论文部分内容阅读
互联网的发展,带动了网络业务需求的上涨。作为互联网重要的基础设施,光网络表现出越来越灵活和高效的发展态势,光网络中的光路部署和实时信号质量监测变得越来越复杂。通过对光网络中未建立光路的信号质量预测,可以利于光网络建设和动态配置。此外,光网络中光路的实时信号质量监测,特别是针对光路故障的监测和定位,也是高速动态光网络生存性保障的重点。近年来,将人工智能的技术应用到光网络领域研究层出不穷,本文将围绕利用机器学习(Machine Learning,ML)算法进行光网络中光路传输质量评估和故障监测这两方面进行分析研究。本文的主要研究内容及主要创新有:1、本文利用大量历史光路样本,采用神经网络算法对光网络中待建光路光信噪比(Optical Signal Noise Ratio,OSNR)进行准确估计。本文首先考虑了光网络中光路受相邻光路的非线性干扰和光学监测不确定性的影响,提出了新型的基于神经网络的OSNR估计模型。通过在NSFNET上进行广泛的仿真,对多个神经网络模型参数和网络参数的研究分析,当容许估计误差在0.5 dB以内,神经网络估计光路OSNR模型可获得98%以上的估计准确率。2、掺铒光纤放大器(Erbium Doped Fiber Amplifier,EDFA)是目前光网络中广泛使用的设备,其增益不平坦问题对光网络的影响也正在得到更广泛的关注。本文对神经网络的输入层进行改进,通过增加与波长相关的特征量及其有效描述,能够有效降低EDFA的增益不平坦问题对待建光路OSNR估计的影响。通过对模型的仿真验证,当样本量足够时,同样可以获得98%以上的估计准确率。3、本文研究了光网络中光路软故障监测问题,考虑到光网络具有稳健性即故障光路样本量极少的特点,本文提出选用无监督学习算法中的支持向量域描述算法(Support Vector Domain Description,SVDD)来判断光网络中光路是否发生链路软故障,训练数据为历史正常光路样本。在此基础上,本文对SVDD模型核函数及参数进行了优化,可以提高模型的可行性和预测准确率。与其他光网络中故障监测方法相比,本文选用的模型无需其他硬件组件或分配专用的监控光路,并且保证了光网络的稳健性。通过在NSFNET上进行广泛的仿真,针对动态光网络中的光路是否发生软故障的监测问题,可以获得98%的故障预测准确率。