人工智能技術在光傳輸管理中的應用

王斌斌

（中通服咨詢設計研究院有限公司，江蘇 南京 210000）

0 引 言

人工智能是目前信息與計算領域最為熱門的技術之一。實質上該技術很早就已經被納入了信息技術的研究范疇，早期也有過諸多實踐應用。然而直到人工智能戰勝了人類圍棋高手之后，該技術才重新走到臺前，成為了業界研究的熱點。人工智能與機器學習實際上屬于同一大類的技術，其中較為典型的是神經網絡技術。神經網絡本質就是利用海量樣本對所要預測的問題進行結果導向的黑盒訓練。由于其上手門檻較低，建模方式較為簡單，因此基于神經網絡的諸多跨領域跨學科研究較為火熱[1-3]。到目前為止，從航空航天到生物醫藥再到工業生產，凡是人類社會中能夠利用經驗進行判斷和研究的領域，都有人工智能的身影。

而光纖通信是目前長距離傳輸或高速網絡構建的核心基礎設施之一，無論是數據中心構建還是通信服務網絡構建，都離不開光通信的支撐，因此對于光通信設施和光傳輸的管理是網絡建設和運營方的重要工作之一[4]。

1 人工智能主要研究方向

1.1 機器學習

所謂機器學習，實際上是一種基于概率論、統計學以及軟件算法等諸多學科的交叉學科。其目標是利用不同的學習方法，讓計算機經歷人類學習的過程，并逐步掌握新知識并不斷優化掌握情況，使得計算機能夠對自身所具備的數字化知識進行重構或者提升。從學習方式來看，機器學習分為監督學習、無監督學習以及強化學習3類。其中，監督學習實質上就是利用一系列問題的結果對計算機進行訓練，使其逐步構建一種概率模型，這種模型在應對問題的輸入時，能夠輸出具備最大概率的結果[5]。

1.2 自然語言處理

自然語言處理主要是利用計算機對輸入的語音或文字進行語義識別，便于計算機和人類基于人類語言進行進一步交互。該技術涉及到語言、邏輯以及概率等學科，常見的自然語言處理包括語義識別、語音識別以及語音合成。語義識別是針對輸入的文字性自然語言進行理解，并轉化為機器能夠執行的邏輯，以便進行深入應用[6]。而語音識別則是將人類語言發音轉化為文字，一部分交由語義識別進行處理，另一部分還可用于判斷人類情緒和態度。

1.3 專家系統

專家系統是目前較為流行的研究，其核心是人工智能技術在不同領域中的場景化。通常來講，專家系統的核心是知識庫和推理機。其中知識庫就是海量的專家知識，主要用做對問題的佐證和支撐。而推理機則是根據用戶輸入的參數，基于知識庫進行規則匹配，并將加工后的知識進行關聯并輸出給用戶，以實現特定問題的解答。其構成邏輯如圖1所示。

圖1 專家系統構成邏輯

2 光傳輸網絡技術現狀、趨勢及其人工智能應用

2.1 光傳輸網絡現狀

自20世紀60年代激光器被發明后，基于激光的諸多研究和應用開始起步，而高錕有關激光傳輸信息的論證，使得光纖通信成為了可能。隨著光導纖維、光發生和控制、光調制和解調等技術的發展，光纖通信從無到有，從低速低帶寬到高速高帶寬，從短距離到長距離，從單模到多模，已經成為了目前人類社會網絡傳輸的核心樞紐。

隨著網絡和移動通信對于光纖通信要求的不斷提升，光纖通信一方面具備高速、高帶寬以及高容量的特點，另一方面也具備了靈活的智能組網特性。而對于網絡服務和構建領域來講，光纖的智能組網技術是重中之重。基于可重構光分插復用器，光鏈路網絡能夠以更為靈活和復雜的組網方式構建光通信鏈路。而LCoS的波長選擇技術，使得可重構光分插復用器得以實現，從而使得網絡能夠靈活調整上下行業務的波長，實現通信的靈活調度。通過結合控制平面和轉發平面，允許根據數據動態調整轉發策略，以實現智能路由和交換網絡。而基于軟件定義網絡（Software Defined Network，SDN）的軟網絡使得光通信組網智能化程度不再限于硬件，而是可以應用諸多軟件算法進行智能化調度和調節，進一步提升了光網的智能化程度[7]。

2.2 光傳輸網絡發展趨勢

根據光纖網絡的發展歷程可以看出，光傳輸網絡的發展趨勢必然是更高帶寬、更高速度以及更大容量。由于光纖傳輸在目前的經驗范疇內僅受到光的振幅、頻率、空間并行度等因素的影響，因此未來的光纖傳輸網絡也必然是基于上述參數的控制，實現彈性可伸縮的智能光纖傳輸網絡。與此同時，由于光纖網絡未來必然會愈發復雜和龐大，因此對于光纖網絡的管理必將交由計算機進行控制。

2.3 光傳輸網絡中人工智能技術的典型應用

梳理當前學術和實務界的典型研究可以發現，光傳輸網絡中，人工智能技術主要在頻譜使用率提升、故障預測以及安全預警等領域得以應用。

對于光頻譜使用率，目前傳統的方式通常存在靈敏度較差的問題。人工智能技術能夠有效提升光纖接收端的靈敏度，直接提升頻譜使用率。同時，利用人工智能技術，針對所采集到的傳輸率、光纖鏈路、放大器數量等信息進行鏈路傳輸質量預測，同樣能夠提示網絡管理對參數進行優化，以提升頻譜使用率。

此外，人工智能技術常常被用作某些問題的預警，對于光纖網絡來講，網絡設備、鏈路以及傳輸故障的預測也能夠通過訓練預測模型實現。通過有監督或無監督學習，構建基于網絡故障案例和網絡質量評估方法的預測模型，能夠有效提升故障預測的能力，保障光網運行安全[8]。

3 傳輸質量預測中人工智能的應用

傳統關于網絡質量的分析主要依賴面向網絡層參數的計算。網絡層可供質量分析的參數僅有容量和流量，然而對于光網來講，物理層的傳輸質量也直接制約著網絡質量。因此對于光纖網絡來講，傳輸質量（Quality of Transmission，QoT）是必然要評估的因素之一。QoT所涉及的因素主要有信噪比、誤碼率以及Q因子，常見的分析方式包括傳統分析和機器學習兩類。前者主要包括高復雜度的物理層損傷模型分析法以及低精度的近似公式法，而后者則是基于機器學習的分類器，能夠提供高實時性和高精度的光路QoT預測[9]。

3.1 分類器的構建

對于QoT進行預測，常見的分類器包括KNN、SVM以及LR等。通過對文獻的閱讀可以獲知，從分類準確度來看，SVM的分類準確度能夠超過99%。這里以SVM作為分類器，對QoT進行預測。預測QoT時，選定特征值為跨段數、跨段長度、調制格式、比特率以及信道發射功率。在對目標網絡的QoT進行預測時，通常選用比特出錯概率（Bit Error Ratio，BER）作為評估標準，大于預定義的BER閾值則為true，反之則為false。訓練分類器時，只有當預測所獲得的值和標簽值的差異滿足預定義條件時，才終止。

3.2 支持向量機

支持向量機（Support Vector Machine，SVM）是一種基于統計學的機器學習工具。與其他分類器不同，SVM主要針對結構風險進行評估，以結構風險最小化作為分類依據，從而更適宜于小樣本學習。同時SVM引入核函數，將非線性問題轉化為線性問題進行分析，以進一步簡化算法，提升分析的可行性。目前，機器學習領域SVM已經占據了重要的地位，被廣泛用于小樣本和非線性等苛刻問題的機器學習和求解。

3.3 仿真及分析

為進一步評估SVM在QoT預測中的性能和優異性，擬利用仿真對該過程進行模擬和分析。在訓練之初，需要首先構建知識庫。為提升訓練數據的準確性，本次選擇利用分步傅里葉方法對波分多路復用（Wavelength Division Multiplexing，WDM）方程進行求解。從以往的經驗來看，該方式雖然耗時，但其可靠性高于基于高斯噪聲模型形成的訓練數據[10]。

本次構件的仿真系統結構如圖2所示，其中摻鉺光纖放大器用于補償光纖損耗，然而噪聲也會由其引入。假設有兩組干擾信道，而中心信道為監測信道，同時取群速度色散系數β、光纖損耗α以及非線性參數γ為光纖物理參數。

圖2 仿真系統結構

而WDM方程求解產生的訓練數據，其實例對應為50～5 000 km，跨度分別為50、80、100，跨段分布在1～100區間。同時發射率從-10～4 dB均勻分布，調制格式則為常見的QPSK、16QAM以及64QAM。

仿真假設摻鉺光纖放大器的噪聲系數為5 dB，監測信道頻率為193.4 THz，頻率間隔為50 GHz，噪聲帶寬為32 GHz，此時選定的BER閾值為4×10-3。

此時針對已經訓練好的SVM，對上述數據進行光路BER預測。以樣本BER小于閾值作為標簽1，代表“QoT好”，反之則為標簽0，代表“QoT壞”。

為鑒別SVM對不同樣本的混合分類特性，另準備了基于高斯噪聲模型的訓練參數，與WDM求解產生的數據進行混合，并無差別取樣，分為3組進行SVM預測。預測結果標明，SVM的準確率分別為98.06%、86.85%以及99.17%，同時假正率為0.56、5.19以及0.37。由此可以發現，對于SVM預測結果，假正率與準確率呈現負相關。與其他研究結果相比，SVM在QoT預測方面所呈現出的準確率和整體性能均較優，從而證明，基于SVM的機器學習能夠在傳輸質量預測中對光纖網絡管理起到幫助。

4 結 論

本文從人工智能和光纖通信的現狀入手，梳理了人工智能技術在光傳輸管理中的應用，特別探討了QoT預測中人工智能技術的應用。本文選取SVM作為典型分類器，設計了分類器結構，并選用高斯噪聲模型和WDM方程分別構建了預測集，探究了SVM性能。結果證明，基于SVM分類器的機器學習方法能夠有效預測QoT。如未來有機會，可對不同分類器在QoT預測中的性能進行橫向對比。