基于SDN 的自適應路由與波長分配方法

趙中楠，王健，郭紅微

（1.哈爾濱理工大學計算機科學與技術學院，黑龍江 哈爾濱 150080；2.哈爾濱工程大學計算機科學與技術學院，黑龍江 哈爾濱 150001；3.黑龍江工程學院數學系，黑龍江 哈爾濱 150015）

1 引言

全光網絡具有全光域信息交換的特點[1]，摒棄了傳統光電轉換的模式，大大提高了數據的傳輸速度，有效地提升了信息交換的容量，正越來越受到業界的重視[2-3]，同時路由與波長分配（RWA,routing and wavelength assignment）作為其資源分配的重要方法一直都是研究的熱點，與此同時也提出了很多方法[4-5]來提高資源的分配效率。伴隨著軟件定義網絡（SDN,software defined network）的提出，業界很多傳統應用都面臨著挑戰，如何能夠使傳統的方法在新框架下實現有效的應用并與之融合也成了當下需要分析的問題，因此本文從這個角度進行了研究。

在光網中，信息是通過不同鏈路中不同波長信道進行傳遞的，RWA 就是根據傳輸需求選擇合適鏈路并匹配相應信道從而實現信息傳送的方法。其運作方式主要分為2 種：靜態RWA 與動態RWA，其中，靜態方式相對穩定，調度成功率高，但是難以適應網絡復雜變化的需要且資源利用率低，分配方式不夠靈活；動態方式則通常以在線的方式運行，能夠根據網絡的變化需要適時進行調配。不同的運作方式對系統的運行效果產生不同的影響，因此一直是研究的重點，而動態方式是本文的研究對象。

鑒于此，本文提出了一種基于SDN 的多目標自適應路由與波長分配（SO-MO-RWA，SDN oriented multi-objective routing and wavelength assignment）方法。該方法考慮到全光網絡高速傳輸以及高效鏈路調度的需要將調度時間和鏈路質量作為聯合調度目標，構建了0-1 整數規劃的RWA問題模型同時應用二進制混合拓撲粒子群算法對問題求解。整個方法采用基于SDN 的調度方式，能夠實時獲取網絡資源狀態信息，并以按需方式實現網絡資源的動態分配。

2 相關工作

RWA 的研究內容可以從以下幾個方面進行分析。

首先，從不同研究角度設定不同的評價指標，如資源分配比率、鏈路損傷感知、阻塞率等。Bonani等[6]在研究RWA 的固定路由、交替路由和自適應路由方法基礎上，提出了最小跳固定交替算法以降低阻塞率。Tyagi 等[7]針對動態光網絡，采用改進的水滴算法研究了 RWA 問題中的連接阻塞率最小化問題。Ebrahimzadeh 等[8]在建立線性物理層損傷模型的基礎上，對計算出的光路質量進行估計，提出了一種動態損傷感知的RWA 方案，該方法通過收集鏈路波長占用信息，采用自適應路由技術建立適合的鏈路。Marsden 等[9]提出了一個包含四波混合誘導串擾的路由和波長分配的快速計算方法，以最小化建立動態光路的時間。Dizdarevic 等[10]在對物理層損傷的分類及RWA 相關算法綜合研究的基礎上，對PLI-RWA（physical layer impairment routing and wavelength assignment）算法性能指標進行了評價。Velasco 等[11]設計了一個概率模型來計算光網絡中每個鏈路中使用波長的數量，并在此基礎上提出了一種新型的損傷感知RWA 算法。上述各種方法能夠根據鏈路的狀態指標進行分析與設計，但是均以單指標調度為主，未能考慮復雜調度條件下的調度需要。

其次，不同的調度方法會對系統的運行效果產生影響。Bandyopadhyay 等[12]針對全光網絡設計了多種啟發式算法，在多項式時間內有效地解決RWA問題的同時降低了網絡資源的能耗。Jaumard 等[13]針對RWA 中光路重新排列問題進行了研究，采用E-optimal 方法評估它所需要的最小光路重排數量，以最大化服務等級。Tang 等[14]考慮到服務差異化需求和特點，提出了基于預測和分層圖模型的路由和波長分配算法，通過波長數預測機制結合分層圖模型綜合考慮實現路由和波長資源的分配。Ricciardi等[15]能夠在鏈路資源分配的過程中根據網絡負載輕重，通過負載平衡和能量感知之間的動態切換實現網絡資源的平衡利用。Pavarangkoon 等[16]提出了一種考慮全光載波復制的路由和波長分配方案，以最小化波長復用的多載波分布式網絡所需波長。Hsu 等[17]根據光網絡中的RWA 問題的NP（nondeterministic polynomial ）特性，提出了一種基于最大不相交路徑的算法實現路由與波長的分配方法。以上研究都根據所研究的問題場景進行了算法設計，但是還缺乏在類似SDN 這種平臺結構下的具體調度方法的設計與研究。

SDN 的提出為光網絡的發展提供了很好的契機，近些年很多學者在光網絡與SDN 融合方面也進行了很多研究。Montero 等[18]針對傳統配置的低效性問題，采用測試信號機制和OpenFlow 協議，提出了一種基于SDN 的高效拓撲發現方法，允許TON（transparent optical network）自動學習光學設備之間的物理鄰接，提高數據傳輸的效率。光網絡的發展伴隨著復雜性的提升，導致傳統的網絡控制和管理框架無法與之匹配，文獻[19-20]對SDN 光網絡中的各種管控機制及應用等相關問題進行了闡述。Yan 等[21]考慮到充分了解當前網絡狀態對于在短時間內更好地實現軟件定義的可調度性至關重要，設計了網絡監控數據和網絡配置信息結合的集中式網絡數據庫，使網絡分析應用能夠更好地支持動態可編程光網絡。Santos 等[22]提出了一種用于光網絡的聯合SDN 控制器體系結構，將集群策略與豐富的層次路徑計算充分結合以提升路由性能。Chan 等[23]考慮到未來光網絡會以指數級的數據速率增長，采用認知技術對SDN 的光層及控制器等各層進行了分析與設計。文獻[24-25]提出了相應的全光SDN 結構的數據中心虛擬化架構，能夠按需提供數據擴展環境，實現動態分割網絡和計算資源，動態翻譯并提供虛擬數據中心到光層的請求，為用戶提供高帶寬低時延的連接服務。上述文獻從不同角度對SDN 與光網絡的技術融合與應用進行了研究，但是還缺乏如何在新型網絡架構下進行RWA 這類路徑資源分配的具體方案的研究。

3 基于SDN 的全光網絡框架描述

SDN 是由斯坦福大學提出的一種新型的網絡架構，其核心思想在于改變了傳統將控制與調度集成的方式，將控制平面與數據平面功能解耦，通過網絡的可編程性與網絡功能虛擬化技術，實現了網絡資源的靈活調度，提升了系統整體的運作效率。與此同時，隨著技術水平的不斷提高，全光網絡憑借其自身傳輸特性的優勢，正成為全球互聯網主干網絡的重要信息傳輸載體，SDN 在光網絡上的部署也引起了業界和研究團體的廣泛興趣[26-27]，同時國際互聯網工程任務組（IETF,The Internet Engineering Task Force）也對此進行了相應的結構定義。基于SDN 的全光網絡結構如圖1 所示。

圖1 基于SDN 的全光網絡結構

基于SDN 的全光網絡結構主要由應用層、控制平面和數據平面3 層組成，最上層為應用層，對應各種不同應用需求，例如光網互聯的數據中心服務[28]和云租戶應用等。第二層是控制平面，其核心部件為控制器（controller），控制器通過北向接口與應用層銜接，并提供不同的接口協議滿足與不同應用的兼容性；通過南向接口與數據平面銜接，南向接口負責與基礎設施資源對接，能夠支持多供應商和多協議場景，主要協議為OpenFlow，該協議采用字符流的形式，能夠包容不同網絡的傳輸格式，提供統一的數據傳輸接口。SDN 設計之初主要針對IP 網絡，并沒有考慮光網絡的信號傳輸特性，因此近些年相關研究也針對OpenFlow的結構進行了擴展[29-30]，使之適應于光網絡的傳輸方式。控制器的主要功能模塊包括資源管理、拓撲管理、調度算法模塊、網絡服務抽象等。最底層為數據平面，主要由全光網絡基礎設施構成，例如光交叉連接器（OXC,optical cross-connect）、可重構光分插復用器（ROADM,reconfigurable optical add-drop multiplexer）、波長選擇開關（WSS,wavelength-selective switch）等，由于光網不斷地發展，在與SDN 融合的過程中很多新的設備也內置了OpenFlow 協議[31]，實現與控制器的直接交互，但目前大多數的光網絡設備都無法支持直接與控制器交互，因此提出了OpenFlow 協議代理（OA,openflow agent）[32]，負責對控制器與光交換設備之間的信息轉發，實現SDN 結構下的信號傳輸與全光域交換的無縫銜接。

傳統網絡中用戶以端到端方式獲取資源信息，所有傳輸過程中的資源分配由于調度結構的限制，無法根據需要進行實時調整。網絡功能虛擬化（NFV,network function virtualization）的提出實現了對網絡資源的抽象，通過軟件化方法對網絡功能加以實現，完成對資源服務功能的部署，不但可以優化信息流的傳輸路徑、靈活配給信息傳輸流量，還可以縮短業務調度周期、提高資源的調度效率。隨著SDN 與NFV 的結合，全光網絡資源調度的靈活性得到了有效提升，可以實現資源的按需分配而不再局限于某個地域、設備或者某個供應商。在這個背景下，IETF 給出了服務功能鏈（SFC,service function chaining）的概念[33]，服務功能鏈對應著從端到端傳輸所需一系列資源的分配方式。在基于SDN 的全光網絡結構下，該種方式能夠根據業務邏輯動態分配承載業務的功能節點，實現網絡功能服務及資源部署。運行過程中，控制器的服務抽象模塊根據業務需求，將服務所需的若干資源進行抽象，提供相應服務功能實例。同時，調度算法根據資源管理模塊提供的網絡狀態信息進行資源選擇，執行服務功能的資源映射，以不同的粒度實現資源調度，適應光網絡鏈路的資源選擇及光路構建。服務功能鏈的資源分配方式對于全光網絡有著積極意義，解決了傳統調度低效、資源浪費等問題，進一步提高網絡資源重構性，實現網絡的高效管理與資源的快速有效配給。

4 自適應路由與波長分配模型

SDN 對資源虛擬化調度的過程中，鏈路及相應波長等基礎設施資源承載了數據流量，因此在服務功能鏈資源部署過程中為了提供有效的傳輸服務，需要綜合考慮光通信的傳輸質量和鏈路的調度效率等因素。

4.1 調度指標設計

RWA 被認為是全光網絡解決資源調配的有效手段，在RWA 的調度過程中，SDN 控制器通過感知網絡鏈路的物理損傷信息及資源分配狀況，根據RWA 既定的調度目標對鏈路資源進行調整。基于全光網絡調度需求的特點，本文將調度時間和鏈路質量作為調度目標。其中，調度時間是指從接受請求、執行路徑規劃到資源映射一系列過程所耗費的時間。當SDN 控制器接到業務請求時，按照服務功能鏈的資源分配方式，對請求資源的服務功能進行抽象，創建一系列服務功能集合（SFS,service function set），每個服務功能集合中由多個服務實例（SFI,service function instance）構成，可以由不同的服務供應商提供，從而實現完整鏈路資源的構建。因此可以得到m個服務功能集合SFS1，SFS2,…,SFSm，其中每個服務功能實例的請求時間服從泊松分布，所對應的平均到達率為λ1,λ2,…,λn，根據網絡流量的特征，服務功能集合內部的服務實例的調度時長服從重尾分布[34]。服務實例i(SFIi)的服務調度時間Ti為

其中，λi代表SFIi的請求到達率，分別代表調度時間的一階矩和二階矩，分別如式(2)和式(3)所示。

重尾分布的概率密度函數為

鏈路質量是網絡傳輸的重要指標，在全光網絡的運行過程中，因光學傳播特性等原因會使信號受到光損耗、串擾等影響，從而造成信號損傷。SDN控制器擁有全局網絡視圖，能夠實時感知網絡拓撲狀態信息，并根據信息變化對光路的物理損傷進行評估，判斷不同鏈路的服務狀況為鏈路分配提供依據。評估模型主要有光信噪比（OSNR,optical signal noise ratio）和Q因子2 種。實際應用中，Q因子模型由于對不同測量環境的適應性較好，應用較廣泛。Q因子模型的計算會涉及不同的物理損傷的指標，從而對線路進行綜合評定，其中包括交叉相位調制（XPM,cross-phase modulation）、四波混頻效應（FWM,four-wave mixing）、放大自發輻射（ASE,amplified spontaneous emission）等，因此SFIi的鏈路質量計算如式(5)所示。

其中，σtotal表示交叉相位調制、四波混頻效應及放大自發輻射的標準差，Ps表示對應光路信道的功率峰值，σ0表示信號為0 時的強度標準差。

4.2 目標函數定義

基于上述分析與定義，構建基于SDN 的多目標自適應路由與波長分配模型。在不同服務供應商基礎設施上，采用SDN 統一控制邏輯進行調度，利用網絡可編程性特點執行業務資源的虛擬化配置，從而實現RWA 的有效部署。在資源部署過程中，需要考慮以下幾點：1)服務功能序列的構建；2)不同供應商提供的服務基礎設施的選擇；3)根據調度目標及約束選擇相匹配的光路。結合以上分析，本文將基于SDN 的全光網絡的資源分配問題構建為一個0-1 整數規劃問題，其模型可以表示為M=（C,I,W），其中，C表示根據需要由網絡抽象所構建的服務功能鏈，由服務功能集合組成；I表示服務集合內部的鏈路資源實例；W表示鏈路資源內部可用的波段集合。相應目標函數的定義為

其中，Qth和Bth分別表示Q因子閾值和帶寬容量閾值，k、j、i、m、nj和wi分別表示服務功能鏈中服務功能集合、鏈路資源實例、鏈路可用的波段集合所對應的資源變量及相應的資源數量。

該模型融合了鏈路質量與調度時間2 個指標，以實現資源快速有效的調度。相應約束說明如下：1)Q因子閾值，所選擇的鏈路需要滿足指定閾值，以保證所選擇鏈路的信道質量符合傳輸要求；2)帶寬容量閾值，根據業務需求提供有效帶寬，保證QoS 的傳輸要求；3)波長一致性，鏈路序列均采用統一波長；4)X取值為1 或0 代表相應資源的選擇與否；5)保證光路資源的分配的唯一性；6)權值約束。

5 模型求解

由于RWA 屬于NP 完全問題，調度算法直接影響著 SO-MO-RWA 的性能，針對本文所提模型的特點，采用二進制混合拓撲粒子群優化（BHTPSO,binary hybrid topology particle swarm optimization）算法[35]對路徑規劃問題進行求解。

5.1 算法描述

粒子群優化（PSO,particle swarm optimization）算法由于具有較高的搜索效率，廣泛應用在不同領域中同時也發展了多個版本，其中二進制粒子群優化（BPSO,binary particle swarm optimization）算法常用于解決整數規劃等離散空間問題的NP 優化問題，BHTPSO 針對BPSO 易陷入局部最優解，且收斂速度慢等不足進行了優化，有效地提升了性能，在避免局部最優解的同時加速了收斂速度，進一步提升了求解整數規劃問題的效率。

與BPSO 和PSO 一樣，BHTPSO 也是在混合拓撲粒子群優化（HTPSO,hybrid topology particle swarm optimization）算法的基礎上離散化獲得的。在BHTPSO 中，向量(Xi,Vi,)分別代表粒子i的位置、速度和最優位置，分別代表其鄰居粒子發現的最優位置和整個群體所獲得的最優位置。BHTPSO 采用局部拓撲和全局拓撲相結合的方式進行搜索，粒子i的下一個速度為

其中，慣性權重w(t)為

當前粒子的下一位置可以根據群體最優Pgbest獲得，如式(9)所示。

其中，加速因子c1、c2、c3由式(10)計算獲得。

為了提升對未知解的探索能力，算法在搜索初期擴大搜索范圍，凸顯全局搜索的效果，隨著迭代次數的增加，減弱全局搜索強化局部搜索加速獲得最優解。在此期間每個粒子的最優解需要參考和Pgbest獲得。

在BHTPSO 算法的離散化過程中，通過式(11)計算粒子的速度。粒子的速度大小與位置變化有直接的關系，即0 代表粒子當前位置不需要變化，1 則相反。

為了避免在多次迭代中出現停滯，且無法獲取最優解的現象，可以將式(12)所示的E值添加給式(11)，以跳出本次迭代并繼續加速收斂。

由此每個粒子的下一位置如式(13)所示。

在對SO-MO-RWA 求解的過程中，每個粒子Xi代表一個鏈路候選解，目標函數作為適應度函數，計算步驟描述如下。

步驟1初始化粒子Xi、速度Vi、位置以及迭代次數等參數。

步驟2獲取，更新粒子速度。

步驟3通過速度、群最優位置Pgbest等計算粒子的下一位置。

步驟4如果滿足條件，則結束運行導出最優解，否則更新、Pgbest，執行步驟5。

步驟5更新參數w。

步驟6更新參數c1、c2、c3。

步驟7若最優位置在多次迭代中沒有發生變化，添加E值跳出局部搜索，執行步驟2。

5.2 算法參數優化

參數優化需要粒子群算法針對具體的問題選擇適合的參數以提升模型的計算效率。

1)慣性權重

針對慣性權重的取值范圍，本文分別選擇[0.3,0.6]、[0.7,0.9]和[1.0,1.2]這3 個區間進行了實驗，如圖2 所示。不同區間數值的測試結果顯示在不斷迭代過程中各自呈現出不同的變化幅度，其中參數取值在[0.3,0.6]時系統的運行效果最優。

2)加速因子

本文算法中加速因子有c1、c2和c3這3 個。根據經驗，粒子群算法c1和c2的取值在接近或者相等時系統運行效果較好，因此分3 種情況對其進行參數設定，其中2 種選擇將三者設置相等數值，分別為1.5 和2.5，另一種將c1、c2等值而c3差異化取值。如圖3 所示，測試結果顯示當c3差異化取值時，系統的運行效果要優于三者取值相同的情況。

圖2 慣性權重參數測試

圖3 加速因子參數測試

3)粒子數

為了測試不同數量的粒子對系統的影響，本文呈梯度地選擇了30、50、70、100 這4 種粒子數。加速因子、慣性權重等參數設置在不同粒子數量場景中均保持一致，如圖4 所示。實驗結果顯示，當粒子數N=100 時，系統運行效果最好，也就是說在粒子數量較多的情況下，更能夠提高算法的運行效率。

圖4 粒子數參數測試

4)最大粒子更新速度

最大粒子更新速度測試中，均勻地選取了3、6、9 這3 個數值，如圖5 所示。當v=6 時，測試結果要好于其他2 種情況，說明更新速度要保持在一個相對適中的值為佳。

圖5 最大粒子更新速度參數測試

BHTPSO 算法相比于BPSO 算法進一步提升了獲取全局最優解的性能。在解決整數規劃問題時，BHTPSO 算法能夠根據相應的搜索策略和規則在解空間尋找最優可行解，相比傳統方法面對解空間過大、復雜度升高從而難于計算的情況，BHTPSO算法能夠較好地適應解空間的變化從而獲得更好的近似最優解。與此同時，為了有效評估該算法計算結果的精確度，本文選擇與隱枚舉法進行比較。隱枚舉法作為分支定界法的一個分類，主要用于計算0-1 整數規劃問題，該方法通常能夠獲得問題最優解。基于本文所定義模型以及參數的設定，隱枚舉法計算結果為40.78，為了保證BHTPSO 算法計算結果的有效性，采用區間估計的方法對其數值有效范圍進行了統計分析，置信水平設置為0.95。由運行結果統計可得，BHTPSO 算法獲得的最優解符合參數為μ=41.17、σ=0.42 的正態分布N(μ,σ2)，置信區間為[41.02,41.31]，即BHTPSO 算法所求解與最優解之間的差值精度在0.6%～1.3%范圍內，非常接近最優解，這說明該算法能夠有效解決0-1 整數規劃問題。

BHTPSO 算法的復雜度主要由兩部分構成，一部分在于問題本身的規模，包括解的維度D、迭代的次數I、粒子數N等，此外還包括求解過程中粒子各種參數的運算步驟，從模型關系可知，算法的復雜度可以表示為問題規模的函數，所以復雜度可以表示為O(DIN)。

5.3 模型流程說明

本文整個模型的功能實現需要多個模塊的調度協作，調度流程如圖6 所示。首先系統能夠實時感知底層的各種鏈路損傷及鏈路調度的狀態信息，將信息匯聚到資源管理模塊并將多調度指標信息提供給BHTPSO 算法進行計算，同時將感知到的資源動態請求通過網絡抽象轉化成服務功能鏈的不同功能組件集合，經過調度算法的優化獲得合理的資源調度方案，最后通過拓撲管理進行資源映射實現網絡的資源重構。

圖6 SO-MO-RWA 的結構流程

6 仿真實驗與結果分析

本文開發了相應的測試平臺對所提出的方法進行仿真實驗。測試平臺采用離散事件仿真器OMNeT++對網絡的部件及功能進行了設計，測試平臺配置為Intel i7，8 GB DDR4 內存，Windows 7 64 bit。網絡拓撲選擇了歐洲全光網絡標準測試拓撲Pan-European[36]，如圖7 所示，其中包含40 個波段、33 條鏈路及17 個節點，同時采用擴展OpenFlow協議實現組件間通信。相關參數如表1 所示。

圖7 Pan-European 拓撲

基于損傷感知的路由與波長分配（IA-RWA，impairment-aware based routing and wavelength assignment），一直被認為是光網絡主要的資源分配方法。本文采用其中較為典型的2 種方法，波長隨機分配（IA-RWA-RF,impairment-aware based routing and wavelength assignment by random-fit）和波長首次適應（IA-RWA-FF,impairment-aware based routing and wavelength assignment by first-fit）與本文所提方法進行比較。2 種方法采用的主要路由算法為短路徑優先，同時結合各自波長分配形式實現資源分配。

表1 實驗參數

1)恢復時間

恢復時間指的是從感知損傷異常到系統調度完成實現資源重建所用的時間。對于全光網絡這種大容量高速率傳輸的網絡來說，更短的恢復時間能夠進一步減少對系統的影響保證服務質量。該指標主要是評價系統是否具有高效靈活的配置資源的調度能力，為此在不同負載情況下分別設置了不同數量的失效鏈路，以測試在不同負載及失效鏈路情況下系統的調度效果。同時對每種情況進行了30次測試，取均值作為有效測試結果，實驗結果分別如圖8 和圖9 所示。

圖8 100 Erlang 條件下的恢復時間

首先，在低負載情況下，如圖8 所示，當失效鏈路數在[1,4]范圍內，由于可用資源較多，IA-RWA-RF 調度所用時間要略少于IA-RWA-FF，隨著失效鏈路數量增多，IA-RWA-RF 所用時間呈現持續增長的態勢，在[5,10]的失效鏈路范圍內，其恢復時間從4.45 ms提升為6.91 ms，增長幅度達到55%。相比于IA-RWA-RF 和IA-RWA-FF，SO-MO-RWA所用時間的變化幅度要小，呈現的曲線態勢也較平緩。同樣在[5,10]范圍內，其恢復時間從2.92 ms 到3.65 ms，增長幅度為25%。其次，在負載較高的情況下，如圖9 所示，IA-RWA-RF 所用時間要多于IA-RWA-FF，同時兩者均高于SO-MO-RWA，實驗結果顯示，在失效鏈路為[6,10]范圍內，3 種方法呈現了一定的差異，IA-RWA-RF 從5.13 ms 變化到7.91 ms，變化幅度為54%，IA-RWA-FF 從4.64 ms變化到6.25 ms，變化幅度為35%，SO-MO-RWA 的3.71 ms 變為4.09 ms，幅度為10%。

圖9 300 Erlang 條件下的恢復時間

從測試結果可以看出，在不同負載情況下，SO-MO-RWA 所用時間都要低于IA-RWA-RF 和IA-RWA-FF，其原因主要有以下幾點：首先，在調度結構方面，SO-MO-RWA 采用SDN 控制器通過統一的控制接口，實時獲取鏈路的運行狀態信息，對鏈路資源進行自適應調整，保證服務的持續有效；其次，在調度方式上，虛擬化的資源調度方式能夠進行快速靈活的資源部署，面向業務需求優化網絡資源配置；最后，SO-MO-RWA 以調度時間為目標，同時選擇高效的全局優化算法對調度目標進行資源匹配，進一步提高了映射資源的執行效率，縮短了調度時間。相比而言，其他2 種方法采用短路徑優先，簡單但具有局部性特點，需要在路由基礎上進一步對光路進行分配實現完整的資源調度，資源分配效率相對要低，無法保證在發生多條鏈路失效情況下的系統調度性能。

2)阻塞率

光網絡的帶寬資源是由不同的波長信道構成的，不同傳輸需求會分配不同的帶寬。為了滿足波長一致性的要求，不同鏈路要選擇相同波長信道傳輸信號，當部分鏈路無法分配有效資源時，調度就會受到阻塞，阻塞率反映了有效鏈路資源的分配情況。由于不同算法資源調度方式直接決定著信道的分配方式，因此該指標也作為評估調度算法資源分配性能的重要指標。如圖10 所示，隨著網絡負載不斷升高，3 種方法均有不同幅度的上升，其中，由于信道分配具有較大的隨機性，因此IA-RWA-RF 在[40,200]的負載區間內阻塞率增長較為明顯，要高于IA-RWA-FF。相比這2 種算法，SO-MO-RWA 的指標變化幅度相對平緩，在[90,160]的負載區間內，其阻塞率從 2.19%變為2.47%，增長幅度為 12.8%。IA-RWA-RF 和IA-RWA-FF 的阻塞率分別從2.52%提升到4.24%和4.03%提升到6.67%，增長幅度分別為68%和65%；與此同時，在[170,200]的負載區間內，SO-MO-RWA 隨著負載的增加，指標并未呈現明顯的增幅，而其他2 種算法的上升幅度變化較為明顯。由此，測試結果顯示，整個測試區間內，SO-MO-RWA 相較于其他2 種算法具有更低的阻塞率。

圖10 阻塞率測試結果

分析原因主要有以下幾方面：首先，SDN 控制器能夠統一管理網絡拓撲信息，從全局角度匯聚底層的鏈路損傷信息，以及鏈路切換所需要的狀態信息，進而對服務資源序列進行鏈路選擇與流量規劃，匹配有效資源避免阻塞的發生；其次，通過服務功能鏈方式實現對資源序列的優化部署，引導鏈路資源合理配給，提高資源的分配效率；最后，本文將鏈路資源的分配問題構建為0-1 整數規劃問題，將鏈路傳輸需求等作為約束，并采用改進的二進制粒子群算法進行了全局優化，進一步提高了對有效資源的分配效率及鏈路建立的成功率。IA-RWA 采用馬爾可夫鏈對路徑資源進行構建，相比于基于SDN 的全局資源調配的方式，這種概率模型存在一定的不確定性，且隨著系統復雜度越來越高，這種不確定性更加明顯，因此在實驗中隨著負載增加，其阻塞率也會明顯增加。

3)資源利用率

資源利用率是評價參與信息傳輸組件使用效率的指標，資源利用率與網絡的運作方式有著緊密的關系。在以IA-RWA-RF 和IA-RWA-FF 為代表的IA-RWA 調度方式中，網絡調度與物理拓撲是緊耦合的，資源調度缺乏靈活性，導致資源配置融入更多冗余資源進而降低網絡資源利用率。圖11 測試了3 種算法的資源利用率。在不同的負載情況下，IA-RWA-RF 和IA-RWA-FF 算法所對應的資源利用率在19%～41%范圍內，而SO-MO-RWA 對資源的利用率則要高出很多，范圍為40%～64%。結果顯示，在相同負載情況下SO-MO-RWA 均高于其他兩者。雖然隨著負載的增加，需要更多的資源參與調度，資源利用率均有所下降，但是相對趨勢并沒有變化。

圖11 資源利用率測試結果

這是由于在SDN 架構下控制與數據轉發之間關系的解耦，以及服務功能虛擬化的應用極大地提高了網絡資源配給的靈活性，能夠有針對性地進行資源配給，從而有效提升資源的使用效率。同時，SDN 統一控制邏輯能夠根據全局信息進行策略規劃，制定相應的資源需求方案，從而提高資源的分配利用率。SO-MO-RWA 對資源的優化，提高了資源及路徑的有效性，相比其他2 種方法的局部優化調度策略而言，在資源利用上更具有優勢。此外，SDN 能夠支持不同粒度的調度，對不同資源調度需求具有更好的適應性，根據調度要求進行資源按需匹配，有效提高資源利用率。

7 結束語

本文基于SDN 面向全光網絡提出了一種自適應多目標路由與波長分配方法。該方法考慮了調度時間及鏈路質量多個調度目標，根據服務功能鏈的資源分配結構將RWA 問題定義為0-1 整數規劃模型，同時采用優化的二進制粒子群算法BHTPSO 對構建的模型求解，實現了SDN 下的路由與波長的分配。實驗結果表明，本文提出的SO-MO-RWA 方法在恢復時間、阻塞率及資源利用率等性能指標上均優于IA-RWA-RF 和IA-RWA-FF 方法。這表明基于SDN 的路由與波長分配相比于傳統方法具有更好的性能，同時也為光網絡進一步開展相關研究提供了嶄新思路。下一步研究工作中，將考慮設計全光網絡故障條件下，面向不同需求的自主調度方案。