基于人工智能算法的OTN時延數據優化與路徑規劃研究

吳邦毅

摘要：隨著數字經濟的發展，各行各業對低時延的需求場景日益增多，在這種情況下，傳輸業務時延的準確性和完整性愈加重要。文章基于OTN光傳送網絡特性，提出了一種利用人工智能算法優化OTN時延數據與路徑規劃的方法。該方法通過對歷史數據的深入學習和分析，構建預測網絡時延變化趨勢的回歸模型，實現時延數據的快速補全。同時，文章依托完善的資源數據，結合人工智能搜索算法進行最優時延路徑規劃，為資源優化及路徑規劃應用提供了廣泛而實用的解決方案。

關鍵詞：OTN；時延估算；決策樹回歸；路由規劃；啟發式搜索

中圖分類號：TP393? 文獻標志碼：A

0 引言

隨著數字經濟的發展，客戶對于高速率、低時延的網絡需求愈加重視，例如自動駕駛、遠程醫療、直播帶貨等。光傳送網絡（Optical Transport Network，OTN）作為目前主流的通信網絡傳輸技術，可以滿足高品質的網絡需求。然而，OTN的時延數據缺失情況較突出，無法在售前為客戶設計低時延的路徑規劃，客戶的感知度不佳。為了提高OTN時延數據的完整性，更好地優化OTN網絡體驗，本文通過分析OTN業務的數據關系，提煉影響OTN業務時延的核心特征變量，結合有效的時延數據，提出基于人工智能算法訓練OTN業務時延估算模型，來解決OTN業務時延數據缺失及準確性低的情況。系統利用完善的時延數據，研究搜索算法技術，為客戶展示并推薦最優的時延路徑，推動OTN網絡時延可視化、路由智能隨選，助力提升通信運營的業務感知。

1 傳統的OTN業務時延數據測量及分析方法

1.1 OTN業務時延測量

OTN網絡經過近幾年的商業化發展，網絡規模越來越大，組網場景越來越復雜，業務形態越來越多，逐漸形成了多廠家、多設備、多業務組成的異構型超大規模網絡，對于其承載的業務時延測量越來越困難。目前，常用的OTN業務時延測量方法有2種，一種是基于外接儀表的OTN業務時延測量，通過掛接測試儀表實現，該方法存在成本高、效率低等問題，難以在工程現網中規模化使用。另一種是光通道數據單元（Optical Data Unit，ODU）在通道監控（Path Monitoring，PM）、串聯連接監控（Tandem Connection Monitoring，TCM）開銷中設計了時延測量字節，以隨路開銷的方式測量業務時延［1］。該方法具有成本低、效率高、風險小等特點，但是較依賴于設備的硬件能力，部分設備不支持該測試方法。

1.2 OTN業務時延估算

鑒于現有OTN業務時延測量方法難以完全實時、全面、準確地進行測量，時延估算成為獲取OTN業務時延數據的有效補充方法，常見的時延估算方式有通過匹配同屬于一個區域段落或光纜段線路相同的資源，將其通路上承載的業務時延值作為參考，進行時延數據的補全，該方法忽略了不同設備、不同技術的影響。時延估算也可以通過光子網連接（Sub-network Connection，SNC）拼接而成，如圖1所示經過的光纜段由SNC1、SNC2和SNC3組合匹配而成，可以利用SNC1、SNC2和SNC3的時延測算出SNCx的時延。

2 基于回歸算法實現OTN業務時延數據優化

2.1 OTN業務時延特征

樣本數據的質量直接決定了模型訓練的效果，特征變量的選取對于數據采集、模型訓練和驗證至關重要，在OTN網絡中，影響OTN業務時延的因素主要為網元間的傳輸距離，因為光在均勻介質中的傳輸速率是恒定的［2］，所以傳輸時延與傳輸距離呈線性關系。光信號在傳輸系統中進行光交換或光電交換，交換和處理會增加傳輸的時延，交換芯片的處理性能與設備類型相關，所以時延也受到設備類型的影響。

2.2 構建模型算法

OTN業務時延數據的優化是一個典型的回歸預測問題，本文基于決策樹算法的回歸模型實現時延估算，這種模型憑借其諸多優點在數據預測領域展現出非常好的實用性。決策樹回歸算法作為一種監督學習算法，不僅可解釋性強，能夠處理復雜的非線性關系和高維數據，而且訓練代價相對較小，運算速度快，這使得模型能夠快速迭代和優化［3］。

本文在構建時延估算決策樹模型時，關鍵點在于確定哪些變量對預測時延數據具有顯著影響，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單元，每個單元對應一個特定的輸出值。通過這種方式，模型能夠更準確地捕捉時延數據的內在規律和模式。在樣本集的處理上，模型通過精心選擇輸入空間的分割點，將每個區域進一步細分為特征子域。這種劃分方式使得模型能夠更好地適應數據的分布特性。更為關鍵的是，模型以每個子域內的樣本均值作為該區域的輸出值，這一做法充分考慮了樣本的集中趨勢，從而提高了預測的準確性。

2.3 模型訓練與測試

系統在進行模型訓練的初期，對樣本數據進行加工和整理，局站、機房、設備網元等數據均做標準化的數據轉換，將標簽值統一轉換成機器可以識別的數值。樣本數據被精心劃分為訓練集和驗證集，其中三分之二的數據用作機器訓練以構建和優化模型；剩余的數據則作為驗證集用于提升驗證模型的泛化能力。模型在驗證集上的性能評估，主要采用均方誤差（Mean Squared Error，MSE）這一指標。除了MSE外，R平方（R-squared，R2）和平均絕對誤差（Mean Absolute Error，MAE）等指標也可以同時輔助評估模型［4］。通過多指標的評估，提升模型的預測精度和穩定性。

模型在對訓練集進行訓練的過程中，會學習如何根據特征預測目標變量的值。模型訓練過程中通過生成隨機數，靈活地調整樹的最大深度、最小葉子節點樣本數等，使得模型盡可能地擬合測試集的結果［5］，同時還可以通過集成學習來提高模型的性能。經過多輪迭代驗證，系統自動選取最優的結果，保存預測模型，預測模型可以不斷地更新，提升缺失及異常的時延數據預測準確性。

3 基于啟發式搜索算法實現OTN業務時延路徑規劃

3.1 常見的搜索算法比較

深度優先搜索（Depth-First Search，DFS）和廣度優先搜索（Breadth-First Search，BFS）是2種常用的遍歷算法［6］。DFS會沿著樹的深度遍歷樹的節點，盡可能深地搜索樹的分支，直到找到目標為止。而BFS則從起始節點開始，首先訪問所有相鄰的節點，然后逐層向外擴散，最后直到找到目標。本文在OTN時延路徑規劃的搜索研究中發現，當節點較多時，這些搜索算法生成的時延路徑非常多，算路時間較長，會消耗大量的計算資源。

啟發式搜索則是一種利用問題本身的特性在搜索過程中產生的一些信息，這些信息可以引導尋路搜索更加精準和高效。啟發式搜索根據問題的特點和尋路過程中的經驗，選擇最有希望的方向進行搜索，從而加速問題的求解，并找到最優解。本文在OTN時延路徑規劃的搜索研究中發現，系統在用啟發式搜索時延路徑的過程中，可以結合時延業務自身特點，不斷地調整時延路徑的搜索方向，提升搜索效率。綜合以上情況，啟發式搜索在路徑規劃的實現上會更加適用。

3.2 數據采集與數據衍生

系統為了實現OTN業務時延算路，需要做數據樣本的采集和衍生。

（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經過的網元、鏈路、交叉等數據。

（2）SNC的時延測量值，該值通過掛表測試及網管獲得，也可以通過文中所述基于人工智能算法模型預測獲得。

（3）地理位置信息，系統根據鏈路首尾站點的經緯度信息，借助于GIS工具估算站點間直線距離，生成衍生數據。

（4）物理路由數據，包括：通信站點信息；端到端的站點、機房、ODF成端等基本信息；光纜、光纜段、局內中繼數據。

3.3 啟發式搜索解決時延路徑規劃

啟發式搜索算法不同于傳統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，智慧地探索最優的方向，即每次找下一個站點都是評估的所有站點中離目標最近的那個節點，在下一次搜索時，依然選取最優的節點進行搜索，直到找到目標，啟發式搜索算法是靜態路由網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延路徑，提高搜索效率，本文的時延路徑算法是基于啟發式算法進行設計，構造搜索算法函數f（x）=h（x）+g（x）。其中，f（x）為評價函數，評價該站點的時延選路優先值。h（n）為啟發函數，從當前站點到目標站點的估計時延代價。這個值需要進行估算，本文引入了與目標站點經緯度差值×系數作為公式，估算出從該站點到目標站點的啟發時延代價值。g（n）為損失函數，從起始站點到當前站點的時延值，即到達該站點已經產生的時延。

本文在實現規劃路徑的過程中，首先進行資源數據的清理，篩選符合要求且有空閑通道的站點，這些具備條件的站點組成尋路拓撲網絡地圖。系統從起始站點出發，尋找周邊路徑可達的關聯站點，將這些站點全部進行時延選路優先值f（x）的計算并保存入堆棧，在堆棧里根據時延選路優先值的大小進行排序，選擇時延選路優先值最優的站點，作為新的起點繼續進行下一次的搜索，尋找該站點周邊路徑可達且不重復的關聯站點，將這些新增的關聯站點進行時延選路優先值的計算并保存入堆棧，系統對更新后的堆棧再次進行時延選路優先值排序，選擇時延選路優先值f（x）最佳且不重復的站點作為新起點。不斷重復該過程，直到搜索到目標站點。啟發式算法的優點就是盡可能高效快速地引導時延選路找到目標。

4 結語

隨著數字經濟的崛起，傳送網絡的時延測量面臨更高要求，傳統方法已無法滿足需求。本文提出基于人工智能的OTN時延數據與路徑規劃優化方法，通過機器學習建立高精度時延估算模型，保障時延數據的完整性和準確性，結合啟發式搜索算法實現高效的時延路徑規劃，不僅提升了客戶體驗，還為運營商提供了靈活的網絡優化手段。未來，筆者將繼續深入研究OTN技術，隨著技術的不斷進步和應用場景的不斷拓展，這一研究領域必將迎來更加廣闊的發展前景。

參考文獻

［1］吳上，鄧浩江，盛益強.基于門控循環神經網絡的網絡時延預測模型［J］.網絡新媒體技術，2021（6）：29-37.

［2］李世峰.基于改進BP網絡的時延預測建模與仿真［J］.唐山師范學院學報，2022（6）：56-69.

［3］蘇旭東，衷璐潔.基于BPNN端到端時延預測的多路傳輸調度［J］.計算機工程與設計，2022（1）：66-72.

［4］李航.統計學習方法［M］.北京：清華大學出版社，2012.

［5］周志華.機器學習［M］.北京：清華大學出版社，2016.

［6］肖漢光，王勇.人工智能概論［M］.北京：清華大學出版社，2020.

（編輯 沈 強）

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