基于機器學習的光纖通信技術研究

陳 曉

（河南大學 歐亞國際學院，河南 開封 475000）

0 引 言

隨著全球信息化的到來，大量新型產業如云計算、人工智能、物聯網、互聯網以及車聯網等網絡業務在信息化浪潮的推動下迅速發展。網絡流量需求不斷增加，使得如何存儲與傳輸大量數據成為信息通信發展的一個關鍵問題，人們在發展過程中對于光纖技術的要求也越來越高。為了追求超大容量、超高速率以及超長距離的目標，網絡結構也越來越復雜，信道分布變得更緊湊，各種信號損傷加劇，使得光纖通信系統及光網絡的可靠性降低。光單邊帶傳輸系統中的信號會受到的損傷大致可以分為線性損傷與非線性損傷，其中非線性損傷是限制傳輸系統性能的重要因素[1]。由于機器學習技術具有出色的處理非線性問題與抽象問題的能力，因此常使用其模型來補償信道中的非線性損傷，以提高系統的傳輸性能。已有研究表明，傳統的機器學習算法如K-means和DBSCAN等在預均衡、后均衡以及相位糾正等方面均有很好的表現，而深度神經網絡則因為其強大的非線性擬合能力能夠更進一步提升系統的性能[2]。

1 機器學習

機器學習是一門多領域交叉學科，涉及概率論、統計學、凸分析以及算法復雜度理論等[3]。機器學習是計算機科學與人工智能領域的一個重要分支，專門研究計算機怎樣模擬或實現人類的學習行為，使用算法解析數據以獲取某種技能或者是掌握某種知識，歸納和綜合已有的知識結構，改善自身的性能，使得機器能夠自我學習問題。基于大量數據來進行預測或做出判斷的機器學習功能是十分強大的，現在被廣泛應用在人工智能的諸多領域，如搜索引擎、計算機視覺、生物特征識別、語音以及手寫識別等方面。蘋果手機IOS系統自帶的Siri功能就是日常生活中較為常見的一種機器學習，它主要是將各種學習方法結合起來，具有取長補短的功能，能不斷擴大各種學習的應用范圍，目前已經有了較好的發展前景。

機器學習算法包括線性回歸算法、K-最近鄰算法（K-Nearest Neighbor，KNN）、隨機森林算法、K-means聚類算法、DBSCAN聚類算法、深度學習以及神經網絡算法等。人工神經網絡是一門重要的機器學習技術，基于生物神經網絡的結構是深度學習的基礎。神經網絡的發展從神經元開始。隨后科學家Rosenblatt提出了單層神經網絡（也稱為感知器）可以實現簡單的線性分類。Rumelhar和Hinton等人提出了Error Back Propagation算法，解決了復雜計算量問題，使得雙層神經網絡（也稱為多層感知器）得到推廣。神經網絡發展歷程如圖1所示。多層感知器由兩個線性分類任務結合就可以做非線性分類任務，且具有非常好的非線性分類效果。2006年，Hinton提出了增加預訓練的過程，再使用微調技術來對整個網絡進行優化訓練。深度學習采用神經網絡模型并對其進行更新。

圖1 神經網絡發展歷程

2 光纖通信技術的特點

光通信是利用光波作為載體傳輸信息的所有通信方式的總稱，光纖通信利用光纖作為媒質來傳送信息，屬于光通信的一種。光纖通信的誕生與發展是電信史上的一次重要改革，為通信行業發展帶來了不可估量的作用，無論是網絡建設還是廣播電視信號都是通過光纖通信進行建設，帶動了國家經濟發展，同時也為人們的生產和生活帶來了便捷。光纖通信發展速度極快，從提出理論到技術實現，再到今天的高速光纖通信也不過幾十年的時間[4]。在發展過程中，采用波分復用技術提高單個波長信道比特率，采用光放大技術提高傳輸距離，采用電的時分復用提高單波長的傳輸效率，采用DWDM技術提高單根光纖的傳輸容量。目前，光纖通信憑借著容量大、傳輸速度快、耗時少、傳輸距離遠、能耗低以及保密性好等優越性能及強大的競爭力，很快代替了傳統銅線電纜通信，成為了電信網中的重要傳輸手段。

2.1 大容量、傳輸速度快

為了滿足網絡需求爆發式的增長，發展大容量且傳輸速度快的光纖通信技術是信息通信的必然趨勢。從原理上來看，光纖通信系統的3個基本組成是光纖、光源以及光檢測器。隨著我國光纖通信技術的不斷發展，光纖從多模發展到單模，工作波長從短波長向長波長方向發展，傳輸速率不斷加快，滿足了人們的日常需求，價格也不斷下降，光纖通信成為通信系統的最佳技術選擇，并在諸多領域迅速發展，可以說是實現了質的飛躍。電纜和微波等電通信方式都是通過提高載波頻率來擴容的，而光纖通信技術的傳輸頻率比以上方式所使用的頻率高得多，可使用的帶寬也極寬。通信線路的頻帶越寬，容許傳輸的信息越多，通信容量就越大，提高了信息的傳輸效率。

2.2 損耗小、中繼距離長

在光纖通信技術應用的過程中，設計師們最關心的一個問題就是信號的傳輸損耗問題。在傳輸過程中，如果損耗問題太嚴重就會直接影響到通信的傳輸距離及接收信號的質量。石英光纖在1.55 μm波長區的損耗可低到0.18 dB/km，比已知的其他通信線路的損耗都低很多[5]。在之后的發展過程中，如果使用非石英光纖，那么產生的耗能將會更低，產生的能量損耗也會更低，建設成本也會隨之減少。損耗的存在會減少信號幅度，從而限制系統的傳輸距離。當損耗降低時，信息傳播中的站點數目較少，從而增加中繼距離。

2.3 保密性好、造價低

隨著時代的不斷發展，人們逐漸開始重視信息的安全性能，信息的隱私已經成為人們重點關注的問題，安全意識也逐漸增強。因此，能否保障人們的信息安全問題也成為通信工程師們首要考慮的問題。現代偵聽技術已能做到在離同軸電纜幾千米外的地方竊聽電纜中傳輸的信號，可是對光纜卻困難得多[6]。在傳輸過程中，采用的光纖通信技術主要是通過光波進行傳輸，在傳輸過程中光信號被限制在光波導結構中，泄漏的射線則被環繞光纖的不透明包皮吸收，因此不會出現泄漏的情況。加上光纖的尺寸較小、重量輕，建設初方便工程師進行鋪設和傳輸，且光纖抗電磁干擾，保密性好。此外由于光纖是石英玻璃拉制成形，原材料來源豐富，并節約了大量有色金屬，因此具有造價低的特點[7]。

3 我國光纖通信發展歷程及現狀

光纖通信主要是通過光波在光導纖維線路上進行數據傳輸而實現的一種通信功能。隨著全球信息化的到來，我國的通信行業也得到了迅猛的發展，通信技術的發展中人們也探索出了新的技術，所選擇的波長也從中波、短波變成微波、毫米波，最后達到光波波段，提升了通信的服務能力，應用范圍逐漸擴大。1966年，光纖通信首次被提出。1973年，我國郵電部武漢郵電學院開始研究光纖通信。在改革開放之后，加大了光纖通信工程的建設。1991-1995年，第八個五年計劃時期，建成了含22條光纜干線、總長達33 000 km的“八橫八縱”大容量光纖通信干線傳輸網[8]。2019年，實現了1.06 Pbit/s超大容量波分復用及空分復用的光傳輸系統實驗[9]。這一路的突飛猛進標志著我國的光纖通信技術取得了輝煌成績。當前，光纖通信的產業相對處于過剩的狀態，供需正在朝著平衡的方向進行發展。通過相關的產業調查數據顯示，我國光纖光纜行業產量在2020年將達到2.887 77×108芯千米。隨著5G建設的進行，會給光纖通信行業的發展帶來更多的機遇，未來幾年我國光纖光纜行業產量的需求將保持增長狀態。

4 機器學習在光纖通信方面的應用

隨著集成電路計算水平的指數級增長提高，機器學習算法能夠得到廣泛應用。人們在研究過程中主要將機器學習的算法歸納為如圖2所示的4大類，其中監督學習最為常見的。

圖2 機器學習算法分類

在光纖通信中，運用以多層神經網絡為代表的機器學習算法可以在一定程度上減少學習的復雜性，減少很多數學計算的過程，為光纖通信技術提供更加全新且有效的處理思路。相較于傳統算法，如相位共軛雙波傳輸算法和數字背向傳播技術算法等，機器學習算法具有計算量相對較少于非線性擬合能力強等優點。在光纖通信學科中，有關機器學習算法方面的研究主要集中在非線性信道均衡、通信系統性能監測以及光網絡控制3個方向[10]。

非線性信道均衡主要是指通信過程中對接收端的非線性信號進行處理的一個過程。非線性信號處理在一些科學領域運用得較為廣泛，主要包括移動通信、醫學生物工程、語音和圖像處理以及回聲對消等。非線性信號處理也是當前人們廣泛研究的一個重要處理課題，與線性處理之間有一定的處理差別。在處理過程中沒有一個定義的框架，不能按照相關的框架進行表述與處理。在光單邊帶傳輸系統中，Kerr效應和受激拉曼散射（Stimulated Raman Scattering，SRS）等各種非線性效應不但會給信息處理帶來困難，還會降低系統的性能。將機器學習與光纖通信進行交叉融合，能夠在一定程度上解決這個難題。在光纖通信領域中，非線性信道均衡處理有多個研究方向，要想進行相應的研究，需要對非線性信道均衡進行相應的模型建造，這是研究的前提。非線性信道均衡可以采用多個均衡器來進行組合，主要是通過將原有的輸入信號非線性信道進行線性均衡，最后根據多條線性信道的輸出結果來得到原始輸入信號，將非線性轉換成線性均衡。除了在復雜環境和有噪聲干擾的情況下對信號非線性損失自動補償外，機器學習算法也能從信號序列提取的特征對系統參數進行分析、處理與評估，這常用于通信系統性能檢測中。光網絡控制指通過調控網絡的表層來對整個光網絡進行控制，從而協助大量復雜的數據處理。

當前，針對機器學習的光纖通信研究，北京郵電大學在研究的過程中提出了一種新的基于比特的支持向量機，主要用于劃分非線性判決域，相比傳統的向量機模型能夠獲取多種問題的處理方案，主要采用的是“One-Against-One”策略，導致復雜度與標簽類別個數呈現平方的關系。機器學習的光纖通信在此基礎上進行了相關改進，減少了計算的復雜程度。在此基礎上還能消除IQ失衡與交叉調制帶來的非線性效應，并且提出了相應的解決方案。

2020的OFC會議結束之后，人們對基于機器學習的光纖通信研究又有了一個新的理解與看法。現階段，運用機器學習能夠幫助光纖通信處理響應的物理問題，更重要的是，機器學習是未來光纖通信發展的重要方向，也是光纖通信走向信息化和智能化的一個重要表現。

在未來的一段時間內，機器學習能夠幫助解決復雜的網絡系統，對眾多的參數進行快速調整以實現理想的增益曲線。現有的信號分析系統并不能幫助區分不同的信號失真機制，也無法區分系統和器件帶來的失真，光通信系統和網絡的設計都需要全新的思路幫助改進和發展，而機器學習能夠幫助其解決這個問題。面對現在非常復雜的光纖通信網絡，機器學習能夠幫助它查找問題，實施檢測。在未來的發展中，光纖通信將會是現代化和智能化的發展趨勢，為了能夠保障傳輸的效率，提高傳輸速度，為人們的信息傳遞提供更好的服務，實現可持續性發展，機器學習應該被提上日程，幫助光纖通信得到更好的發展。

5 結 論

光纖通信憑借其特點在我國的通信行業已經取得顯著的進步，通過將機器學習算法應用到光纖通信系統中，能夠為光纖通信的發展提供一個全新的方向，未來的發展前途無量。