人工智能技术在光传输管理中的应用

王斌斌

（中通服咨询设计研究院有限公司，江苏 南京 210000）

0 引 言

人工智能是目前信息与计算领域最为热门的技术之一。实质上该技术很早就已经被纳入了信息技术的研究范畴，早期也有过诸多实践应用。然而直到人工智能战胜了人类围棋高手之后，该技术才重新走到台前，成为了业界研究的热点。人工智能与机器学习实际上属于同一大类的技术，其中较为典型的是神经网络技术。神经网络本质就是利用海量样本对所要预测的问题进行结果导向的黑盒训练。由于其上手门槛较低，建模方式较为简单，因此基于神经网络的诸多跨领域跨学科研究较为火热[1-3]。到目前为止，从航空航天到生物医药再到工业生产，凡是人类社会中能够利用经验进行判断和研究的领域，都有人工智能的身影。

而光纤通信是目前长距离传输或高速网络构建的核心基础设施之一，无论是数据中心构建还是通信服务网络构建，都离不开光通信的支撑，因此对于光通信设施和光传输的管理是网络建设和运营方的重要工作之一[4]。

1 人工智能主要研究方向

1.1 机器学习

所谓机器学习，实际上是一种基于概率论、统计学以及软件算法等诸多学科的交叉学科。其目标是利用不同的学习方法，让计算机经历人类学习的过程，并逐步掌握新知识并不断优化掌握情况，使得计算机能够对自身所具备的数字化知识进行重构或者提升。从学习方式来看，机器学习分为监督学习、无监督学习以及强化学习3类。其中，监督学习实质上就是利用一系列问题的结果对计算机进行训练，使其逐步构建一种概率模型，这种模型在应对问题的输入时，能够输出具备最大概率的结果[5]。

1.2 自然语言处理

自然语言处理主要是利用计算机对输入的语音或文字进行语义识别，便于计算机和人类基于人类语言进行进一步交互。该技术涉及到语言、逻辑以及概率等学科，常见的自然语言处理包括语义识别、语音识别以及语音合成。语义识别是针对输入的文字性自然语言进行理解，并转化为机器能够执行的逻辑，以便进行深入应用[6]。而语音识别则是将人类语言发音转化为文字，一部分交由语义识别进行处理，另一部分还可用于判断人类情绪和态度。

1.3 专家系统

专家系统是目前较为流行的研究，其核心是人工智能技术在不同领域中的场景化。通常来讲，专家系统的核心是知识库和推理机。其中知识库就是海量的专家知识，主要用做对问题的佐证和支撑。而推理机则是根据用户输入的参数，基于知识库进行规则匹配，并将加工后的知识进行关联并输出给用户，以实现特定问题的解答。其构成逻辑如图1所示。

图1 专家系统构成逻辑

2 光传输网络技术现状、趋势及其人工智能应用

2.1 光传输网络现状

自20世纪60年代激光器被发明后，基于激光的诸多研究和应用开始起步，而高锟有关激光传输信息的论证，使得光纤通信成为了可能。随着光导纤维、光发生和控制、光调制和解调等技术的发展，光纤通信从无到有，从低速低带宽到高速高带宽，从短距离到长距离，从单模到多模，已经成为了目前人类社会网络传输的核心枢纽。

随着网络和移动通信对于光纤通信要求的不断提升，光纤通信一方面具备高速、高带宽以及高容量的特点，另一方面也具备了灵活的智能组网特性。而对于网络服务和构建领域来讲，光纤的智能组网技术是重中之重。基于可重构光分插复用器，光链路网络能够以更为灵活和复杂的组网方式构建光通信链路。而LCoS的波长选择技术，使得可重构光分插复用器得以实现，从而使得网络能够灵活调整上下行业务的波长，实现通信的灵活调度。通过结合控制平面和转发平面，允许根据数据动态调整转发策略，以实现智能路由和交换网络。而基于软件定义网络（Software Defined Network，SDN）的软网络使得光通信组网智能化程度不再限于硬件，而是可以应用诸多软件算法进行智能化调度和调节，进一步提升了光网的智能化程度[7]。

2.2 光传输网络发展趋势

根据光纤网络的发展历程可以看出，光传输网络的发展趋势必然是更高带宽、更高速度以及更大容量。由于光纤传输在目前的经验范畴内仅受到光的振幅、频率、空间并行度等因素的影响，因此未来的光纤传输网络也必然是基于上述参数的控制，实现弹性可伸缩的智能光纤传输网络。与此同时，由于光纤网络未来必然会愈发复杂和庞大，因此对于光纤网络的管理必将交由计算机进行控制。

2.3 光传输网络中人工智能技术的典型应用

梳理当前学术和实务界的典型研究可以发现，光传输网络中，人工智能技术主要在频谱使用率提升、故障预测以及安全预警等领域得以应用。

对于光频谱使用率，目前传统的方式通常存在灵敏度较差的问题。人工智能技术能够有效提升光纤接收端的灵敏度，直接提升频谱使用率。同时，利用人工智能技术，针对所采集到的传输率、光纤链路、放大器数量等信息进行链路传输质量预测，同样能够提示网络管理对参数进行优化，以提升频谱使用率。

此外，人工智能技术常常被用作某些问题的预警，对于光纤网络来讲，网络设备、链路以及传输故障的预测也能够通过训练预测模型实现。通过有监督或无监督学习，构建基于网络故障案例和网络质量评估方法的预测模型，能够有效提升故障预测的能力，保障光网运行安全[8]。

3 传输质量预测中人工智能的应用

传统关于网络质量的分析主要依赖面向网络层参数的计算。网络层可供质量分析的参数仅有容量和流量，然而对于光网来讲，物理层的传输质量也直接制约着网络质量。因此对于光纤网络来讲，传输质量（Quality of Transmission，QoT）是必然要评估的因素之一。QoT所涉及的因素主要有信噪比、误码率以及Q因子，常见的分析方式包括传统分析和机器学习两类。前者主要包括高复杂度的物理层损伤模型分析法以及低精度的近似公式法，而后者则是基于机器学习的分类器，能够提供高实时性和高精度的光路QoT预测[9]。

3.1 分类器的构建

对于QoT进行预测，常见的分类器包括KNN、SVM以及LR等。通过对文献的阅读可以获知，从分类准确度来看，SVM的分类准确度能够超过99%。这里以SVM作为分类器，对QoT进行预测。预测QoT时，选定特征值为跨段数、跨段长度、调制格式、比特率以及信道发射功率。在对目标网络的QoT进行预测时，通常选用比特出错概率（Bit Error Ratio，BER）作为评估标准，大于预定义的BER阈值则为true，反之则为false。训练分类器时，只有当预测所获得的值和标签值的差异满足预定义条件时，才终止。

3.2 支持向量机

支持向量机（Support Vector Machine，SVM）是一种基于统计学的机器学习工具。与其他分类器不同，SVM主要针对结构风险进行评估，以结构风险最小化作为分类依据，从而更适宜于小样本学习。同时SVM引入核函数，将非线性问题转化为线性问题进行分析，以进一步简化算法，提升分析的可行性。目前，机器学习领域SVM已经占据了重要的地位，被广泛用于小样本和非线性等苛刻问题的机器学习和求解。

3.3 仿真及分析

为进一步评估SVM在QoT预测中的性能和优异性，拟利用仿真对该过程进行模拟和分析。在训练之初，需要首先构建知识库。为提升训练数据的准确性，本次选择利用分步傅里叶方法对波分多路复用（Wavelength Division Multiplexing，WDM）方程进行求解。从以往的经验来看，该方式虽然耗时，但其可靠性高于基于高斯噪声模型形成的训练数据[10]。

本次构件的仿真系统结构如图2所示，其中掺铒光纤放大器用于补偿光纤损耗，然而噪声也会由其引入。假设有两组干扰信道，而中心信道为监测信道，同时取群速度色散系数β、光纤损耗α以及非线性参数γ为光纤物理参数。

图2 仿真系统结构

而WDM方程求解产生的训练数据，其实例对应为50～5 000 km，跨度分别为50、80、100，跨段分布在1～100区间。同时发射率从-10～4 dB均匀分布，调制格式则为常见的QPSK、16QAM以及64QAM。

仿真假设掺铒光纤放大器的噪声系数为5 dB，监测信道频率为193.4 THz，频率间隔为50 GHz，噪声带宽为32 GHz，此时选定的BER阈值为4×10-3。

此时针对已经训练好的SVM，对上述数据进行光路BER预测。以样本BER小于阈值作为标签1，代表“QoT好”，反之则为标签0，代表“QoT坏”。

为鉴别SVM对不同样本的混合分类特性，另准备了基于高斯噪声模型的训练参数，与WDM求解产生的数据进行混合，并无差别取样，分为3组进行SVM预测。预测结果标明，SVM的准确率分别为98.06%、86.85%以及99.17%，同时假正率为0.56、5.19以及0.37。由此可以发现，对于SVM预测结果，假正率与准确率呈现负相关。与其他研究结果相比，SVM在QoT预测方面所呈现出的准确率和整体性能均较优，从而证明，基于SVM的机器学习能够在传输质量预测中对光纤网络管理起到帮助。

4 结 论

本文从人工智能和光纤通信的现状入手，梳理了人工智能技术在光传输管理中的应用，特别探讨了QoT预测中人工智能技术的应用。本文选取SVM作为典型分类器，设计了分类器结构，并选用高斯噪声模型和WDM方程分别构建了预测集，探究了SVM性能。结果证明，基于SVM分类器的机器学习方法能够有效预测QoT。如未来有机会，可对不同分类器在QoT预测中的性能进行横向对比。