Page 35 - 网络电信2021年11月刊下
P. 35

编码率、自适应信道带宽等，更好地实现资源利用，为光通信                          根据二阶矩、四阶矩与信号功率、噪声功率的关系推导出OSNR
            网络提供卓越的传输效率、灵活性和可重构性。与其他数据传                          值。该技术对频偏和相位噪声不敏感，其性能受限于使用的均
            输网络一样，光网络也很容易受到不可预测因素的影响以及针                          衡器。此外，信号的累积分布函数（Cumulative  Distribution
            对性的有害攻击，或未经授权获取传输数据，但OPM可以提供关                        Function，CDF）也被用于OSNR的监测中。
            于光参数的连续信息，任何攻击都会引起这些参数之间的关系                              2.传统CD监测方案
            发生变化，机器学习可有效识别和检测这些变化，进而提高网                              早期主要通过检测光信号的相位监测CD损伤，具体操作
            络安全性。                                                为在发射端插入载波或射频信号，其在传输链路中会受到CD的
                基于以上优势，机器学习受到光通信和光网络领域研究人                        影响，通过在接收端观察信号的时钟相位可以监测CD损伤。但
            员的广泛关注，并逐渐被应用到OPM中，取得了一些研究成果。                        该类方案需要修改发射机结构，增加了系统成本。基于残留边
            本文首先简单介绍传统的OPM方案，然后综述机器学习技术在                         带（Vestigial  Side  Band，VSB）滤波的时钟分量技术也可以
            OPM中的应用，最后对未来的研究方向提出建议。                              用于CD的监测，其工作原理为从接收到的双边带信号中分析上
                                                                 下边带之间的相位差以实现CD的监测。该方案不需要修改发射
                一、传统OPM技术                                        机，但监测范围有限，且对于WDM系统的要求较高。此外，异步
                常 见 的 光 网 络 性 能 参 数 包 括 自 发 辐 射 放 大 器 噪 声        延时采样技术也可用于CD的监测，其原理与OSNR监测相同。
            （Amplifier Spontaneous Emission Noise，ASE）、色度色散
            （Chromatic  Dispersion，CD）、偏振模色散（Polarization            二、基于机器学习的OPM方案
            Mode  Dispersion，PMD）、差分群时延（Differential  Group          机器学习（含深度学习）是人工智能的一个分支，主要
            Delay，DGD）、光纤非线性效应、时间啁啾、滤波器失真、线                      研究各种算法。当获得足够多的训练数据时，其可以学习输入
            性串扰等    ［3］ 。在过去几十年中，OPM技术主要用于ASE噪声（通                与输出的关系，而不用明确阐明其关系。目前机器学习在图像
            常用光信噪比（OpticalSignal-to-NoiseRatio，OSNR）定义）          处理、医疗诊断和光通信网络的性能监控等方面得到了广泛应
            和CD的监测。                                              用。
                1.传统OSNR监测方案                                         根据学习方式可将机器学习分为四大类，分别为监督学
                OSNR是应用最多的用于表征信号传输质量的参数，其                        习、无监督学习、半监督学习和强化学习。监督学习的本质为
            定义为信道内信号光功率与特定带宽内噪声功率的比值。早                           分类，即从标签数据中学习其内在结构与规律，其中输入数据
            期的OSNR监控主要采用带外噪声功率测量方法，操作简单且                         被称为训练数据，每组训练数据有明确的标识，被称为标签。
            传输业务不受影响。随着波分复用（Wave-length  Division                监督学习将标签与模型输出进行比较，根据误差不断调整模
            Multiplexing，WDM）网络的普及，单信道速率提高，信道间隔                  型，直至符合预期。无监督学习的本质为聚类，即从无标签数
            变窄，使得信号光谱展宽重叠，噪声光谱被破坏，在这种情况                          据中挖掘其内在结构与规律。半监督学习是以少量有标签数据
            下带外测量方案难以准确测量OSNR。因此，带内测试被提出，                        结合大量无标签数据，通过学习数据规律合理组织数据进行预
            常用方案包括偏振相干法、干涉技术、异步采样技术、统计矩                          测。强化学习是从交互中学习，尝试发现行为与收益的关系，
            法等。偏振相干法主要利用激光信号高度偏振而噪声非偏振的                          试错和延迟收益是其典型特征          ［20］ 。
            特性，两个偏振中仅有一个偏振携带信号，另一个用于噪声测                              利用机器学习进行光通信性能监测需要建立相应的学
            量，接收到的信号被分成两个正交的部分以测量OSNR                  ［4-6］ 。但  习模型：首先通过光电信号采样建立数据集；然后抽取包含
            当链路中存在PMD时，携带噪声的偏振会与信号混合而导致OSNR                      损伤信息的信号特征，如眼图、星座图、异步延迟抽头直方
            测量不准确。干涉技术         ［7-9］ 主要使用延迟干涉仪监测OSNR，其           图（Asynchronous  Delay  Tap  Histogram，ADTP）、异步幅
            基本原理为接收信号中的信号和噪声具有不同的相干特性，接                          度直方图、振幅直方图等，这些特征被用于离线训练机器
            收到的光信号（包括信号和噪声）是通过相长干涉测量，ASE                         学习模型，然后执行损伤估计与性能监测。以卷积神经网络
            噪声是通过相消干涉测量。该技术不受PMD、CD的影响，但在                        （Convolutional  Neural  Network，CNN）为例，训练数据进
            实际应用中延时的精度不易实现，且干涉相消无法完全消除噪                          入输入层后，在卷积、激活函数与池化函数等共同作用下，通
            声功率，因此监测结果存在误差，容易受环境干扰，需要精                           过前向传输在输出层得到结果。输出结果与样本标签通过损失
            确的波长控制。异步幅度直方图（Asynchronous  Amplitude               函数度量误差，通过反向传播更新模型参数，使下一次输出与
            Histogram，AAH）于1998年被提出       ［10］ ，其利用采样信号的         标签更吻合，即模型可在训练过程中得到优化。一旦离线训练
            概率分布特性监测OSNR，估计Q因子和误比特率（Bit  Error                   完成，建立的模型便可用于进行专门的在线损伤估计与性能监
            Rate，BER）。随后，异步延时采样技术于2006年被提出，其原                    测。
            理是使用两个间隔一定时延的采样器在一个比特周期内采集两                              1.基于传统机器学习的性能监测方案
            个样点，分别将两个样点的幅值作为横、纵坐标得到二维延时                              传统的机器学习算法包括决策树、随机森林、逻辑回
            采样相图，通过分析二维相图的统计平均值和方差测量OSNR。                        归、支持向量机（Support  Vector  Machine，SVM）、朴素贝
            该技术可以监测大范围的OSNR，但相图对PMD和CD敏感，会导                      叶斯、k最近邻、k均值、人工神经网络（Artificial  Neural
            致OSNR测量不准确。统计矩法利用信号数据统计信息与OSNR的                      Network，ANN）、主成分分析和独立成分分析等。
            关系计算该指标，原理为计算接收信号的二阶矩和四阶矩，再                              1.1基于SVM的性能监测方案

                                                       网络电信 二零二一年十一月                                           65
   30   31   32   33   34   35   36   37   38   39   40