0 引言

随着数字化时代的到来，光通信和光网络在现代通信和网络领域中的地位日益凸显[1-2]。在这一背景下，软件定义光网络（SDON）作为一种创新性的技术，正逐渐成为引领光领域发展的关键驱动力之一[3]。SDON通过分离网络的控制平面和数据转发平面 [4]，使控制平面在光网络资源分配、路由配置以及服务质量（QoS）保障方面发挥核心作用。这种分离实现了网络的灵活编程和智能化管理，从而大幅提升了网络的性能和可靠性。然而，SDON在数据中心、算力网络等领域，面临着巨大的挑战[5]，包括对低延迟和高吞吐量的需求、网络规模的复杂性以及流量模式的快速变化。若要解决这些问题，只有在SDON控制平面中准确地对网络建模，精确预测SDON环境下的网络性能，才能进行光网络的资源分配和网络优化（如路由优化、链路负载均衡等）[6]。

　　学术界关注到机器学习（ML）和深度学习（DL）等人工智能技术在SDON网络性能预测方面的潜力。DL作为一种更先进的方法，能够构建精确的数据驱动网络模型，无需对物理网络进行假设，从而确保网络模型的准确性。SDON控制器监视网络流量、拓扑结构和性能指标[7]，并提供实时的网络状态信息和分析报告。将经过训练的DL模型集成到SDON控制器中，能够实现对网络性能的高效且精确预测，从而为资源分配和网络优化提供强有力的支持。WANG M等人[8]探讨了基于真实网络数据学习的数据驱动模型。文献[9-10]也尝试使用了全连接神经网络，即多层感知器（MLP）。然而，这些基于当前技术的早期网络尝试无法泛化到训练集之外的其它网络环境，不仅未在真实的流量模型中得到充分测试，而且也未考虑到QoS感知的队列调度配置。随着研究的深入，出现了更为复杂的神经网络模型，如变分自编码器[11]和卷积神经网络（ConvNN）[12]，但这些模型也与MLP模型有相似的限制。文献[13-14] 虽然使用了图神经网络（GNN），但仅仅采用了基本的GNN架构，并简化了网络模型，没有充分考虑流量模型、排队策略或泛化到更大网络的关键特性。

为了准确地预测SDON环境下的网络性能，在消息传递神经网络（MPNN）的基础上，本文结合双向门控循环单元（BiGRU）和自注意力（Self-Attention）机制的网络性能，提出一种基于GNN的SDON性能预测模型——BiGRU-AT模型。

3 结束语

　　本文提出了一种基于GNN的SDON性能预测模型。该模型遵循MPNN范式，通过Self-Attention机制强化网络中的主要特征，并通过BiGRU结合双向处理和门控机制的优点，克服了基于DL模型的局限性，达到与排队论相同的目标，即在给定的SDON网络场景中准确地估计网络性能；此外，该模型支持与路由、队列调度和流量模型相关的各种配置参数，以及路由、队列调度和流量模型的任意组合。理论分析和实验结果表明：BiGRU-AT模型在所有流量模型中对延迟的预测准确率均优于基线RouteNet模型，尤其是在具有复杂流量模型的场景中，仍然能表现出良好的MAPE性能。同时，该模型还可以结合SDON控制平面，在较短时间内对整体光网络的网络性能进行实时预测，为资源分配和网络优化提供有效的支持。