基于改进GAN的光信道传输质量预测算法

才迪　刘鹤

关键词：光信道传输质量预测；Q因子；mWGAN-GP

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2023）12-0001-03

0 引言

随着无线通信需求不断增长，5G可以提供可扩展和灵活的网络技术，实现万物互联[1-2]。5G技术旨在应对各种领域不同的新颖行业需求，如智慧城市、智能电网等[3]。对于任何5G需求，都需要具有自动网络重构功能的动态光网络。随着软件定义网络和网络功能虚拟化的不断创新，光网络在网络功能和光网络控制平面上正朝着自动化和灵活性方向发展。然而，这些变化都伴随着更动态的网络流量。因此，在光信道层面重新配置光网络是应对大流量变化的必要手段。目前，有很多基于信噪比和Q因子来预测传输质量的研究[4]。例如，Yu等人[5]实现了基于人工神经网络的传输质量预测，并在不同的调制格式、传输距离和光纤类型中进行了验证。Mata等人[6]开发了一种新颖的传输质量预测模型，使用支持向量机对光连接质量进行分类。该模型可以在保证传输质量预测精度的同时，减少必要的计算时间。Tanimura等人[7]给出了一个基于卷积神经网络的光学性能监视器来预测信噪比。孙晓川等人[8]提出了基于集成学习的多层感知机（MLP， Multilayer Perceptron） 模型EL-MLP来进行广域光骨干网多信道传输质量预测。为了提高Q因子预测精度，研究了基于改进GAN的光信道传输质量预测。

GAN作为一种生成训练数据的有效工具，它可以通过对抗性程序对这些生成数据进行评估，以改善预测结果[9]。然而，GAN的明显缺点是训练不稳定。为了实现训练稳定、样本质量高、易收敛的优点，本研究通过使用一种以具有梯度惩罚的wasserstein生成对抗网络（Wasserstein Generative Adversarial Network withGradient Penalty，WGAN-GP） 为基础的模型[10]，建立了多因素预测模型mWGAN-GP。

1 网络模型

基于WGAN-GP模型提出基于多因素预测的模型mWGAN-GP。mWGAN-GP 结构示意图如图1 所示，将多因素数据X 输入生成器网络G，输出生成数据Q'，Q'与真实Q经过鉴别器网络进行对比，经过不断训练，使得生成器G生成的数据不断逼近真实数据，最终使判别器无法判断生成的数据真伪。

2 仿真实验对比及分析

2.1 数据集介绍

实验分析的数据来自2015年2月—2016年4月微软北美的光学骨干网，微软的光主干网包括光交叉连接、广域网段和光信道，通常可用于研究光通道的时间行为，信号的质量，通道之间的相关性。其中，Q因子根据信噪比可以预测传输质量。Q因子的值越高，意味着信号质量越好。因此，实验采用Q因子作为光通信质量的度量标准。其影响因素包括发射功率、色度色散和偏振模色散等。

2.2 模型评估指标

本实验使用均方根误差（RMSE） ，以便对所有模型进行性能评价。它判断实际值和预测值之间的差异。

2.3 模型训练

在mWGAN-GP模型中使用了三层门控循环网络（Gate Recurrent Unit，GRU） 作为生成器。这三个GRU中神经元的数量分别为1 024、512和256。使用卷积神经网络作为鉴别器，包括3层一维卷积层，分别有32、64和128个神经元。在mWGAN-GP中，优化器是Adam算法，初始学习率为0.000 09。在该数据集上对模型进行了200个epoch的训练，批量大小设为128。

2.4 结果分析

训练模型结束后，对测试集数据进行预测，并将Q因子预测数据与真实数据对比，对比图如图2所示。

从图2可得，预测值与真实值分布基本相同。

为体现模型的综合性能，分别使用长短期记忆网络（Long Short-Term Memory，LSTM） 、EL-MLP两种模型与该模型进行实验对比，对比效果图如图3所示。

同时，计算各模型预测值的均方根误差，误差实验结果如表1所示。

从表1可知，WGAN-GP的RMSE为0.008 5，ELMLP为0.016 1，LSTM 的为0.160 5。结果表明，mWGAN-GP模型对Q因子数据预测具有良好的实用性。mWGAN-GP的RMSE比其他方法要小，说明该模型在预测传输质量方面的性能优于其他方法。此外，从统计分析的角度来分析mWGAN-GP模型，如使用QQPlot图和散点图来评估模型预测性能。

QQPlot图用于识别真实和预测的Q因子数据是否服从给定的分布，考虑样本分位数和理论分位数。QQPlot图中两条线的偏差较大，说明两个Q因子数据来自不同的分布。散点图可以以简洁直观的方式将Q因子数据可视化。当绘制在相同的坐标轴上时，它提供了比较实际Q因子数据集和预测Q因子数据集之间趋势的平均值。此外，它还通过更高的数据点密度感知识别异常值。

图4显示了光通信传输质量预测任务中评估模型输出的QQPlot图对比曲线。预测值线和真实值线位置相近，说明两个Q因子序列来自同一个分布族。可以清楚地看到，基于实时数据，mWGAN-GP仍然可以保持良好的预测能力。

Q因子序列在不同区域的预测值和真实值散点图如图5所示。散点图中的黑线表示与真实值的精确匹配。结果表明，更多的预测点集中在mWGAN-GP模型的基准线上。

3 结束语

实验主要研究了光传输网络性能的神經网络建模中的多变量输入问题。作为光通信系统，Q因子的动态性主要取决于其影响因素。与现有研究不同，提出了一种新的光通信传输质量预测模型，融合了光通信因素与多因素预测之间的相关性。实验结果表明，该模型与其他先进的神经网络模型相比，具有更好的非线性逼近能力。未来将重点研究mWGAN-GP在多因素模式下的模型扩展及其在边缘计算领域的应用。