彈性光網絡的輕量化業務流識別機制

吉曉龍 靜國剛

公安部第三研究所 上海 200031

引言

隨著能源互聯網的發展，信息業務與通信技術的融合日益緊密，對于光網絡的數據傳輸能力提出了新的挑戰[1-2]。這意味著彈性光網絡（Elastic Optical Network，EON）必須滿足能源互聯業務對高帶寬、高可靠性以及高實時性的數據傳輸要求。彈性光網絡所面臨的業務日益復雜，為了獲得較好的業務質量（QoS），對業務識別并優化業務區分傳輸的支持能力是提高業務端到端QoS的先決條件。因此，彈性光網絡對復雜業務的智能感知識別主要包括識別業務流類型、QoS要求以及網絡資源的調度優化等功能[3-5]。基于彈性光網絡的業務流量監測技術，業務流識別能夠根據不同的業務流對差異化的數據包進行分類識別，并對網絡資源調度分配的進行優化，以提高彈性光網絡對多樣化業務的區分支持能力。

目前業務流分類識別方法也隨著技術發展不斷演進，從早期的端口識別法、深度包流檢測到基于機器學習的方法。端口識別法往往由于端口號的變化導致識別準確度不高[6]。為了解決端口方法的局限性，通過應用層和載荷等的深度包流檢測為業務流識別提供了新方法[7-10]。深度包流檢測法通過檢測數據包的內容進行分類識別，根據已知業務流的特征模式進行分類處理。深度包流檢測法具有識別精度高、業務顆粒度小等優點，但是業務協議日趨多樣化導致實時分類計算復雜度高，甚至某些采用加密的業務數據包，識別處理的時延更長[11]。這導致深度包流檢測法在網絡業務量監測中的擴展應用受到了極大的限制[12-14]。因此很多研究人員嘗試借助業務流的特征識別業務，通過提取業務流中IP包長度、數據包到達間隔和次序等特征，再采用貝葉斯網絡（Bayesian Network）或回聲狀態網絡（Echo-State-Network, ESN）等神經網絡模型算法進行業務流的識別計算，但機器學習算法在一定程度上存在運算量較大的問題，難以通過硬件實現快速的分類識別。

隨著基于業務流特征的機器學習分類算法逐漸成為業務識別的主要方法之一，機器學習算法的性能在很大程度上決定了業務流識別的效果。因此，如何實現低復雜度的機器學習算法成為亟待解決的問題。為此，本文對傳統的回聲狀態網絡模型進行了適度簡化，提出一種輕量化回聲狀態網絡算法，對儲備池中神經元節點的拓撲結構進行了簡化，以降低實現的復雜度。針對彈性光網絡的多業務傳輸需求，提出了彈性光網絡的輕量化業務流識別算法，并設計了相應的實現方案。仿真結果表明本文所提出的算法能較好地適用于彈性光網絡系統，有效增強了彈性光網絡對多業務靈活傳輸的QoS保障。

1 輕量化回聲狀態網絡模型

回聲狀態網絡（ESN）算法是由神經網絡發展而來的一種新型儲備池計算模型。通常情況下，回聲狀態網絡模型采用由隨機稀疏連接的神經元組成的儲備池作為隱含層作為核心。儲備池的生成與回聲狀態網絡模型的學習過程相互獨立，因此，儲備池至輸出層的權值只需通過線性算法獲取，極大簡化了網絡的深度學習過程，既保證了算法模型的全局最優和泛化能力，又解決了傳統回聲狀態網絡的全局復雜性和局部過擬合等難題。

回聲狀態網絡通常包括：K個輸入神經元、N個儲備池神經元、L個輸出神經元。根據公式（1）所示，信號由輸入層傳送至隱含層的神經元：

則隱含層神經元的輸出函數y（n）為公式（2）：

由于回聲狀態網絡應用領域日益廣泛，為了滿足各種應用對實時性的要求，而硬件化是實現實時高速計算的途徑。回聲狀態網絡模型中，大量神經元節點組成了儲備池。現有的儲備池計算大多是基于軟件完成的，嚴重制約了回聲狀態網絡算法的處理速度。

神經元節點之間拓撲的復雜性對硬件實現技術提出了極大的挑戰。為了解決原有的回聲狀態網絡算法復雜程度較高，實用難度大等問題，本文提出了一種輕量化回聲狀態網絡模型。如圖1所示。

圖1 輕量化回聲狀態網絡模型

LW-ESN模型主要思想是降低回聲狀態網絡中儲備池的復雜度，將儲備池結構簡化為N個神經單元節點所構成的環形拓撲。輕量回聲狀態網絡模型在原有回聲狀態網絡模型進行簡化的同時，為了保持儲備池運算準確度，本文引入了具有豐富的動態特征的動力學方程來生成儲備池內的節點，如公式（3）所示：

其中，P為節點平均生成速率，ɑ為激勵系數，?為節點消亡率，θ為節點間距。對方程（3）作積分處理，可得到LWESN中神經元節點x(i)的生成公式（4）：

輕量化回聲狀態網絡的分類識別方法原理如公式（5）所示。基于LW-ESN的分類學習的過程中輸入樣本不變，直至儲備池中神經元節點的值趨于穩定，最終達到前后迭代計算的差異值最小化：

輕量化回聲狀態網絡只通過儲備池處理單元激活函數對狀態變量處理之前使其趨于穩定，并且仍然保持回聲狀態網絡訓練過程簡捷的特點，在降低整體復雜度的同時，也保證了算法模型的識別精度。

2 彈性光網絡的輕量級業務流識別

基于上述的輕量化回聲狀態網絡模型，本文提出了彈性光網絡多維分類識別算法，為彈性光網絡進行業務優化調度提供決策依據。

2.1 彈性光網絡業務流識別系統架構

基于前文所提出的輕量化回聲狀態網絡模型，本文根據彈性光網絡系統的集中控制架構，提出了適用于的LW-ESN業務流識別機制，如圖2所示。

圖2 彈性光網絡系統架構

本文提出的業務流識別機制主要由“業務識別主模塊”和多個“業務識別代理”構成。業務感知主模塊運行在彈性光網絡的控制器中，主要負責LW-ESN模型的初始化和訓練，以形成訓練完備的LW-ESN業務識別器。業務識別代理模塊運行在彈性光網絡的網絡邊緣節點中，用于提取每一個業務流的特征參數并進行歸一化處理。業務識別代理模塊將業務流特征參數上報給控制器中的業務識別主模塊，輸入LW-ESN模型進行運算得到分類識別結果，然后彈性光網絡的控制器根據業務流分類識別結果進行任務的優化調度。

2.2 業務流特征參數提取

業務流特征參數的提取是業務流識別的重要前提，而如何選取業務流特征參數直接決定了業務流識別的性能。業務流識別的特征參數提取主要基于兩種方法：包特征參數和流特征參數。目前，基于包的業務流量特征參數主要有：包大小、相鄰數據包時間間隔、速率等，因此本文選取最大包、最小包、平均包大小、平均到達時間以及間隔時間均值等參數。基于流的統計特征主要有：流的大小、流的持續時間、標志位個數等參數。為滿足業務流量感知的要求，原則上優先考慮易于統計和計算復雜度較低的特征參數。

2.3 業務流識別的S-ESN學習過程

根據集中式的LW-ESN業務流識別架構，LW-ESN的初始化與學習功能集中在控制器中實現，從網絡全局進行業務流識別。在業務流識別學習之前，LW-ESN需要先完成初始化，設定儲備池的神經元個數N，內部連接矩陣Win，連接權重矩陣W等參數。之后利用學習樣本庫對LW-ESN進行訓練，直到LWESN學習效果趨于穩定。位于控制器端的LW-ESN業務識別主模塊學習過程如下所述：

步驟1：設定LW-ESN的初始化參數，包括儲備池的神經元個數N，內部連接矩陣Win，連接權重矩陣W的初始值；

步驟2：根據公式（3）計算各神經單元的值，并在儲備池中形成神經單元的環形拓撲；

步驟3：根據公式（4）計算內部連接權重矩陣W；

步驟4：從學習樣本庫向LW-ESN輸入數據樣本，通過偽逆回歸算法不斷更新Wout，根據公式（5）判斷是否趨于穩定，則LW-ESN業務識別模塊完成學習過程。

2.4 業務流識別的實現流程

本文提出的業務流識別機制通過“業務識別模塊”和“業務識別代理”的交互實現，其交互流程如下：

步驟1：光交換機節點收到新的業務流，查詢其業務流表，如果有相應的流表項紀錄，則根據流表直接轉發，否則轉到步驟2；

步驟2：位于光交換機節點的業務識別代理模塊提取業務流特征參數，形成新業務流的特征參數集。

步驟3：光交換機節點將新業務流特征參數集上報給彈性光網絡的控制器；

步驟4：位于控制器點的業務識別模塊提取新業務流特征參數，運用本文提出的輕量級業務流識別算法，得出新業務流所對應的OoS類型和優先級；

步驟5：控制器根據業務流識別結果，進行路由計算，并分配相應的網絡資源；

步驟6：控制器將新業務流的路由及資源配置指令以流表方式，下達給相關的光交換機節點；

步驟7：相關光交換機根據控制器的指令，進行波長資源分配，并回復確認消息給控制器，完成業務流識別與業務連接的建立。

3 仿真結果與分析

本文以支撐能源互聯網多業務接入的彈性光網絡作為典型應用場景以驗證所提出的業務流識別方法，主要從系統丟包率、時延等方面性能與相關算法進行對比驗證。仿真環境采用NS2網絡仿真軟件構建彈性光網絡驗證平臺，主要針對丟包率敏感型和時延敏感型兩種業務。業務按照優先級不同劃分為3個等級：即Class_1（高優先級業務）、Class_2（中優先級業務）和Class_3（低優先級業務）。在網絡仿真系統中分別采用本文算法（LW-ESN）與傳統算法（ESN）進行仿真比較，圖3到圖4為比較的結果。

仿真驗證主要對業務流識別與非業務流識別這兩種機制進行對比。通過分析圖3和圖4的仿真結果，兩種機制的丟包率和時延性能隨著業務負載的增長均有所劣化。對于相同的業務負載，本文機制的丟包率和時延性能總體上優于傳統機制，尤其Class_1（高優先級業務）和Class_2（中優先級業務）。由于Class_3級的業務的時延或者對丟包率的要求較低，本文機制有所取舍地優先保證中高等級的業務，而低等級業務的性能則略為降低。

此外，采用本文機制的彈性光網絡中，高優先級業務的丟包率和時延性能均優于傳統的彈性光網絡系統。本文機制雖然以降低Class_3業務性能為代價，獲得業務服務質量的總體提升，尤其滿足高優先級業務的需求。因此，本文機制整體而言更具合理性。

本文所提出的業務流識別方法能夠有效降低計算處理的復雜度，并且提高了彈性光網絡系統中多類型業務與網絡之間的適配性，從而在整體上提高了光接入網對業務的服務質量。因此本文所提出的機制能夠有效增強彈性光網絡系統區分支持多業務的能力，尤其提升了高實時性和高可靠性業務的服務質量，使得面向互聯網多業務的彈性光網絡能夠達到更為合理的資源分配和效果。

4 結束語

為更好地提高彈性光網絡系統對互聯網多樣化新業務的區分支持能力，本文提出了一種輕量化回聲狀態網絡算法，通過對回聲狀態網絡模型進行了輕量化的裁剪，極大簡化了儲備池中神經元結構和儲備池計算復雜度。針對彈性光網絡的多業務識別感知需求，提出了基于輕量化回聲狀態網絡的業務流感知優化機制，并設計了相應的實現方案。仿真以互聯網多業務混合接入作為應用場景，對基于輕量化回聲狀態網絡的業務流識別優化算法進行驗證。仿真結果與分析驗證了本文所提出的算法的有效性，并且表明業務流識別機制能較好地適用于多業務的彈性光網絡，有效提高其對多業務傳輸的QoS保障。