Page 34 - 网络电信2021年11月刊下

解 决 方 案

机器学习在光通信网络性能监测中的研究综述

张德聪
中国电子科技集团公司第二十九研究所

摘要 : 持续增长的带宽和高质量的服务需求为光通信网络带来了前所未有的挑战，新一代光通
信网络正朝着高带宽、低延迟、高可靠性和强灵活性的方向快速发展。光学性能监测（OPM）被
认为是新一代光通信网络的关键使能技术。传统的 OPM 技术主要借助统计方法进行网络特征参
数监测，随着网络复杂度的增加，其监测精度有限、缺乏智能性以及难以同时监测多个性能参数
的问题逐渐凸显。近年来，基于机器学习的技术凭借其强大的认知能力引发了光通信网络领域的
关注，目前已有一些机器学习技术被引入到 OPM 中。首先介绍传统的 OPM 技术，然后综述机
器学习技术在光通信网络性能监测中的研究现状，最后展望未来的研究方向。
关键词：光通信网络；光学性能监测；机器学习；卷积神经网络；人工神经网络；循环神经网络

随着社会信息化程度的提高，3D网络游戏、远程教育、 网络的重要使能技术。
视频会议等高带宽业务不断涌现，越来越多的用户与设备连接 传统的OPM技术主要借助数理统计和信号特征实现性能监测
到网络中，网络带宽的需求持续快速增长。据思科公司发布 与格式识别。数理统计方法可有效实现最佳参数估计，但需要
的2018-2023年度互联网报告数据显示，到2023年全球互联网 知晓信道参数或描述信道的数学模型。信号特征的选取需要较
用户预计增长至53亿，联网设备数预计增长至293亿，全球平 长的试错过程，以决定哪些特征最适合描述不同的信道损伤或
均宽带速度预计增长110.4Mbps ［1］ 。在可预见的将来，通信系 调制格式。传统的OPM技术很难同时独立监控多种传输损伤，不
统传输容量加速增长的趋势不会放缓，光通信网络正朝着高带 同损伤的影响亦很难单独分析。随着网络复杂度的增加，传统
宽、低延迟、高可靠性的方向发展。为此，许多先进的网络传 的OPM技术已难以准确描述信道模型，监测精度有限。
输方案、调制格式以及新型复用技术被引入到光通信网络中， 近年来，机器学习（含深度学习）技术凭借其强大的认知
但这些技术在提升网络性能的同时极大地增加了网络复杂度， 能力获得各领域的关注。机器学习模拟生物的认知过程，通过
对网络的运行与管理带来巨大挑战。光学性能监测（Optical 感知反馈信息分析行为结果，利用经验调整行为活动并重新组
Performance Monitoring，OPM）是针对光网络的物理状态和 织己有的知识结构，使之能不断改善自身性能。机器学习被认
光信号的传输质量进行的物理监测，其实质是对光信号进行测 为是极具潜力的提升光网络智能的方法，在OPM中使用机器学习
量并从中提取评价光通信系性能的相关参数，可有效反映网络 技术可以实现网络状态信息的实时利用。基于机器学习的OPM
传输性能、识别损伤类型并采取有效措施改善网络性能 ［2］ 。此 通过不断调整的模型构建主动网络，这些模型可以预测故障发
外，智能光通信网络需要具有自适应功能，即能根据不同的链 生的概率，并在运行参数不断变化时推荐合适的解决方案，因
路条件服务需求灵活改变调制格式、符号率、编码类型等，这 此可以保证网络稳定可靠地运行。基于机器学习的OPM还可以处
也要求接收机具有OPM 的功能。因此，OPM 将成为未来光通信 理大量可调参数，如调制格式、信号功率、符号速率、自适应

64 网络电信 二零二一年十一月