周 刚，吴树霖，张江龙，吴小华，庄浩涛，赵永利

(1.国网福建省电力有限公司，福州 350003； 2.国网福建省电力有限公司信息通信分公司，福州 350003；3.安徽继远软件有限公司，合肥 230088； 4.北京邮电大学，北京 100876)

0 引 言

在投入商业使用的光网络中，用户隐私和商业机密保护等措施使得实时采集到的有效流量有限，难以支撑基于深度学习的流量预测或流量诊断等模型的训练。

数据增强(合成)是解决数据量问题的有效方法。传统方法依据已知流量数据特征和专家经验，对经典数学模型进行再建模，以拟合出流量分布表达式。文献[1]根据泊松模型对流量数据进行数学建模，但现网中业务种类繁多，流量数据特性越加复杂，基于泊松模型的数据合成会导致多源数据汇聚后变得越加失真；文献[2-3]中均基于分形布朗运动模型对流量数据进行数学建模以合成流量数据，该模型能够刻画光网络的突发性和自相似性[4]，但不适用于非高斯流量数据的建模。可见传统方法根据局部特性合成流量，难以适应现网高度变化的流量数据。为了解决生成对抗网络(Generative Adversarial Networks，GANs)[5]难以合成序列数据的问题，文献[6-7]基于循环神经网络(Recurrent Neural Network，RNN)提出了针对序列数据的合成方法；为了解决时序数据条件性合成问题，文献[8]引入基于多层感知机的元数据辅助模型。然而尚未有根据光链路特性对流量数据进行合成的研究成果。

针对上述流量合成方案的局限性，本文采用GANs的“半监督”能力代替专家经验，构建了……