FCM认知算法在软件定义网络中的应用研究

何 红, 赵 佐

(1．西安航空学院 电子工程学院， 西安 710077； 2．西北工业大学 计算机学院，西安 710072)

0 引 言

光网络[1]正处于不断的进步发展中，经过前4代的发展，当前正在兴起的第5代光网络是基于自适应功能、可视化和灵活网格的软件定义光网络(Software Defined Optical Network，SDON)[2]，且光超级信道的调制速率非常快[3]。但在新兴的光网络中，由于光路贯穿整个网络影响到光信道，且同向传播信道的物理损害也会不断累积。因此，某些光路的到达范围可能会减少，并受到给定信号质量阈值，例如，误码率(Bit Error Rate, BER)和光信噪比(Optical Signal to Noise Ratio, OSNR)数值的限制。因此，对于一些较长的路径，网络控制平面可能被迫设置较低的每信道比特率和改进调制格式，以提供所需的容量。

很多研究人员研究了高速光网络的传输质量(Quality of Transmission, QoT)，如文献[4]提出了基于终端限制带宽检测的大数据传输调度算法，针对实际应用，设计出基于终端系统限制的大数据传输任务调度器模型；文献[5]的方法需要网络拓扑和光路集合的相关信息以计算相应的质量因子，其中较高的质量因子对应着较低的BER，但该方法的估计器有一定的局限性；文献[6]提出了损伤可控的全光网络，将网络控制能力扩展到对传输损伤控制的层面，解决了损伤可控光网络结构、光路传输性能动态优化调节机制等关键问题；文献[7]提出了QoT估计器，该QoT估计器的主要缺陷在于：在案例数量不断增加的情况下，即使使用固定误差基于案例的推理(Case Based Reasoning, CBR)，也需要利用相关技术进行定期优化以保持算法性能。

本文在SDON背景下提出一种基于模糊C均值(Fuzzy C Mean, FCM)聚类算法的算法，该算法利用FCM算法实现一个认知引擎，生成模糊引擎规则，并根据从光学环境中学习到的经验来调整其隶属函数，由此为系统提供快速和准确的性能。通过计算模拟，对FCM算法进行了性能评价，与CBR算法相比，FCM算法在快速性和误差避免方面性能更优。

1. 算法分析与构建

1.1 FCM聚类算法

在模糊逻辑(Fuzzy Logic, FL)算法中，知识表示为IF…THEN规则[8]。在FL中允许部分的从属关系，即一个元素仅在一定程度上属于某个集合。这一从属度通常被称为隶属值，并表示为[0，1]区间内的一个实值，其中0和1分别代表完全不隶属和完全隶属关系。

式中，μi,j为数据点xi对于聚类中心cj存在的一个隶属性，i=1,2,…,N，j=1,2,…,K，且FCM中不存在空聚类。

由于聚类中包含隶属度为1的元素会造成其他聚类为空[9]，式(1)避免了这种情况。数据集合中的每个元素都会属于某个聚类，由此第i个元素的隶属度之和为1。

为了识别出X中的最优模糊C分割，本文通过迭代程序将FCM目标函数最小化，

式中：dE(xi,cj)为数据点xi与聚类中心cj之间的欧氏距离；cl为第l个聚类中心。

聚类中心的定义为

1.2 CBR算法

CBR算法通常包括5个步骤[10]：(1)存储以往的经验或案例；(2)从中搜索并检索最相似的案例；(3)使用检索到的过去案例求解新问题；(4) 修改建议的解；(5)保留新的经验，以求解未来的问题。在传统的CBR算法中，步骤(2)利用欧氏距离确定新案例的输入参数与存储案例的参数之间最接近的匹配。设A={a1,a2,…,aT}为新案例输入参数的集合，T为集合A的最大元素数；B={b1,b2,…,bM}为存储案例参数集合，M为集合B的最大元素数。第l个新案例与第h个存储案例之间的欧氏距离dE(xl,ch)定义为

式中：v和Q为参数数量(本文假定Q=1)；av,l为输入参数集合的元素；bv,h为存储案例参数集合的元素。

1.3 FCM算法

本文所采用FCM算法的模拟流程图如图1所示。模拟步骤如下：

图1 模拟流程图

(1) 数据收集：收集光介质相关的训练数据，利用OptiSystem软件实现光学介质相关的训练数据的计算机模拟。该步骤的目的是根据OSNR和Q因子等度量，计算每条光路的性能。此过程评估光路中的物理层对每种调制格式及每个路径长度的衰减效应。该步骤结束时，生成一个包含光路属性的数据库。

(2) 数据预处理：选择从步骤(1)收集到的数据的相关参数，以待用作FCM算法的输入和输出。

(3) 聚类数量的选择：为应用选择合适的聚类数量。

(4) 数据聚类：通过FCM算法对步骤(2)处理过的数据进行聚类，并生成相应的隶属函数。

(5) 规则生成：基于步骤(4)得到的隶属函数，自动生成规则，用于实时制定决策。

(6) FCM应用：对每个到达控制平面的连接请求，FCM算法根据路径长度确定合适的调制格式。

1.4 控制平面架构

为了实现FCM算法的应用，需要一种相应的控制平面，提出的控制平面架构如图2所示。其中，网络应用包含在远程网络控制器(Remote Network Controller, RNC)中，通过开发结构，使用标准协议(如OpenFlow(OF))与远程网络设备进行通信。将OF代理放置在网络设备的顶部，以提供与RNC的通信接口。RNC还有另一个接口，以接收来自网络用户的连接请求。RNC中嵌入的多个网络应用分为两个阶段使用：

图2 所提控制平面架构

(1) 连接建立之前采用的算法为：使用Dijkstra算法计算源节点和目的节点之间的最短路径；使用本文所述的FCM算法步骤进行操作；频谱分配算法。将FCM中嵌入的模块称为认知算法CA1，即频谱分配算法的输入，负责为Dijkstra算法计算出的路径确定调制格式。

(2) 在连接建立之后，网络监视器实时采集已建立连接的OSNR，并通过OF接口将其发送至RNC。RNC将测量结果发送至认知算法CA2模块，该模块将其作为另一个FCM算法的输入。

2 计算模拟

2.1 链路模拟

为了收集训练数据，本文考虑一个光网络，使用超级信道的多载波调制方案[11]。每个超级信道被分割为多个子载波的正交信道，每个子载波承载一部分的超级信道数据速率。为满足200 Gbit/s的光路需求，在DP-16 数字调制器正交幅度调制(Quadrature Amplitude Modulation, QAM)方案中使用一个在200 Gbit/s处调制的子载波，占用频隙为25 GHz；或在正交相移键控(Quadrature Phase Shift Keying, QPSK)方案中使用100 Gbit/s调制的两个子载波，每个子载波占用频隙为25 GHz，总计50 GHz。

训练数据为OptiSystem模拟器(版本13.1)进行的离线计算机模拟。OptiSystem仿真软件配置如图3所示，其配置了光发射器和接收器、相干接收器、数字信号处理模块、掺铒光纤放大器、高斯光学滤波器、电放大器以及一个标准光学滤波器[12]。表1所示为用于DP-QPSK和DP-16 QAM的仿真参数。

表1 DP-QPSK和DP-16 QAM的仿真参数

图3 OptiSystem软件仿真配置

2.2 FCM和CBR算法的计算模拟

本文对得到的训练数据进行分析，并选择出了具有可接受QoT的光路，选择标准以高阶调制为先。结果如表2所示，表中，调制格式为1表示DP-QPSK 100 Gbit/s，调制格式为2表示DP-16 QAM 200 Gbit/s。存储这些列表数据，以待下一个步骤中用于FCM算法的训练和学习。

为了对表2给出的数据进行聚类，本文使用了Matlab软件中的FCM genfis3函数。表2给出了输入和输出数据。Matlab软件中的FCM genfis3函数为系统的输入和输出均生成了隶属性的高斯隶属函数，聚类的隶属度随着路径长度和调制格式的变化情况如图4所示。

表2 输入数据和输出数据

图4 聚类的隶属度随着路径长度和调制格式的变化情况

由图可知，聚类1的输入与短距离路径相关，聚类2的输入与长距离路径相关。长距离路径与短距离路径之间存在一个过渡区域(500～1 500 km)，该区间内的路径被视为一定程度的长或短路径，由高斯隶属函数给出。高斯函数不会在这一过渡区域内出现突然变化。如果路径过短，一般来说，Q因子数值将满足高阶调制格式的要求。如果路径过长，则假定Q因子的数值不能满足高阶调制格式的要求。但如果路径处于下界和上界阈值之间的不确定区域中，则适当调制格式的选择将直接取决于Q因子数值，而非路径长度。本文使用FCM算法对该不确定区域进行建模，这样能够给系统带来极大的灵活性和适应性。

3 实验结果与分析

3.1 FCM和CBR算法的性能比较

FCM和CBR算法的计算时间随不同连接数量的变化情况如图5所示。图中每个点对应于算法运行10次得到的均值。当请求连接数为2 500个时，FCM算法的平均计算时间为14.4 s，标准偏差为0.2 s。CBR算法的平均计算时间为1 405 s，标准偏差为33.1 s。结果表明，当使用100个训练案例时，FCM算法大约比CBR算法快两个量级，这证明了FCM与CBR技术之间的复杂度差异。模拟中，两个算法在调制格式的选择上表现出100%的一致性。如果训练案例的数量降至50个，则FCM算法依然能给出100%的成功选择，而CBR算法对于5 000个连接请求则会出现约30%的误差比。误差的产生源于案例数量的减少。该准确度评价中使用了已知的连接请求序列及相关的调制格式。

图5 FCM和CBR算法的计算时间随不同连接数量的变化情况

3.2 控制平面中存储案例的影响

在控制平面(如图2所示)连接建立后，网络监视器实时采集已建立连接的OSNR，并通过OF接口将其发送至RNC。算法根据实测的OSNR值，选择每次使用的调制格式。聚类的隶属度随输入和输出的变化情况如图6所示。定义的规则为：如果测得的OSNR属于聚类1，则调制格式属于聚类1；如果测得的OSNR属于聚类2，则调制格式属于聚类2。

图6 聚类的隶属度随输入和输出的变化情况

为了深入分析，当请求连接的数量设为500个时，将存储案例的数量从100个变为50 000个，控制平面中FCM/CBR算法的计算时间变化情况如图7所示。从模拟结果的线性拟合看，算法在存储案例数量增加的情况下，其计算时间呈线性增长，可见，存储案例的数量会影响到算法的性能。

图7 CBR/FCM算法的计算时间之间的关系

4 结束语

本文提出了一种基于FCM算法的方法，所提方法为光路实时确定调制格式，并实现了很高的评估成功率，且速度更快，比传统的CBR算法快两个量级。虽然本文着眼于离线训练，但当与OSNR监测系统一起工作时，所提算法可以实时地适应不断变化的环境。这是因为所提方法利用监测系统收集到的新数据以适应隶属函数的处理过程耗时非常短。