1.一种基于弹性光网络的算力网络切片资源均衡分配方法，其特征在于：包括以下步骤：步骤1、通过SDN控制器获取算力网络节点计算资源和链路频谱资源信息以及网络切片请求信息；

步骤2、依据业务传输优先级排队，并判断网络切片请求是否允许接入算力网络；

步骤3、利用启发式算法为允许接入的各类网络切片请求分配资源，获得对应的算力网络切片资源分配策略；

具体为步骤如下：

步骤31、初始化迭代次数为k+1；

步骤32、计算虚拟节点权重并且降序排列，以虚拟节点权重最大的节点为起始节点，从该节点的相邻节点中选取权重最大的节点，再以此节点寻找权重最大的相邻节点，若无相邻节点回溯到上一个节点并寻找其相邻节点中权重最大的节点，重复步骤S32中的上述过程，直至遍历完所有虚拟节点，虚拟节点遍历顺序为其映射顺序，计算虚拟节点权重具体采用如下公式：其中， 为节点i计算资源需求， 为节点i相邻链路最大频谱资源需求， 为节点i节点度；

步骤33、根据物理节点可用计算资源是否大于虚拟节点请求的计算资源，然后判断物理节点的节点度是否大于或等于虚拟节点的节点度，最后判断物理节点相邻链路的最大频谱隙是否满足虚拟节点相邻链路的频谱资源需求，将满足步骤33中条件的节点作为虚拟节点的候选物理节点集合；

步骤34、根据节点选择概率在候选物理节点集合中选择虚拟节点映射的物理节点，并将虚拟节点映射到物理节点上，计算节点选择概率具体公式如下：其中， 为节点选择概率， 为节点可用度， 为二进制变量， 为节点i两侧链路可用频隙集中程度， 为物理节点i和j之间链路第s个频隙， 为节点负载， 为节点上已使用的计算资源， 为该节点总计算资源；

步骤35、使用k最短路径算法在虚拟节点之间部署虚拟链路，以链路可用度 作为链路权值以权值最小化为目标选择链路，链路可用度 公式如下其中， 为链路负载， 为链路上已占用的带宽， 为该链路总带宽； 是的物理节点之间跳数， 表示物理链路总频隙数， 表示物理链路最大空闲频隙数；

步骤36、记录网络切片请求映射的算力网络节点，迭代次数加1，并判断节点选取迭代次数是否等于k+1，如果等于k+1则以最短链路可用度 作为链路权值以权值最小化为目标选择链路，如果小于k+1则转向步骤32其中， 为物理节点i和j之间链路的距离， 是的物理节点之间跳数；

步骤37、将k+1条路径按目标函数的大小降序排列，从下到上进行业务资源预分配，如果满足SLA，则将网络切片请求映射到当前候选物理节点和物理链路，接受当前网络切片请求，否则尝试下一个候选路径，如果无法映射所有候选路径，则拒绝当前网络切片请求；

步骤4、使用集成神经网络模型预测下一单位时间各切片流量变化辅助进行切片重配置。

2.根据权利要求1所述的一种基于弹性光网络的算力网络切片资源均衡分配方法，其特征在于,所述步骤2的具体步骤如下：步骤21、计算业务传输优先级 ，公式如下

其中， 为网络切片请求的网络服务等级， 为该网络切片请求最大可容忍时延，为该网络切片请求在排队队列中等待的时间， 表示业务传输紧迫程度，通过min‑max标准化公式避免 数值剧烈波动影响业务传输优先级 性能；

步骤22、依据业务优先级对所述网络切片请求集合进行降序排列，获得排序后的网络切片请求集合；

步骤23、当网络切片请求的节点计算资源和链路频谱资源小于或等于算力网络中可用的节点计算资源和链路频谱资源时，允许网络切片请求接入算力网络，否则网络切片请求需要排队，当排队的网络切片请求数大于排队队列的最大可容纳值时，拒绝网络切片请求接入。

3.根据权利要求1所述的一种基于弹性光网络的算力网络切片资源均衡分配方法，其特征在于，所述步骤4的具体步骤如下：步骤41、当算力网络单位时间内的切片请求成功率小于门限值时，根据算力网络各切片的历史流量信息，利用以长短记忆神经网络、门控循环神经网络和卷积神经网络作为组件的集成神经网络模型，预测下一单位时间各切片流量变化；

步骤42、根据下一单位时间各切片的流量预测值辅助进行切片重配置，为各切片重新分配与其资源需求相适应的可用资源，并减少算力网络底层频谱碎片造成的资源浪费现象；

步骤43、避免集成神经网络模型预测波动太大导致分配给切片的资源影响后续业务传输，切片重配置阶段各切片分配资源变动不超过原本分配资源的M%。

4.根据权利要求1所述的一种基于弹性光网络的算力网络切片资源均衡分配方法，其特征在于，所述步骤37中计算虚拟网络成功映射到算力网络的目标函数值，具体公式如下：其中， 和 是和为1的常数， 为节点i负载， 表示节点平均利用率， 为节点i和节点j之间物理链路负载， 表示链路平均利用率。

5.根据权利要求3所述的一种基于弹性光网络的算力网络切片资源均衡分配方法，其特征在于，所述步骤41中，所述集成神经网络模型时间序列预测下一单位时间各切片流量变化具体步骤如下：步骤411、以算力网络单位时间为采样周期，采集各切片流量信息，构造训练集和测试集，并对训练集数据进行预处理；

步骤412、将长短记忆神经网络、门框循环神经网络和卷积神经网络作为基础模型，在训练集上分别训练三个单独的模型；

步骤413、采用boosting算法将三个基础模型组合成一个强大的集成模型，通过迭代的方式来不断提升弱分类器的性能，使其变成强分类器，使用三个训练好的模型对测试集进行预测，得到三个预测结果序列；

步骤414、根据给定的权重系数w1、w2和w3计算得到加权平均值，并使用交叉验证的方法选择最佳的加权参数w1_opt、w2_opt和w3_opt，最后利用最佳加权参数确定最终预测结果；

步骤415、根据各切片的最终预测结果比例，重新分配节点计算资源和链路频谱资源，使各切片分配的资源与需求相适应。