如何降低光网络时延:优化光缆路由成决定性因素

简介:

传统上金融相关业务对网络时延十分敏感,但是随着“互联网+”的深入发展,电信网络开始与各行各业深度融合,某些新兴行业和新兴业务对网络时延提出了近乎苛刻的需求,低时延网络也成为运营商关注的发展方向。

在发达国家和国际市场的专线市场中,低时延电路已经是一个专门的产品门类,时延已成为各大运营商专线业务的重要SLA和差异化指标。

中国电信日前发布了《低时延光网络白皮书》,指出了四大需求低时延的业务。第一是金融和电子交易类用户;第二是基于TCP协议的高清视频类业务,包括4K/8K、视频会议、VR等实时性要求极高的大带宽业务;第三是部分云业务,特别是虚机迁移、数据热备份和实时性要求比较高的云桌面、云支付等业务;第四是尚处于研究阶段的未来5G移动网络的传送承载业务,目前5G网络对传送承载层预留的时延指标非常苛刻,需要一些低时延传输新技术加以保障。

《白皮书》指出,光网络是目前主流通信技术中具有最低时延优势的技术,而且光网络电路时延具有良好的可预测性。根据《白皮书》的测算,传输光纤时延比重大约85%左右,占据决定性位置;若再加上DCF时延,光纤整体时延比重近95%。

同时,光传送网络进入100Gbps时代以后全面采用相干光通信技术,线路上不再需要DCF,进一步降低了电路时延。与采用DCF的10Gbps光传输系统相比较,100Gbps光传输电路在相同的光缆路由条件下,能够降低10%左右。

光网络的低时延优势,源于其对业务信号处理层次极低,在全光传输距离可达范围内,除了5us/km的光纤固有传输时延以外,光网络设备引入的时延均为ns级的(1ns等于1us的千分之一)。OTN的传输设备进入了L1层处理,单节点的时延多数也是在10us级(复杂封装结构下可能达到100us级)。相对于交换机、路由器等L2、L3层网络设备单节点引入的1ms至10ms量级的时延,光网络设备节点引入时延只有其百分之一到千分之一。

基于光网络时延构成的量化分析,光纤传输时延占据光网络电路时延的90%以上,因此光网络时延的首要优化举措是路由优化,尽可能降低路由长度。优化路由距离的时延优化结果非常容易量化,每减少1公里的路由距离,业务双向传输时延(RTT)减低10us。中国电信提出了一二干融合等战略举措,统筹规划骨干网光缆网络的建设和使用,有利于优化光网络路由,提供更短的光缆路由,在未来低时延专线市场竞争中取得技术优势。

其次,采用大管道传输。在相同的光缆路由条件下,采用相干光通信技术的100Gbps WDM系统相对于早期10Gbps和40Gbps WDM系统,电路时延可以减低10%左右。

此外,光网络依旧可以提供一些额外的时延新能技术优化手段,尽管幅度比较小,仍可以满足一些特殊业务对网络时延极其苛刻的需求。这包括提高传输速率,不以业务数据量作为带宽选择的依据。以及减少光电光OEO再生次数、采用OTN传输技术、选择合适的FEC纠错算法、考虑采用RAMAN放大器等技术手段。
本文转自d1net(转载)

相关文章
|
7月前
|
机器学习/深度学习 算法 调度
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
522 0
|
8月前
|
机器学习/深度学习 算法 安全
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
382 0
|
7月前
|
机器学习/深度学习 并行计算 算法
粒子群算法优化RBF神经网络的MATLAB实现
粒子群算法优化RBF神经网络的MATLAB实现
541 123
|
8月前
|
机器学习/深度学习 算法 数据挖掘
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
239 0
|
8月前
|
机器学习/深度学习 数据采集 传感器
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
534 0
|
6月前
|
机器学习/深度学习 数据可视化 网络架构
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
PINNs训练难因多目标优化易失衡。通过设计硬约束网络架构,将初始与边界条件内嵌于模型输出,可自动满足约束,仅需优化方程残差,简化训练过程,提升稳定性与精度,适用于气候、生物医学等高要求仿真场景。
692 4
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
|
6月前
|
机器学习/深度学习 算法
采用蚁群算法对BP神经网络进行优化
使用蚁群算法来优化BP神经网络的权重和偏置,克服传统BP算法容易陷入局部极小值、收敛速度慢、对初始权重敏感等问题。
463 5
|
6月前
|
机器学习/深度学习 数据采集 人工智能
深度学习实战指南:从神经网络基础到模型优化的完整攻略
🌟 蒋星熠Jaxonic,AI探索者。深耕深度学习,从神经网络到Transformer,用代码践行智能革命。分享实战经验,助你构建CV、NLP模型,共赴二进制星辰大海。
|
8月前
|
机器学习/深度学习 数据采集 运维
匹配网络处理不平衡数据集的6种优化策略:有效提升分类准确率
匹配网络是一种基于度量的元学习方法,通过计算查询样本与支持集样本的相似性实现分类。其核心依赖距离度量函数(如余弦相似度),并引入注意力机制对特征维度加权,提升对关键特征的关注能力,尤其在处理复杂或噪声数据时表现出更强的泛化性。
422 6
匹配网络处理不平衡数据集的6种优化策略:有效提升分类准确率
|
7月前
|
机器学习/深度学习 并行计算 算法
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
171 8

热门文章

最新文章