一、光网络中的分布式故障定位方法（论文文献综述）
郅聪颖[1]（2021）在《基于机器学习的数据中心光网络资源管理》文中指出随着人工智能（Artificial Intelligence,AI）、云计算（Cloud Computing,CC）、大数据（Big Data,BD）和物联网（Internet of Things,IoT）等先进技术的发展,在软件定义网络（Software Defined Network,SDN）、机器学习（Machine Learning,ML）和深度学习（Deep Learning,DL）等多学科交叉技术的支持下,数据中心光网络正向网络结构扁平化、组网方式智能化和业务应答低时延等方向迅速演进。目前,由于数据中心光网络规模的不断扩大,拓扑结构变得更加复杂,业务承载需求变得更加多样化,全网整体效能取决于众多因素,各种动态性能指标显得更加重要。传统的频谱分配算法难以满足不同业务的资源需求,导致频谱碎片化的产生。此外,点对点静态单一的参数监测技术难以满足大规模动态复杂光网络的分析需求,并且对故障的分析不够全面及时准确。针对现有方法和研究的不足,本论文的主要研究工作如下:（1）本论文首先设计了引入人工智能技术的软件定义光网络（Software Defined Optical Network,SDON）架构,解决了异构网络互联互通的问题,并且通过在控制层面引入人工智能技术辅助SDON控制器,实现了容量规划类的弹性管理、故障预测、信道质量评估和流量监控,还研究了数据中心之间（inter-DC）和数据中心内部（intra-DC）的业务特点和架构特点。（2）针对传统频谱分配算法不能够满足不同业务需求的问题,本论文提出了基于机器学习的灵活资源管理算法（Machine Learning based the Flexible Resource Management,ML-FRM）。ML-FRM算法采用支持向量机（Support Vector Machine,SVM）算法对信道质量进行分类;采用无监督学习K-Means算法对业务流量进行聚类;根据业务流量聚类结果,将不同等级的业务匹配不同的信道并分配相适应的频谱资源分配算法,提高了全网频谱资源的利用率。（3）针对数据中心光网络中的故障分析问题,本论文提出基于长短期记忆网络的数据中心光网络故障预测算法Long Short-term Memory-Support Vector Machine（LSTM-SVM）,本论文中采用基于时间序列的LSTM算法进行参数的演变趋势自学习预测,同时联合SVM算法自动构建最优分类超平面,实现数据中心光网络故障预测。本论文提出的ML-FRM算法充分利用了机器学习强大的挖掘和推理能力,紧密结合现网运行数据,实现了数据中心光网络中的多目标参数分析;提出的LSTM-SVM算法在立体监测数据集和深度学习算法的基础上,完成参数的状态追踪和预测,进一步实现高效、准确和智能的故障预测,为动态可靠智能的光网络技术提供有效的故障分析模型和综合分析方案。因此,数据中心光网络能够准确、快速地响应多业务需求,降低成本,实现更高的资源利用率。
刘明哲[2]（2021）在《光网络中人工智能的部署及应用技术研究》文中指出如今,光网络作为提供低时延大容量传输能力的重要基础设施,结合数据中心提供的计算和存储能力,承载了海量的异构数据。而人工智能技术（Artificial Intelligence,AI）凭借其强大的数据分析能力,被视为实现光网络自动控制和故障定位最有前途的方法之一。在光网络中人工智能技术的部署方面,现有的研究存在以下不足:在传统的云计算范式下,原始数据需要汇聚到中心云节点之后进行处理,难以满足某些低时延业务的需求,同时加重了网络带宽的负载;而在光网络中人工智能技术的应用上,虽然较多研究证明了 AI在光学性能检测和决策管理上的优势,但很少有研究提出利用AI技术提升物理层的安全性。本文的主要内容和成果包括以下两点:（1）提出一种面向人工智能推理业务的光网络模型部署和资源分配机制。针对人工智能在光网络中的部署来满足低时延AI推理业务的问题,本文设计了一种基于边缘计算的深度神经网络（Deep Neural Network,DNN）模型按需提供策略。首先,分析网络中的边缘和云节点中的计算资源、网络带宽资源以及业务所需的DNN模型特性,建立了成本模型和时延模型。然后综合考虑网络中的计算、带宽资源,提出一种启发式算法,在边缘和云节点之间进行灵活的切分DNN,达到满足时延约束需求下的负载均衡。最后,仿真结果表明,本文提出的算法提高了低时延DNN推理业务的成功率,同时有效降低了整个网络的带宽负载,以及云节点的计算负载。（2）提出一种基于人工智能的光纤窃听检测方案。针对光网络物理层安全中的光纤窃听问题,本文提出了一种基于深度学习的光纤窃听检测方案。首先,通过分光模拟窃听,并收集光纤信号在不同分光比例下的眼图,经过预处理整理成训练集。其次,建立卷积神经网络（Convolutional Neural Network,CNN）模型,然后训练其对不同分光比例下的眼图识别。最后,实验验证方案的可行性和准确率。实验结果表明,该方案在较低的窃听分光比的情况下,依然能保证较高的窃听行为识别率。
于奥[3]（2021）在《云计算环境下基于光载无线接入网的资源分配策略研究》文中提出作为支撑未来移动通信的重要基础设施,光载无线接入网可以将光网络的高速率大容量与无线网络的灵活移动等特性相结合,提供高速灵活的用户接入服务。在光载无线接入网的发展过程中,传输设备种类繁多、支撑业务愈发多样、节点数量逐渐增大,由此产生了光载无线接入网所面临的规模扩展受限与资源利用低效的挑战,迫使光载无线接入网由传统的封闭系统到开放云计算环境拓展。近些年,基于云计算的光载无线接入网凭借其高弹性、大带宽以及高可靠等优势,成为满足用户接入网需求的新一代关键技术。在云计算快速发展的背景下,设备数量、部署规模以及各类通信协议标准进一步增长,云计算环境下的光载无线接入网已呈现出多场景、多技术的异构特征,面临着资源分配受限、流量调度复杂、故障恢复低效等诸多困难。具体的,基于云计算的光载无线接入网的资源分配主要有三种应用场景,第一是从数据中心间网络角度,长期的网络资源规划可以避免全局资源浪费,提升服务调度效率;第二是从数据中心内网络角度,精准的突发流量调度可以避免突发流量拥塞和性能下降,提高云服务响应速度;第三是从移动前传网角度,资源的跨场景分配以及快速精准的故障定位可以提升网络的整体表现,降低因资源浪费以及故障产生的经济损失。围绕不同场景,出现了面向数据中心间网络的长期资源规划、数据中心内网络的突发流量调度以及移动前传网的网络切片和故障快速恢复等关键问题。针对上述问题与挑战,本论文以面向云计算环境下光载无线接入网的资源分配为核心,采用人工智能技术辅助,针对数据中心内部网络、数据中心间网络和移动前传网三种不同应用场景,选择合适的深度学习方法,并对神经网络模型进行优化与重设计,利用流量预测和告警分类等学习结果,对后续资源分配过程提供指导,最后在云计算环境下光载无线接入网仿真平台上分别进行了性能验证。相关研究工作对云计算环境下光载无线接入网的广泛应用及高效的资源分配化具有重要参考意义。主要创新成果如下:（1）在数据中心间网络场景下,针对长期网络资源分配受限的问题,首先通过流量预测的方式来为光载无线接入网中的流量调度提供协助,创新性地提出了的多重时间间隔特征学习网络（Multiple Time Interval Feature-Learning Network,MTIFLN）模型,实现 了长期流量预测。其次,设计了基于流量预测的资源分配方案,根据流量预测结果和当前网络资源利用情况实现数据中心间网络资源的高效分配。通过将多个具有不同采样间隔的双向循环神经网络集成到一个框架中,MTIFLN模型具有强大的能力来提取不同时间间隔的流量特征,避免了多步预测的累计误差,从而实现长期流量的一步精确预测。在基于流量预测的资源分配方案中,根据预测结果和现有资源计算流量优先级并为将来的流量保留资源。仿真结果表明,MTIFLN模型可以有效提高长期流量预测的准确性,而基于流量预测的资源分配方案可以有效利用光载无线接入网的网络资源。（2）在数据中心内网络场景下,针对流量调度复杂的问题,首先设计了基于误差反馈的脉冲神经网络（Spiking Neural Network,SNN）,从而实现突发流量的高精度预测。随后,设计了一种预测辅助调度算法来实现最坏情况下的突发流量高效调度。一方面,基于误差反馈的SNN框架可以通过模仿生物神经元系统来显着增强突发流量特征的提取能力,多突触机制可以有效提取突发流量特征,而误差反馈模块可以在无需求导的情况下实现误差的反向传播。另一方面,预测辅助调度算法使用全局评估因子和流量缩放因子来实现流量的高效调度,为突发流量提供可靠的调度方案。仿真结果表明,所提方法可以有效地将SNN集成到流量调度方案中,并以可承受的计算复杂度实现令人满意的性能。（3）在移动前传网场景下,针对光网络与无线网络资源难以实现全局分配的问题,首先提出了一种数据驱动的方法,通过将资源状态映射到二维矢量图,实现从光网络到无线网络的联合网络切片,该设计可以大大缩短了切片状态更新的时间。此外,还介绍了相应的切片重构算法,以平衡光网络和无线网络中每个切片的负载。矢量图综合考虑了移动前传网和数据中心间网络的资源相关性以及负载信息。仿真结果证明,提出的方法可以大大降低切片状态更新的成本,并获得理想的切片重配置性能。（4）在移动前传网场景下,针对故障恢复低效问题,创新性地提出了 一种基于深度置信网络的故障定位（Deep Belief Network-based Fault Location,DBN-FL）模型,以实现移动前传网单链路故障的快速定位。DBN-FL模型包含两个阶段,包括混合预训练阶段和基于列文伯格-马尔夸特（Levenberg Marquardt,LM）算法的微调阶段。在混合预训练阶段,我们将有监督和无监督学习相结合,以减少对训练样本的需求。在微调阶段,采用LM算法代替传统的反向传播算法对DBN-FL模型进行微调,大大减少了线下训练所需的时间。实验结果表明,所提出的DBN-FL模型可以实现作为分类器的高精度故障定位（精度超过96%）,并且在定位精度和训练效率方面均优于传统的深度学习方法。
赵旭东[4]（2020）在《基于意图驱动的光网络中智能策略研究》文中研究说明新世纪以来,光网络智能化控制技术先后经历了自动交换光网络（ASON）、路径计算单元（PCE）、软件定义光网络（SDON）等多个发展阶段,光层智能管控的功能与范畴被不断扩展。在5G加速推进物联网、云计算、大数据等新兴技术发展的背景下,光网络作为重要的支撑技术,正面临新的需求与挑战,其中具体表现为:从单一的网络资源变为存储、计算、网络等多维度资源,导致资源维度进一步扩展;从光层的连接到链路、存储、计算能力的跨层连接,导致连接能力要求提升;从固化地关注带宽、时延、丢包、抖动等网络参数,到用户只关注内容服务的体验质量,导致传输参数动态变化。综上所述,实现光网络自学习、自适应、自优化是光网络智能管控技术的下一发展方向。因此,本论文从策略视角出发,围绕基于意图驱动下的光网络智能策略展开研究,取得若干关于意图驱动光网络闭环控制的创新性研究成果,主要包括:第一,针对现有的光网络传输策略难以适应多样化意图需求的难题,本论文研究了意图关键词提取算法,设计了意图请求报文,实现了对意图的精准表述;同时,在意图请求报文约束下,重点研究了基于强化学习的智能策略生成算法,通过组合细粒度策略,生成对光网络新的配置手段。仿真结果表明,所提算法在满足意图请求的前提下,网络资源利用率较高,实现了意图与策略的最优适配。第二,针对智能策略下发执行时,可能面临与突变的光网络环境无法适配的难题,本论文重点研究了基于高精度故障定位方法的意图保障机制,通过引入深度神经进化网络,提出一种面向大规模告警集的高精度故障定位方法,有效实现对光网络故障节点的精准定位,辅助策略层及时隔离故障。仿真结果表明,所提算法在十万量级告警信息下,故障定位精确度达到92%,定位时延可缩短0.5s。第三,为验证所提出的意图解析、策略生成、故障定位算法的可行性与联动性,本论文开发了意图驱动光网络平台（Intent-driven Optical Network Platform,IDONP）,完成了 IDONP 的结构设计,细化了交互流程,实现了各个功能模块的正常运转。依托IDONP分别验证了意图识别、智能策略生成与故障定位效果,实现了各功能模块间的联动,形成了意图驱动光网络的完整架构。
李进[5]（2020）在《智能感知光网络中光性能监测与信号处理关键技术研究》文中研究指明近年来,随着新兴数据业务、复杂高阶调制、动态波长切换、灵活频谱栅格与混合传输技术的发展,光网络正朝着动态化、复杂化与异构化的方向演进,对光网络的管理控制能力提出了更高要求。在传统光网络管控中,传输系统自适应能力薄弱,网络管控可信有效数据缺乏,且传输系统与网络管控间缺乏跨层感知与智能反馈功能。面对上述问题,在人工智能（AI）与软定义网络技术的支持下,具有网络状态立体感知、网络数据智能分析以及网络组件自适应控制优势的智能感知光网络（CON）成为研究热点之一。本文以智能感知光网络中的光性能监测与信号处理技术为核心,围绕AI驱动的智能感知光网络架构、光传输系统损伤自适应监测与补偿、面向智能感知光网络数据库的数据增强,以及基于物理层感知与网络层反馈的资源管控等问题,提出了若干技术创新方案。主要论文工作与创新点如下:1、基于感知光网络中核心思想即“感知-学习-动作”闭环控制,设计了一种AI驱动的智能感知光网络结构,规范了网络状态监测中数据源、监测方式、数据存储与数据表示的实现方式。此外,在网络管理控制中引入了各类AI驱动型智能网络管控应用,包括光性能监测、物理损伤补偿、网络设备控制、传输链路质量估计、网络资源分配、网络流量预测与网络故障管理。另外,总结了软定义网络组件的工作原理与实现方案,以闭环形式实现“观察-学习-动作”的功能设计,为智能感知光网络的实现提供基础架构支持。2、针对光传输系统中物理损伤补偿算法缺乏智能学习能力、依赖传输链路信息且自适应性不足等问题,提出了两种基于机器学习的自适应损伤监测与补偿算法。面向光纤传输系统,论文提出了一种基于深度神经网络（DNN）的自适应色散（CD）监测与补偿算法。仿真结果表明该算法在2000ps/nm动态范围内的平均监测误差约为20ps/nm,与基于CD扫描与频域均衡的经典方法相比,计算复杂度显着降低,需要的乘法器,加法器和比较器的数量分别减少了 98.6%,98.8%和64.4%。另外,面向自由空间光传输系统,提出了一种基于卷积神经网络（CNN）的大气湍流监测与轨道角动量键控（OAM-SK）自适应解调方案。该方案对于8-OAM-SK系统的自适应解调误差约为0.86%,比传统方案的解调精度提高了 19.2%。同时,首次提出基于CNN的大气湍流监测方案,对6种典型大气湍流信道的监测精度达到95.2%。3、针对光网络智能管控中AI驱动型应用缺乏有效可信网络流量数据,以及实际网络故障数据严重不均衡的难题,提出了基于深度学习的自适应时序数据增强算法与基于生成对抗网络（GAN）的网络故障数据均衡算法。实验数据表明,对于接入网与核心网中6种典型流量类型,合成的增强流量数据与对应实际流量数据关于均值,方差和Hurst指数平均偏差分别为0.7%,1.3%与7.0%,明显低于传统的统计参数配置法（SPC）的对应值。另外,实验结果显示,当在基于支持向量机（SVM）的故障识别模型中采用本文所提出的基于GAN的网络故障均衡算法时,相对于采用原始不均衡数据集的情况,故障漏报率从24.7%降低至3.8%。对于基于SVM、K最近邻算法（KNN）、决策树（DT）、随机森林（RF）以及梯度下降树（GBDT）的故障识别算法,结合了本方案所提出的故障数据均衡算法的GBDT模型在漏报率、准确率与召回率指标上综合优于其他算法,有效减少了数据不均衡对网络故障识别的影响。4、针对光网络中网络资源控制技术依赖人工干预、缺乏响应反馈以及动态建模能力薄弱的局限,提出了基于物理层感知与网络层反馈的资源管控机制,并通过引入基于深度强化学习（DRL）的数字孪生技术,有效提高了可编程光收发机（POT）的动态建模与智能控制能力,实现了 POT中调制格式、波特率与前项纠错（FEC）编码按需自动调整。与经典的基于最大传输容量（MaxCap）的POT相比,本文所提出的DRL-POT可以节约19.4%的频谱资源,并可以获得类似的网络时延性能。受益于双引擎DRL中的双神经网络结构和反馈控制机制,本文所提出的DRL-POT有效建立动态POT模型,以适应随时间变化的流量负载和链路传输质量,并且根据最大传输效能选择对应的最佳POT控制动作,反馈控制物理空间的POT,以确保满足业务网络时延需求并提高频谱资源使用效率。
王菲[6]（2019）在《基于深度学习的光网络故障定位技术研究》文中指出随着光网络信息技术的快速发展,光通信网络的传输速率越来越高,作为网络基础设施的光通信网络在通信系统中的地位越来越重要。互联网中的各种新型应用均依赖智能化、透明化的光网络来满足它们的高速通信要求,当光通信网络中出现故障时,即使只是短暂的服务中断,也必将使网络传输受到影响,甚至导致重要数据丢失,这对于一个信息数据时代而言,是一个非常严重的问题。由此可见,光网络中快速精准的故障定位技术是保障大量网络服务正常运行和保障业务数据完整可靠传输的基础,是极为重要的研究领域。而光网络规模的日益庞大和复杂化已使光网络故障定位成为极具挑战的研究课题。论文针对此课题,结合当前光网络中故障定位技术的研究现状,提出基于分布式FP-Growth算法的告警数据预处理策略,并在此基础上,提出基于卷积神经网络和深度神经网络的两种故障定位方法,具体的研究工作如下:第一,为了获得可用于模型训练的告警数据样本集,论文针对光网络中的告警数据提出了基于分布式FP-Growth算法的告警数据预处理策略。首先通过采集系统从光网络中的数据采集接口中获取原始告警数据;其次,针对原始告警数据进行告警原因翻译、告警格式转换等处理;然后,基于分布式FP-Growth算法完成告警数据之间的关联规则分析,构建告警数据专家知识库并完成告警数据的标注工作;最后,考虑到原始告警数据分布极其不均匀的问题,利用告警数据增强技术得到可靠完善的告警数据样本集,为后面的模型训练工作奠定基础。试验结果表明基于分布式FP-Growth算法告警数据预处理的运行时间较短,在0.50～3.50s之间。第二,为了实现光通信网络中精准快速的故障定位,论文对卷积神经网络展开研究,提出了基于卷积神经网络的故障定位方法。首先对预处理后的告警数据进行升维,得到满足需求的告警数据样本集;然后,利用卷积神经网络对故障定位进行建模,并根据故障定位模型的纵向指标,确定性能最优的故障定位模型;最后,利用训练出的故障定位模型进行故障定位,并与已有的故障定位算法进行横向对比。结果充分证明基于卷积神经网络的故障定位能够更加及时准确的定位到光网络中的故障,定位时延在0.30～0.35ms之间,定位准确率达到90%及以上。第三,为了充分利用告警数据潜在的特征,从而进一步提高光通信网络中故障定位的性能,论文针对深度神经网络展开研究,提出了基于深度神经网络的故障定位方法。首先深入剖析深度神经网络的结构和原理;然后,利用预处理好的告警数据样本集对不同参数的故障定位模型进行训练和验证,确定最优的深度神经网络故障定位模型的参数;最后,与前面提出的卷积神经网络故障定位和已有的故障定位算法进行多方面对比。试验结果表明,基于深度神经网络的故障定位有着更高的定位准确率,达到95%及以上,定位时延在0.30～0.40ms之间。
王进帅[7]（2019）在《电力弹性光网络自感知技术研究》文中认为随着智能电网、能源互联网与电力物联网的建设,电力通信网数据传输量需求爆炸性增长,目前作为通信骨干的电力光网络采用带宽固定分配模式,造成了带宽资源的极大浪费,不利于电力通信网的发展。针对此,结合课题组承担的南方电网科技项目在弹性光网络方面的研究情况,本文研究基于软件定义网络（Software Defined Networking,SDN）架构的电力弹性光网络自感知技术与频谱弹性分配,通过弹性带宽分配提升电力通信网资源的有效利用,对电力通信的发展具有重要意义。首先,根据智能电网环境下电力通信业务多样性对频谱动态分配的需求,构建适应智能电网多业务接入的SDN通信架构,通过网络与业务的精确感知进行电力光网络频谱的弹性分配;然后,为了给基于负载均衡的带宽分配提供实时的依据,构建基于链路状态的网络感知模型,并在此基础上研究提高电力弹性光网络稳定性的故障定位方法,进而设计了基于参数估计的电力弹性光网络故障感知模型,并通过仿真验证其有效性;最后,构建基于深度包/流检测的业务感知模型,在此基础上研究面向多业务接入时电力弹性光网络的频谱优化分配方案,进而设计了基于时域和频域的二维频谱分配方法,并通过仿真验证其有效性。在上述研究的基础上,结合本文所依托科技项目的任务进度要求,根据茂名供电局机房的实际环境,设计了模拟弹性光网络在智能配电网的应用架构以及频谱分配有效性的验证方案,同时,针对电网业务场景进行了弹性光网络技术应用的远景规划。
蓝明超[8]（2018）在《基于数据挖掘的智能光网络告警关联与故障定位研究》文中研究指明自动交换光网络技术目前已广泛应用于通信领域中,作为信息通信的基础传输平台,智能光网络的规模不断扩大,对光网络运行维护也提出了更高要求。如何有效地分析告警信息,并通过聚类关联实现故障定位,进而提升智能光网络通信保障的可靠性,是当前智能光网络运维管理的重要任务和必然趋势。本文将数据挖掘技术应用到告警关联与故障定位中,研究基于数据挖掘的智能光网络告警关联与故障定位,取得的创新性及实用性成果主要包括以下几个方面:第一,提出一种改进的告警数据挖掘及关联方法。该方法能够适应智能光网络多平面、多网元告警内在关联的特点,可有效压缩告警事务集数量,提高告警关联规则的准确度,为后续故障定位提供支撑。第二,提出一种基于告警关联的故障定位算法。该方法在健康管理理论的指导下,运用大数定理进行告警加权处理,随后进行多告警组合的原因分析,解决了单一根源告警难以准确描述网络故障、多告警组合下故障原因难分析的问题,提高了故障原因定位的有效性,为后续的故障诊断提供支撑。第三,设计智能光网络告警关联与故障定位原型系统。该系统初步实现了网络告警分析和故障原因定位的自动化处理,可以辅助网络运维人员对故障进行诊断和修复,为智能光网络运维管理提供了有效的工具。
熊余[9]（2014）在《自感知的光交换网络抗毁技术研究》文中进行了进一步梳理以波分复用技术为基础的光交换网络在整个信息网络中处于核心骨干地位，是网络业务进行端到端传输的“大动脉”，承担着业务高速可靠传输的重任。特别是随着大数据时代的到来，海量不同粒度的异构业务数据将涌入起骨干核心作用的光交换网络中来承载。此时光交换网络的任意一条链路发生故障，都将导致业务大量丢失，从而带来通信的大面积瘫痪或长时间中断。可见，高抗毁性能和动态可重构能力对宽带网络的建设及应用至关重要。网络的抗毁能力直接决定了网络传输的性能，抗毁技术是现代计算机及通信网络重要而具有现实意义的基础性、前沿性课题，其研究的突破将会极大地推动相关产业的发展。为此，本文围绕网络故障后业务恢复的全过程，瞄准抗毁技术的共性关键问题，面向以自感知为底层技术的新型光交换网络，对快速单故障定位、准确多故障定位、关键链路动态保护、业务感知区分保护等开展了深入地研究，其具体研究成果包括以下几方面内容：（1）针对现有研究中存在故障定位时间长和对业务分布依赖高等问题，提出一种光路状态感知下的单故障快速定位机制。该机制综合考虑光交换网络的长距离、高速率以及透明特性，根据网络分簇约束条件，以最小支配集理论为基础，建立两级网络模型。并根据算法特点，定义了适用于该算法的“矩阵与”运算，故障后簇头节点以及汇聚节点通过对各节点发送的矩阵进行“矩阵与”运算，从而实现快速准确的故障定位。仿真实验表明，该机制在不同业务分布模型下，能以较低的复杂度和资源开销，有效降低对业务分布的依赖，极大地提升了故障定位率，减少了故障定位时间。（2）为解决骨干光网络中多故障并行准确定位难题，提出一种多纤中断感知的故障定位机制。首先根据骑士巡游理论建立网络模型，采用带有约束条件的网元抽象方法将网络结构映射到有洞棋盘上；然后通过周期性发送探测信号动态地感知收集有效光路的路径信息；最后迭代地进行链路匹配判定故障链路。理论分析以及仿真实验表明，所提出的机制能够准确地定位网络中多个并发的链路故障，且时间复杂度较低，具有较强的扩展性。（3）为对网络中动态的关键链路提供快速低开销保护，提出一种融合网络编码理论的关键链路感知智能p圈保护策略。该策略联合关键链路产生的静态和动态因素，通过圈上节点对备用数据的线性编码，建立整数线性规划模型选择出静态环境下的最优保护圈，并根据网络中链路关键性的动态变化，使用启发式的圈构造算法生成、扩张、收缩保护圈，从而对感知到的关键链路提供智能自适应的高可靠保护。仿真实验表明，所提策略通过贡献因子的调节能尽可能地将待保护关键链路置为p圈的跨接链路，从而获得较低的阻塞率，能极大地提升资源保护效率，有效地降低故障恢复时间。（4）为将IP业务准确分类，并根据所分优先级类别进行高效合理的区分保护，提出一种业务属性感知的区分保护策略。定义信息重要度来评估业务特征对业务分类的贡献大小，并将其与贝叶斯理论相结合建立业务优先级分类模型，然后考虑不同级别业务的服务质量参数，采用波长分层拓扑合理调用波长分配，提供高质量的差异化区分保护。仿真实验表明，所提策略实现了高精度的业务分类，能对受损业务进行均衡分配，且比传统的区分保护策略有更高的资源利用率和更低的网络阻塞率。
李新[10]（2013）在《未来传送网的生存性技术研究》文中研究说明随着光网络在弹性带宽分配技术上的发展进步以及光互连技术在数据中心网络中的广泛应用,光网络自身呈现大容量、结构复杂化以及地理位置分散化等特点。随着地震,飓风,海啸,龙卷风等自然灾害的频繁发生,以及大规模破坏性武器在地区冲突中的使用,具有应对多重故障能力的管控机制成为目前光网络生存性研究的重点。多重故障下光网络生存性研究主要涉及多故障快速发现、甄别与定位、多故障容错、多故障保护和高效快速恢复等方面。针对多重故障下光网络生存性需求,本文在国家973项目“P比特光网络关键技术研究”子课题“多重故障下超大容量光网络生存性”的支撑下,主要研究针对大容量光网络的多故障定位协议、基于模糊故障集的恢复机制、立体化保护机制和多故障容错技术,取得了若干具有创新性的研究成果。本论文创新性地提出了模糊故障集概念和k-正则且k-连通结构,并将模糊故障集应用到多故障定位和恢复,将k-正则且k-连通结构应用到多故障保护。具体内容包括以下三个方面：第一,在多故障定位方面,分析传统故障定位算法的工作机理,建立多故障定位的数学模型,提出基于模糊故障集的多故障定位机制。针对多故障定位的NP-complete属性,修改多故障定位的目标为获得全网的模糊故障集,为模糊故障集中的元素分配隶属度。模糊故障集包含了网络中所有可能出现故障的元素,模糊隶属度表征每个元素发生故障的风险程度。设计应用于大容量光网络的多故障定位协议,模糊故障集构建算法,仿真结果表明基于模糊故障集的多故障定位机制大大降低多故障定位的复杂度。第二,在多故障保护方面,将Menger定理应用到光网络的保护结构上,提出了基于k-正则且k-连通结构的立体化保护方法。k-连通的结构满足任意两点之间至少存在k条内部不相交的路,为了使得保护结构上占用的备份资源最少,要求保护结构上每个节点的度都是相同的,即k-正则且k-连通的结构。理论上证明了k-正则且k-连通结构是多故障情况下链路可恢复格状光网络中最优的保护结构,同时提出了k-正则且k-连通结构的节点模型、线性规划模型和构建算法。仿真结果表明k-正则且k-连通保护结构在静态网络中可以达到资源冗余度的下界,在动态业务下k-正则且k-连通保护结构在资源效率和恢复成功率方面优于基于预置圈的保护结构。第三,在多故障恢复方面,基于模糊隶属度和模糊故障集的运算法则,为每条恢复路径建立可靠性度量标准,提出二阶段恢复策略。二阶段恢复策略包括恢复阶段和重恢复阶段。恢复阶段设定每条恢复路径的可靠性标准,利用模糊故障集中的风险资源进行最大可能的路径恢复。重恢复阶段更新模糊故障集,通过重建某些已经建立的光路,为剩余的故障光路进行恢复。仿真结果表明二阶段恢复机制有效地提高恢复稳定性和恢复成功率。
二、光网络中的分布式故障定位方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、光网络中的分布式故障定位方法（论文提纲范文）
（1）基于机器学习的数据中心光网络资源管理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文体系结构 |
| 第2章 基于SDON和机器学习的数据中心光网络设计 |
| 2.1 SDON技术 |
| 2.1.1 SDN技术 |
| 2.1.2 SDON技术 |
| 2.2 数据中心光网络的发展 |
| 2.2.1 数据中心光网络的业务流量特点 |
| 2.2.2 数据中心光网络拓扑结构的演进 |
| 2.3 机器学习 |
| 2.3.1 监督学习 |
| 2.3.2 无监督学习 |
| 2.3.3 深度学习 |
| 2.4 基于SDON和机器学习的数据中心光网络设计 |
| 2.5 本章小结 |
| 第3章 基于机器学习的弹性资源管理机制 |
| 3.1 ML-FRM算法整体框架 |
| 3.2 实验环境 |
| 3.3 路由和频谱资源算法 |
| 3.4 信道质量等级分类 |
| 3.4.1 SVM |
| 3.4.2 数据预处理 |
| 3.4.3 参数寻优 |
| 3.4.4 模型训练 |
| 3.4.5 结果分析 |
| 3.5 业务流量聚类 |
| 3.5.1 数据预处理 |
| 3.5.2 模型训练 |
| 3.5.3 结果分析 |
| 3.6 基于机器学习的弹性资源管理算法实现 |
| 3.7 基于机器学习的弹性资源管理算法的性能分析 |
| 3.8 本章小结 |
| 第4章 基于深度学习的数据中心光网络故障预测 |
| 4.1 数据中心光网络故障 |
| 4.1.1 实验环境 |
| 4.1.2 LSTM |
| 4.1.3 模型训练 |
| 4.2 数据中心光网络故障预测原理 |
| 4.3 性能分析 |
| 4.3.1 参数分析 |
| 4.3.2 参数预测 |
| 4.3.3 故障预测 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 下一阶段工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表及录用学术论文 |
| 学位论文评阅及答辩情况表 |
（2）光网络中人工智能的部署及应用技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 光网络概述 |
| 1.1.2 人工智能技术概述 |
| 1.1.3 光网络中人工智能的部署 |
| 1.1.4 光网络中人工智能的应用 |
| 1.2 国内外研究现状 |
| 1.2.1 边缘计算光网络相关研究 |
| 1.2.2 边缘智能相关研究 |
| 1.2.3 人工智能在光网络中的应用相关研究 |
| 1.2.4 光纤窃听检测相关研究 |
| 1.3 论文研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 光网络中基于边缘计算的DNN推理业务提供技术 |
| 2.1 光网络中DNN推理提供问题的提出 |
| 2.2 光网络中DNN推理提供问题模型 |
| 2.2.1 边缘计算光网络中的DIaaS |
| 2.2.2 光网络中DNN推理网络模型 |
| 2.3 边缘计算光网络DNN部署算法 |
| 2.3.1 自适应模型分割和部署算法 |
| 2.3.2 DNN推理提供算法 |
| 2.4 仿真验证和讨论 |
| 2.4.1 AMPD算法验证 |
| 2.4.2 DIP算法验证 |
| 2.5 本章总结 |
| 第三章 光网络物理层基于卷积神经网络的光纤窃听检测 |
| 3.1 光网络物理层面临的窃听问题 |
| 3.2 CNN技术的基本原理 |
| 3.3 基于CNN的光纤窃听检测方案 |
| 3.4 实验设置和结果分析 |
| 3.5 本章总结 |
| 第四章 总结与展望 |
| 4.1 全文总结 |
| 4.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）云计算环境下基于光载无线接入网的资源分配策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 光载无线接入网发展现状与趋势 |
| 1.1.1 光载无线系统发展新需求与趋势 |
| 1.1.2 云计算环境下光载无线接入网发展面临的挑战 |
| 1.2 云计算环境下光载无线接入网资源分配的关键问题 |
| 1.2.1 数据中心间网络资源长周期分配低效问题 |
| 1.2.2 数据中心内网络资源跨域调度僵化问题 |
| 1.2.3 移动前传网异构资源的统一分配以及故障快速定位问题 |
| 1.3 国内外研究现状 |
| 1.3.1 光载无线接入网国内外研究现状 |
| 1.3.2 云计算环境下光载无线接入网架构发展趋势 |
| 1.3.3 云计算环境下光载无线接入网资源分配算法国内外研究现状 |
| 1.4 论文安排和主要工作 |
| 1.4.1 论文结构 |
| 1.4.2 主要工作 |
| 参考文献 |
| 第二章 基于长期流量预测的数据中心间网络资源分配 |
| 2.1 数据中心间网络流量预测 |
| 2.2 问题分析以及系统模型 |
| 2.2.1 数据中心间网络流量模型 |
| 2.2.2 基于时间间隔的重采样过程 |
| 2.3 长期流量预测模型 |
| 2.3.1 长短期记忆模型 |
| 2.3.2 B-RNN模型 |
| 2.3.3 MTIFLN框架 |
| 2.4 基于流量预测的资源分配算法 |
| 2.4.1 全局评估因子 |
| 2.4.2 基于预测的资源预留策略 |
| 2.5 仿真分析 |
| 2.5.1 数据集说明 |
| 2.5.2 仿真设置 |
| 2.5.3 流量预测模型的性能 |
| 2.5.4 资源分配算法的性能 |
| 2.6 本章小结 |
| 参考文献 |
| 第三章 基于突发流量预测的数据中心内网络流量调度 |
| 3.1 数据中心内网络突发流量调度原理 |
| 3.1.1 混合光/电交换数据中心 |
| 3.1.2 数据中心内网络流量调度 |
| 3.2 基于误差反馈脉冲神经网络的突发流量预测 |
| 3.2.1 脉冲神经网络 |
| 3.2.2 误差反馈脉冲神经网络模型 |
| 3.2.3 误差反馈脉冲神经网络多突触机制 |
| 3.2.4 误差反馈模块设计 |
| 3.3 基于预测的流量调度算法 |
| 3.3.1 全局评估因子 |
| 3.3.2 流量比例因子 |
| 3.4 仿真分析 |
| 3.4.1 仿真设置 |
| 3.4.2 流量预测模型的性能 |
| 3.4.3 流量调度算法的性能 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于矢量图的移动前传网以及数据中心间网络联合网络切片方案 |
| 4.1 移动前传网以及数据中心间网络动态网络切片策略 |
| 4.1.1 网络切片介绍 |
| 4.1.2 移动前传网以及数据中心间网络的网络切片 |
| 4.2 数据驱动的矢量图 |
| 4.2.1 矢量图框架 |
| 4.2.2 矢量构造 |
| 4.3 切片重构算法 |
| 4.4 仿真分析 |
| 4.4.1 仿真设置 |
| 4.4.2 矢量图的性能 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 基于深度置信网络的移动前传网故障定位技术 |
| 5.1 移动前传网中的故障定位 |
| 5.1.1 故障定位需求分析 |
| 5.1.2 告警信息特征 |
| 5.1.3 告警信息预处理 |
| 5.2 深度置信网络模型构建与实现 |
| 5.2.1 模型架构 |
| 5.2.2 混合预训练 |
| 5.2.3 基于LM算法的调优过程 |
| 5.2.4 基于深度置信网络的故障定位方法实现 |
| 5.3 仿真分析 |
| 5.3.1 仿真设置 |
| 5.3.2 模型性能分析 |
| 5.4 本章小结 |
| 参考文献 |
| 总结与展望 |
| 缩略语 |
| 致谢 |
| 攻读博士学位期间的学术成果目录 |
（4）基于意图驱动的光网络中智能策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 光网络智能化控制发展需求 |
| 1.2 意图驱动光网络关键问题 |
| 1.3 研究状态与发展现状 |
| 1.4 论文研究主线和结构安排 |
| 1.4.1 论文研究主线 |
| 1.4.2 结构安排 |
| 第2章 基于强意图约束的光网络智能策略生成机制 |
| 2.1 意图与网络策略概述 |
| 2.2 意图解析 |
| 2.2.1 关键词提取 |
| 2.2.2 意图北向接口 |
| 2.3 强意图约束的策略生成模型 |
| 2.3.1 强化学习概述 |
| 2.3.2 基于强化学习的策略生成算法设计 |
| 2.3.3 基于强化学习的策略生成模型训练 |
| 2.4 仿真结果及分析 |
| 2.4.1 仿真设计与模型训练 |
| 2.4.2 仿真结果与分析 |
| 2.5 本章小结 |
| 第3章 基于高精度故障定位方法的光网络意图保障机制 |
| 3.1 大规模告警信息下的光网络故障定位方法概述 |
| 3.1.1 基于人工智能的故障定位方法概述 |
| 3.1.2 高精度故障定位的挑战 |
| 3.2 深度神经进化网 |
| 3.3 基于深度神经进化网的高精度故障定位方法 |
| 3.3.1 改进的故障传播模型 |
| 3.3.2 基于深度神经进化网的监督学习模型 |
| 3.4 仿真结果及分析 |
| 3.4.1 仿真设计与模型训练 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 第4章 意图驱动光网络平台开发 |
| 4.1 软件设计需求与意义 |
| 4.2 意图驱动光网络平台架构 |
| 4.2.1 结构设计 |
| 4.2.2 交互流程 |
| 4.3 意图驱动光网络平台功能模块 |
| 4.3.1 用户交互层 |
| 4.3.2 Intent NBI |
| 4.3.3 JBoss Drools策略引擎库 |
| 4.3.4 细粒度策略 |
| 4.4 意图驱动光网络平台场景展示 |
| 4.5 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间参加项目情况和取得的学术成果列表 |
（5）智能感知光网络中光性能监测与信号处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 光网络发展进程 |
| 1.1.2 光网络发展需求与问题 |
| 1.1.3 感知光网络的提出 |
| 1.1.4 感知光网络关键技术 |
| 1.2 感知光网络研究现状 |
| 1.3 论文主要工作和创新点 |
| 1.4 论文各章的关联关系 |
| 参考文献 |
| 第二章 人工智能驱动的智能感知光网络架构 |
| 2.1 智能感知光网络基本概念 |
| 2.2 智能感知光网络核心要素 |
| 2.2.1 网络状态感知 |
| 2.2.2 网络管理控制 |
| 2.2.3 软定义网络组件 |
| 2.3 AI驱动型智能感知光网络总体架构 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 光传输系统自适应损伤监测与补偿算法研究 |
| 3.1 相干光传输系统中自适应色散监测算法 |
| 3.1.1 低复杂度自适应色散监测的意义 |
| 3.1.2 基于深度神经网络的低复杂度色散监测算法工作原理 |
| 3.1.3 仿真系统 |
| 3.1.4 仿真结果与对比分析 |
| 3.2 自由空间光通信系统中大气湍流监测与自适应解调算法研究 |
| 3.2.1 大气湍流监测与OAM-SK自适应解调的意义 |
| 3.2.2 基于卷积神经网络的大气湍流监测与自适应解调算法工作原理 |
| 3.2.3 数值仿真系统 |
| 3.2.4 数值仿真结果与对比分析 |
| 3.3 本章总结 |
| 参考文献 |
| 第四章 面向智能感知光网络数据库的数据增强算法研究 |
| 4.1 基于深度学习的时序数据增强算法 |
| 4.1.1 自适应时序数据增强的意义 |
| 4.1.2 基于深度学习的自适应流量数据增强算法工作原理 |
| 4.1.3 实验数据与对比分析 |
| 4.2 基于生成对抗网络的网络故障数据均衡方案 |
| 4.2.1 网络故障数据均衡的意义 |
| 4.2.2 典型数据均衡方法 |
| 4.2.3 基于生成对抗网络的网络故障数据增强算法工作原理 |
| 4.2.4 实验数据与对比分析 |
| 4.3 本章小结 |
| 参考文献 |
| 第五章 基于物理层感知与网络层反馈的资源管控机制研究 |
| 5.1 物理层感知与网络层反馈对于资源管控的意义 |
| 5.2 基于双引擎深度强化学习的可编程光收发机工作原理 |
| 5.3 实验与仿真平台 |
| 5.4 结果分析与讨论 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 附录缩略语 |
| 致谢 |
| 博士期间发表论文 |
（6）基于深度学习的光网络故障定位技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 传统的光网络故障定位研究背景及意义 |
| 1.1.2 基于人工智能的光网络故障定位研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 告警数据预处理的研究现状 |
| 1.2.2 光网络故障定位的研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 告警数据预处理技术 |
| 2.1 引言 |
| 2.2 常见的告警数据相关性分析算法 |
| 2.2.1 基于模糊逻辑的告警数据相关性分析 |
| 2.2.2 基于Apriori算法的告警相关性分析 |
| 2.2.3 基于FP-Growth算法的告警数据相关性分析 |
| 2.3 光网络中的告警数据预处理 |
| 2.3.1 光网络中的告警数据采集方案 |
| 2.3.2 光网络中的原始告警数据的预处理 |
| 2.3.3 基于故障类型和分布式FP-Growth算法的告警数据标注策略 |
| 2.4 光网络中告警数据集的增强 |
| 2.5 仿真结果分析 |
| 2.5.1 仿真条件 |
| 2.5.2 仿真结果分析 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的光网络故障定位 |
| 3.1 引言 |
| 3.2 卷积神经网络(Convolutional Neural Networks,CNN) |
| 3.2.1 卷积神经网络的结构 |
| 3.2.2 卷积神经网络(CNN) |
| 3.3 基于卷积神经网络的光网络故障定位 |
| 3.3.1 告警数据样本集的准备 |
| 3.3.2 基于卷积神经网络的故障判别模型 |
| 3.3.3 基于卷积神经网络故障判别模型的故障定位策略 |
| 3.4 仿真结果分析 |
| 3.4.1 仿真条件 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 第四章 基于深度神经网络的光网络故障定位 |
| 4.1 引言 |
| 4.2 深度神经网络(Deep Neural Networks,DNN) |
| 4.2.1 深度神经网络的基本概念 |
| 4.2.2 深度神经网络(DNN) |
| 4.3 基于深度神经网络的光网络故障定位 |
| 4.3.1 告警数据样本集的准备 |
| 4.3.2 基于深度神经网络的故障判别模型 |
| 4.3.3 基于深度神经网络故障判别模型的故障定位策略 |
| 4.4 仿真结果分析 |
| 4.4.1 仿真条件 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）电力弹性光网络自感知技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与存在问题 |
| 1.2.1 电力通信网研究现状及存在问题 |
| 1.2.2 弹性光网络在电力通信领域应用与研究现状 |
| 1.3 论文的主要工作 |
| 第2章 面向智能电网的弹性光网络技术 |
| 2.1 智能电网业务与弹性光网络技术需求分析 |
| 2.2 面向智能电网的弹性光网络体系架构 |
| 2.2.1 光纤通信在智能配用电终端接入的应用状况 |
| 2.2.2 基于SDN的电力弹性光网络架构 |
| 2.2.3 适应智能配电网多媒介异构场景的SDN通信架构 |
| 2.3 电力弹性光网络关键技术与优势分析 |
| 2.4 电力弹性光网络自感知技术分析 |
| 2.4.1 电力弹性光网络的网络感知技术 |
| 2.4.2 电力弹性光网络的业务感知技术 |
| 2.5 本章小结 |
| 第3章 电力弹性光网络的网络感知技术 |
| 3.1 软件定义网络架构下的电力弹性光网络感知模型 |
| 3.1.1 能源互联网环境下的电力弹性光网络感知需求分析 |
| 3.1.2 电力弹性光网络的故障分析 |
| 3.1.3 SDN架构下的弹性光网络设备虚拟化 |
| 3.1.4 基于链路状态的电力弹性光网络感知模型 |
| 3.2 电力弹性光网络集中管控机制与故障感知方法分析 |
| 3.2.1 面向电力多业务的弹性光网络集中管控机制 |
| 3.2.2 集中管控架构下的弹性光网络性能评估指标体系构建 |
| 3.2.3 考虑链路故障与生存性的弹性光网络感知方法分析 |
| 3.3 基于参数估计的电力弹性光网络故障感知模型与仿真 |
| 3.3.1 电力光网络故障监测方法分析 |
| 3.3.2 基于参数估计的电力弹性光网络故障模型 |
| 3.3.3 仿真结果分析 |
| 3.4 本章小结 |
| 第4章 基于电力业务感知的弹性光网络频谱分配技术 |
| 4.1 光网络在配用电终端接入的应用与性能提升需求 |
| 4.1.1 光网络在智能配用电终端接入业务的应用情况 |
| 4.1.2 面向配用电的业务与网络感知技术优化需求 |
| 4.2 基于端口识别与深度包/流检测的弹性光网络业务感知 |
| 4.2.1 面向智能配用电终端接入的端口识别方案 |
| 4.2.2 基于深度包/流检测的业务感知模型 |
| 4.2.3 业务感知数据的多维存储 |
| 4.3 基于时域差异性和频域连续性的频谱碎片优化与仿真 |
| 4.3.1 基于业务时间差异的频谱碎片优化模型 |
| 4.3.2 考虑频谱双向连续度的频谱碎片优化分配方案 |
| 4.3.3 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 电力弹性光网络现场测试与应用方案设计 |
| 5.1 现场测试环境 |
| 5.2 验证方案设计 |
| 5.3 远景规划 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）基于数据挖掘的智能光网络告警关联与故障定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘研究现状 |
| 1.2.2 告警关联研究现状 |
| 1.2.3 故障定位研究现状 |
| 1.3 研究内容及方法 |
| 1.4 论文结构安排 |
| 1.5 小结 |
| 第二章 相关知识介绍 |
| 2.1 数据挖掘技术 |
| 2.1.1 数据挖掘技术的基本概念 |
| 2.1.2 数据挖掘的知识背景 |
| 2.1.3 数据挖掘的常用工具 |
| 2.2 告警关联技术 |
| 2.2.1 告警的基本概念 |
| 2.2.2 告警关联分析与类型 |
| 2.2.3 告警关联技术 |
| 2.3 告警关联挖掘算法 |
| 2.3.1 Apriori算法 |
| 2.3.2 Apriori算法在软件中的实现 |
| 2.4 小结 |
| 第三章 一种改进的告警数据挖掘及关联方法 |
| 3.1 相关问题描述 |
| 3.2 基本概念 |
| 3.2.1 智能光网络业务 |
| 3.2.2 告警增长期、告警稳定期 |
| 3.2.3 时间窗宽度、滑动步长 |
| 3.2.4 根源告警、根源告警集 |
| 3.3 改进的告警聚类及关联方法基本思路 |
| 3.3.1 改进的单网元时间窗选取基本思路 |
| 3.3.2 基于业务时间窗选取的告警聚类及关联基本思路 |
| 3.4 改进的告警聚类及关联方法步骤及验证 |
| 3.4.1 方法步骤 |
| 3.4.2 实验及验证 |
| 3.5 小结 |
| 第四章 基于告警关联的故障定位算法 |
| 4.1 基于告警关联的网络故障定位问题分析 |
| 4.2 智能光网络故障特点 |
| 4.3 健康管理理论在告警关联与故障定位中的作用 |
| 4.3.1 健康管理概念 |
| 4.3.2 健康管理研究现状 |
| 4.4 告警加权处理方法 |
| 4.4.1 大数定理基本概念 |
| 4.4.2 大数定理指导下的告警加权基本思路及步骤 |
| 4.5 基于告警加权的智能光网络故障定位算法 |
| 4.5.1 算法框架 |
| 4.5.2 算法描述 |
| 4.5.3 算法实现及分析 |
| 4.6 小结 |
| 第五章 智能光网络告警关联与故障定位原型系统 |
| 5.1 原型系统的结构 |
| 5.2 原型系统的设计思路 |
| 5.3 原型系统的人机界面 |
| 5.3.1 告警查询模块人机界面 |
| 5.3.2 告警关联模块人机界面 |
| 5.3.3 原因分析模块人机界面 |
| 5.3.4 告警-故障映射数据库模块人机界面 |
| 5.4 原型系统有效性验证 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）自感知的光交换网络抗毁技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光网络的发展进程 |
| 1.2.2 光网络的故障定位技术 |
| 1.2.3 光网络的故障保护技术 |
| 1.2.4 光网络的自感知技术 |
| 1.3 主要研究内容和目标 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的研究目标 |
| 1.3.3 拟解决的关键问题 |
| 1.4 本文的结构安排 |
| 2 光路状态感知的故障定位机制 |
| 2.1 研究背景与问题分析 |
| 2.2 基于最小支配集的网络分簇 |
| 2.2.1 网络分簇的目标条件 |
| 2.2.2 网络分簇的算法步骤 |
| 2.3 感知光路状态的故障定位 |
| 2.3.1 “矩阵与”运算的定义 |
| 2.3.2 单故障定位的算法步骤 |
| 2.4 性能分析 |
| 2.4.1 算法复杂度分析 |
| 2.4.2 仿真实验分析 |
| 2.5 本章小结 |
| 3 多纤中断感知的故障定位机制 |
| 3.1 研究背景与问题分析 |
| 3.2 骑士巡游理论约束的网络模型 |
| 3.2.1 骑士巡游理论 |
| 3.2.2 有洞棋盘上的骑士巡游问题 |
| 3.3 多故障感知的并行定位机制 |
| 3.3.1 网络拓扑映射方法 |
| 3.3.2 多故障定位的实现步骤 |
| 3.4 性能分析 |
| 3.4.1 算法复杂度分析 |
| 3.4.2 定位时间性能比较 |
| 3.4.3 故障定位率结果分析 |
| 3.5 本章小结 |
| 4 关键链路感知的动态保护策略 |
| 4.1 研究背景与问题分析 |
| 4.2 网络编码 P 圈保护模型 |
| 4.2.1 网络编码及其在保护技术上的应用 |
| 4.2.2 保护模型设计 |
| 4.3 融合网络编码理论的智能 P 圈保护 |
| 4.3.1 关键链路的感知判定 |
| 4.3.2 智能 p 圈的构造方法 |
| 4.3.3 智能 p 圈保护的实现步骤 |
| 4.4 性能分析 |
| 4.4.1 仿真环境 |
| 4.4.2 性能指标 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 业务属性感知的区分保护策略 |
| 5.1 研究背景与问题分析 |
| 5.2 业务感知区分保护模型 |
| 5.3 业务感知模块设计 |
| 5.3.1 业务特征的信息重要度计算 |
| 5.3.2 基于信息重要度的贝叶斯分类 |
| 5.4 区分保护模块设计 |
| 5.4.1 各优先级业务的 QoS 参数计算 |
| 5.4.2 区分路由及保护的实现步骤 |
| 5.5 性能分析 |
| 5.5.1 仿真环境 |
| 5.5.2 结果分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 取得的成果和创新点 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间以第一作者发表的相关论文目录： |
| B. 作者在攻读学位期间参加的相关科研项目： |
（10）未来传送网的生存性技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 光网络生存性需求 |
| 1.1.1 自然环境恶化需求 |
| 1.1.2 网络大容量发展需求 |
| 1.1.3 生存性技术发展需求 |
| 1.2 光网络生存性关键技术问题 |
| 1.2.1 Pbit/s级可控管光网络生存性体系 |
| 1.2.2 多故障推断和甄别过程的机理分析与建模 |
| 1.2.3 立体化保护机制 |
| 1.2.4 基于模糊故障集的多故障恢复机制 |
| 1.3 国内外研究进展 |
| 1.4 本论文的组成和主要工作 |
| 1.4.1 论文组成 |
| 1.4.2 主要工作 |
| 参考文献 |
| 第2章 基于模糊故障集的多故障定位机制 |
| 2.1 多故障定位算法与模糊集理论 |
| 2.1.1 已有的多故障定位机制 |
| 2.1.2 多故障定位问题描述 |
| 2.2 基于模糊故障集合的多故障定位 |
| 2.2.1 光网络中多故障定位问题 |
| 2.2.2 模糊故障集 |
| 2.2.3 模糊故障集构建算法 |
| 2.2.4 基于PCE的多故障定位机制 |
| 2.3 基于ANTNET的光网络多故障容错方法 |
| 2.3.1 AntNet多故障容错原理 |
| 2.3.2 AntNet解的构建 |
| 2.4 仿真结果 |
| 2.5 小结 |
| 参考文献 |
| 第3章 光网络保护机制和效率分析 |
| 3.1 线保护模型 |
| 3.1.1 1+1/1:1 保护 |
| 3.1.2 多线段保护 |
| 3.1.3 支撑树保护 |
| 3.1.4 预置圈保护 |
| 3.1.5 树上圈保护 |
| 3.2 MIN-MAX分析方法 |
| 3.2.1 多线段保护Min-Max效率分析 |
| 3.2.2 预置圈保护Min-Max效率分析 |
| 3.3 多故障保护需求分析 |
| 3.3.1 预置圈实现多故障保护 |
| 3.3.2 多故障保护需求和立体化保护思想 |
| 3.4 光纤接入网保护模型 |
| 3.4.1 光纤接入网结构特点 |
| 3.4.2 接入网保护方案与效率 |
| 3.4.3 long-reach光纤接入网多粒度节点模型 |
| 3.4.4 汉密顿结构在光纤接入网中应用 |
| 3.4.5 立体化结构在光纤接入网中多故障情况下的应用 |
| 3.5 小结 |
| 参考文献 |
| 第4章 立体化保护在光网络中的应用 |
| 4.1 网络冗余度分析 |
| 4.1.1 网络冗余度下界 |
| 4.2 立体化保护 |
| 4.2.1 MENGER理论 |
| 4.2.2 立方体保护结构以及保护效率 |
| 4.2.3 K-连通结构的保护效率 |
| 4.2.4 K-正则K-连通结构的节点模型 |
| 4.2.5 K-正则且K-连通结构的保护效率 |
| 4.2.6 K-正则且K-连通结构线性规划模型 |
| 4.2.7 K-正则且K-连通结构构建算法 |
| 4.2.8 立体化保护结构实现 |
| 4.3 仿真数据结果 |
| 4.3.1 静态情况下分析 |
| 4.3.2 动态情况下分析 |
| 4.4 小结 |
| 参考文献 |
| 第5章 基于模糊故障集合的恢复理论 |
| 5.1 基本PCE的光网络路由架构 |
| 5.1.1 PCE的提出 |
| 5.1.2 基于PCE的链路时效性冲突解决方案 |
| 5.1.3 大容量光网络仿真平台 |
| 5.2 二阶段恢复策略 |
| 5.2.1 基于风险资源的恢复原则 |
| 5.2.2 第一次恢复阶段 |
| 5.2.3 第二次恢复阶段 |
| 5.3 仿真实验结果 |
| 5.4 小结 |
| 参考文献 |
| 论文总结与展望 |
| 致谢 |
| 攻读博士期间的学术成果 |
四、光网络中的分布式故障定位方法（论文参考文献）
- [1]基于机器学习的数据中心光网络资源管理[D]. 郅聪颖. 山东大学, 2021(09)
- [2]光网络中人工智能的部署及应用技术研究[D]. 刘明哲. 北京邮电大学, 2021(01)
- [3]云计算环境下基于光载无线接入网的资源分配策略研究[D]. 于奥. 北京邮电大学, 2021(01)
- [4]基于意图驱动的光网络中智能策略研究[D]. 赵旭东. 北京邮电大学, 2020(05)
- [5]智能感知光网络中光性能监测与信号处理关键技术研究[D]. 李进. 北京邮电大学, 2020(04)
- [6]基于深度学习的光网络故障定位技术研究[D]. 王菲. 北京邮电大学, 2019(08)
- [7]电力弹性光网络自感知技术研究[D]. 王进帅. 华北电力大学(北京), 2019(01)
- [8]基于数据挖掘的智能光网络告警关联与故障定位研究[D]. 蓝明超. 国防科技大学, 2018(01)
- [9]自感知的光交换网络抗毁技术研究[D]. 熊余. 重庆大学, 2014(04)
- [10]未来传送网的生存性技术研究[D]. 李新. 北京邮电大学, 2013(04)