近年来,随着数字信息技术的高速发展,诸如高清视频,虚拟现实等新兴数据业务呈现出爆发式增长,并对移动通信基础网络性能提出更高的要求。在此背景下,第五代移动通信(5G)系统应运而生,旨在解决未来海量的终端接入和复杂的端到端服务质量需求。为达到上述目标,5G提出更宽泛的应用场景和更高的通信标准,并因此对承载网提出更高要求。以数据中心互连为核心的承载网成为提供云计算和边缘计算服务以支撑5G新型数据业务的关键。然而,面向5G应用的数据中心互连网络面临着严峻挑战,需要新的网络架构和技术,包括超大传输容量、集中控制平面和智能的控制算法才能满足未来5G业务的端到端服务需求。针对上述挑战,本论文探索面向5G应用的新型数据中心互连网络架构与关键技术。结合当前光网络技术演进途径,论文提出了认知数据中心互连网络的架构,并开展了以下几方面技术内容的研究:1)采用容量提升空间更大的空分复用光传输构建底层物理网络;2)采用软件定义光网络的架构提供集中的控制平面以支撑高效快速的网络切片;3)引入认知平面和智能算法提升网络自适应处理事件的能力;4)为了验证论文所提出的技术方法,我们设计了基于空分传输的数据中心互连光网络物理拓扑结构,并基于此网络拓扑,进行大量的仿真验证。研究内容和创新点如下:基于空分复用光传输的网络性能分析。由于光纤内在传输机理不同,空分复用光传输有不同的范式。根据光纤传输元素的耦合效应,空分复用光传输分为三种不同的范式,即独立传输,联合传输和部分联合传输。在数据传输过程,每种传输范式有不同的资源分配方式。独立传输中每个传输资源独立成为信道,数据包可以被分配到不同的信道中传输。联合传输中所有传输资源组成一个信道,数据包依次在这个信道中传输。部分联合传输将传输资源划分为若干个相互独立的组,每个组成为一个信道。不同的传输范式带来不同的网络性能,包括吞吐量,丢包率,平均传输时延等。基于空分复用光传输组网的数据中心互连网络需要考虑每种传输范式的性能。基于此,论文对不同的空分复用光传输范式建立数学模型,利用排队理论和马尔科夫链推导出系统稳定状态下的网络性能,并进行了不同方面的数值仿真对比。仿真结果显示在资源相同的情况下,独立传输具有最高的传输效率,联合传输可以提供最高的传输速率但不能保证最低平均传输时延。在不同传输资源情况下,通过合理的传输粒度设计,部分联合传输可以提供最佳的传输性能。平均光数据包的大小对传输性能有重要影响。相比于其它光传输组网,空分复用光传输更有利于构建灵活粒度传输的全光网络。基于深度学习的自适应路由设计。传统光网络控制层面采用基于链路状态的路由协议,将相同业务映射到固定的传输路径。这种路由算法并没考虑传输路径中节点负载的变化,当这条最短路径上的负载严重时,数据包被大量丢弃,导致丢包率性能下降严重,无法保证5G业务的端到端的服务质量。基于此,文章提出基于深度学习自适应的路由算法。认知平面可以获取网络节点的负载数据,深度神经网络对大量节点负载数据对应的丢包率样本进行学习,输出对应不同网络流量分布的最佳传输路径,实现传输路径的动态调整,进而避免网络拥塞。仿真验证了基于深度学习的自适应路由算法的有效性,相比于传统的路由协议,基于深度学习的自适应路由算法显示出了更佳的丢包率性能和拥塞避免能力。基于深度学习的传输时延优化。网络切片是实现不同5G业务端到端传输时延的重要保证。当前5G网络切片采用物理层信道带宽划分的方案,这种方案可以快速的实现业务的隔离承载,然而并不一定能保证端到端传输时延。这是因为物理层的切片方案没有考虑网络层的流量负载变化,当切片网络中的负载严重时,网络很难保证时延敏感型业务的传输时延。因此论文提出了基于网络层的动态切片方案。认知平面获取网络节点负载信息数据,并通过多个深度神经网络组合训练,得到适合当前网络状态的切片方案。仿真结果显示,基于网络层的动态切片算法比传统物理层切片方案具有更好的传输时延性能。