这篇文章提出了基于特征提取的KNN路由优化算法，旨在提高大规模贝纳斯光网络的路由效率与通信性能，以下是对文件核心内容的总结：

1. 研究背景与动机：

• 信息通信需求：随着人工智能、物联网等技术的快速发展，信息通信系统对高速、大容量数据传输的需求日益增长。

• 光子芯片挑战：光子芯片作为光通信的核心载体，其性能优化面临重大挑战，尤其是在多端口光交换架构中，路由路径的智能控制成为关键因素。

• 贝纳斯光网络优势：贝纳斯光网络凭借其无阻塞、可重构及结构紧凑等优势，成为大规模光子集成中的主流拓扑之一。

• 传统算法局限：传统路由算法在处理大规模端口时计算复杂度高、实时性差，难以适应动态变化的通信需求。

1. 传统KNN路由优化算法的问题：

• 路由表数据特点：路由表数据具有高维性和低相关性，传统的降维方法效果不佳。

• 性能影响：直接使用传统的KNN算法难以准确捕捉路由表数据的内在特征，影响路由效率和通信质量。

1. 基于特征提取的KNN路由优化算法：

• 优化策略：引入特征提取方法，将原始路由表数据转化为KNN算法可高效处理的关键特征。

• 关键特征提取：提取波导交叉的首次出现位置（包括行和列）、波导交叉的总次数作为关键特征。

• 特征平均模块：对总交叉次数取平均值，以平衡数据规模并增强模型的泛化能力。

• 分类标准：以平均交叉次数为依据，结合消光比标签将路由情况划分为“Good”和“Bad”两个等级。

1. 仿真实验与平台搭建：

• 实验平台配置：使用高性能服务器，配置Lumerical INTERCONNECT 2020R2仿真软件、Python 3.11和Matlab R2022a。

• Benes网络结构：采用2×2基本光开关单元构建，每个光开关具有Bar和Cross两种工作状态。

• PAM4调制系统：采用PAM4格式实现高速信号传输，系统包括信号生成、分配与处理、调制与控制、检测与分析等模块。

1. 算法模型训练与参数优化：

• 数据集构建与预处理：从原始路由表中选取多样本构成训练集，提取关键特征值。

• K值优化：通过实验评估不同K值对预测准确性的影响，确定K=5时预测准确性达到最优。

1. 实验设计与结果分析：

• 实验分组：采用初始组（A组）、劣化组（B组）和优化组（C组）进行对比实验。

• 性能测试：测试消光比、带宽和误符号率等关键指标，结果显示优化组（C组）性能显著优于其他两组。

• 算法性能评估：与基于二分图的Benes固定路由法、基于穷举的Benes光路由法及传统KNN路由优化算法对比，本文提出的算法准确率达到71.85%，显著优于传统算法。

1. 结论与展望：

• 研究成果：提出的基于特征提取的KNN路由优化算法有效解决了传统KNN路由优化算法在高速光芯片路由优化中准确率不足的问题。

• 应用前景：在优路径条件下，系统实现了-7.6 dBm的最低接收功耗，并保持了较低的信号误码率，展现出在低功耗、高性能光互连系统中的良好应用前景。

• 未来研究：进一步探索该算法在更大规模贝纳斯网络中的鲁棒性，并结合更多物理参数进行优化，以提升算法的实用性和综合性能。

文章通过实验验证了基于特征提取的KNN路由优化算法在贝纳斯光网络中的有效性，显著提升了路由筛选准确率和通信性能，为光互连网络的优化提供了新的思路和方法。