基于深度神經(jīng)網(wǎng)絡(luò)的EON自適應(yīng)調(diào)制方法研究

王建華, 冉煜琨, 趙 杰,2

(1.成都理工大學(xué) 工程技術(shù)學(xué)院, 四川 樂(lè)山 614000； 2.核工業(yè)西南物理研究院,成都 610213)

0 引 言

隨著光網(wǎng)絡(luò)、物聯(lián)網(wǎng)和多媒體等技術(shù)的快速發(fā)展，視頻數(shù)據(jù)通信量正大量增長(zhǎng)[1-2]。傳統(tǒng)的波分復(fù)用(Wavelength Division Multiplexing, WDM)網(wǎng)絡(luò)難以勝任，而彈性光網(wǎng)絡(luò)[3](Elastic Optical Network, EON)通過(guò)頻隙的彈性頻譜資源來(lái)處理異構(gòu)流量，利用相干光學(xué)正交頻分復(fù)用，可提供超過(guò)100 Gbit/s的高數(shù)據(jù)速率[4]。

由于網(wǎng)絡(luò)環(huán)境的時(shí)變性，需要利用特殊的流量負(fù)載控制方法來(lái)實(shí)現(xiàn)更好的頻譜資源效率。文獻(xiàn)[5]提出了離線距離自適應(yīng)頻譜資源分配方案，根據(jù)源到目的地節(jié)點(diǎn)的距離來(lái)確定調(diào)制深度，為每條路徑選擇每符號(hào)最大比特?cái)?shù)和最小符號(hào)率，節(jié)約了頻譜帶寬；文獻(xiàn)[6]提出了一種基于負(fù)載均衡的優(yōu)先共享通路保護(hù)方法，以實(shí)現(xiàn)備份頻譜資源共享的最大化；文獻(xiàn)[7]提出了能有效預(yù)計(jì)算最短路徑樹(shù)的組播路由和頻譜分配算法，在組播路由前，會(huì)在網(wǎng)絡(luò)中預(yù)先放置適當(dāng)?shù)慕M播能力節(jié)點(diǎn)；此外，還有一些研究者將自適應(yīng)調(diào)制表示為整數(shù)線性規(guī)劃問(wèn)題[8-9]。

大部分研究著眼于無(wú)線網(wǎng)絡(luò)的訪問(wèn)和聚合層，以最小帶寬提供了最優(yōu)的體驗(yàn)質(zhì)量[10]。而本文研究了骨干網(wǎng)絡(luò)的EON上的視頻流問(wèn)題，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)的自適應(yīng)調(diào)制分配方法。現(xiàn)有DNN方法主要考慮如何最大化頻譜效率，而本文所提調(diào)制方法的創(chuàng)新點(diǎn)是充分考慮了期望用戶體驗(yàn)質(zhì)量(Quality of Experience, QoE)，并最大化頻譜效率，具有較大的用戶導(dǎo)向性。仿真結(jié)果表明，本文所提方法能夠節(jié)約頻譜帶寬，并降低了EON中的阻塞概率(Blocking Probability, BP)。

1 提出的系統(tǒng)模型

1.1 自適應(yīng)調(diào)制分配方法

距離自適應(yīng)調(diào)制分配的概念是在到達(dá)率和頻譜寬度之間進(jìn)行權(quán)衡，通過(guò)將調(diào)制格式適應(yīng)到沿路徑的減損水平來(lái)提升頻譜利用率。具體來(lái)說(shuō)，通過(guò)保持相同的數(shù)據(jù)速率，為網(wǎng)絡(luò)中的短路徑選擇較高進(jìn)制的調(diào)制格式、較低的光信噪比(Optical Signal Noise Ratio, OSNR)容限和較窄的頻譜，而針對(duì)網(wǎng)絡(luò)中的較長(zhǎng)路徑，則選擇較低的進(jìn)制調(diào)制、較高的OSNR容限和較寬的頻譜。

本文自適應(yīng)調(diào)制分配的主要思想如圖1所示，采用了包含12個(gè)光學(xué)節(jié)點(diǎn)的環(huán)形網(wǎng)絡(luò)。圖1(a)中兩端帶箭頭的圓弧表示光路，圓弧的厚度表示分配的頻寬。選擇效率最高的傳輸參數(shù)集，在一定光路條件下將分配的頻譜資源最小化，同時(shí)保持?jǐn)?shù)據(jù)速率不變，要調(diào)整的參數(shù)包括調(diào)制水平和光纖帶寬。靈活頻譜資源分配的原理是：最短路徑A受OSNR劣化和濾波窄化效應(yīng)的影響最小，因此選擇頻譜效率最高的參數(shù)集(如16-正交振幅調(diào)制(Quadrature Amplitude Modula, QAM)和37.5 GHz的濾波寬度)；對(duì)于包含較多節(jié)點(diǎn)跳數(shù)的路徑C和D，使用穩(wěn)健性較高的參數(shù)集(如正交相移鍵控(Quadrature Phase Shift Keying, QPSK)和50.0 GHz的濾波寬度)；對(duì)于最長(zhǎng)路徑B，濾波窄化效應(yīng)的影響最大，因此應(yīng)分配最大的濾波寬度(如62.5 GHz)，以保持出口光節(jié)點(diǎn)處的通率處于可接受水平。若假定12.5 GHz的頻隙寬度，則37.5、50.0和62.5 GHz的光譜分別對(duì)應(yīng)于3、4和5個(gè)頻隙。圖1(b)所示為分配頻隙、光信號(hào)頻譜剖面和濾波剖面的樣例。

圖1 頻譜資源分配示意圖

本文所提自適應(yīng)調(diào)制進(jìn)制分配算法中主要研究了對(duì)網(wǎng)絡(luò)擁塞情況影響最大的通信視頻數(shù)據(jù)。另一方面，視頻源編碼器可自適應(yīng)生成具有所需質(zhì)量和數(shù)據(jù)速率的壓縮視頻。本文所提算法的目標(biāo)是在確保達(dá)到用戶所需最低視頻QoE之外，還要實(shí)現(xiàn)總頻譜效率最大化。

EON中的任何路由頻譜分配(Routing Spectrum Allocation, RSA)算法都必須考慮兩個(gè)約束，即頻譜一致性和頻譜連續(xù)性。根據(jù)頻譜一致性，每條光路在其通過(guò)的路徑上使用中間連接鏈路中的相同頻隙；頻譜連續(xù)性要求系統(tǒng)向每個(gè)需求分配連續(xù)的頻隙。本文選擇了常用的RSA算法，即最短路徑優(yōu)先適應(yīng)算法。在該算法中，考慮到上述兩個(gè)約束，其策略是選擇源到目的地節(jié)點(diǎn)間最短路由路徑。此外，其嘗試從可用頻隙列表中選擇索引值最低(最早出現(xiàn))的頻隙，并將其分配至光路，以滿足連接要求[11]。

本文所提算法執(zhí)行以下3個(gè)步驟：

(1) 使用Dijkstra路由算法，在候選路徑rp∈Rp中選擇最短路由路徑。

(3) 根據(jù)優(yōu)先擬合算法，分配路由鏈路中索引值最低的np個(gè)空閑頻隙，并建立連接。

1.2 DNN架構(gòu)

所提DNN中，訓(xùn)練的目標(biāo)是實(shí)現(xiàn)訓(xùn)練輸入和輸出集合上的損失函數(shù)最小化。損失函數(shù)l(x,y)為稀疏分類交叉熵，交叉熵事實(shí)上是DNN輸出和分類標(biāo)簽間的一個(gè)相似性度量[12]，其定義如下：

式中：x和y分別為訓(xùn)練—測(cè)試分類標(biāo)簽相應(yīng)的DNN輸出集合；p(i)為真實(shí)分布概率；q(i)為非真實(shí)分布概率。

對(duì)于視頻內(nèi)容請(qǐng)求，執(zhí)行Dijkstra路由算法。作為請(qǐng)求特征的3個(gè)參數(shù)分別為路由長(zhǎng)度Ds-d、跳數(shù)NH和視頻質(zhì)量Uth，學(xué)習(xí)從特征向量x={Ds-d,NH,Uth}到輸出空間y∈ {二進(jìn)制相移鍵控(Binary Phase Shift Keying, BPSK), 2m-QAM,m=2, 3, 4, 5, 6, 空}的映射f。對(duì)于選擇給定隱藏層的最優(yōu)神經(jīng)元數(shù)量和DNN中隱藏層的最優(yōu)數(shù)量而言，并無(wú)固定規(guī)則[12]。在選擇這些數(shù)值時(shí)需要在準(zhǔn)確度和復(fù)雜度之間進(jìn)行權(quán)衡。本文選擇了兩個(gè)全連接隱藏層，每層包含128個(gè)神經(jīng)元，可在當(dāng)前數(shù)據(jù)集上實(shí)現(xiàn)可接受的準(zhǔn)確度。提出的DNN如圖2所示，包含了一個(gè)輸入層、兩個(gè)隱藏層和一個(gè)softmax輸出層，其中softmax層對(duì)輸出結(jié)果進(jìn)行一次換算，以概率形式展現(xiàn)，輸出單元包括BPSK、QAM和空。每個(gè)神經(jīng)元全連接至下一層，并將信息饋送至輸出。

圖2 本文所提DNN示意圖

隱藏層激活函數(shù)的選擇會(huì)對(duì)訓(xùn)練過(guò)程和最終DNN性能產(chǎn)生顯著影響。在第1層的神經(jīng)元，利用Sigmoid函數(shù)將每個(gè)數(shù)值進(jìn)行映射:

式中：τ∈ [-∞, +∞]；Φ(τ) ∈ [0, 1]；exp( )為指數(shù)函數(shù)。

選擇修正線性單元(Rectified Linear Unit, ReLU)作為第2層神經(jīng)元的激活函數(shù)，定義如下：

式中， max( )為最大值函數(shù)。

上述激活函數(shù)的選擇能夠在本文數(shù)據(jù)集上實(shí)現(xiàn)良好的準(zhǔn)確度。DNN在其決策層中使用softmax激活函數(shù)，輸出為q=softmax(τ)：

式中，j為虛數(shù)。

解碼后的數(shù)值對(duì)應(yīng)于具有最高概率的索引。使用知名的Adam算法在訓(xùn)練過(guò)程中進(jìn)行優(yōu)化。使用TensorFlow深度學(xué)習(xí)庫(kù)生成所有數(shù)值結(jié)果。

基于兩個(gè)基準(zhǔn)網(wǎng)絡(luò)拓?fù)洌?4節(jié)點(diǎn)美國(guó)國(guó)家自然科學(xué)基金會(huì)(National Science Foundation, NSF)網(wǎng)絡(luò)和8節(jié)點(diǎn)中國(guó)網(wǎng)絡(luò)(China Network, CN)骨干網(wǎng)，生成DNN真實(shí)數(shù)據(jù)。對(duì)于每個(gè)網(wǎng)絡(luò)中每對(duì)可能的源—目的地節(jié)點(diǎn)，利用Dijkstra路由算法選擇一些候選最短路徑。根據(jù)Ds-d和NH計(jì)算出每個(gè)路由路徑的OSNRs-d，并估計(jì)出每個(gè)候選調(diào)制類型(即BPSK，2m-QAM，m=2,3,4,5,6)的BER。其后，將視頻文件集合置于給定的BER下，并在解碼后提取出相應(yīng)的效用參數(shù)。基于得出的數(shù)據(jù)，確定調(diào)制類型i及唯一ci，ci與給定Ds-d和NH的視頻QoEUth正相關(guān)。 選擇能夠滿足給定Uth、具有最大ci的調(diào)制類型。另一方面，若沒(méi)有任何調(diào)制進(jìn)制能夠滿足Uth，則請(qǐng)求將被中止，調(diào)制類型將被確定為“無(wú)調(diào)制”。

2 仿真與分析

2.1 仿真框架

首先生成NSF網(wǎng)絡(luò)和CN骨干網(wǎng)的真實(shí)數(shù)據(jù)集；然后，將數(shù)據(jù)集分為兩部分，作為不同場(chǎng)景下的訓(xùn)練和測(cè)試數(shù)據(jù)，訓(xùn)練和測(cè)試數(shù)據(jù)中均包含了兩個(gè)網(wǎng)絡(luò)的數(shù)據(jù)。網(wǎng)絡(luò)拓?fù)淙鐖D3所示。

圖3 網(wǎng)絡(luò)拓?fù)鋱D

第1個(gè)場(chǎng)景：選擇CN骨干網(wǎng)的全部數(shù)據(jù)用于訓(xùn)練，NSF網(wǎng)絡(luò)數(shù)據(jù)用于測(cè)試。

第2個(gè)場(chǎng)景：選擇NSF網(wǎng)絡(luò)的全部數(shù)據(jù)用于訓(xùn)練，CN骨干網(wǎng)數(shù)據(jù)用于測(cè)試。

第3個(gè)場(chǎng)景：首先對(duì)CN骨干網(wǎng)數(shù)據(jù)進(jìn)行置亂，然后將2/3的數(shù)據(jù)量用于訓(xùn)練，并將剩余1/3數(shù)據(jù)量用于測(cè)試。

第4個(gè)場(chǎng)景：首先對(duì)NSF網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行置亂，然后將2/3的數(shù)據(jù)量用于訓(xùn)練，并將剩余1/3數(shù)據(jù)量用于測(cè)試。

第5個(gè)場(chǎng)景：合并兩個(gè)網(wǎng)絡(luò)拓?fù)涞臄?shù)據(jù)并進(jìn)行置亂，將2/3的置亂數(shù)據(jù)量用于訓(xùn)練，并將剩余1/3的置亂數(shù)據(jù)量用于測(cè)試受訓(xùn)后的DNN性能。

2.2 訓(xùn)練測(cè)試與運(yùn)行時(shí)間

對(duì)于輸入向量x={Ds-d,NH,Uth}的一個(gè)請(qǐng)求，訓(xùn)練DNN以選擇能夠滿足Uth且具有cmax的調(diào)制進(jìn)制。表1所示為不同場(chǎng)景下的準(zhǔn)確度評(píng)價(jià)結(jié)果。

表1 DNN訓(xùn)練和測(cè)試數(shù)據(jù)

由表可知，本文所提方法取得了優(yōu)秀性能，不同場(chǎng)景下準(zhǔn)確度均超過(guò)98%。對(duì)于一個(gè)場(chǎng)景，僅完成一次訓(xùn)練過(guò)程。在該過(guò)程中確定DNN的最優(yōu)權(quán)重和偏倚系數(shù)，然后鎖定該DNN。

為評(píng)價(jià)所提算法，本文開(kāi)發(fā)了一個(gè)基于事件的模擬器。考慮一個(gè)動(dòng)態(tài)場(chǎng)景，其中光路請(qǐng)求在成對(duì)的源—目的地之間隨機(jī)出現(xiàn)，遵循泊松過(guò)程，到達(dá)率為λ，且每個(gè)連接占用時(shí)間遵循負(fù)指數(shù)分布，參數(shù)為μ。此外，視頻通信的連接帶寬隨機(jī)分布范圍為[1～10]個(gè)頻隙。網(wǎng)絡(luò)提供的負(fù)荷參數(shù)定義為λ/μ(單位為Erl)。對(duì)于一個(gè)連接請(qǐng)求，使用Dijkstra算法選出最短路由路徑。其后，將特征向量x={Ds-d,NH,Uth}饋入訓(xùn)練后的DNN，并得到調(diào)制進(jìn)制結(jié)果。

所提方法包含兩個(gè)處理步驟：(1) DNN訓(xùn)練；(2) 實(shí)踐。主要成本為DNN訓(xùn)練程序，復(fù)雜度為O(n3)。如前文所述，對(duì)于一個(gè)EON，僅完成一次該訓(xùn)練過(guò)程。表2所示為本文所提方法與距離自適應(yīng)[5]和整數(shù)規(guī)劃方法[8]的平均計(jì)算時(shí)間，其中實(shí)驗(yàn)平臺(tái)配置為Intel Core i5 2.3 GHz處理器，8 GB內(nèi)存，操作系統(tǒng)為macOS。根據(jù)表中列舉的不同場(chǎng)景，對(duì)DNN進(jìn)行200代訓(xùn)練約耗時(shí)2～4.5 min。執(zhí)行算法時(shí)，本文所提算法的計(jì)算時(shí)間略大于距離自適應(yīng)算法，這是因?yàn)椋疚乃崴惴ㄊ褂昧税瑑蓚€(gè)全連接層的DNN，但鑒于使用本文所提算法帶來(lái)的性能提升，計(jì)算時(shí)間的略微增加是可以接受的。

表2 計(jì)算時(shí)間比較

2.3 頻譜效率分析

為了能夠以令人滿意的質(zhì)量在EON上以最小數(shù)量頻隙傳輸視頻文件，選擇與Ds-d、NH和Uth相適應(yīng)的調(diào)制進(jìn)制，從而提升EON中的頻譜效率。

圖4所示為對(duì)于NSF網(wǎng)絡(luò)和CN骨干網(wǎng)，本文所提方法與其他方法在不同路由距離下的平均頻譜效率，網(wǎng)絡(luò)內(nèi)的可用距離按從短到長(zhǎng)排序，表示為1～6的距離索引值。由圖可知，在相同環(huán)境中，本文所提方法的平均頻譜效率優(yōu)于距離自適應(yīng)和整數(shù)規(guī)劃方法。在NSF網(wǎng)絡(luò)中，本文所提方法的平均頻譜效率比距離自適應(yīng)和整數(shù)規(guī)劃方法分別高出51%和32%；在CN骨干網(wǎng)中，本文所提方法的平均頻譜效率比距離自適應(yīng)和整數(shù)規(guī)劃方法分別高出43%和29%。理論上，調(diào)制分配是尋找信道狀態(tài)到系統(tǒng)性能的映射問(wèn)題，這類問(wèn)題是復(fù)雜非線性的。距離自適應(yīng)方法通過(guò)將調(diào)制格式適應(yīng)到沿路徑的減損水平來(lái)提升頻譜利用率；整數(shù)規(guī)劃方法通過(guò)整數(shù)規(guī)劃方法求極值。這兩類方法并不能較好體現(xiàn)模型的內(nèi)部映射關(guān)系，且難以完全考慮到光纖的非線性和中間路由設(shè)備的物理參數(shù)。而本文所提DNN方法是一種有監(jiān)督的學(xué)習(xí)方案，對(duì)于復(fù)雜非線性映射問(wèn)題的解決具有先天優(yōu)勢(shì)，可學(xué)習(xí)問(wèn)題特性和參數(shù)映射，對(duì)結(jié)果進(jìn)行準(zhǔn)確分類，且具有良好的用戶導(dǎo)向性，因此，在EON中頻譜效率提升明顯。

圖4 各方法在不同路由距離下的平均頻譜效率

2.4 BP分析

BP是衡量RSA算法性能的基準(zhǔn)參數(shù)之一。BP定義為失敗連接請(qǐng)求數(shù)與總連接請(qǐng)求數(shù)之比。

在仿真框架章節(jié)描述過(guò)的環(huán)境中，與距離自適應(yīng)方法相比，本文所提方法需要兩個(gè)額外參數(shù)，即最低Uth和從源到目的地節(jié)點(diǎn)的路由跳數(shù)。仿真實(shí)驗(yàn)考慮了不同的BER數(shù)值，BER∈{10-6, 10-9, 10-12, 10-15}，相應(yīng)的視頻質(zhì)量則分別為Uth∈{35.71, 67.51, 95.51, 126.17}。

圖5所示為在兩種網(wǎng)絡(luò)拓?fù)湎拢疚乃岱椒ā⒄麛?shù)規(guī)劃和距離自適應(yīng)方法的BP。在所提自適應(yīng)調(diào)制進(jìn)制分配方案中，BER的降低除了會(huì)提高QoE外，還會(huì)導(dǎo)致BP的升高。此外，對(duì)于兩種網(wǎng)絡(luò)拓?fù)洌嚯x自適應(yīng)方法的BP曲線均在本文所提方法的BP曲線上方。本文所提方法的最高BP是在BER=10-15情況下，但比最近的整數(shù)規(guī)劃方法整體低約0.01，比距離自適應(yīng)方法低更多。這是因?yàn)椋麛?shù)規(guī)劃和距離自適應(yīng)方法中采用的調(diào)制進(jìn)制均值要低于本文所提方法，使用較低進(jìn)制的調(diào)制，且未考慮Uth，從而造成提供的QoE高于用戶所需。雖然本文所提方法提供了Uth，但并未造成頻譜浪費(fèi)，整體BP更低。

圖5 在不同BER數(shù)值下的BP

圖6所示為在兩種網(wǎng)絡(luò)拓?fù)湎拢褂貌煌{(diào)制進(jìn)制RSA算法的BP曲線。由圖可知，隨著調(diào)制進(jìn)制的升高，所需帶寬及BP均得到了下降。另一方面，與低進(jìn)制調(diào)制相比，高進(jìn)制調(diào)制的魯棒性較低，BER較高，且QoE較低。因此，固定調(diào)制的資源分配算法不能同時(shí)提供可接受的質(zhì)量以及最優(yōu)帶寬。

圖6 在不同流量負(fù)載情況下的BP

3 結(jié)束語(yǔ)

本文研究了EON上的視頻通信問(wèn)題，提出了一種DNN方法以提升頻譜利用效率，其中輸入特征為網(wǎng)絡(luò)請(qǐng)求的源到目的地距離、跳數(shù)和接收視頻期望質(zhì)量，神經(jīng)網(wǎng)絡(luò)的輸出為能夠確保用戶QoE且?guī)捯蟮淖钚≌{(diào)制。仿真結(jié)果表明，與距離自適應(yīng)調(diào)制等方法相比，本文所提方法能夠節(jié)約更多的頻譜資源，顯著降低了EON中的BP。