近年来随着各种流量业务的爆发式增长,前传网络中的网络运维能力和资源消耗问题成为关注的热点。与此同时,用户接入网中不同小区流量请求情况的实时变化,使得基带处理单元(Base band Unite,BBU)负载随之呈周期动态变化,亦称作潮汐现象。为降低系统能耗,大量研究采用BBU聚合作为其解决方案。然而,未来网络负载的未知性将导致BBU聚合决策仅在短时间内局部较优,同时可能造成大量业务发生迁移。基于此,如何预测接入网中流量的变化情况并且采取合理的BBU聚合优化策略来降低网络中的资源消耗,成为现今急需解决的重要挑战。本文针对以上提出问题的相关优化策略和具体实现,进行了比较深入的研究,主要研究工作和创新点如下:(1)本文搭建了基于机器学习的流量预测模型,并基于流量预测结果提出了移动前传光网络中BBU聚合优化策略。针对接入网络中的潮汐流量,本文分别基于LSTM算法和机器学习中的LR算法搭建了两种流量预测模型来预测未来一段时间的潮汐流量变化情况,通过输入真实历史数据不断训练和调参,并且对比选取了较优的预测模型。仿真结果表明基于LR算法的预测模型具有较低的运行时延,以及高达97%的数据精度。基于流量预测结果,本文提出了 BBU聚合优化策略,有效解决了流量潮汐变化的情景下BBU池中资源过度浪费的问题。通过预测的24小时的流量情况,本文设计了一种基于“最佳降序匹配”(Best-Fit Decreasing,BFD)装箱算法和贪婪算法的BBU聚合策略,既保证了每个时刻的BBU资源利用率较高,又保证了聚合过程中发生的业务迁移较少。仿真结果表明,本文提出的方法达到了明显的节约能耗的效果。(2)移动前传光网络中各种网络资源的复杂性和规模的增长速度,使得网络的监管变得越来越困难。本文设计了一个基于软件定义网络(Software Defined Network,SDN)的资源控管平台,面向光与无线融合场景,包括嵌入智能AI模块,控制模块,南北向通信模块等,并且在此基础上,利用已有的实验室硬件设备,模拟实际网络场景,实现了光与无线融合网络中多维资源的灵活控管,以及验证了本文提出的BBU聚合策略的有效性和可行性。