wǎng)絡(luò)架構(gòu)構(gòu)建的輔助圖拓?fù)?。ADMIRE將業(yè)務(wù)流量數(shù)據(jù)和網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)作為深度強(qiáng)化學(xué)習(xí)的輸入，深度強(qiáng)化學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)提取業(yè)務(wù)數(shù)據(jù)和網(wǎng)絡(luò)數(shù)據(jù)的特征，經(jīng)過不斷的訓(xùn)練，深度強(qiáng)化學(xué)習(xí)會(huì)做出決策并修改輔助圖邊權(quán)重，根據(jù)人為經(jīng)驗(yàn)預(yù)先設(shè)定的輔助圖邊權(quán)重會(huì)演進(jìn)為優(yōu)化的、適配當(dāng)前業(yè)務(wù)和網(wǎng)絡(luò)狀態(tài)的輔助圖邊權(quán)重。ADMIRE利用該權(quán)重給輔助圖拓?fù)滟x值，更新輔助圖模型，最終修正后的輔助圖模型會(huì)為業(yè)務(wù)制定最優(yōu)的路由決策，100條業(yè)務(wù)流使用波長(zhǎng)數(shù)量對(duì)比如圖9所示，不同子集使用波長(zhǎng)數(shù)量對(duì)比如圖10所示。該研究通過數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)建立跨層網(wǎng)絡(luò)智能路由，實(shí)現(xiàn)了光與無線網(wǎng)絡(luò)層資源可聯(lián)動(dòng)功能，有效提高網(wǎng)絡(luò)資源使用率。研究結(jié)果表明，隨著網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)的大量增加，可有效減少網(wǎng)絡(luò)建設(shè)和運(yùn)維成本。

圖8 ADMIRE跨層網(wǎng)絡(luò)路由原理

圖10 不同子集使用波長(zhǎng)數(shù)量對(duì)比

3.3 業(yè)務(wù)層切片智能定制技術(shù)

面向業(yè)務(wù)層切片定制需求，本文針對(duì)“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)第3個(gè)循環(huán)的實(shí)現(xiàn)技術(shù)展開研究。業(yè)務(wù)層切片的智能定制技術(shù)基于數(shù)據(jù)與模型協(xié)同的思想，通過智能決策層對(duì)業(yè)務(wù)/網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行建模，尋找到網(wǎng)絡(luò)切片資源最佳配置方式，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)性能進(jìn)行優(yōu)化配置。

不同應(yīng)用場(chǎng)景下的業(yè)務(wù)對(duì)網(wǎng)絡(luò)性能的要求差異明顯，比如傳輸速率、時(shí)延、帶寬、安全可靠性、隔離性等要求都不一致。為了高效地承載差異化業(yè)務(wù)需求，需要通過網(wǎng)絡(luò)切片（network slicing，NS）技術(shù)為業(yè)務(wù)提供差異化的網(wǎng)絡(luò)服務(wù)。端到端切片全生命周期管理如圖11所示，現(xiàn)有網(wǎng)絡(luò)切片定制化研究可主要分為切片定制化生成、切片實(shí)例化部署以及切片動(dòng)態(tài)調(diào)整和刪除 3個(gè)部分。切片定制化生成主要研究如何根據(jù)用戶需求（如可靠性、時(shí)延等）定制得到虛擬切片網(wǎng)絡(luò)拓?fù)?，完成網(wǎng)絡(luò)切片服務(wù)的前期準(zhǔn)備[23-24]。切片實(shí)例化部署階段將考慮當(dāng)前時(shí)刻下物理網(wǎng)絡(luò)資源狀態(tài)和切片業(yè)務(wù)的特殊需求（如隔離性等），將已生成的虛擬切片拓?fù)浣Y(jié)構(gòu)部署到物理網(wǎng)絡(luò)中，實(shí)現(xiàn)切片業(yè)務(wù)的承載和運(yùn)維[25]。切片動(dòng)態(tài)調(diào)整和刪除階段將根據(jù)業(yè)務(wù)時(shí)變的資源需求，進(jìn)行動(dòng)態(tài)調(diào)整所分配的切片資源，直到業(yè)務(wù)請(qǐng)求離去后刪除該切片[26-28]。

圖11 端到端切片全生命周期管理

為滿足多樣化業(yè)務(wù)的嚴(yán)苛要求，網(wǎng)絡(luò)切片技術(shù)通過將基礎(chǔ)設(shè)施網(wǎng)絡(luò)切分成面向不同業(yè)務(wù)類型的多個(gè)邏輯網(wǎng)絡(luò)來滿足租戶的定制化需求。由于網(wǎng)絡(luò)環(huán)境和數(shù)據(jù)業(yè)務(wù)的動(dòng)態(tài)變化，如何在保證服務(wù)質(zhì)量的同時(shí)，滿足網(wǎng)絡(luò)租戶長(zhǎng)期收益的最大化是多維度跨域網(wǎng)絡(luò)切片資源的端到端管理面臨的挑戰(zhàn)。傳統(tǒng)基于模型分析的切片方案對(duì)于靈活變化的業(yè)務(wù)和網(wǎng)絡(luò)狀態(tài)的適配能力不足，導(dǎo)致業(yè)務(wù)服務(wù)質(zhì)量下降和網(wǎng)絡(luò)資源利用效率低下等問題。因此，如何通過數(shù)模協(xié)同技術(shù)實(shí)現(xiàn)切片資源定制化是實(shí)現(xiàn)網(wǎng)絡(luò)自動(dòng)化與高效服務(wù)提供的關(guān)鍵問題。

針對(duì)上述問題，筆者所在研究組對(duì)業(yè)務(wù)層切片智能定制技術(shù)進(jìn)行研究，提出一種基于深度強(qiáng)化學(xué)習(xí)的切片智能配置方法，允許根據(jù)用戶不同的移動(dòng)模式，定制化不同粒度的切片資源配置，以及切片資源遷移[29]。網(wǎng)絡(luò)切片定制化架構(gòu)如圖12所示，該方案將整體架構(gòu)劃分為兩層，分別為編排層和網(wǎng)絡(luò)層。其中，編排層的決策器是整個(gè)方案的核心，其主要組成部分為請(qǐng)求管理器、學(xué)習(xí)模塊、觸發(fā)器選擇器模塊和算法比較器模塊。決策器通過請(qǐng)求管理器模塊與網(wǎng)絡(luò)層交互，通過學(xué)習(xí)網(wǎng)絡(luò)狀態(tài)進(jìn)行決策選擇，例如擴(kuò)大/縮小不同類型的資源，例如 RAM、CPU等或遷移虛擬機(jī)，并根據(jù)決策產(chǎn)生的效果而獲得獎(jiǎng)勵(lì)。學(xué)習(xí)過程中的狀態(tài)、動(dòng)作以及根據(jù)動(dòng)作效果所產(chǎn)生的獎(jiǎng)勵(lì)值需要被統(tǒng)籌設(shè)計(jì)來建立一個(gè)優(yōu)化的學(xué)習(xí)系統(tǒng)。獎(jiǎng)勵(lì)值比較如圖13所示，準(zhǔn)確性比較如圖14所示，經(jīng)驗(yàn)證，該方案在獎(jiǎng)勵(lì)值穩(wěn)定性和部署準(zhǔn)確性方面有較好的性能。該研究數(shù)據(jù)與模型聯(lián)合驅(qū)動(dòng)的方式為智能光網(wǎng)絡(luò)的發(fā)展提供了范式，通過對(duì)業(yè)務(wù)與網(wǎng)絡(luò)的特性的提取、挖掘、分析和學(xué)習(xí)，并結(jié)合網(wǎng)絡(luò)優(yōu)化模型，實(shí)現(xiàn)網(wǎng)絡(luò)切片業(yè)務(wù)可定制功能，以滿足網(wǎng)絡(luò)不同業(yè)務(wù)差異化需求，實(shí)現(xiàn)網(wǎng)絡(luò)的可持續(xù)發(fā)展。

圖12 網(wǎng)絡(luò)切片定制化架構(gòu)

圖13 獎(jiǎng)勵(lì)值比較

圖14 準(zhǔn)確性比較

4 數(shù)模協(xié)同驅(qū)動(dòng)的智能傳輸網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)

基于數(shù)模協(xié)同驅(qū)動(dòng)的“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)，筆者所在研究組開發(fā)了數(shù)模協(xié)同驅(qū)動(dòng)的智能傳輸網(wǎng)絡(luò)平臺(tái)，如圖15所示，該平臺(tái)由智能傳輸網(wǎng)絡(luò)管理系統(tǒng)、智能傳輸網(wǎng)絡(luò)控制器、硬件實(shí)驗(yàn)環(huán)境3部分組成。其中，智能傳輸網(wǎng)絡(luò)管理系統(tǒng)主要用來實(shí)現(xiàn)網(wǎng)絡(luò)狀態(tài)的初始化配置及實(shí)驗(yàn)結(jié)果的呈現(xiàn)可視化，有助于對(duì)網(wǎng)絡(luò)狀態(tài)和參數(shù)信息進(jìn)行實(shí)時(shí)監(jiān)控管理；智能傳輸網(wǎng)絡(luò)控制器部署在高性能服務(wù)器中，用于運(yùn)行基于數(shù)模協(xié)同驅(qū)動(dòng)的智能算法以及光和無線傳輸網(wǎng)絡(luò)資源的統(tǒng)一調(diào)配，是網(wǎng)絡(luò)智能化實(shí)現(xiàn)技術(shù)的核心模塊，直接影響對(duì)網(wǎng)絡(luò)的分析和決策；硬件實(shí)驗(yàn)環(huán)境包括具有感知與可編程能力的白盒光分插復(fù)用裝置、可編程以太網(wǎng)交換機(jī)等，用于網(wǎng)絡(luò)流量的轉(zhuǎn)發(fā)，為實(shí)現(xiàn)網(wǎng)絡(luò)波長(zhǎng)和路由等資源配置提供硬件基礎(chǔ)。

圖15 智能傳輸網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)

智能傳輸網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)通過智能光傳輸網(wǎng)絡(luò)控制系統(tǒng)與硬件實(shí)驗(yàn)環(huán)境智能化、實(shí)時(shí)性交互，在“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)中實(shí)現(xiàn)多個(gè)功能驗(yàn)證。

（1）針對(duì)傳輸網(wǎng)絡(luò)環(huán)境非平穩(wěn)特征，通過可擴(kuò)展的南向接口模塊實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)設(shè)備、業(yè)務(wù)接入的遙測(cè)功能，即對(duì)于物理層網(wǎng)絡(luò)狀態(tài)與業(yè)務(wù)特征的智能感知，為智能決策提供基礎(chǔ)。

（2）面向光與無線融合傳輸網(wǎng)絡(luò)泛在、異構(gòu)網(wǎng)絡(luò)資，源設(shè)計(jì)核心編排模塊，在網(wǎng)絡(luò)層實(shí)現(xiàn)跨域資源可聯(lián)動(dòng)，為資源優(yōu)化提供實(shí)現(xiàn)基礎(chǔ)。一方面，面向硬件設(shè)備，實(shí)現(xiàn)狀態(tài)信息收集、存儲(chǔ)等功能；另一方面，面向用戶側(cè)，實(shí)現(xiàn)對(duì)于網(wǎng)絡(luò)資源的智能、統(tǒng)一編排。

（3）為解決新興垂直行業(yè)對(duì)傳輸網(wǎng)絡(luò)的差異化、多元化需求，通過控制系統(tǒng)內(nèi)置的人工智能算法模塊與核心編排模塊的實(shí)時(shí)交互，實(shí)現(xiàn)業(yè)務(wù)層切片動(dòng)態(tài)化、智能化可定制，為定制化、精細(xì)化服務(wù)提供理論算法、硬件實(shí)現(xiàn)支撐。智能光傳輸網(wǎng)絡(luò)平臺(tái)測(cè)試硬件環(huán)境如圖16所示。

圖16 智能光傳輸網(wǎng)絡(luò)平臺(tái)測(cè)試硬件環(huán)境

圍繞“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)及其可感知、可聯(lián)動(dòng)和可定制的“3可功能”特征，本文所提出的基于數(shù)據(jù)與模型協(xié)同驅(qū)動(dòng)的光網(wǎng)絡(luò)智能化實(shí)現(xiàn)技術(shù)在智能傳輸網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)上得到驗(yàn)證?；谏鲜銎脚_(tái)，完成了所提智能算法的時(shí)延驗(yàn)證及吞吐量、端到端時(shí)延/抖動(dòng)、丟包率等相關(guān)性能測(cè)試。研究方案經(jīng)過第三方機(jī)構(gòu)測(cè)試，測(cè)試結(jié)果驗(yàn)證了本文所提出的智能算法具有較高的預(yù)測(cè)精度、可有效提高網(wǎng)絡(luò)的容量，提升網(wǎng)絡(luò)資源利用率，實(shí)現(xiàn)了可感知、可聯(lián)動(dòng)和可定制的功能。此外，通過智能傳輸網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)實(shí)現(xiàn)了從業(yè)務(wù)接入高質(zhì)量服務(wù)全過程的自動(dòng)化配置，驗(yàn)證了業(yè)務(wù)自動(dòng)化管理及網(wǎng)絡(luò)狀態(tài)實(shí)時(shí)可視化的功能。

5 結(jié)束語(yǔ)

光網(wǎng)絡(luò)作為業(yè)務(wù)承載的基礎(chǔ)網(wǎng)絡(luò)，隨著信息網(wǎng)絡(luò)數(shù)字化、智能化的發(fā)展演進(jìn)，智能化光網(wǎng)絡(luò)逐漸成為研究和創(chuàng)新熱點(diǎn)。網(wǎng)絡(luò)業(yè)務(wù)需求的大量增加、網(wǎng)絡(luò)規(guī)模的逐漸擴(kuò)大以及超大連接、超高帶寬、超低時(shí)延等業(yè)務(wù)的增加對(duì)網(wǎng)絡(luò)資源利用和差異化服務(wù)提出了更高要求，傳統(tǒng)模型驅(qū)動(dòng)下網(wǎng)絡(luò)形態(tài)和網(wǎng)絡(luò)的配置方式將面臨挑戰(zhàn)。本文基于數(shù)據(jù)和模型驅(qū)動(dòng)協(xié)同思想，提出“3層3循環(huán)”網(wǎng)絡(luò)架構(gòu)及其“3可功能”特征的智能光網(wǎng)絡(luò)技術(shù)方案，并開發(fā)設(shè)計(jì)了數(shù)模協(xié)同驅(qū)動(dòng)的智能傳輸網(wǎng)絡(luò)平臺(tái)，對(duì)所提出的智能化實(shí)現(xiàn)技術(shù)進(jìn)行評(píng)估驗(yàn)證，為未來實(shí)現(xiàn)AI與光網(wǎng)絡(luò)的深度融合、實(shí)現(xiàn)智能化光網(wǎng)絡(luò)提供基礎(chǔ)。