基于人工智能算法的OTN時(shí)延數(shù)據(jù)優(yōu)化與路徑規(guī)劃研究

吳邦毅

摘要：隨著數(shù)字經(jīng)濟(jì)的發(fā)展，各行各業(yè)對(duì)低時(shí)延的需求場(chǎng)景日益增多，在這種情況下，傳輸業(yè)務(wù)時(shí)延的準(zhǔn)確性和完整性愈加重要。文章基于OTN光傳送網(wǎng)絡(luò)特性，提出了一種利用人工智能算法優(yōu)化OTN時(shí)延數(shù)據(jù)與路徑規(guī)劃的方法。該方法通過對(duì)歷史數(shù)據(jù)的深入學(xué)習(xí)和分析，構(gòu)建預(yù)測(cè)網(wǎng)絡(luò)時(shí)延變化趨勢(shì)的回歸模型，實(shí)現(xiàn)時(shí)延數(shù)據(jù)的快速補(bǔ)全。同時(shí)，文章依托完善的資源數(shù)據(jù)，結(jié)合人工智能搜索算法進(jìn)行最優(yōu)時(shí)延路徑規(guī)劃，為資源優(yōu)化及路徑規(guī)劃應(yīng)用提供了廣泛而實(shí)用的解決方案。

關(guān)鍵詞：OTN；時(shí)延估算；決策樹回歸；路由規(guī)劃；啟發(fā)式搜索

中圖分類號(hào)：TP393? 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著數(shù)字經(jīng)濟(jì)的發(fā)展，客戶對(duì)于高速率、低時(shí)延的網(wǎng)絡(luò)需求愈加重視，例如自動(dòng)駕駛、遠(yuǎn)程醫(yī)療、直播帶貨等。光傳送網(wǎng)絡(luò)（Optical Transport Network，OTN）作為目前主流的通信網(wǎng)絡(luò)傳輸技術(shù)，可以滿足高品質(zhì)的網(wǎng)絡(luò)需求。然而，OTN的時(shí)延數(shù)據(jù)缺失情況較突出，無法在售前為客戶設(shè)計(jì)低時(shí)延的路徑規(guī)劃，客戶的感知度不佳。為了提高OTN時(shí)延數(shù)據(jù)的完整性，更好地優(yōu)化OTN網(wǎng)絡(luò)體驗(yàn)，本文通過分析OTN業(yè)務(wù)的數(shù)據(jù)關(guān)系，提煉影響OTN業(yè)務(wù)時(shí)延的核心特征變量，結(jié)合有效的時(shí)延數(shù)據(jù)，提出基于人工智能算法訓(xùn)練OTN業(yè)務(wù)時(shí)延估算模型，來解決OTN業(yè)務(wù)時(shí)延數(shù)據(jù)缺失及準(zhǔn)確性低的情況。系統(tǒng)利用完善的時(shí)延數(shù)據(jù)，研究搜索算法技術(shù)，為客戶展示并推薦最優(yōu)的時(shí)延路徑，推動(dòng)OTN網(wǎng)絡(luò)時(shí)延可視化、路由智能隨選，助力提升通信運(yùn)營(yíng)的業(yè)務(wù)感知。

1 傳統(tǒng)的OTN業(yè)務(wù)時(shí)延數(shù)據(jù)測(cè)量及分析方法

1.1 OTN業(yè)務(wù)時(shí)延測(cè)量

OTN網(wǎng)絡(luò)經(jīng)過近幾年的商業(yè)化發(fā)展，網(wǎng)絡(luò)規(guī)模越來越大，組網(wǎng)場(chǎng)景越來越復(fù)雜，業(yè)務(wù)形態(tài)越來越多，逐漸形成了多廠家、多設(shè)備、多業(yè)務(wù)組成的異構(gòu)型超大規(guī)模網(wǎng)絡(luò)，對(duì)于其承載的業(yè)務(wù)時(shí)延測(cè)量越來越困難。目前，常用的OTN業(yè)務(wù)時(shí)延測(cè)量方法有2種，一種是基于外接儀表的OTN業(yè)務(wù)時(shí)延測(cè)量，通過掛接測(cè)試儀表實(shí)現(xiàn)，該方法存在成本高、效率低等問題，難以在工程現(xiàn)網(wǎng)中規(guī)?；褂?。另一種是光通道數(shù)據(jù)單元（Optical Data Unit，ODU）在通道監(jiān)控（Path Monitoring，PM）、串聯(lián)連接監(jiān)控（Tandem Connection Monitoring，TCM）開銷中設(shè)計(jì)了時(shí)延測(cè)量字節(jié)，以隨路開銷的方式測(cè)量業(yè)務(wù)時(shí)延［1］。該方法具有成本低、效率高、風(fēng)險(xiǎn)小等特點(diǎn)，但是較依賴于設(shè)備的硬件能力，部分設(shè)備不支持該測(cè)試方法。

1.2 OTN業(yè)務(wù)時(shí)延估算

鑒于現(xiàn)有OTN業(yè)務(wù)時(shí)延測(cè)量方法難以完全實(shí)時(shí)、全面、準(zhǔn)確地進(jìn)行測(cè)量，時(shí)延估算成為獲取OTN業(yè)務(wù)時(shí)延數(shù)據(jù)的有效補(bǔ)充方法，常見的時(shí)延估算方式有通過匹配同屬于一個(gè)區(qū)域段落或光纜段線路相同的資源，將其通路上承載的業(yè)務(wù)時(shí)延值作為參考，進(jìn)行時(shí)延數(shù)據(jù)的補(bǔ)全，該方法忽略了不同設(shè)備、不同技術(shù)的影響。時(shí)延估算也可以通過光子網(wǎng)連接（Sub-network Connection，SNC）拼接而成，如圖1所示經(jīng)過的光纜段由SNC1、SNC2和SNC3組合匹配而成，可以利用SNC1、SNC2和SNC3的時(shí)延測(cè)算出SNCx的時(shí)延。

2 基于回歸算法實(shí)現(xiàn)OTN業(yè)務(wù)時(shí)延數(shù)據(jù)優(yōu)化

2.1 OTN業(yè)務(wù)時(shí)延特征

樣本數(shù)據(jù)的質(zhì)量直接決定了模型訓(xùn)練的效果，特征變量的選取對(duì)于數(shù)據(jù)采集、模型訓(xùn)練和驗(yàn)證至關(guān)重要，在OTN網(wǎng)絡(luò)中，影響OTN業(yè)務(wù)時(shí)延的因素主要為網(wǎng)元間的傳輸距離，因?yàn)楣庠诰鶆蚪橘|(zhì)中的傳輸速率是恒定的［2］，所以傳輸時(shí)延與傳輸距離呈線性關(guān)系。光信號(hào)在傳輸系統(tǒng)中進(jìn)行光交換或光電交換，交換和處理會(huì)增加傳輸?shù)臅r(shí)延，交換芯片的處理性能與設(shè)備類型相關(guān)，所以時(shí)延也受到設(shè)備類型的影響。

2.2 構(gòu)建模型算法

OTN業(yè)務(wù)時(shí)延數(shù)據(jù)的優(yōu)化是一個(gè)典型的回歸預(yù)測(cè)問題，本文基于決策樹算法的回歸模型實(shí)現(xiàn)時(shí)延估算，這種模型憑借其諸多優(yōu)點(diǎn)在數(shù)據(jù)預(yù)測(cè)領(lǐng)域展現(xiàn)出非常好的實(shí)用性。決策樹回歸算法作為一種監(jiān)督學(xué)習(xí)算法，不僅可解釋性強(qiáng)，能夠處理復(fù)雜的非線性關(guān)系和高維數(shù)據(jù)，而且訓(xùn)練代價(jià)相對(duì)較小，運(yùn)算速度快，這使得模型能夠快速迭代和優(yōu)化［3］。

本文在構(gòu)建時(shí)延估算決策樹模型時(shí)，關(guān)鍵點(diǎn)在于確定哪些變量對(duì)預(yù)測(cè)時(shí)延數(shù)據(jù)具有顯著影響，這些變量在模型中扮演著重要角色，它們將特征空間劃分成若干個(gè)單元，每個(gè)單元對(duì)應(yīng)一個(gè)特定的輸出值。通過這種方式，模型能夠更準(zhǔn)確地捕捉時(shí)延數(shù)據(jù)的內(nèi)在規(guī)律和模式。在樣本集的處理上，模型通過精心選擇輸入空間的分割點(diǎn)，將每個(gè)區(qū)域進(jìn)一步細(xì)分為特征子域。這種劃分方式使得模型能夠更好地適應(yīng)數(shù)據(jù)的分布特性。更為關(guān)鍵的是，模型以每個(gè)子域內(nèi)的樣本均值作為該區(qū)域的輸出值，這一做法充分考慮了樣本的集中趨勢(shì)，從而提高了預(yù)測(cè)的準(zhǔn)確性。

2.3 模型訓(xùn)練與測(cè)試

系統(tǒng)在進(jìn)行模型訓(xùn)練的初期，對(duì)樣本數(shù)據(jù)進(jìn)行加工和整理，局站、機(jī)房、設(shè)備網(wǎng)元等數(shù)據(jù)均做標(biāo)準(zhǔn)化的數(shù)據(jù)轉(zhuǎn)換，將標(biāo)簽值統(tǒng)一轉(zhuǎn)換成機(jī)器可以識(shí)別的數(shù)值。樣本數(shù)據(jù)被精心劃分為訓(xùn)練集和驗(yàn)證集，其中三分之二的數(shù)據(jù)用作機(jī)器訓(xùn)練以構(gòu)建和優(yōu)化模型；剩余的數(shù)據(jù)則作為驗(yàn)證集用于提升驗(yàn)證模型的泛化能力。模型在驗(yàn)證集上的性能評(píng)估，主要采用均方誤差（Mean Squared Error，MSE）這一指標(biāo)。除了MSE外，R平方（R-squared，R2）和平均絕對(duì)誤差（Mean Absolute Error，MAE）等指標(biāo)也可以同時(shí)輔助評(píng)估模型［4］。通過多指標(biāo)的評(píng)估，提升模型的預(yù)測(cè)精度和穩(wěn)定性。

模型在對(duì)訓(xùn)練集進(jìn)行訓(xùn)練的過程中，會(huì)學(xué)習(xí)如何根據(jù)特征預(yù)測(cè)目標(biāo)變量的值。模型訓(xùn)練過程中通過生成隨機(jī)數(shù)，靈活地調(diào)整樹的最大深度、最小葉子節(jié)點(diǎn)樣本數(shù)等，使得模型盡可能地?cái)M合測(cè)試集的結(jié)果［5］，同時(shí)還可以通過集成學(xué)習(xí)來提高模型的性能。經(jīng)過多輪迭代驗(yàn)證，系統(tǒng)自動(dòng)選取最優(yōu)的結(jié)果，保存預(yù)測(cè)模型，預(yù)測(cè)模型可以不斷地更新，提升缺失及異常的時(shí)延數(shù)據(jù)預(yù)測(cè)準(zhǔn)確性。

3 基于啟發(fā)式搜索算法實(shí)現(xiàn)OTN業(yè)務(wù)時(shí)延路徑規(guī)劃

3.1 常見的搜索算法比較

深度優(yōu)先搜索（Depth-First Search，DFS）和廣度優(yōu)先搜索（Breadth-First Search，BFS）是2種常用的遍歷算法［6］。DFS會(huì)沿著樹的深度遍歷樹的節(jié)點(diǎn)，盡可能深地搜索樹的分支，直到找到目標(biāo)為止。而BFS則從起始節(jié)點(diǎn)開始，首先訪問所有相鄰的節(jié)點(diǎn)，然后逐層向外擴(kuò)散，最后直到找到目標(biāo)。本文在OTN時(shí)延路徑規(guī)劃的搜索研究中發(fā)現(xiàn)，當(dāng)節(jié)點(diǎn)較多時(shí)，這些搜索算法生成的時(shí)延路徑非常多，算路時(shí)間較長(zhǎng)，會(huì)消耗大量的計(jì)算資源。

啟發(fā)式搜索則是一種利用問題本身的特性在搜索過程中產(chǎn)生的一些信息，這些信息可以引導(dǎo)尋路搜索更加精準(zhǔn)和高效。啟發(fā)式搜索根據(jù)問題的特點(diǎn)和尋路過程中的經(jīng)驗(yàn)，選擇最有希望的方向進(jìn)行搜索，從而加速問題的求解，并找到最優(yōu)解。本文在OTN時(shí)延路徑規(guī)劃的搜索研究中發(fā)現(xiàn)，系統(tǒng)在用啟發(fā)式搜索時(shí)延路徑的過程中，可以結(jié)合時(shí)延業(yè)務(wù)自身特點(diǎn)，不斷地調(diào)整時(shí)延路徑的搜索方向，提升搜索效率。綜合以上情況，啟發(fā)式搜索在路徑規(guī)劃的實(shí)現(xiàn)上會(huì)更加適用。

3.2 數(shù)據(jù)采集與數(shù)據(jù)衍生

系統(tǒng)為了實(shí)現(xiàn)OTN業(yè)務(wù)時(shí)延算路，需要做數(shù)據(jù)樣本的采集和衍生。

（1）SNC的基本信息，包括：SNC的ID、A、Z端口、層速率等基本信息；SNC經(jīng)過的網(wǎng)元、鏈路、交叉等數(shù)據(jù)。

（2）SNC的時(shí)延測(cè)量值，該值通過掛表測(cè)試及網(wǎng)管獲得，也可以通過文中所述基于人工智能算法模型預(yù)測(cè)獲得。

（3）地理位置信息，系統(tǒng)根據(jù)鏈路首尾站點(diǎn)的經(jīng)緯度信息，借助于GIS工具估算站點(diǎn)間直線距離，生成衍生數(shù)據(jù)。

（4）物理路由數(shù)據(jù)，包括：通信站點(diǎn)信息；端到端的站點(diǎn)、機(jī)房、ODF成端等基本信息；光纜、光纜段、局內(nèi)中繼數(shù)據(jù)。

3.3 啟發(fā)式搜索解決時(shí)延路徑規(guī)劃

啟發(fā)式搜索算法不同于傳統(tǒng)的搜索方式只能盲目地依次搜索路徑，而是類似于人類的思維方式，智慧地探索最優(yōu)的方向，即每次找下一個(gè)站點(diǎn)都是評(píng)估的所有站點(diǎn)中離目標(biāo)最近的那個(gè)節(jié)點(diǎn)，在下一次搜索時(shí)，依然選取最優(yōu)的節(jié)點(diǎn)進(jìn)行搜索，直到找到目標(biāo)，啟發(fā)式搜索算法是靜態(tài)路由網(wǎng)搜索問題中求解最短路徑非常有效的搜索方法。因此，為了能省略大量無謂的搜索時(shí)延路徑，提高搜索效率，本文的時(shí)延路徑算法是基于啟發(fā)式算法進(jìn)行設(shè)計(jì)，構(gòu)造搜索算法函數(shù)f（x）=h（x）+g（x）。其中，f（x）為評(píng)價(jià)函數(shù)，評(píng)價(jià)該站點(diǎn)的時(shí)延選路優(yōu)先值。h（n）為啟發(fā)函數(shù)，從當(dāng)前站點(diǎn)到目標(biāo)站點(diǎn)的估計(jì)時(shí)延代價(jià)。這個(gè)值需要進(jìn)行估算，本文引入了與目標(biāo)站點(diǎn)經(jīng)緯度差值×系數(shù)作為公式，估算出從該站點(diǎn)到目標(biāo)站點(diǎn)的啟發(fā)時(shí)延代價(jià)值。g（n）為損失函數(shù)，從起始站點(diǎn)到當(dāng)前站點(diǎn)的時(shí)延值，即到達(dá)該站點(diǎn)已經(jīng)產(chǎn)生的時(shí)延。

本文在實(shí)現(xiàn)規(guī)劃路徑的過程中，首先進(jìn)行資源數(shù)據(jù)的清理，篩選符合要求且有空閑通道的站點(diǎn)，這些具備條件的站點(diǎn)組成尋路拓?fù)渚W(wǎng)絡(luò)地圖。系統(tǒng)從起始站點(diǎn)出發(fā)，尋找周邊路徑可達(dá)的關(guān)聯(lián)站點(diǎn)，將這些站點(diǎn)全部進(jìn)行時(shí)延選路優(yōu)先值f（x）的計(jì)算并保存入堆棧，在堆棧里根據(jù)時(shí)延選路優(yōu)先值的大小進(jìn)行排序，選擇時(shí)延選路優(yōu)先值最優(yōu)的站點(diǎn)，作為新的起點(diǎn)繼續(xù)進(jìn)行下一次的搜索，尋找該站點(diǎn)周邊路徑可達(dá)且不重復(fù)的關(guān)聯(lián)站點(diǎn)，將這些新增的關(guān)聯(lián)站點(diǎn)進(jìn)行時(shí)延選路優(yōu)先值的計(jì)算并保存入堆棧，系統(tǒng)對(duì)更新后的堆棧再次進(jìn)行時(shí)延選路優(yōu)先值排序，選擇時(shí)延選路優(yōu)先值f（x）最佳且不重復(fù)的站點(diǎn)作為新起點(diǎn)。不斷重復(fù)該過程，直到搜索到目標(biāo)站點(diǎn)。啟發(fā)式算法的優(yōu)點(diǎn)就是盡可能高效快速地引導(dǎo)時(shí)延選路找到目標(biāo)。

4 結(jié)語

隨著數(shù)字經(jīng)濟(jì)的崛起，傳送網(wǎng)絡(luò)的時(shí)延測(cè)量面臨更高要求，傳統(tǒng)方法已無法滿足需求。本文提出基于人工智能的OTN時(shí)延數(shù)據(jù)與路徑規(guī)劃優(yōu)化方法，通過機(jī)器學(xué)習(xí)建立高精度時(shí)延估算模型，保障時(shí)延數(shù)據(jù)的完整性和準(zhǔn)確性，結(jié)合啟發(fā)式搜索算法實(shí)現(xiàn)高效的時(shí)延路徑規(guī)劃，不僅提升了客戶體驗(yàn)，還為運(yùn)營(yíng)商提供了靈活的網(wǎng)絡(luò)優(yōu)化手段。未來，筆者將繼續(xù)深入研究OTN技術(shù)，隨著技術(shù)的不斷進(jìn)步和應(yīng)用場(chǎng)景的不斷拓展，這一研究領(lǐng)域必將迎來更加廣闊的發(fā)展前景。

參考文獻(xiàn)

［1］吳上，鄧浩江，盛益強(qiáng).基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)時(shí)延預(yù)測(cè)模型［J］.網(wǎng)絡(luò)新媒體技術(shù)，2021（6）：29-37.

［2］李世峰.基于改進(jìn)BP網(wǎng)絡(luò)的時(shí)延預(yù)測(cè)建模與仿真［J］.唐山師范學(xué)院學(xué)報(bào)，2022（6）：56-69.

［3］蘇旭東，衷璐潔.基于BPNN端到端時(shí)延預(yù)測(cè)的多路傳輸調(diào)度［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2022（1）：66-72.

［4］李航.統(tǒng)計(jì)學(xué)習(xí)方法［M］.北京：清華大學(xué)出版社，2012.

［5］周志華.機(jī)器學(xué)習(xí)［M］.北京：清華大學(xué)出版社，2016.

［6］肖漢光，王勇.人工智能概論［M］.北京：清華大學(xué)出版社，2020.

（編輯 沈 強(qiáng)）

Research on OTN delay data optimization and path planning based on AI algorithm

WU? Bangyi

（China Telecom Fujian Branch， Fuzhou 350001， China）

Abstract：? With the development of the digital economy， the demand for low latency scenarios is increasing in various industries. In this case， the accuracy and integrity of transmission business latency are becoming more important. Based on the characteristics of OTN optical transport network， this paper proposes a method to optimize OTN latency data and path planning using artificial intelligence algorithms. This method constructs a regression model to predict the trend of network latency changes through deep learning and analysis of historical data， so as to achieve rapid completion of latency data. At the same time， this paper relies on complete resource data and combines artificial intelligence search algorithms to carry out optimal latency path planning， providing a wide range of practical solutions for resource optimization and path planning applications.

Key words： OTN; delay estimation; decision tree regression; routing planning; heuristic search