諸葛群碧 鐘雪穎 蔡萌 劉曉敏 劉蕾 胡衛(wèi)生

(上海交通大學(xué)區(qū)域光纖通信網(wǎng)與新型光通信系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海 200240)

0 引言

信息時(shí)代快速發(fā)展，通信流量呈現(xiàn)爆發(fā)式增長(zhǎng)。光纖通信是通信基礎(chǔ)設(shè)施的主動(dòng)脈，承擔(dān)了全球絕大多數(shù)的通信流量，因此光通信技術(shù)的發(fā)展成為推動(dòng)信息時(shí)代持續(xù)發(fā)展的重要基石。目前，基于傳統(tǒng)光纖信道的光纖傳輸系統(tǒng)的設(shè)計(jì)已經(jīng)接近理論極限，然而光網(wǎng)絡(luò)的管控方法與機(jī)制發(fā)展相對(duì)滯后，這使得頻譜資源利用不充分且運(yùn)行效率較低。因此，需要通過智慧光網(wǎng)絡(luò)的構(gòu)建，充分挖掘現(xiàn)有光纖系統(tǒng)的容量，最大化利用網(wǎng)絡(luò)資源。為了實(shí)現(xiàn)全光網(wǎng)的智能化，本文提出的光纖通信數(shù)字孿生系統(tǒng)將成為智慧光網(wǎng)絡(luò)的關(guān)鍵數(shù)字底座。該系統(tǒng)基于感知單元采集得到的實(shí)時(shí)數(shù)據(jù)，對(duì)光纖通信系統(tǒng)中每一條鏈路進(jìn)行同步數(shù)字化映射，為光網(wǎng)絡(luò)管控提供實(shí)時(shí)物理層關(guān)鍵信息，且具備全生命周期的學(xué)習(xí)推演能力。

1 光纖通信數(shù)字孿生系統(tǒng)的相關(guān)進(jìn)展

對(duì)光纖鏈路的精確建模是構(gòu)建光纖通信數(shù)字孿生系統(tǒng)的首要環(huán)節(jié)。光纖鏈路的組成包括光收發(fā)機(jī)、光纖、光放大器、波長(zhǎng)選擇開關(guān)等單元。目前，國(guó)內(nèi)外很多機(jī)構(gòu)對(duì)光纖建模進(jìn)行了深入的研究。在理論模型方面，P.Poggiolini等[1]提出了高斯噪聲(Gaussian Noise，GN)模型，因其復(fù)雜度低，易于計(jì)算的特點(diǎn)，應(yīng)用相當(dāng)廣泛；在機(jī)器學(xué)習(xí)模型方面，使用深度學(xué)習(xí)算法中的雙向長(zhǎng)短期記憶算法對(duì)于光纖信道進(jìn)行建模[2]，可以得到與傳統(tǒng)的基于模型驅(qū)動(dòng)的分步傅里葉方法相似的結(jié)果，但在運(yùn)算時(shí)間上大大減??；在各類器件建模方面，很多研究基于機(jī)器學(xué)習(xí)算法對(duì)摻鉺光纖放大器(Erbium Doped Fiber Amplifier，EDFA)、可重構(gòu)光分插復(fù)用器(Reconfigurable Optical Add-Drop Multiplexer，ROADM)等光器件進(jìn)行建模，例如利用神經(jīng)網(wǎng)絡(luò)對(duì)EDFA的增益譜及噪聲譜進(jìn)行更加精準(zhǔn)的建模[3-4]，基于輸入濾波器的負(fù)載噪聲分布和帶寬分布等特征，使用神經(jīng)網(wǎng)絡(luò)對(duì)ROADM的濾波效應(yīng)建模[5]。這些研究主要集中在光網(wǎng)絡(luò)單個(gè)器件的建?；蛘w端到端系統(tǒng)的靜態(tài)建模，由于沒有考慮到實(shí)時(shí)變化，未能在部署后通過在線學(xué)習(xí)的手段對(duì)模型進(jìn)行更新迭代以構(gòu)建動(dòng)態(tài)孿生模型。

為了構(gòu)建動(dòng)態(tài)的光纖通信數(shù)字孿生模型，可以基于感知技術(shù)賦予數(shù)字孿生系統(tǒng)學(xué)習(xí)和演化能力。在光性能感知方面，目前的研究主要集中于單點(diǎn)感知。Fabian. N. Hauske等[6]在2009年提出使用相干接收機(jī)來(lái)聯(lián)合估計(jì)色散、偏振膜色散以及偏振相關(guān)損耗的方法。2017年，日本富士通公司在動(dòng)態(tài)光網(wǎng)絡(luò)中使用光性能監(jiān)測(cè)來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)資源的最優(yōu)分配[7]。為了進(jìn)一步提高監(jiān)測(cè)準(zhǔn)確度，結(jié)合機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)光性能監(jiān)測(cè)成為研究熱點(diǎn)[8-10]。然而，單點(diǎn)感知技術(shù)在功能和精度方面存在欠缺，多點(diǎn)感知融合成為未來(lái)發(fā)展的一大趨勢(shì)。

圖1 光纖通信數(shù)字孿生系統(tǒng)架構(gòu)

為了實(shí)時(shí)消化感知提供的大量數(shù)據(jù)，基于在線學(xué)習(xí)技術(shù)，本文對(duì)系統(tǒng)中的物理層模型進(jìn)行更新迭代，采用被動(dòng)學(xué)習(xí)、主動(dòng)學(xué)習(xí)等自學(xué)習(xí)方法，利用感知得到的網(wǎng)絡(luò)實(shí)時(shí)數(shù)據(jù)對(duì)系統(tǒng)中物理層模型進(jìn)行訓(xùn)練。該方法的優(yōu)點(diǎn)是，利用反映網(wǎng)絡(luò)當(dāng)前狀態(tài)的小數(shù)據(jù)集對(duì)模型參數(shù)進(jìn)行更新，相比于大量數(shù)據(jù)訓(xùn)練得到的靜態(tài)模型，小數(shù)據(jù)集的仿真也能獲得相似的訓(xùn)練精度[11-12]。

為了實(shí)現(xiàn)光纖通信數(shù)字孿生系統(tǒng)的構(gòu)建，光網(wǎng)絡(luò)物理層建模、感知技術(shù)及在線學(xué)習(xí)算法都需要進(jìn)一步的研究。同時(shí)，三者之間的研究狀態(tài)相對(duì)獨(dú)立，需要站在全局高度對(duì)光纖通信數(shù)字孿生系統(tǒng)進(jìn)行協(xié)同設(shè)計(jì)，在整體上依舊有很大的提升空間。

2 光纖通信數(shù)字孿生系統(tǒng)的整體架構(gòu)

圖1為光纖通信數(shù)字孿生系統(tǒng)整體架構(gòu)圖。首先，對(duì)實(shí)際系統(tǒng)鏈路中每個(gè)單元進(jìn)行數(shù)字化建模，建立基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生模型，該模型具有高精度、高泛化性特點(diǎn)。為了進(jìn)一步降低復(fù)雜度，鏈路中各單元之間的耦合需要進(jìn)一步結(jié)合波形仿真模型(計(jì)算信號(hào)波形)和性能計(jì)算模型(計(jì)算信噪比)來(lái)達(dá)到精度和復(fù)雜度的最優(yōu)折中。實(shí)際系統(tǒng)處于一個(gè)動(dòng)態(tài)變化的狀態(tài)，為了保持?jǐn)?shù)字孿生系統(tǒng)與實(shí)際系統(tǒng)的一致性，通過物理層感知技術(shù)實(shí)時(shí)獲取網(wǎng)絡(luò)的當(dāng)前狀態(tài)，從而對(duì)初始模型進(jìn)行更新迭代。物理層融合感知技術(shù)包括融合數(shù)據(jù)的提取、融合架構(gòu)的設(shè)計(jì)和融合算法。同時(shí)，為了賦予模型全生命周期推演能力，基于在線學(xué)習(xí)技術(shù)來(lái)定制每條鏈路的孿生模型。其中，在線學(xué)習(xí)技術(shù)包括主動(dòng)學(xué)習(xí)、被動(dòng)學(xué)習(xí)和概率學(xué)習(xí)。根據(jù)鏈路的具體情況綜合使用3種在線學(xué)習(xí)機(jī)制，可以最大程度地達(dá)到模型高效性、準(zhǔn)確性的折中。綜上所述，為了實(shí)現(xiàn)基于物理層感知的全生命周期光纖通信數(shù)字孿生系統(tǒng)，需要研究3個(gè)關(guān)鍵技術(shù)：基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生建模；光纖物理層多維融合感知技術(shù)；光纖系統(tǒng)在線學(xué)習(xí)算法和機(jī)制。本文將對(duì)這3個(gè)關(guān)鍵技術(shù)進(jìn)行詳細(xì)的介紹。

3 光纖通信數(shù)字孿生系統(tǒng)的關(guān)鍵技術(shù)

3.1 基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生建模

基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生建模是全生命周期光纖通信數(shù)字孿生系統(tǒng)構(gòu)建的基礎(chǔ)。灰盒孿生建模將傳統(tǒng)模型(白盒)和機(jī)器學(xué)習(xí)模型(黑盒)相結(jié)合，具有高精度和高泛化性的特點(diǎn)。對(duì)光纖鏈路采取模塊化建模的方式，對(duì)光收發(fā)機(jī)、光纖等各個(gè)單元分別建模，每個(gè)單元都是由灰盒模型組成。同時(shí)，為了滿足網(wǎng)絡(luò)管控速度的需要，將進(jìn)一步降低各個(gè)單元的復(fù)雜度。因此，在各個(gè)單元的耦合上需要進(jìn)一步結(jié)合波形仿真模型(計(jì)算信號(hào)波形)和性能計(jì)算模型(計(jì)算信噪比)的方案，達(dá)到精度與復(fù)雜度的最優(yōu)折中。最后，針對(duì)各個(gè)模塊之間的相關(guān)性，建立端到端的聯(lián)合校準(zhǔn)機(jī)制，提升系統(tǒng)整體的建模精度。

以光纖的灰盒孿生建模為例，高斯噪聲模型是基于微擾假設(shè)提出來(lái)的計(jì)算光纖非線性信噪比的模型，包括相干高斯噪聲(Coherent Gaussian Noise，CGN)模型和非相干高斯噪聲(Incoherent Gaussian Noise，IGN)模型。IGN模型忽略了非線性噪聲的相干特性，是CGN模型的近似。但在多通道情況中，IGN模型的精確程度也很高，且由于其形式簡(jiǎn)單、計(jì)算復(fù)雜度低的特點(diǎn)，IGN模型受到廣泛應(yīng)用。文獻(xiàn)[12]給出了光纖灰盒模型(性能計(jì)算模型)的方案框圖，具體參見圖2。在仿真系統(tǒng)中，綜合對(duì)比了兩種模型及其與機(jī)器學(xué)習(xí)模型相融合的方案。圖3給出了傳統(tǒng)模型和融合方案的模型誤差?？梢钥吹?，隨著傳輸距離的增加，相干高斯噪聲模型的誤差從3.8 dB降低到0.5 dB；非相干高斯噪聲模型的誤差從3.8 dB降低到1.8 dB，而融合算法實(shí)現(xiàn)了不同傳輸距離下，模型誤差范圍在±1.1 dB以內(nèi)。仿真結(jié)果表明，傳統(tǒng)模型和數(shù)據(jù)驅(qū)動(dòng)模型相結(jié)合可以實(shí)現(xiàn)性能的提升。

圖2 光纖灰盒模型框圖

圖3 仿真結(jié)果

3.2 光纖物理層多維融合感知技術(shù)

感知技術(shù)是實(shí)現(xiàn)未來(lái)具備學(xué)習(xí)和演化能力的數(shù)字孿生的關(guān)鍵組成部分。在光纖通信數(shù)字孿生系統(tǒng)中，為了進(jìn)行高效的網(wǎng)絡(luò)管控，同時(shí)為了提供基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生建模需要的實(shí)時(shí)感知數(shù)據(jù)，需要對(duì)光網(wǎng)絡(luò)進(jìn)行準(zhǔn)確的監(jiān)測(cè)。光纖物理層多維融合感知技術(shù)包括數(shù)據(jù)的提取、融合架構(gòu)的設(shè)計(jì)和融合算法。

(1)數(shù)據(jù)的提取

數(shù)據(jù)的提取包括主動(dòng)式和被動(dòng)式的提取。主動(dòng)式的提取方法是通過改變信號(hào)的狀態(tài)如在信號(hào)中插入到導(dǎo)頻等，來(lái)獲取監(jiān)測(cè)的信息。文獻(xiàn)[13]實(shí)現(xiàn)了利用導(dǎo)頻監(jiān)測(cè)鏈路的自相位調(diào)制效應(yīng)(Self-phase Modulation，SPM)，利用系統(tǒng)中已經(jīng)存在的用于載波相位恢復(fù)算法的導(dǎo)頻，在鏈路收端對(duì)該導(dǎo)頻信號(hào)進(jìn)行平均來(lái)消除交叉相位調(diào)制效應(yīng)(Cross-phase Modulation，XPM)的影響，只保留SPM噪聲，結(jié)合機(jī)器學(xué)習(xí)方法可對(duì)不同鏈路進(jìn)行SPM估計(jì)，均方根誤差(Root Mean Square Error，RMSE)為0.36 dB。相比于主動(dòng)式的感知方法，被動(dòng)式的提取方法不需要改變信號(hào)的狀態(tài)，直接在鏈路中獲取監(jiān)測(cè)信息。文獻(xiàn)[14]實(shí)現(xiàn)了利用收端數(shù)字信號(hào)處理(Digital Signal Processing，DSP)中的信號(hào)頻譜和均衡器收斂后的抽頭，結(jié)合神經(jīng)網(wǎng)絡(luò)，監(jiān)測(cè)鏈路中的濾波噪聲，該方法的監(jiān)測(cè)誤差RMSE為0.1 dB。

(2)融合架構(gòu)的設(shè)計(jì)

目前，單點(diǎn)監(jiān)測(cè)已經(jīng)受到了廣泛研究，但鏈路多監(jiān)測(cè)點(diǎn)協(xié)同設(shè)計(jì)的研究還十分欠缺，限制了物理層數(shù)據(jù)的有效利用。為了增強(qiáng)物理層的多點(diǎn)感知能力，可以借助鏈路中的一些監(jiān)測(cè)器件如光通道監(jiān)視器(Optical Channel Monitor，OCM)等，幫助提取光域的光譜等信息[15]。通過分析光譜的情況，為構(gòu)建灰盒孿生模型提供支撐。

圖4 第一階段神經(jīng)網(wǎng)絡(luò)性能曲線

(3)融合算法的實(shí)現(xiàn)

為了充分地利用來(lái)自網(wǎng)絡(luò)和鏈路的信息，文獻(xiàn)[16]提出從3個(gè)維度利用數(shù)據(jù)融合算法對(duì)物理層信息進(jìn)行更加深入地分析與挖掘：從空間維度出發(fā)，鏈路中的場(chǎng)景可分為同一區(qū)域和不同區(qū)域。對(duì)于同一區(qū)域的數(shù)據(jù)，信號(hào)經(jīng)過同一組器件或同一段光纖，提供的數(shù)據(jù)具有強(qiáng)耦合性，可利用數(shù)據(jù)融合來(lái)挖掘數(shù)據(jù)間的相關(guān)性；對(duì)于不同區(qū)域的數(shù)據(jù)，數(shù)據(jù)相關(guān)性較差，可通過聯(lián)邦學(xué)習(xí)等算法在各個(gè)區(qū)域進(jìn)行分布式的模型訓(xùn)練，從而提高算法的整體性能。從模型維度出發(fā)，對(duì)于異構(gòu)模型，以傳統(tǒng)模型和機(jī)器學(xué)習(xí)模型為例，可以將兩者融合提供更好的預(yù)估結(jié)果；對(duì)于同構(gòu)模型，以機(jī)器學(xué)習(xí)模型為例，可以將多個(gè)弱學(xué)習(xí)器融合成為一個(gè)強(qiáng)學(xué)習(xí)器。從數(shù)據(jù)源維度出發(fā)，需要融合來(lái)自物理層的光域和數(shù)字域的信息，主要包括級(jí)聯(lián)式融合、分階段融合、基于深度學(xué)習(xí)的數(shù)據(jù)融合3種方法。

以融合算法中的數(shù)據(jù)源融合為例，文獻(xiàn)[16]提出了一個(gè)兩階段的故障監(jiān)測(cè)和定位算法。在第一階段，使用均衡器抽頭的平均值、標(biāo)準(zhǔn)差、最小值、最大值，收端DSP中獲得的數(shù)字域頻譜的中心頻率和3 dB帶寬作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，對(duì)故障進(jìn)行監(jiān)測(cè)，并輸出粗略的定位結(jié)果。圖4所示為第一階段神經(jīng)網(wǎng)絡(luò)的估計(jì)精度曲線和損失函數(shù)曲線[16]。

在第二階段，只需要利用第一階段得到的近似位置附近的光域頻譜進(jìn)行精準(zhǔn)定位。頻率f處的理論光譜計(jì)算如下：

(1)

(2)

H(f)=Hsignal(f)Hrrc(f)s(f)n

(3)

其中，B和Botf分別代表波長(zhǎng)選擇開關(guān)(Wavelength Selective Switch，WSS)濾波器的6 dB帶寬和陡降系數(shù)，Hsignal(f)是傳輸信號(hào)的傅里葉變換，Hrrc(f)是根升余弦濾波器的傳輸函數(shù)，n代表WSS級(jí)數(shù)。隨后將實(shí)際光譜與理論光譜差作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行進(jìn)一步的精準(zhǔn)定位。經(jīng)過第二階段的定位，精度從第一階段的92.8%提升到100%。該結(jié)果表明，利用數(shù)據(jù)融合算法，可以實(shí)現(xiàn)故障定位精度的顯著提升。

3.3 光纖通信系統(tǒng)在線學(xué)習(xí)算法和機(jī)制

光纖通信系統(tǒng)在線學(xué)習(xí)算法可以實(shí)時(shí)消化感知技術(shù)獲得的信息，對(duì)物理層模型進(jìn)行更新迭代。在線修正的算法分為被動(dòng)學(xué)習(xí)、主動(dòng)學(xué)習(xí)和概率學(xué)習(xí)三大類。

(1)被動(dòng)學(xué)習(xí)

使用現(xiàn)網(wǎng)中的已有信號(hào)光的真實(shí)數(shù)據(jù)來(lái)修正離線訓(xùn)練得到的模型。由于現(xiàn)網(wǎng)中會(huì)逐漸部署大量業(yè)務(wù)光，接收機(jī)和光監(jiān)測(cè)模塊會(huì)實(shí)時(shí)上報(bào)與傳輸性能有關(guān)的真實(shí)數(shù)據(jù)，這些數(shù)據(jù)可以用于更新離線訓(xùn)練、設(shè)計(jì)的數(shù)字模型。在光網(wǎng)絡(luò)建立的初期，數(shù)據(jù)集較小，被動(dòng)學(xué)習(xí)機(jī)制的效果受到限制。隨著業(yè)務(wù)光的增多，參考數(shù)據(jù)增多，數(shù)字模型精度逐漸提高。被動(dòng)學(xué)習(xí)適用于數(shù)字模型不斷更新的場(chǎng)景，一定時(shí)間間隔內(nèi)再訓(xùn)練或微調(diào)數(shù)字模型，實(shí)現(xiàn)相對(duì)容易。此外，將被動(dòng)學(xué)習(xí)與一些新興算法如元學(xué)習(xí)相結(jié)合，可以對(duì)模型進(jìn)行進(jìn)一步的修正[17]。

(2)主動(dòng)學(xué)習(xí)

通過主動(dòng)更改信號(hào)配置、增加探針信號(hào)、發(fā)送導(dǎo)頻信號(hào)等方式，獲取真實(shí)數(shù)據(jù)來(lái)遷移或微調(diào)模型。對(duì)于難以直接通過監(jiān)測(cè)獲取的物理層信息，例如收發(fā)機(jī)代價(jià)、光信噪比等，可通過主動(dòng)修改物理層配置，結(jié)合對(duì)應(yīng)物理規(guī)律獲取。該算法對(duì)物理層已有信號(hào)的性能會(huì)造成一定的波動(dòng)，具有一定的代價(jià)，僅在發(fā)出需求后才進(jìn)行。如根據(jù)非線性噪聲的物理模型，使用GN模型對(duì)非線性噪聲進(jìn)行較為準(zhǔn)確地建模[1]。模型中，非線性噪聲的功率與信號(hào)的功率存在三次方的關(guān)系。通過改變信號(hào)的功率，可以對(duì)數(shù)據(jù)進(jìn)行擬合，分離得到放大自發(fā)輻射(Amplified Spontaneous Emission，ASE)噪聲與非線性噪聲來(lái)獲取真實(shí)光纖鏈路的非線性效應(yīng)的標(biāo)簽數(shù)據(jù)，實(shí)現(xiàn)光纖非線性建模精度的進(jìn)一步提高。

(3)概率學(xué)習(xí)

結(jié)合了被動(dòng)學(xué)習(xí)與主動(dòng)學(xué)習(xí)，同時(shí)將物理層上報(bào)信息中的噪聲和不確定性考慮在內(nèi)。概率學(xué)習(xí)在學(xué)習(xí)真實(shí)數(shù)據(jù)的過程中，考慮訓(xùn)練數(shù)據(jù)的可靠度以及最終模型輸出結(jié)果的可靠度。在實(shí)際系統(tǒng)中，光器件參數(shù)存在一定波動(dòng)，被動(dòng)或主動(dòng)獲取的數(shù)據(jù)中包含了一定噪聲，需要在學(xué)習(xí)算法中考慮該因素。此外，數(shù)據(jù)驅(qū)動(dòng)類模型的數(shù)據(jù)學(xué)習(xí)能力有限，難以實(shí)現(xiàn)無(wú)誤差的精度，在輸出估計(jì)結(jié)果時(shí)應(yīng)當(dāng)同時(shí)輸出置信度?；谪惾~斯理論的概率學(xué)習(xí)能夠滿足上述的需求，可以將物理層隨機(jī)波動(dòng)考慮進(jìn)來(lái)，學(xué)習(xí)輸出估計(jì)結(jié)果，給出置信區(qū)間。

4 結(jié)束語(yǔ)

為了實(shí)現(xiàn)網(wǎng)絡(luò)容量的提升，提高對(duì)復(fù)雜光網(wǎng)絡(luò)的管控能力，智慧全光網(wǎng)是光網(wǎng)絡(luò)未來(lái)發(fā)展的方向?；跀?shù)據(jù)驅(qū)動(dòng)的光纖通信物理層數(shù)字孿生系統(tǒng)是實(shí)現(xiàn)智慧全光網(wǎng)的重要研究目標(biāo)。本文介紹了數(shù)字孿生系統(tǒng)的相關(guān)研究進(jìn)展及架構(gòu)，分析了數(shù)字孿生系統(tǒng)中使用到的關(guān)鍵技術(shù)，包括基于數(shù)據(jù)驅(qū)動(dòng)的灰盒孿生建模、光纖物理層多維融合感知技術(shù)、光纖系統(tǒng)在線學(xué)習(xí)算法和機(jī)制?；诰_感知，具有精準(zhǔn)物理模型，同時(shí)具備演進(jìn)學(xué)習(xí)能力的數(shù)字孿生系統(tǒng)將成為光纖通信系統(tǒng)重要的數(shù)字底座，助力智慧全光網(wǎng)的構(gòu)建，支撐信息時(shí)代的發(fā)展。