数字孪生在光网络中的应用研究

师 严 胡雅坤 吕文琳 张 贺 陈 璇

1 中国联通研究院 北京 100048

2 中国联合网络通信有限公司山东省分公司 济南 250000

3 中国联合网络通信有限公司智网创新中心 北京 100044

引言

基于大容量、高带宽、长距离、低时延和确定性等特征优势，光网络是连接和承载移动通信网络、数据通信网络、卫星通信网络、海洋信息网络的基础通信设施，以网络底座支撑未来社会各行业的数字化转型，实现万物互联。从全生命周期运营维护的现状来看，光网络以设备、系统为中心，对用户体验缺少感知；系统优化依赖被动响应，大量网络的运维都是基于用户投诉驱动；网络运维日益复杂，以人为主的运维方式已无法适应业务的规模增长，封闭的网络架构已难以有效支撑业务的灵活性；传统的集中式管控，仍然依赖大量人工的运维模式，导致现有网络无法及时响应、匹配客户的商业意图，物理网络与商业意图之间存在巨大的鸿沟，无法满足当前业务需求[1]。

未来光网络规模会越来越庞大，同时用户对光网络性能、可靠性的要求会更高，但传统运维模式难以支持光网络高效管理和控制，因此迫切需要基于智能化技术实现全生命周期“自规划、自配置、自修复、自优化”的自智光网络。将数字孪生技术引入光网络中，利用大数据分析、光电数理模型和深度学习算法实现光网络的动态建模和智能优化。光网络数字孪生技术可以将物理空间中的光系统/网络及设备的运行状态置于数字空间中进行跟踪、分析、预判、处理，对于网络的规划、分析、优化控制，都可以在数字孪生体中进行预演，同时，真实网络的数据通过交互接口不断传入数字孪生体，对孪生体进行迭代更新，这样从数字孪生体中便能够可视化监测网络的实时状态，并且能够便捷地查看网络规划和优化效果，从而将迭代过选取的最佳部署策略用于真实光网络中。

本文针对新一代光网络特点和光网络智能运维需求，提出光网络数字孪生体系架构，对光传输系统建立高保真、多维度、动态响应的映射模型并在控制系统中制定高效、精准、智能的优化策略，为光网络数字化转型和全光网络的构建提供有益参考。

1 光网络数字孪生体系架构

本文构建了光网络数字孪生体系，自下而上分为光网络层、光网络数字孪生系统层、应用层，如图1所示。其中，光网络层是物理空间中需要进行数字孪生仿真建模的物理实体，包括光器件、光模块、板卡、设备、系统及网络等；光网络数字孪生系统层是实现光网络从器件、网络和业务的多层次孪生建模的主体；应用层包含规划、建设、维护、优化、运营等多方面的网络创新技术及应用，经过意图翻译后，驱动孪生体管理模块进行模型调用与编排。

图1 光网络数字孪生体系架构图

光网络数字孪生系统，是光网络孪生体系架构的核心系统，包括数据层、孪生模型层和孪生体管理。

1)数据层：通过传感采集、性能监测、信息上报等方式，从光网络层或管控平台采集不同类别的数据，并存储于数据层。在数据层会对采集的不同类型的数据进行融合处理及深度挖掘，为孪生模型层提供准确完备的数据来源。

2)孪生模型层：通过不同模型实例之间组合，向应用层提供服务，从而最大化网络业务的敏捷性和可编程性；同时，在孪生空间或实体网络空间中，能够对预测、调度、配置、优化等目标完成充分的仿真和验证，从而保证策略下发到物理网络时有效可靠。

3)孪生体管理：负责孪生系统的全生命周期记录、可视化呈现和孪生层管理等，能够对模型的准确度进行校验，对模型进行持续修正和优化；负责数据和模型的认证、授权、保密、准确性和完整性等安全保证。孪生体管理包括模型管理、模型修正、模型编排和安全管理等功能。

2 光网络数字孪生关键技术

光网络是一个庞大复杂的系统，针对光网络物理实体及运行机理构建数字孪生系统注定会面临巨大挑战，应对挑战的关键是突破精准感知、仿真建模以及模型编排三类重点技术。上述三类技术的突破将会从不同维度为构建数字孪生系统奠定基础。

2.1 精准的感知技术

光网络精准感知的重点与难点在于光网络数据的采集、融合与挖掘。光网络数据既包括业务、配置、性能、告警等光网络运行状态数据，也包括功率谱、噪声谱和增益谱等影响光网络运行状态的光学参数。光网络数字孪生系统采用统一的数据采集系统/模块，通过传感器探测、光性能监测、接口交互协议等多种感知技术和采集上报机制，实现对光层多源数据的动态采集和高速传输，实现对光链路衰减、光信噪比、非线性损伤等多种性能指标的感知。

在光网络数字孪生系统中，数据反映光网络运行状况，模型表征物理对象运行机理。在光网络规建维优营全生命周期的管理和控制过程中，需要采集多类关键指标数据，如表1所示。

表1 面向数字孪生的光网络关键指标

光网络数字孪生系统对数据采集周期、精度及维度都提出了更高的要求，传统单一的数据采集方法无法满足光网络数字孪生系统的需要。

在硬件设备上，针对光网络的不同层次有相应的感知技术，例如，通过相干光模块DSP芯片，可以计算色度色散、偏振模色散、偏振相关损耗与偏振态变化等较难获取的光层损伤信息；基于φ-OTDR技术可实时探测光纤链路中的异常震动等动态变化事件，实现光纤物理环境的精准感知；利用光标签调顶技术，通过在每个光放站解调光标签信号，获取每个OTS段的OSNR以及单波光功率，补充现网中光性能监测(Optical Performance Monitor，OPM)部署位置有限的问题。通过设备层面的感知技术，可以在物理空间获取更丰富、更精细的光网络信息，为光网络数字孪生系统的构建提供了强有力的数据支撑。

在数据采集和上报方式上，传统的光网络数据采集技术是主动查询的采集方式，如简单网络管理协议(Simple Network Management Protocol，SNMP)和网络配置协议(Network Configuration Protocol，NETCONF)，此种方式为管控系统常用采集模式，但采集效率相对较低，查询精度最低为分钟级别。因此，面对大规模、高性能的网络监控需求，支持主动推送模式的网络遥测(Telemetry)技术更能满足光网络数字孪生系统对实时、高速、精细的数据要求。

2.2 仿真建模技术

评价仿真建模技术的关键指标是误差。光网络孪生建模技术的关键，是能够精准模拟物理实体的运行机制，并通过数字化形式映射到信息空间，能够支持系统模拟仿真、性能实时评估与优化、告警与故障溯源等各类应用场景。光网络孪生模型层包含基础模型、传输模型和功能模型，如图2所示。

图2 光网络孪生分层模型示意图

1)基础模型，是组成光传输系统的各种单元的虚拟实体。光网络中器件多样，结构和功能复杂，可分为器件模型和设备模型两大类：器件模型，能够构建光传输系统中所需各种器件的模型，包括光收发机、光放大器件、波长选择开关(Wavelength Selective Switch，WSS)/阵列波导光栅(Arrayed Waveguide Grating，AWG)器件、光滤波器件、光纤等[2]；设备模型，从光网络设备及连接的角度，对端口、板卡、机框、机架、网元等以及之间的连接所构建的模型。

2)传输模型，是模拟光信号从发射端经过光纤传输和中继放大后到达接收端的过程，包括偏振效应、光放大器自发辐射(Amplifier Spontaneous Emission，ASE)噪声、收发机噪声、非线性噪声、滤波效应等各种噪声及损伤的影响，最终能够在时域和频域对光信号传输过程进行精准的模拟，并与真实网络动态响应[3-4]。

3)功能模型，基于数据层提供的链路、网元、网络的数据信息进行模型调用和训练，输出结果为优化器件模型、网络部署决策、配置仿真等提供辅助参考。功能模型可以包括以下五类：健康度评估模型，针对器件或链路层级的健康度情况进行分析，提前对亚健康状态的物理器件或者链路进行预警；性能预测模型，构建时间序列预测模型或者回归分析预测模型，对不同类型的传输性能进行预测，为决策、配置提供依据；传输优化模型，基于已有的基础模型以及传输模型，针对已存在或预测性问题构建传输优化模型，给定优化方案，并能够在孪生系统中进行仿真验证；故障模拟模型，对物理拓扑、传输质量指标、业务信息、外部因素等改变进行仿真操作，模拟可能发生的故障，对结果进行分析并给出预防措施；动态配置模型，通过构建动态模型，利用孪生系统对器件配置、路由配置进行仿真，辅助运维管理决策。

光网络物理实体与数理模型之间很难达到百分之百的仿真精确度。因此，对于数字孪生系统而言，需要通过各种仿真建模技术不断完善孪生模型，确保模型误差小于应用场景所承受的最小仿真误差。从孪生模型构建方式可以分为物理驱动模型、数据驱动模型和物理—数据混合驱动模型。

1)物理驱动模型：利用物理理论，推导精准可解释的理论模型，直接对请求做出相应响应，优势是精准、可解释性强且通用性好，因此也被称为白盒模型。例如，针对光纤非线性计算的高斯噪声(Gaussian Noise，GN)模型，针对光纤传输模型的分步傅里叶方法(Split-step Fourier Method，SSFM)。

2)数据驱动模型：对于一些建模过程较为复杂的模型，尤其是光纤传输过程中的偏振损伤和非线性效应等，可以直接将光通信模块和系统当作黑盒，利用机器学习算法和数据驱动的思想，向输入、输出端口直接发送仿真服务指令，探索其输入输出之间的函数关系，模拟光通信模块和系统真实的模型机理。例如，基于双向长短期记忆算法实现光纤信道建模，利用神经网络进行EDFA孪生建模。

3)物理—数据混合驱动模型：基于知识规则的模型，运行机理部分被感知。当子系统模块部分已知，难以获知全部的模块运行原理时，在现有已知部分基础上，根据历史数据或者专家经验与机器学习模型相结合，构建接近真实机理的灰盒模型，对实际系统链路中每个模块进行数字化建模。

2.3 模型编排技术

光网络数字孪生模型层包括不同层次的数字模型，模型间同时存在复杂的依赖关系，因此如何对不同模型进行编排是数字孪生精准仿真的关键之一。数字孪生系统将模型仿真过程原子化，使每个原子模型都具备自动仿真的能力；再结合应用场景的需求，根据数据流向解析原子模型之间的关联关系，完成各数字孪生体之间的数据传递；通过设置原子模型的在线仿真时序，将各类仿真任务序列化，实现对孪生模型的编排。孪生模型编排后的结果可通过文件保存，便于以后直接读取。孪生体管理模块会为编排后的孪生模型分配内存和计算资源，创建数字孪生模型实例。

图3是传输质量评估模型的编排过程。孪生体管理模块会首先对任务信息进行转译，确定功能模型。当功能模型接收到孪生体管理模块请求后，定位最小颗粒器件模型，选定基础模型和传输模型组合的模型簇。孪生体管理模块会对模型簇进行组合编排，并根据拓扑信息中的连接关系设定数据流向，根据流向设置模型的在线仿真序列，构建当前任务流程以及计算任务，完成数字孪生模型实例的创建。

图3 传输质量评估模型的编排示意图

3 典型应用场景

网络规划、建设部署、运营维护及网络优化是运营商运营的四个生命周期阶段，直接影响到资本性支出(Capital Expenditure，CAPEX)和运营支出(Operational Expenditure，OPEX)等相关成本。数字孪生光网络通过网络数字化、感知实时化、模拟在线化的共同创新底座，来支持全生命周期不同场景的智能化需求。

3.1 业务的快速发放

随着光网络业务量的增多，光网络节点数量的快速增长，传统OPM逐渐无法满足应用需求。特别是在动态业务场景下，光性能监测时效性不足，将极大影响业务快速开通与恢复。

基于数字孪生的快速业务发放，通过实时精准感知能力，数据采集模块同步光链路上各收发功率、光通道/线路误码率、光器件相关性能等实时参数，以及链路时延、拓扑资源、业务资源、带宽资源等业务及资源信息，构建路由性能及时延地图，如图4所示。根据用户意图，结合资源利用率及均衡程度、性能及时延地图等当前网络状态，通过设定相关的路由策略(如最小时延、最优性能路径、最优SLA等)，计算得到最优或次最优的路由方案。在数字孪生系统中仿真模拟最优或次最优的路由方案，基于实时网络数据计算各监控点单波功率、OSNR等，评估当前通道质量、模拟调试预发放业务、评估预发放业务对在网业务的影响，并模拟调整线路，自动生成配置适配全网性能最优等。最后数字孪生系统将最优路由配置，通过智能管控系统进行端到端业务发放。业务下发后，该业务及承载业务的相关资源、链路也将通过实时精准感知以及性能评估进行实时监测。

图4 快速业务发放示意图

3.2 性能评估与优化

在现网中，由于性能损伤导致光层故障多且影响范围大、故障处理周期长成本高、故障难以提前预测等问题。传统运维手段只有当传输质量降低到引发故障时才被感知到，无法在故障发生之前提前识别网络性能下降的风险；后续的故障处理需要人工参与，选择优化方案也依靠人工经验。

基于数字孪生的光网络性能预测评估流程如图5所示。通过在光网络数字孪生系统中设置光网络健康度任务，自动识别或人工指定需要监测性能指标，并将任务下发给指标预测模块。指标预测模块通过对基础模型进行调用和编排，构建基于OSNR/BER的传输模型，结合历史数据实现性能预测评估功能模型，对链路、系统、业务的性能趋势变化进行分析。基于实时性能数据，通过性能预测评估模型综合评估业务质量，并与预警阈值相比，反馈光网络链路、业务健康度、资源利用率及风险等级等，预测潜在的性能劣化、硬件故障或者资源利用过载等亚健康状态。

当网络状态被判定为亚健康状态时，决策模块会上报亚健康预警，同时结合机器学习算法，依据网络优化规则和专家经验等知识库，生成一种或者多种网络自优化策略，如调整光功率、对信号进行电再生、增加均衡站或启动均衡功能、基于物理层感知的重路由计算等；在光网络数字孪生系统中，对不同的自优化策略进行仿真验证，模拟优化策略后的网络状态、性能等参数变化，最终找到最佳策略，反馈至管控系统，下发至实体网络，实现网络的自优化。

对于质量评估超过标准的链路和业务，数字孪生网络推演质量劣化前后告警变化过程，分析告警故障原因，触发故障分析定位功能，启动自愈/优化策略实现网络自愈/自优化。

3.3 故障溯源及模拟

光网络数字孪生系统中可以模拟已发生或者未发生故障，从而进行溯源或者预防方案的制定，辅助光网络系统具有更快的问题定位能力、更强的自愈能力，如图6所示。通过数据采集平台，实时感知获取如光器件的收发功率、光通道误码率、光模块的偏置电流及温度等数据。通过性能监测任务，监测和评估光模块、设备、光纤链路以及光通道是否有异常或者存在劣化的可能。

图6 基于数字孪生的光网络故障溯源及模拟

当存在异常/劣化、告警上报或发生故障时，启动故障溯源分析及排障流程。结合拓扑、资源及业务所在物理设备，依照层次化规则和拓扑规则进行模型的选择及编排。当光网络出现劣化/异常预警时，数字孪生系统能够根据当前网络的实时状态，通过修改模型的配置参数，模拟持续劣化下可能发生的故障及光网络受到的影响；结合知识管理模块及AI模块的分析功能，根据模拟计算的结果分析可能的故障根源及衍生故障；能够通过自优化策略模拟优化结果，并通过管控平台进行配置下发。

当光网络上报告警或已经处于故障时，数字孪生系统能够结合知识管理中的故障相关性规则库及故障场景规则库，快速定位故障根源。对故障前T时间内的历史状态回溯，并运用知识推理技术，准确定位光网故障发生的位置。根据历史数据进行状态回溯，确定故障原因，并能够进行排障模拟，当模拟结果满足期望结果时，执行故障排除流程。

4 总结与展望

综上所述，数字孪生技术将会成为网络智能运维的重要技术，从设备到系统的全生命周期状态感知和管理，包括网络的“规划、部署、运行、优化”全过程，都会在数字孪生体中体现；对于规划和优化策略的预演只需较低的时间和资金成本，从而达到快速而准确的仿真，便于迭代找到最佳的规划和优化策略，以部署于真实网络中达到最佳性能；网络拓扑可视化和性能实时监测，诊断网络的状态和进行故障预警，交互界面也更有利于运营商清晰查看网络全生命周期动态和进行优化策略配置，这些优势都是数字孪生技术将在光网络中实现的价值。

数字孪生技术为光通信网络发展提供了很大机遇，只要获得足够的数据和精准的模型，便能够设计出完全吻合现实网络的映射孪生体，对于网络全生命周期运维都有很大的价值。但这同时也带来一些问题：一方面，精准的模型需要足量的数据，如此大量的来自网络不同部分的数据带来了存储和隐私问题；另一方面，精准的模型往往伴随着复杂度过高，导致运算时间缓慢，影响实时动态智能运维的目标，所以在速度和精度上取得良好平衡是有待研究的问题，同时，数字孪生模型的不断更新也对与真实网络的实时交互提出了较高的需求。