[发明专利]SDN控制器以及光通信设备的光信噪比预测方法

说明书

本发明公开了一种SDN控制器以及光通信设备的光信噪比预测方法，所述方法包括：采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的。应用本发明可以具有更低的预测误差，且可以大大降低神经网络模型的训练难度。

技术领域

本发明涉及光通信技术领域，特别是指一种SDN控制器以及光通信设备的光信噪比预测方法。

背景技术

随着互联网技术的蓬勃发展，光网络向着超高速大容量方向发展，网络规模日益庞大，光网络结构越来越复杂，网络中光路径不断延长，这必然导致网络中光信号传输受到各种物理层损伤的影响。光信号损伤造成端到端的误码率较高，不仅影响了传输质量，甚至导致阻塞率偏高。因此保障通信可靠性就非常重要。优化对光传输网络资源的配置及业务的部署，提升光传输网络的稳定性及可靠性。

由于长距离传输导致的光域中功率损耗、光信号和色散等传输损伤的积累，光信号的传输质量将劣化，也许无法满足接收机对传输信号质量的要求，进而不能在光信号中解析出正确的相关信息。

在光通信设备中，物理层最重要的参数就是光信噪比，其值的大小直接决定了业务能否正常运行，在接收机中光信噪比(OSNR)一旦不能满足要求，将会造成传输错误或失败、服务质量降低、传送消耗增加等问题。

综上所述，准确高效的OSNR预测是十分必要的，因此需要设计有效的OSNR预测方法，以实现更加准确高效的性能监控，从而为保障通信的传输质量奠定基础。

针对光通信设备OSNR预测主要有两大方向，一类是基于解析公式的先验知识方案，另一类是基于历史数据和机器学习算法的后验知识方案，基于解析公式的算法方案一般很难将OSNR的影响因素考虑完全，造成预测准确率降低，基于机器学习算法的方案存在缺乏训练集的问题，也会导致预测性能降低。

事实上，目前在OSNR预测领域，人工智能算法占据半壁江山。但是，这些人工智能模型直接应用于实际场景难度较大，因为它们都需要大量的数据集进行模型的训练，但在实际场景中，有效的设备数据会很少，从而无法满足模型预测精度的要求。

发明内容

有鉴于此，本发明的目的在于提出一种SDN控制器以及光通信设备的光信噪比预测方法，与现有基于解析公式的先验知识方案相比，可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；与现有的基于历史数据和机器学习算法的后验知识方案相比，训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。

基于上述目的，本发明提供一种光通信设备的光信噪比预测方法，包括：

采集被测光通信设备的OSNR预测相关的当前网络状态信息；

针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；

将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；

其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。

其中，所述神经网络模型具体根据如下方法预先训练得到：

采集所述被测光通信设备的OSNR预测相关的历史网络状态信息；

针对采集的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果；