Topology Bench

Topology Bench是一个综合性的拓扑数据集，旨在加速光学网络中的基准测试研究。该数据集专注于核心光学网络，包含105个地理参考的真实世界光学网络和270,900个经过验证的合成拓扑。数据集的创建过程包括从现有数据集、研究文献和行业报告中收集数据，并通过图论分析和机器学习方法进行系统分析。该数据集的应用领域主要是光学网络的资源分配问题，旨在通过提供多样化的拓扑选择来增强网络研究的通用性和客观性。

Topology Bench is a comprehensive topology dataset designed to accelerate benchmarking research in optical networks. This dataset focuses on core optical networks, containing 105 georeferenced real-world optical networks and 270,900 validated synthetic topologies. The creation of this dataset involves collecting data from existing datasets, research literature, and industry reports, followed by systematic analysis via graph theory and machine learning methods. The primary application scope of this dataset lies in resource allocation problems in optical networks, aiming to enhance the generality and objectivity of network research by providing diverse topology options.

搜集汇总

数据集介绍

构建方式

Topology Bench 数据集的构建方式体现了对光网络研究需求的深刻理解与系统性规划。该数据集整合了105个具有地理参考的真实光网络拓扑，以及270,900个经过验证的合成拓扑，这些合成拓扑通过SNR-BA模型生成。数据集的构建过程包括从公开可访问的数据源、研究文献和行业报告中筛选和整合真实网络拓扑，同时通过SNR-BA模型生成合成网络，以弥补真实网络在多样性上的不足。此外，数据集还进行了详尽的图论分析，包括结构、空间和谱度量，以确保拓扑的多样性和代表性。

特点

Topology Bench 数据集的显著特点在于其全面性和多样性。首先，数据集包含了105个真实光网络拓扑，这些拓扑涵盖了从国家到洲际的不同尺度，且所有节点均具有地理坐标信息，这在光网络研究中极为重要。其次，数据集通过SNR-BA模型生成了270,900个合成拓扑，这些合成拓扑在节点数量、连接密度和距离尺度上具有广泛的多样性，能够有效补充真实网络的不足。此外，数据集还提供了详细的图论分析结果，包括结构、空间和谱度量，这些分析结果为研究人员提供了选择拓扑的客观依据。

使用方法

使用 Topology Bench 数据集时，研究人员可以根据具体需求选择合适的拓扑进行实验和分析。对于真实网络，可以通过K-means聚类方法，基于结构、空间和谱度量对网络进行分类，从而选择具有代表性的拓扑。对于合成网络，可以根据网络规模、连接密度和距离尺度等参数进行筛选。此外，数据集还提供了详细的图论分析结果，研究人员可以利用这些结果进行深入的网络性能分析和算法验证。数据集的开放性和详细文档支持，使得研究人员能够轻松地进行数据导入和分析，从而加速光网络领域的研究进展。

背景与挑战

背景概述

Topology Bench，由伦敦大学学院（UCL）和剑桥大学的研究人员于2024年创建，是一个专注于核心光网络的系统性图基准数据集。该数据集包含了105个地理参考的真实世界光网络和270,900个经过验证的合成拓扑，旨在加速光网络中的基准研究。Topology Bench的推出填补了先前研究中开放数据源碎片化和个体研究分散化的空白，特别是在合成数据规模方面。通过提供统一的资源，该数据集代表了空间参考真实世界光网络的61.5%增长，并通过图理论分析方法，对真实和合成网络进行了结构、空间和光谱度量的分析，从而增强了光网络研究的普遍性和客观性。

当前挑战

Topology Bench面临的挑战主要集中在解决光网络研究中的数据标准化和多样性问题。首先，先前的研究在真实世界核心光网络的数据源上存在碎片化和分散化的问题，缺乏统一的基准数据集。其次，构建过程中遇到的挑战包括合成数据生成模型的选择和验证，确保生成的拓扑结构能够真实反映光网络的特性。此外，如何从大量数据中选择合适的拓扑结构进行基准测试，也是一个重要的挑战。Topology Bench通过引入系统性的图理论分析和无监督机器学习方法，尝试解决这些挑战，提供了一个更加客观和系统的拓扑选择框架。

常用场景

经典使用场景

Topology Bench 数据集的经典使用场景在于其为光网络研究提供了一个系统化的图论基准测试平台。该数据集包含了105个地理参考的真实世界光网络和270,900个经过验证的合成拓扑，适用于光网络的结构、空间和谱度量的分析。通过这些数据，研究人员可以进行光网络拓扑的多样性分析，识别真实网络中的约束条件，并展示合成网络如何补充和扩展可用拓扑的范围。

实际应用

在实际应用中，Topology Bench 数据集被广泛用于光网络的设计和优化。例如，研究人员可以利用该数据集进行物理拓扑设计（PTD）和资源分配问题的研究，如路由和波长分配（RWA）问题。此外，该数据集还支持机器学习在光网络优化中的应用，通过训练和评估模型，提高网络的吞吐量、弹性和延迟性能。

衍生相关工作

基于 Topology Bench 数据集，衍生了许多相关工作，特别是在光网络的图论分析和机器学习应用方面。例如，研究人员利用该数据集进行光网络拓扑的聚类分析，通过无监督机器学习将真实世界的拓扑分为不同的群组。此外，该数据集还促进了生成图模型（如SNR-BA模型）的发展，用于生成符合真实光网络特性的合成拓扑。这些工作不仅扩展了光网络研究的深度和广度，还为未来的网络建模和优化提供了坚实的基础。