0 引言

    随着软件定义光网络（SDON）和网络功能虚拟化（NFV）的快速发展，能够实现智能运维的定义光网络将成为下一个研究热点。与传统的SDON不同，意图驱动的光网络采用基于意图的北向接口，将网络资源管理抽象为一个“黑盒系统”，自动转译业务对网络能力的需求，将传统的人工配置方式逐步升级为自适应的智能管控。用户无需提供具体的网络指标（如带宽、时延）[1]，只需使用自然语言表达网络需求，即可将业务部署在网络中。但是，意图驱动光网络在用户意图转译和验证后下发至网络设备层的过程中，由于当前时刻网络中的用户意图数量突然增加或底层物理资源的限制，会导致多用户之间的意图冲突[2]。

    目前，针对网络资源分配冲突问题已有广泛的研究。文献[3]提出当网络中出现阻塞时，通过对用户降级来减少阻塞的方案，但该方案会影响用户的服务质量（QoS），甚至导致低优先级用户请求无法成功连接。在网络资源紧张时期，文献[4]将时延不敏感业务请求错峰提供，但互联网服务提供商和上层应用并不属于同一方利益实体，因此不能进行联合优化。

    在多用户意图冲突方面，文献[5]提出了一种解决方案，用于检测当前网络中承载的意图是否存在冲突，但检测出意图冲突后如何自动解决，目前没有相应有效的研究。之前提出的资源冲突解决方案也无法直接应用在意图驱动光网络这种新场景中。

    随着人工智能的迅速发展，强化学习在资源分配领域被广泛应用[6]。强化学习能在实践中不断学习，通过不断地试错，并根据反馈的结果不断调整解决方案，从而寻找出能够产生最大效益的习惯性策略。因此，强化学习模型适合意图冲突问题中训练数据无标签的场景，即不存在用户意图到冲突解决策略的映射数据；同时，强化学习中的智能体可以根据网络性能指标的反馈不断寻找更优的意图回退策略[7]。因此，为解决意图驱动光网络中多用户之间的意图冲突问题，本文基于强化学习提出一种意图驱动光网络的冲突解决方法。

3 结束语

    本文针对智能运维的多用户意图光网络，提出了一种基于强化学习的意图驱动光网络的冲突解决方法。仿真结果表明：本文所提方法能够实现高精度的模型训练，获得较高的用户平均QoS和较低的网络阻塞率，在保障用户意图都能够成功连接的前提下使当前网络中的用户平均QoS值最大。光网络智能控制已经实现了新的优化和升级，从过去固化的关注网络传输指标，到如今更关注用户的体验质量，未来光网络管控技术将向自适应的方向发展。