1. 研究背景与目的

• 背景：

• 虚拟现实、自动驾驶和ChatGPT等新兴业务导致网络流量剧增，对光网络资源管理提出挑战。

• 弹性光网络（EONs）能灵活分配频谱资源，但资源协同管理面临困难。

• 目的：

• 解决虚拟光网络映射中的路径过长和频谱资源浪费问题。

• 提出碎片感知的虚拟光网络协同映射（FA-VONE）算法，提高资源利用效率。

2. 算法核心内容

• 节点排序策略：

• 设计节点权值评估方法，提高虚拟节点映射成功率。

• 节点与链路协同映射：

• 采用协同映射策略，减少光路映射跳数和频谱消耗。

• 光路资源评估策略：

• 在链路映射阶段，评估光路资源，提高虚拟链路映射成功率。

• 频谱碎片度量指标：

• 考虑候选频谱块到频谱边缘的距离、对相邻频谱资源和路径频谱资源的影响，提高频谱利用率。

3. 网络模型与约束条件

• 网络模型：

• 底层网络（EONs）和虚拟网络均抽象为无向图。

• 约束条件：

• 虚拟节点和虚拟链路映射需满足频谱连续性、一致性及无冲突性等约束。

4. 算法步骤

1. 计算虚拟节点和物理节点的权重值并排序。

2. 采用节点-链路协同映射策略，将权重值最大的虚拟节点映射至权重值最大的物理节点。

3. 为已映射虚拟节点的相邻虚拟链路寻找候选光路，并计算资源评估值。

4. 选择资源评估值最大的光路进行映射。

5. 在选定的光路上分配频谱资源，考虑频谱碎片度量指标，选择碎片度最小的频谱块。

5. 仿真分析

• 实验环境：

• 采用NSFNET和Indian Network Topology网络拓扑，在PyCharm平台进行仿真。

• 评价指标：

• 虚拟网络请求成功率、频谱利用率和底层网络收益。

• 仿真结果：

• FA-VONE算法在虚拟请求成功率、频谱利用率和底层网络收益方面均优于对比算法（LCLC-VONE和VONE）。

6. 结论

• FA-VONE算法通过设计节点权重评估策略和频谱碎片度量指标，有效提高了虚拟网络映射的成功率和频谱资源利用率，支持更多的虚拟网络请求。