0 引言
       数据中心中通过高速光纤传输链路及交换机实现各个服务器之间的连接，构成数据中心光网络。随着云计算和大数据等应用在近几年的快速发展，以及互联网在数据中心的核心地位，数据中心光网络已经成为学术界和工业界关注的研究重点。光通信技术以其宽带宽、低能耗和低延时等显著优势成为数据中心高质量传输的首选，高速光网络极大地改善了数据中心网络架构中各个服务器之间的传输性能，同时也极大地降低了传输成本。
　　 随着全球互联网业务的高速增长及5G业务的普及，服务器数量增多和传输数据流量的快速增加，数据中心光网络的带宽资源日益面临挑战。由于成本问题，不能单纯地依赖增加服务器数量来扩展数据中心能力。因此，出现了一些新的数据中心结构，如胖树拓扑结构、开放业务体系结构和全无线架构数据网络等。为了提高服务器的效率，数据中心使用设置流量间隔、虚拟拓扑设计等方式来提高其扩展性和容量。数据中心中庞大的数据量和链路组合使其较传统的网络更加难以管理，而拓扑重构技术作为解决数据中心网络复杂性的一项关键性技术受到了广泛的关注，尤其对支持数据中心网络的数据传输、适应时变动态环境和管理不同频带联合资源分配起到了至关重要作用。对于传输庞大数据量的数据中心而言，在传输数据前对传输业务进行简单分类可以有效减少数据管理难度，并减少传输数据阻塞情况的发生。因此，有效的业务分类方案以及拓扑重构方案在数据中心光传输链路中非常必要。当前，学术界普遍认为通过机器学习对数据业务进行分类是一种极具效率的方式，而拓扑重构方案需要保证动态网络环境中的数据传输，其中面对的问题和挑战包括可用频谱资源由主用户的空闲状态决定，以及因频谱资源的改变导致的拓扑变化等问题。面对这些挑战，结合当前数据中心网络的需求，新型的网络重构管理模型对于网络管理来说十分必要。
因此，针对数据中心光网络传输资源分配利用率不够高效的问题，本文提出一种基于机器学习的数据中心光网络传输资源优化策略，并通过优化的贪婪遗传算法（IGGA）构成新的拓扑重构策略。

3 结束语
        数据中心光网络拓扑重构是解决复杂动态业务下资源分配问题的关键，本文提出了一种基于机器学习的数据中心光网络传输资源分配优化策略。首先，通过K-means算法对网络流量数据进行分类，使得数据中心流量在传输时避免在一条传输链路中对大量同类型的数据同时进行传输，有效地减少了由此产生的网络资源分配不均及网络阻塞的现象。然后，采用IGGA实现链路拓扑优化重构，通过理论分析和数值仿真结果验证了IGGA相较于传统GA在数据中心拓扑重构上拥有更好的性能。
　　 随着数据中心业务种类和数量的进一步增加，在流量分类的基础上再进行数据中心流量的传输可以更好地分配传输资源，减少拥塞情况的发生。此外，采用IGGA对数据中心网络拓扑结构进行重组优化可以有效降低网络成本和时间成本。