基于机器学习的光纤通信技术研究

陈 晓

（河南大学 欧亚国际学院，河南 开封 475000）

0 引 言

随着全球信息化的到来，大量新型产业如云计算、人工智能、物联网、互联网以及车联网等网络业务在信息化浪潮的推动下迅速发展。网络流量需求不断增加，使得如何存储与传输大量数据成为信息通信发展的一个关键问题，人们在发展过程中对于光纤技术的要求也越来越高。为了追求超大容量、超高速率以及超长距离的目标，网络结构也越来越复杂，信道分布变得更紧凑，各种信号损伤加剧，使得光纤通信系统及光网络的可靠性降低。光单边带传输系统中的信号会受到的损伤大致可以分为线性损伤与非线性损伤，其中非线性损伤是限制传输系统性能的重要因素[1]。由于机器学习技术具有出色的处理非线性问题与抽象问题的能力，因此常使用其模型来补偿信道中的非线性损伤，以提高系统的传输性能。已有研究表明，传统的机器学习算法如K-means和DBSCAN等在预均衡、后均衡以及相位纠正等方面均有很好的表现，而深度神经网络则因为其强大的非线性拟合能力能够更进一步提升系统的性能[2]。

1 机器学习

机器学习是一门多领域交叉学科，涉及概率论、统计学、凸分析以及算法复杂度理论等[3]。机器学习是计算机科学与人工智能领域的一个重要分支，专门研究计算机怎样模拟或实现人类的学习行为，使用算法解析数据以获取某种技能或者是掌握某种知识，归纳和综合已有的知识结构，改善自身的性能，使得机器能够自我学习问题。基于大量数据来进行预测或做出判断的机器学习功能是十分强大的，现在被广泛应用在人工智能的诸多领域，如搜索引擎、计算机视觉、生物特征识别、语音以及手写识别等方面。苹果手机IOS系统自带的Siri功能就是日常生活中较为常见的一种机器学习，它主要是将各种学习方法结合起来，具有取长补短的功能，能不断扩大各种学习的应用范围，目前已经有了较好的发展前景。

机器学习算法包括线性回归算法、K-最近邻算法（K-Nearest Neighbor，KNN）、随机森林算法、K-means聚类算法、DBSCAN聚类算法、深度学习以及神经网络算法等。人工神经网络是一门重要的机器学习技术，基于生物神经网络的结构是深度学习的基础。神经网络的发展从神经元开始。随后科学家Rosenblatt提出了单层神经网络（也称为感知器）可以实现简单的线性分类。Rumelhar和Hinton等人提出了Error Back Propagation算法，解决了复杂计算量问题，使得双层神经网络（也称为多层感知器）得到推广。神经网络发展历程如图1所示。多层感知器由两个线性分类任务结合就可以做非线性分类任务，且具有非常好的非线性分类效果。2006年，Hinton提出了增加预训练的过程，再使用微调技术来对整个网络进行优化训练。深度学习采用神经网络模型并对其进行更新。

图1 神经网络发展历程

2 光纤通信技术的特点

光通信是利用光波作为载体传输信息的所有通信方式的总称，光纤通信利用光纤作为媒质来传送信息，属于光通信的一种。光纤通信的诞生与发展是电信史上的一次重要改革，为通信行业发展带来了不可估量的作用，无论是网络建设还是广播电视信号都是通过光纤通信进行建设，带动了国家经济发展，同时也为人们的生产和生活带来了便捷。光纤通信发展速度极快，从提出理论到技术实现，再到今天的高速光纤通信也不过几十年的时间[4]。在发展过程中，采用波分复用技术提高单个波长信道比特率，采用光放大技术提高传输距离，采用电的时分复用提高单波长的传输效率，采用DWDM技术提高单根光纤的传输容量。目前，光纤通信凭借着容量大、传输速度快、耗时少、传输距离远、能耗低以及保密性好等优越性能及强大的竞争力，很快代替了传统铜线电缆通信，成为了电信网中的重要传输手段。

2.1 大容量、传输速度快

为了满足网络需求爆发式的增长，发展大容量且传输速度快的光纤通信技术是信息通信的必然趋势。从原理上来看，光纤通信系统的3个基本组成是光纤、光源以及光检测器。随着我国光纤通信技术的不断发展，光纤从多模发展到单模，工作波长从短波长向长波长方向发展，传输速率不断加快，满足了人们的日常需求，价格也不断下降，光纤通信成为通信系统的最佳技术选择，并在诸多领域迅速发展，可以说是实现了质的飞跃。电缆和微波等电通信方式都是通过提高载波频率来扩容的，而光纤通信技术的传输频率比以上方式所使用的频率高得多，可使用的带宽也极宽。通信线路的频带越宽，容许传输的信息越多，通信容量就越大，提高了信息的传输效率。

2.2 损耗小、中继距离长

在光纤通信技术应用的过程中，设计师们最关心的一个问题就是信号的传输损耗问题。在传输过程中，如果损耗问题太严重就会直接影响到通信的传输距离及接收信号的质量。石英光纤在1.55 μm波长区的损耗可低到0.18 dB/km，比已知的其他通信线路的损耗都低很多[5]。在之后的发展过程中，如果使用非石英光纤，那么产生的耗能将会更低，产生的能量损耗也会更低，建设成本也会随之减少。损耗的存在会减少信号幅度，从而限制系统的传输距离。当损耗降低时，信息传播中的站点数目较少，从而增加中继距离。

2.3 保密性好、造价低

随着时代的不断发展，人们逐渐开始重视信息的安全性能，信息的隐私已经成为人们重点关注的问题，安全意识也逐渐增强。因此，能否保障人们的信息安全问题也成为通信工程师们首要考虑的问题。现代侦听技术已能做到在离同轴电缆几千米外的地方窃听电缆中传输的信号，可是对光缆却困难得多[6]。在传输过程中，采用的光纤通信技术主要是通过光波进行传输，在传输过程中光信号被限制在光波导结构中，泄漏的射线则被环绕光纤的不透明包皮吸收，因此不会出现泄漏的情况。加上光纤的尺寸较小、重量轻，建设初方便工程师进行铺设和传输，且光纤抗电磁干扰，保密性好。此外由于光纤是石英玻璃拉制成形，原材料来源丰富，并节约了大量有色金属，因此具有造价低的特点[7]。

3 我国光纤通信发展历程及现状

光纤通信主要是通过光波在光导纤维线路上进行数据传输而实现的一种通信功能。随着全球信息化的到来，我国的通信行业也得到了迅猛的发展，通信技术的发展中人们也探索出了新的技术，所选择的波长也从中波、短波变成微波、毫米波，最后达到光波波段，提升了通信的服务能力，应用范围逐渐扩大。1966年，光纤通信首次被提出。1973年，我国邮电部武汉邮电学院开始研究光纤通信。在改革开放之后，加大了光纤通信工程的建设。1991-1995年，第八个五年计划时期，建成了含22条光缆干线、总长达33 000 km的“八横八纵”大容量光纤通信干线传输网[8]。2019年，实现了1.06 Pbit/s超大容量波分复用及空分复用的光传输系统实验[9]。这一路的突飞猛进标志着我国的光纤通信技术取得了辉煌成绩。当前，光纤通信的产业相对处于过剩的状态，供需正在朝着平衡的方向进行发展。通过相关的产业调查数据显示，我国光纤光缆行业产量在2020年将达到2.887 77×108芯千米。随着5G建设的进行，会给光纤通信行业的发展带来更多的机遇，未来几年我国光纤光缆行业产量的需求将保持增长状态。

4 机器学习在光纤通信方面的应用

随着集成电路计算水平的指数级增长提高，机器学习算法能够得到广泛应用。人们在研究过程中主要将机器学习的算法归纳为如图2所示的4大类，其中监督学习最为常见的。

图2 机器学习算法分类

在光纤通信中，运用以多层神经网络为代表的机器学习算法可以在一定程度上减少学习的复杂性，减少很多数学计算的过程，为光纤通信技术提供更加全新且有效的处理思路。相较于传统算法，如相位共轭双波传输算法和数字背向传播技术算法等，机器学习算法具有计算量相对较少于非线性拟合能力强等优点。在光纤通信学科中，有关机器学习算法方面的研究主要集中在非线性信道均衡、通信系统性能监测以及光网络控制3个方向[10]。

非线性信道均衡主要是指通信过程中对接收端的非线性信号进行处理的一个过程。非线性信号处理在一些科学领域运用得较为广泛，主要包括移动通信、医学生物工程、语音和图像处理以及回声对消等。非线性信号处理也是当前人们广泛研究的一个重要处理课题，与线性处理之间有一定的处理差别。在处理过程中没有一个定义的框架，不能按照相关的框架进行表述与处理。在光单边带传输系统中，Kerr效应和受激拉曼散射（Stimulated Raman Scattering，SRS）等各种非线性效应不但会给信息处理带来困难，还会降低系统的性能。将机器学习与光纤通信进行交叉融合，能够在一定程度上解决这个难题。在光纤通信领域中，非线性信道均衡处理有多个研究方向，要想进行相应的研究，需要对非线性信道均衡进行相应的模型建造，这是研究的前提。非线性信道均衡可以采用多个均衡器来进行组合，主要是通过将原有的输入信号非线性信道进行线性均衡，最后根据多条线性信道的输出结果来得到原始输入信号，将非线性转换成线性均衡。除了在复杂环境和有噪声干扰的情况下对信号非线性损失自动补偿外，机器学习算法也能从信号序列提取的特征对系统参数进行分析、处理与评估，这常用于通信系统性能检测中。光网络控制指通过调控网络的表层来对整个光网络进行控制，从而协助大量复杂的数据处理。

当前，针对机器学习的光纤通信研究，北京邮电大学在研究的过程中提出了一种新的基于比特的支持向量机，主要用于划分非线性判决域，相比传统的向量机模型能够获取多种问题的处理方案，主要采用的是“One-Against-One”策略，导致复杂度与标签类别个数呈现平方的关系。机器学习的光纤通信在此基础上进行了相关改进，减少了计算的复杂程度。在此基础上还能消除IQ失衡与交叉调制带来的非线性效应，并且提出了相应的解决方案。

2020的OFC会议结束之后，人们对基于机器学习的光纤通信研究又有了一个新的理解与看法。现阶段，运用机器学习能够帮助光纤通信处理响应的物理问题，更重要的是，机器学习是未来光纤通信发展的重要方向，也是光纤通信走向信息化和智能化的一个重要表现。

在未来的一段时间内，机器学习能够帮助解决复杂的网络系统，对众多的参数进行快速调整以实现理想的增益曲线。现有的信号分析系统并不能帮助区分不同的信号失真机制，也无法区分系统和器件带来的失真，光通信系统和网络的设计都需要全新的思路帮助改进和发展，而机器学习能够帮助其解决这个问题。面对现在非常复杂的光纤通信网络，机器学习能够帮助它查找问题，实施检测。在未来的发展中，光纤通信将会是现代化和智能化的发展趋势，为了能够保障传输的效率，提高传输速度，为人们的信息传递提供更好的服务，实现可持续性发展，机器学习应该被提上日程，帮助光纤通信得到更好的发展。

5 结 论

光纤通信凭借其特点在我国的通信行业已经取得显著的进步，通过将机器学习算法应用到光纤通信系统中，能够为光纤通信的发展提供一个全新的方向，未来的发展前途无量。