边缘数据中心光网络

作者团队长期从事数据中心光网络方向研究，积淀深厚； 切中应用和技术发展趋势，聚焦边缘数据中心光互联网络场景； 从工程角度出发，覆盖组网架构、资源管控及碎片优化等多维度高 效管控； 引入机器学习技术推动边缘数据中心光互联网络智能化发展。

本书针对当前边缘数据中心光网络多域协作、异质资源分配、服务能力可靠性的需求，从多域可信控制、资源高 效分配、可靠性提升等方面提出相应的解决方案。 本书介绍边缘数据中心光网络可信控制技术，以及分布式软件定义边缘数据中心光网络的可信控制架构与跨域交互机制。然后，依次介绍边缘数据中心内突发流量预测与调度技术、边缘数据中心间长期流量预测与调度技术，并介绍相应的流量预测模型与资源分配算法。针对边缘数据中心光网络的可靠性提升，介绍其异常预测技术与故障定位技术，并提出相应的解决方案。 本书既可供高等院校通信、电子、信息科学等相关专业师生参考，也适合对边缘数据中心光网络领域有兴趣的非相关专业读者，以及正在从事边缘数据中心光网络理论研究和系统设计的通信行业研发人员阅读。

杨辉 北京邮电大学教授、博士生导师、电子工程学院院长，中国电子学会理事，中国电子学会青年科学 家俱乐部主席团主席，信息光子学与光通信全 国重点实验室主任助理，英国工程技术学会会士（IET Fellow），爱思唯尔中国高被引学 者，获国家自然科学基金优 秀青年科学基金项目支持。获国内外发明专利授权五十余项，获国家科技进步奖二等奖一项、中国通信学会科学技术奖一等奖、达摩院青橙奖等省部级和社会力量奖十项，并获得“强国青年 科学 家”提名、中国电子学会优 秀科技工作者称号。 姚秋彦 北京邮电大学特聘副研究员，入选第九届中国科协青年人才托举工程。在国内外学术刊物上发表论文七十余篇，获OECC/PSC会议最 佳论文奖。获国内外发明专利授权二十四项。作为骨干人员参与国家重点研发计划等国家 级项目多项。获日内瓦国际发明展金奖、中国产学研合作创新成果奖一等奖等奖项。 张杰 北京邮电大学教授、博士生导师、集成电路学院执行院长，信息光子学与光通信全 国重点实验室副主任，百千万人才工程国家 级人选，北京市优 秀教师，教育 部新世纪优 秀人才。主持承担了国家重点研发计划、国家973计划、国家863计划等多项国家 级项目，发表论文三百余篇，出版专著和教材十余部。

第1 章 绪论. 1 1.1　研究背景.　1 1.2　国内外研究现状.　2 1.2.1　数据中心光网络控制技术研究现状.　2 1.2.2　数据中心光网络资源分配技术研究现状.　4 1.2.3　数据中心光网络可靠性技术研究现状.　5 1.3　主要内容安排　6 第2　章 边缘数据中心光网络可信控制技术.　8 2.1　分布式SDEDCON 可信控制架构　8 2.1.1　边缘数据中心光互联场景下的可信控制需求分析.　9 2.1.2　基于区块链的分布式控制结构.　10 2.1.3　分布式SDEDCON 可信控制架构的功能.11 2.2　分布式SDEDCON 可信跨域交互机制.　14 2.2.1　分布式SDEDCON 多域协作模型　15 2.2.2　多维资源联合优化的跨域路由算法.　16 2.2.3　多控制器跨域路由共识算法.　18 2.2.4　基于自适应布隆过滤器的跨域路由验证.　20 2.3　仿真结果分析　26 2.3.1　仿真环境与评价指标.　26 2.3.2　网络运行仿真分析.　26 2.3.3　路由检测仿真分析.　29 2.4　本章小结.　30 第3　章 边缘数据中心内突发流量预测与调度技术.　32 3.1　突发流量调度原理　32 3.2　基于误差反馈脉冲神经网络的突发流量预测　34 3.2.1　脉冲神经网络.　34 3.2.2　误差反馈脉冲神经网络框架.　35 3.2.3　多突触机制.　36 3.2.4　误差反馈模块设计.　38 3.3　基于突发流量预测的流量调度算法　39 3.3.1　全局评估因子.　39 3.3.2　流量缩放因子.　41 3.4　仿真结果分析　45 3.4.1　仿真设置.　45 3.4.2　流量预测模型性能分析.　47 3.4.3　基于突发流量预测的流量调度算法性能分析.　49 3.5　本章小结.　51 第4　章 边缘数据中心间长期流量预测与调度技术.　52 4.1　边缘数据中心间网络流量预测.　53 4.2　问题分析及系统模型　54 4.2.1　数据中心间网络流量模型.　54 4.2.2　基于时间间隔的重采样过程.　55 4.3　多时间间隔特征学习网络模型.　56 4.3.1　B-RNN 模型.　57 4.3.2　MTIFLN 模型的框架.　59 4.4　基于长期流量预测的资源分配算法　60 4.5　仿真结果分析　63 4.5.1　数据集说明.　63 4.5.2　仿真设置.　66 4.5.3　MTIFLN 模型性能分析.　68 4.5.4　LTP-RA 算法性能分析　70 4.6　本章小结.　73 第5　章 边缘数据中心光网络异常预测技术.　75 5.1　基于深度学习的边缘数据中心光网络异常预测框架　75 5.2　基于LSTM 网络的时序数据异常预测方案　79 5.2.1　数据预处理与多维指标相关性分析.　80 5.2.2　基于LSTM 网络的异常预测模型　84 5.2.3　仿真结果分析.　85 5.3　有监督/无监督混合异常预测方案.　88 5.3.1　有监督DNN 异常预测模型　88 5.3.2　无监督聚类异常预测模型.　90 5.3.3　仿真结果分析.　91 5.4　本章小结.　95 第6　章 边缘数据中心光网络故障定位技术.　97 6.1　大规模告警信息下的光网络故障定位方法概述.　97 6.1.1　基于人工智能的故障定位方法概述.　97 6.1.2　高精度故障定位挑战.　99 6.2　深度神经进化网络　100 6.3　基于深度神经进化网络的故障定位方法.　102 6.3.1　改进的故障传播模型.　103 6.3.2　DNEN 监督学习模型.　105 6.4　仿真结果分析　109 6.4.1　仿真环境与模型训练.　109 6.4.2　仿真结果分析112 6.5　本章小结118 参考文献.119 术语表.　125