基于深度强化学习的光网络切片资源动态分配系统设计.docxVIP

PAGE2

基于深度强化学习的光网络切片资源动态分配系统设计

摘要

随着5G、云计算及物联网技术的飞速发展，光网络作为基础承载网面临着业务类型多样化与资源需求差异化的巨大挑战。传统的静态资源分配方式难以应对突发性强、流量特征复杂的网络环境，极易造成资源浪费与服务质量下降。本课题旨在设计一套基于深度强化学习的光网络切片资源动态分配系统，通过引入人工智能决策机制，实现光网络资源的智能化调度与优化。系统以深度强化学习算法为核心，构建包含环境感知、智能决策与执行反馈的闭环架构，解决了多维资源约束下的动态分配难题。

论文首先分析了光网络切片的业务需求与资源分配痛点，确立了以资源利用率最大化与业务阻塞率最小化为目标的系统设计方向。其次，详细阐述了深度强化学习中的PPO算法原理及其在资源调度中的适用性，完成了从数据采集、模型训练到决策部署的技术选型。在系统设计阶段，采用分层架构思想，构建了包含基础设施层、控制层与应用层的系统总体框架，并设计了多维度的状态空间与奖励函数。随后，完成了系统核心模块的详细设计与代码实现，重点攻克了状态空间高维稀疏与模型收敛速度慢的技术难点。最后，通过搭建仿真测试环境，对系统功能与性能进行了全面验证。测试结果表明，相较于传统的启发式算法，本系统在业务阻塞率上降低了约15%，资源利用率提升了约12%，有效验证了深度强化学习在光网络切片资源分配中的优越性与可行性。

第