弹性光网络环境下虚拟光网络映射的研究的中期报告.docx

该【弹性光网络环境下虚拟光网络映射的研究的中期报告 】是由【niuwk】上传分享，文档一共【2】页，该文档可以免费在线阅读，需要了解更多关于【弹性光网络环境下虚拟光网络映射的研究的中期报告 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。弹性光网络环境下虚拟光网络映射的研究的中期报告本篇中期报告主要介绍了在弹性光网络环境下虚拟光网络映射的研究进展及未来计划。一、研究背景随着大规模数据中心、云计算等应用的推广,传统的数据通信网络已经无法满足快速增长的数据流量需求。光网络由于其高带宽、低时延、低能耗等优点,成为满足现代通信需求的最佳选择。但是,光网络的资源是宝贵的,一般情况下只有少部分用户能够享受到光网络的优质服务。因此,如何为更多用户提供高质量的光网络服务是当前亟待解决的问题。虚拟光网络技术是一种将物理光网络资源虚拟化的技术,可以为用户提供定制化的、灵活的、高质量的光网络服务。因此,虚拟光网络技术在未来的光网络中扮演着重要的角色。在虚拟光网络中,虚拟网络请求可以根据自己的需求定制化网络拓扑、链路性能、节点资源等。然而,虚拟光网络的资源配置问题是NP难问题,如何在光网络中高效、灵活地映射虚拟网络请求,是目前研究的热点问题。二、研究进展目前,虚拟光网络映射算法主要分为静态映射和动态映射两种。静态映射指在虚拟网络请求到来之前,就对物理光网络进行资源分配,在虚拟网络请求到来后只需要进行映射即可。动态映射则是在虚拟网络请求到来后,在物理网络中动态分配资源。静态映射相对于动态映射,资源利用率更高,但是映射灵活性不够。而动态映射的灵活性更高,但是资源利用率会随着映射过程的变化而改变。基于以上问题,我们在弹性光网络环境下,提出了一种基于深度学****的虚拟光网络映射算法。我们的算法分为离线训练和在线映射两个部分,离线训练部分使用深度学****的技术对历史虚拟网络请求进行学****并生成未来网络请求的概率分布。在线映射部分,根据概率分布,预测未来网络请求的情况,并根据当前物理光网络的资源情况进行虚拟光网络的映射。我们使用了MFA(Multi-FunctionArray)智能网络处理器来加速深度学****的计算过程,实现了离线训练的加速。通过仿真,我们发现我们的算法相对于传统静态映射算法和动态映射算法能够更好地平衡带宽利用率和资源利用率。三、未来计划未来我们将进一步优化深度学****模型,提高虚拟网络映射的效率和准确率,同时考虑更多光网络资源的限制。我们打算在实际的光网络中开展实验验证,提高我们算法的实际应用价值。此外,我们将考虑虚拟光网络的时延、安全性等问题,增加虚拟网络请求的保障级别。