本發明屬于軟件定義光網絡控制器部署設計領域，具體涉及到一種基于機器學習的軟件定義光網絡控制器的部署方法。

背景技術：

1、隨著5g和b5g網絡的大規模部署，包括物聯網、自動駕駛和區塊鏈等各種新型應用和服務得到了迅猛發展。與之相應地，全球互聯網中的數據流量保持了穩定和快速的增長。光網絡憑借容量大、傳輸速率高、損耗低等優勢，自出現以來始終是互聯網的基礎承載設施，在各種網絡應用環境中得到了廣泛的應用。但隨著網絡流量呈指數級的快速增長，以及人們對網絡業務質量需求的不斷提升，給光網絡也帶來了巨大挑戰。面對網絡帶寬需求的增長，以及日趨復雜的業務需求差異性，單純擴容的光網絡演進模式已經不能適應發展需求，需要引入智能和可重構的光網絡，通過智能管控，實現對業務的支撐。

2、由于光網絡與普通網絡在物理層、傳輸機制和網絡架構上存在顯著差異，如果直接采用軟件定義網絡（sdn）的方式管理光網絡會出現sdn控制器無法實現光網絡的動態配置和優化，會限制光網絡的靈活性和可擴展性，導致光網絡的故障恢復時間較長，網絡可靠性和可用性降低等問題。因此，對于光網絡需要采用軟件定義光網絡（sdon）這種創新的網絡架構，軟件定義光網絡（sdon）可以解決普通軟件定義網絡（sdn）對于光網絡管理資源利用率低、光網絡可擴展性差等問題。sdon可以充分發揮光網絡的高帶寬、低時延和高可靠性優勢，同時實現靈活的資源管理和高效的網絡運維。

3、軟件定義光網絡（sdon）多采用集中式的控制器進行網絡控制，一旦控制器出現問題或失效，很可能會導致整個網絡癱瘓，這種狀況將對云計算、大數據等高度依賴網絡資源的應用領域造成顯著影響，甚至可能超出可接受的范圍。與此同時，在推進sdon控制器的大規模部署過程中，成本控制問題也成為一個不可忽視的關鍵因素。如何在保證業務高效可靠實現的同時，對部署控制器數量進行優化始終是學術界和工業界高度關注的問題，也是影響sdon大規模應用的難點。

4、已經開展的sdon控制器部署工作大多聚焦在網絡傳輸延遲和控制冗余等方面，但是在sdon最關鍵的生存性需求及其對控制器部署策略的影響方面，仍存在不能有效降低網絡故障出現概率，控制器部署數目較多等不足。

技術實現思路

1、本發明旨在至少在一定程度上解決相關技術中存在的技術問題之一。

2、本發明的一個目的在于提供一種基于機器學習的軟件定義光網絡控制器的部署方法，結合圖卷積網絡和模擬退火算法，在確保網絡生存性的同時降低sdon的控制冗余，提高sdon的可靠性。

3、為了達到上述的目的，本發明一方面提供一種基于機器學習的軟件定義光網絡控制器的部署方法，包括：

4、s100、基于深度優先搜索策略，對sdon網絡拓撲進行遍歷，尋找該sdon網絡中從任意起始節點到任意終止節點的所有可能路徑，同時統計每條路徑的傳輸延遲值；

5、s200、設定延遲閾值，以作為延遲約束條件，篩選出滿足延遲約束條件的路徑作為可達路徑；當兩個節點之間僅有一條可達路徑時，該條可達路徑作為兩個節點之間的控制路徑；當兩個節點之間存在多條可達路徑時，選擇延遲最小的可達路徑作為控制路徑；

6、s300、構建sdon網絡新的網絡拓撲圖，該新的網絡拓撲圖構建規則包括：

7、（1）、以步驟s200獲取的全部控制路徑形成新的抽象鏈路；

8、（2）、若和之間無可達路徑，則將兩個節點劃分為不同區域下的節點，若和之間存在可達路徑，則將兩個節點劃入相同區域，據此形成若干個網絡區域；

9、s400、為每個網絡區域確定控制器位置；

10、s500、從各控制器中選擇一個作為控制中心，用于協調各個控制器之間的工作，完成sdon網絡控制器的部署。

11、進一步的，步驟s100的具體步驟包括：

12、s110、將sdon網絡抽象為無向圖，為節點的集合，表示網絡中的所有節點，其中為網絡中節點的個數；為邊集合，表示網絡中的所有邊，其中為邊的總數量；

13、s120、使用棧結構，實現基于深度優先搜索策略，對sdon網絡拓撲的遍歷；首先選擇起始節點并將其壓入棧中，然后取出棧頂節點作為當前訪問節點，將標記為已訪問，并將其加入當前路徑列表，然后，遍歷鄰居節點，對于的每個未訪問鄰居節點，計算從到的路徑總延遲，將壓入棧中；最后，檢查算法終止條件，如果是目標節點，則將當前路徑及其總延遲值記錄；如果沒有未訪問的鄰居節點，則回溯：將從當前路徑列表中移除，并標記為未訪問；

14、s130、重復遍歷過程，直到棧為空，將所有可能的路徑都搜索到；遍歷結束后，得到了到的所有可行路徑及其對應的傳輸延遲值。

15、進一步的，步驟s400中為每個網絡區域確定控制器位置的方法為：

16、s410、通過gcn模型獲得網絡拓撲的結構信息和節點特征，生成控制器部署的初始解；

17、s420、將gcn生成的初始解作為啟發式解，結合模擬退火算法優化最終控制器位置。

18、進一步的，步驟s410中通過gcn模型獲得網絡拓撲的結構信息和節點特征，生成控制器部署的初始解；具體步驟為：

19、s411、將控制器部署問題轉化為網絡拓撲圖的優化問題，為圖中的節點提取特征，包括節點度數、節點流量負載和節點的聚類系數；

20、s412、構建一個多層的gcn模型，通過多層圖卷積更新每個節點的嵌入表示；經過多層gcn計算后，輸出一個控制器適合度分數，表示每個節點作為控制器的可能性；

21、s413、利用整數線性規劃生成多個sdon網絡拓撲的最佳控制器部署方案作為訓練集，訓練步驟s412中構建的gcn模型，訓練過程中，gcn學習節點特征和圖結構之間的關系，從而預測控制器部署的最佳位置；

22、s414、使用訓練好的gcn模型對步驟s300構建的sdon網絡新的網絡拓撲圖進行預測，計算控制器適合度；選擇適合度最高的前k個節點作為初始控制器部署方案。

23、進一步的，步驟s420中將gcn生成的初始解作為啟發式解，結合模擬退火算法優化最終控制器位置，具體步驟為：

24、s421、將gcn生成的初始控制器部署方案作為初始解，設定初始溫度，應用模擬退火算法進行迭代，每次迭代時，從當前解隨機選擇一個節點，反轉該節點的控制器部署狀態，即將原來部署控制器的節點不部署控制器或者未部署控制器的節點部署控制器，生成新解；檢查新解是否滿足覆蓋性約束，即每個網絡節點要么為控制器，要么至少與一個控制器相鄰，如果不滿足覆蓋性約束則通過增加控制器或者調整控制器位置的方式，直到滿足覆蓋性約束；

25、s422、定義模擬退火算法優化控制器部署的目標函數為：

26、

27、其中是網絡中節點的總數；表示節點部署了控制器，表示節點沒有部署控制器；是未被覆蓋的節點數量；是權重系數；

28、計算新解和當前解之間的目標函數差值，若，則直接接受新解；否則，根據概率接受新解；

29、s423、每次迭代后，溫度根據設定的降溫系數逐步降低，即；連續若干次沒有接受新解時，算法結束并輸出當前解作為最終控制器位置。

30、進一步的，步驟s500中選擇對所有控制器平均延遲最小的節點部署控制中心，具體方法為：

31、設控制器部署節點的位置為，控制中心的部署位置滿足：

32、

33、其中，表示取平均值；表示部署節點間的傳輸時延。

34、進一步的，步驟s500中在選擇對所有控制器平均延遲最小的節點部署控制中心后，選擇對所有控制器平均延遲第二低的節點部署輔助控制中心，作為控制中心的備份。

35、進一步的，該方法還包括部署光性能監控，利用機器學習算法檢測sdon網絡異常并定位故障點；具體方法為：

36、通過sdon網絡控制器的南向接口sbi與光性能監控交互，收集光性能數據，并對數據進行標準化處理；

37、然后構建并訓練孤立森林模型進行異常監測，將異常數據點與網絡拓撲信息結合，定位故障發生的位置；

38、將檢測結果反饋到sdon網絡的控制器，觸發故障恢復操作。

39、本發明另一方面提供一種非暫態計算機可讀存儲介質，其上存儲有計算機指令，該計算機指令使計算機執行上述的基于機器學習的軟件定義光網絡控制器的部署方法。

40、本發明又一方面提供一種電子設備，包括：處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信，處理器調用存儲器中的邏輯指令，以執行上述的基于機器學習的軟件定義光網絡控制器的部署方法。

41、本發明再一方面提供一種計算機程序產品，所述計算機程序產品包括計算機程序，計算機程序存儲在非暫態計算機可讀存儲介質上，所述計算機程序被處理器執行時，計算機執行上述的基于機器學習的軟件定義光網絡控制器的部署方法。

42、有益效果：（1）本發明的基于機器學習的軟件定義光網絡控制器的部署方法采用深度優先搜索策略，在軟件定義光網絡中，深度優先搜索策略能夠高效地遍歷網絡拓撲，記錄所有可能路徑及其延遲值，為路徑規劃與優化提供可靠支持。

43、（2）本發明采用圖卷積網絡（gcn）生成sdon控制器部署的初始解，可以充分利用網絡拓撲的結構信息和節點特征，生成較優的sdon控制器部署初始解。gcn的關鍵優勢在于可以使用小規模網絡的最優解作為訓練數據，從而提取網絡拓撲中固有的模式和依賴關系，并將解決方案擴展到大規模網絡。

44、（3）本發明采用模擬退火算法以確定控制器位置，通過這種方式，能夠有效地優化控制器部署，最小化部署的控制器數目，同時確保網絡的覆蓋性。

45、（4）本發明采用分層部署控制器架構，通過控制中心協調各個控制器之間的工作，同時選擇對所有控制器平均延遲較低的輔助位置部署額外的控制中心，作為備份使用。避免了因所選擇的控制中心失效而導致網絡故障出現概率升高。

46、（5）本發明采用高性能的光性能監控（opm）結合孤立森林算法對sdon的監控數據進行分析，可以快速識別和定位光網絡中的異常事件，從而提高網絡的可靠性和運維效率。