FCM認(rèn)知算法在軟件定義網(wǎng)絡(luò)中的應(yīng)用研究

何 紅, 趙 佐

(1．西安航空學(xué)院 電子工程學(xué)院， 西安 710077； 2．西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，西安 710072)

0 引 言

光網(wǎng)絡(luò)[1]正處于不斷的進(jìn)步發(fā)展中，經(jīng)過(guò)前4代的發(fā)展，當(dāng)前正在興起的第5代光網(wǎng)絡(luò)是基于自適應(yīng)功能、可視化和靈活網(wǎng)格的軟件定義光網(wǎng)絡(luò)(Software Defined Optical Network，SDON)[2]，且光超級(jí)信道的調(diào)制速率非常快[3]。但在新興的光網(wǎng)絡(luò)中，由于光路貫穿整個(gè)網(wǎng)絡(luò)影響到光信道，且同向傳播信道的物理?yè)p害也會(huì)不斷累積。因此，某些光路的到達(dá)范圍可能會(huì)減少，并受到給定信號(hào)質(zhì)量閾值，例如，誤碼率(Bit Error Rate, BER)和光信噪比(Optical Signal to Noise Ratio, OSNR)數(shù)值的限制。因此，對(duì)于一些較長(zhǎng)的路徑，網(wǎng)絡(luò)控制平面可能被迫設(shè)置較低的每信道比特率和改進(jìn)調(diào)制格式，以提供所需的容量。

很多研究人員研究了高速光網(wǎng)絡(luò)的傳輸質(zhì)量(Quality of Transmission, QoT)，如文獻(xiàn)[4]提出了基于終端限制帶寬檢測(cè)的大數(shù)據(jù)傳輸調(diào)度算法，針對(duì)實(shí)際應(yīng)用，設(shè)計(jì)出基于終端系統(tǒng)限制的大數(shù)據(jù)傳輸任務(wù)調(diào)度器模型；文獻(xiàn)[5]的方法需要網(wǎng)絡(luò)拓?fù)浜凸饴芳系南嚓P(guān)信息以計(jì)算相應(yīng)的質(zhì)量因子，其中較高的質(zhì)量因子對(duì)應(yīng)著較低的BER，但該方法的估計(jì)器有一定的局限性；文獻(xiàn)[6]提出了損傷可控的全光網(wǎng)絡(luò)，將網(wǎng)絡(luò)控制能力擴(kuò)展到對(duì)傳輸損傷控制的層面，解決了損傷可控光網(wǎng)絡(luò)結(jié)構(gòu)、光路傳輸性能動(dòng)態(tài)優(yōu)化調(diào)節(jié)機(jī)制等關(guān)鍵問(wèn)題；文獻(xiàn)[7]提出了QoT估計(jì)器，該QoT估計(jì)器的主要缺陷在于：在案例數(shù)量不斷增加的情況下，即使使用固定誤差基于案例的推理(Case Based Reasoning, CBR)，也需要利用相關(guān)技術(shù)進(jìn)行定期優(yōu)化以保持算法性能。

本文在SDON背景下提出一種基于模糊C均值(Fuzzy C Mean, FCM)聚類算法的算法，該算法利用FCM算法實(shí)現(xiàn)一個(gè)認(rèn)知引擎，生成模糊引擎規(guī)則，并根據(jù)從光學(xué)環(huán)境中學(xué)習(xí)到的經(jīng)驗(yàn)來(lái)調(diào)整其隸屬函數(shù)，由此為系統(tǒng)提供快速和準(zhǔn)確的性能。通過(guò)計(jì)算模擬，對(duì)FCM算法進(jìn)行了性能評(píng)價(jià)，與CBR算法相比，F(xiàn)CM算法在快速性和誤差避免方面性能更優(yōu)。

1. 算法分析與構(gòu)建

1.1 FCM聚類算法

在模糊邏輯(Fuzzy Logic, FL)算法中，知識(shí)表示為IF…THEN規(guī)則[8]。在FL中允許部分的從屬關(guān)系，即一個(gè)元素僅在一定程度上屬于某個(gè)集合。這一從屬度通常被稱為隸屬值，并表示為[0，1]區(qū)間內(nèi)的一個(gè)實(shí)值，其中0和1分別代表完全不隸屬和完全隸屬關(guān)系。

式中，μi,j為數(shù)據(jù)點(diǎn)xi對(duì)于聚類中心cj存在的一個(gè)隸屬性，i=1,2,…,N，j=1,2,…,K，且FCM中不存在空聚類。

由于聚類中包含隸屬度為1的元素會(huì)造成其他聚類為空[9]，式(1)避免了這種情況。數(shù)據(jù)集合中的每個(gè)元素都會(huì)屬于某個(gè)聚類，由此第i個(gè)元素的隸屬度之和為1。

為了識(shí)別出X中的最優(yōu)模糊C分割，本文通過(guò)迭代程序?qū)CM目標(biāo)函數(shù)最小化，

式中：dE(xi,cj)為數(shù)據(jù)點(diǎn)xi與聚類中心cj之間的歐氏距離；cl為第l個(gè)聚類中心。

聚類中心的定義為

1.2 CBR算法

CBR算法通常包括5個(gè)步驟[10]：(1)存儲(chǔ)以往的經(jīng)驗(yàn)或案例；(2)從中搜索并檢索最相似的案例；(3)使用檢索到的過(guò)去案例求解新問(wèn)題；(4) 修改建議的解；(5)保留新的經(jīng)驗(yàn)，以求解未來(lái)的問(wèn)題。在傳統(tǒng)的CBR算法中，步驟(2)利用歐氏距離確定新案例的輸入?yún)?shù)與存儲(chǔ)案例的參數(shù)之間最接近的匹配。設(shè)A={a1,a2,…,aT}為新案例輸入?yún)?shù)的集合，T為集合A的最大元素?cái)?shù)；B={b1,b2,…,bM}為存儲(chǔ)案例參數(shù)集合，M為集合B的最大元素?cái)?shù)。第l個(gè)新案例與第h個(gè)存儲(chǔ)案例之間的歐氏距離dE(xl,ch)定義為

式中：v和Q為參數(shù)數(shù)量(本文假定Q=1)；av,l為輸入?yún)?shù)集合的元素；bv,h為存儲(chǔ)案例參數(shù)集合的元素。

1.3 FCM算法

本文所采用FCM算法的模擬流程圖如圖1所示。模擬步驟如下：

圖1 模擬流程圖

(1) 數(shù)據(jù)收集：收集光介質(zhì)相關(guān)的訓(xùn)練數(shù)據(jù)，利用OptiSystem軟件實(shí)現(xiàn)光學(xué)介質(zhì)相關(guān)的訓(xùn)練數(shù)據(jù)的計(jì)算機(jī)模擬。該步驟的目的是根據(jù)OSNR和Q因子等度量，計(jì)算每條光路的性能。此過(guò)程評(píng)估光路中的物理層對(duì)每種調(diào)制格式及每個(gè)路徑長(zhǎng)度的衰減效應(yīng)。該步驟結(jié)束時(shí)，生成一個(gè)包含光路屬性的數(shù)據(jù)庫(kù)。

(2) 數(shù)據(jù)預(yù)處理：選擇從步驟(1)收集到的數(shù)據(jù)的相關(guān)參數(shù)，以待用作FCM算法的輸入和輸出。

(3) 聚類數(shù)量的選擇：為應(yīng)用選擇合適的聚類數(shù)量。

(4) 數(shù)據(jù)聚類：通過(guò)FCM算法對(duì)步驟(2)處理過(guò)的數(shù)據(jù)進(jìn)行聚類，并生成相應(yīng)的隸屬函數(shù)。

(5) 規(guī)則生成：基于步驟(4)得到的隸屬函數(shù)，自動(dòng)生成規(guī)則，用于實(shí)時(shí)制定決策。

(6) FCM應(yīng)用：對(duì)每個(gè)到達(dá)控制平面的連接請(qǐng)求，F(xiàn)CM算法根據(jù)路徑長(zhǎng)度確定合適的調(diào)制格式。

1.4 控制平面架構(gòu)

為了實(shí)現(xiàn)FCM算法的應(yīng)用，需要一種相應(yīng)的控制平面，提出的控制平面架構(gòu)如圖2所示。其中，網(wǎng)絡(luò)應(yīng)用包含在遠(yuǎn)程網(wǎng)絡(luò)控制器(Remote Network Controller, RNC)中，通過(guò)開(kāi)發(fā)結(jié)構(gòu)，使用標(biāo)準(zhǔn)協(xié)議(如OpenFlow(OF))與遠(yuǎn)程網(wǎng)絡(luò)設(shè)備進(jìn)行通信。將OF代理放置在網(wǎng)絡(luò)設(shè)備的頂部，以提供與RNC的通信接口。RNC還有另一個(gè)接口，以接收來(lái)自網(wǎng)絡(luò)用戶的連接請(qǐng)求。RNC中嵌入的多個(gè)網(wǎng)絡(luò)應(yīng)用分為兩個(gè)階段使用：

圖2 所提控制平面架構(gòu)

(1) 連接建立之前采用的算法為：使用Dijkstra算法計(jì)算源節(jié)點(diǎn)和目的節(jié)點(diǎn)之間的最短路徑；使用本文所述的FCM算法步驟進(jìn)行操作；頻譜分配算法。將FCM中嵌入的模塊稱為認(rèn)知算法CA1，即頻譜分配算法的輸入，負(fù)責(zé)為Dijkstra算法計(jì)算出的路徑確定調(diào)制格式。

(2) 在連接建立之后，網(wǎng)絡(luò)監(jiān)視器實(shí)時(shí)采集已建立連接的OSNR，并通過(guò)OF接口將其發(fā)送至RNC。RNC將測(cè)量結(jié)果發(fā)送至認(rèn)知算法CA2模塊，該模塊將其作為另一個(gè)FCM算法的輸入。

2 計(jì)算模擬

2.1 鏈路模擬

為了收集訓(xùn)練數(shù)據(jù)，本文考慮一個(gè)光網(wǎng)絡(luò)，使用超級(jí)信道的多載波調(diào)制方案[11]。每個(gè)超級(jí)信道被分割為多個(gè)子載波的正交信道，每個(gè)子載波承載一部分的超級(jí)信道數(shù)據(jù)速率。為滿足200 Gbit/s的光路需求，在DP-16 數(shù)字調(diào)制器正交幅度調(diào)制(Quadrature Amplitude Modulation, QAM)方案中使用一個(gè)在200 Gbit/s處調(diào)制的子載波，占用頻隙為25 GHz；或在正交相移鍵控(Quadrature Phase Shift Keying, QPSK)方案中使用100 Gbit/s調(diào)制的兩個(gè)子載波，每個(gè)子載波占用頻隙為25 GHz，總計(jì)50 GHz。

訓(xùn)練數(shù)據(jù)為OptiSystem模擬器(版本13.1)進(jìn)行的離線計(jì)算機(jī)模擬。OptiSystem仿真軟件配置如圖3所示，其配置了光發(fā)射器和接收器、相干接收器、數(shù)字信號(hào)處理模塊、摻鉺光纖放大器、高斯光學(xué)濾波器、電放大器以及一個(gè)標(biāo)準(zhǔn)光學(xué)濾波器[12]。表1所示為用于DP-QPSK和DP-16 QAM的仿真參數(shù)。

表1 DP-QPSK和DP-16 QAM的仿真參數(shù)

圖3 OptiSystem軟件仿真配置

2.2 FCM和CBR算法的計(jì)算模擬

本文對(duì)得到的訓(xùn)練數(shù)據(jù)進(jìn)行分析，并選擇出了具有可接受QoT的光路，選擇標(biāo)準(zhǔn)以高階調(diào)制為先。結(jié)果如表2所示，表中，調(diào)制格式為1表示DP-QPSK 100 Gbit/s，調(diào)制格式為2表示DP-16 QAM 200 Gbit/s。存儲(chǔ)這些列表數(shù)據(jù)，以待下一個(gè)步驟中用于FCM算法的訓(xùn)練和學(xué)習(xí)。

為了對(duì)表2給出的數(shù)據(jù)進(jìn)行聚類，本文使用了Matlab軟件中的FCM genfis3函數(shù)。表2給出了輸入和輸出數(shù)據(jù)。Matlab軟件中的FCM genfis3函數(shù)為系統(tǒng)的輸入和輸出均生成了隸屬性的高斯隸屬函數(shù)，聚類的隸屬度隨著路徑長(zhǎng)度和調(diào)制格式的變化情況如圖4所示。

表2 輸入數(shù)據(jù)和輸出數(shù)據(jù)

圖4 聚類的隸屬度隨著路徑長(zhǎng)度和調(diào)制格式的變化情況

由圖可知，聚類1的輸入與短距離路徑相關(guān)，聚類2的輸入與長(zhǎng)距離路徑相關(guān)。長(zhǎng)距離路徑與短距離路徑之間存在一個(gè)過(guò)渡區(qū)域(500～1 500 km)，該區(qū)間內(nèi)的路徑被視為一定程度的長(zhǎng)或短路徑，由高斯隸屬函數(shù)給出。高斯函數(shù)不會(huì)在這一過(guò)渡區(qū)域內(nèi)出現(xiàn)突然變化。如果路徑過(guò)短，一般來(lái)說(shuō)，Q因子數(shù)值將滿足高階調(diào)制格式的要求。如果路徑過(guò)長(zhǎng)，則假定Q因子的數(shù)值不能滿足高階調(diào)制格式的要求。但如果路徑處于下界和上界閾值之間的不確定區(qū)域中，則適當(dāng)調(diào)制格式的選擇將直接取決于Q因子數(shù)值，而非路徑長(zhǎng)度。本文使用FCM算法對(duì)該不確定區(qū)域進(jìn)行建模，這樣能夠給系統(tǒng)帶來(lái)極大的靈活性和適應(yīng)性。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 FCM和CBR算法的性能比較

FCM和CBR算法的計(jì)算時(shí)間隨不同連接數(shù)量的變化情況如圖5所示。圖中每個(gè)點(diǎn)對(duì)應(yīng)于算法運(yùn)行10次得到的均值。當(dāng)請(qǐng)求連接數(shù)為2 500個(gè)時(shí)，F(xiàn)CM算法的平均計(jì)算時(shí)間為14.4 s，標(biāo)準(zhǔn)偏差為0.2 s。CBR算法的平均計(jì)算時(shí)間為1 405 s，標(biāo)準(zhǔn)偏差為33.1 s。結(jié)果表明，當(dāng)使用100個(gè)訓(xùn)練案例時(shí)，F(xiàn)CM算法大約比CBR算法快兩個(gè)量級(jí)，這證明了FCM與CBR技術(shù)之間的復(fù)雜度差異。模擬中，兩個(gè)算法在調(diào)制格式的選擇上表現(xiàn)出100%的一致性。如果訓(xùn)練案例的數(shù)量降至50個(gè)，則FCM算法依然能給出100%的成功選擇，而CBR算法對(duì)于5 000個(gè)連接請(qǐng)求則會(huì)出現(xiàn)約30%的誤差比。誤差的產(chǎn)生源于案例數(shù)量的減少。該準(zhǔn)確度評(píng)價(jià)中使用了已知的連接請(qǐng)求序列及相關(guān)的調(diào)制格式。

圖5 FCM和CBR算法的計(jì)算時(shí)間隨不同連接數(shù)量的變化情況

3.2 控制平面中存儲(chǔ)案例的影響

在控制平面(如圖2所示)連接建立后，網(wǎng)絡(luò)監(jiān)視器實(shí)時(shí)采集已建立連接的OSNR，并通過(guò)OF接口將其發(fā)送至RNC。算法根據(jù)實(shí)測(cè)的OSNR值，選擇每次使用的調(diào)制格式。聚類的隸屬度隨輸入和輸出的變化情況如圖6所示。定義的規(guī)則為：如果測(cè)得的OSNR屬于聚類1，則調(diào)制格式屬于聚類1；如果測(cè)得的OSNR屬于聚類2，則調(diào)制格式屬于聚類2。

圖6 聚類的隸屬度隨輸入和輸出的變化情況

為了深入分析，當(dāng)請(qǐng)求連接的數(shù)量設(shè)為500個(gè)時(shí)，將存儲(chǔ)案例的數(shù)量從100個(gè)變?yōu)?0 000個(gè)，控制平面中FCM/CBR算法的計(jì)算時(shí)間變化情況如圖7所示。從模擬結(jié)果的線性擬合看，算法在存儲(chǔ)案例數(shù)量增加的情況下，其計(jì)算時(shí)間呈線性增長(zhǎng)，可見(jiàn)，存儲(chǔ)案例的數(shù)量會(huì)影響到算法的性能。

圖7 CBR/FCM算法的計(jì)算時(shí)間之間的關(guān)系

4 結(jié)束語(yǔ)

本文提出了一種基于FCM算法的方法，所提方法為光路實(shí)時(shí)確定調(diào)制格式，并實(shí)現(xiàn)了很高的評(píng)估成功率，且速度更快，比傳統(tǒng)的CBR算法快兩個(gè)量級(jí)。雖然本文著眼于離線訓(xùn)練，但當(dāng)與OSNR監(jiān)測(cè)系統(tǒng)一起工作時(shí)，所提算法可以實(shí)時(shí)地適應(yīng)不斷變化的環(huán)境。這是因?yàn)樗岱椒ɡ帽O(jiān)測(cè)系統(tǒng)收集到的新數(shù)據(jù)以適應(yīng)隸屬函數(shù)的處理過(guò)程耗時(shí)非常短。