[发明专利]一种基于ANN损失函数优化的光路传输质量预测方法

说明书

本发明公开了一种基于ANN损失函数优化的光路传输质量预测方法，基于传统的MSE和MAE损失函数引入正则化项，通过给予高估更大的惩罚的方式降低模型的高估值和比例，从而达到减小模型的最大正偏差的目的。相比于传统的基于MSE和MAE的QoT估计模型而言，本发明提出的方法可以在关注模型准确度的同时极大地去降低模型的最大正偏差值，从而达到提高光路调制格式的分配效率和提升光网络容量的目的。

技术领域

本发明涉及光通信技术领域，尤其涉及一种基于ANN损失函数优化的光路传输质量预测方法。

背景技术

云计算、边缘计算、物联网、虚拟现实、人工智能和5G等新技术的出现导致网络数据爆发式增长。光传送网络作为网络数据传输最重要的基础设施之一，容量需求急剧提升，需要进一步发展大容量传输系统，提高网络利用率。

目前在传统的光传输网络中，为了满足光网络在其生命周期内顺利的部署业务，在光网络部署阶段需要为其预留足够的余量，余量主要包括系统余量、未分配余量以及设计余量。其中，系统余量是由于器件老化、网络负载变化、偏振效应等而预留的余量；未分配余量是由于设备的传输容量以及传输距离与实际需求的偏差而预留的余量；设计余量是由于对于信号传输质量估计不准确而预留的余量。

因此，准确的光路传输质量预测方法是实现低余量光网络的关键技术之一，在光路部署之前预测其传输质量(QoT)对于光网络的优化设计是至关重要的一步。一方面可以判断光路是否可建立连接，另一方面在保证光路可靠性的前提下，根据光路预测值为光路分配可用的最高阶的调制格式提高网络实际可用容量，实现低余量传输。

传统的信号质量估计模型分为两种，一种是精确的分析模型，通过求解光传输方程的方法可以得到精确的QoT值，但计算时间长，不适合在大型网络和动态网络中运用；另一种是近似的估计模型，该模型计算速度较快，但由于模型本身的不确定性引入了设计余量，降低了频谱效率。鉴于机器学习在网络层和物理层都有较为成功的应用，为了很好地平衡QoT预测的计算复杂度和精确度，可以基于从光网络收集的数据，利用机器学习的方法，通过数据的变化来隐含地捕捉物理层行为，以此根据已建立连接的链路信息去预测未建立连接链路的QoT值。

目前主要的两种解决方案是基于利用机器学习中的分类和回归模型进行QoT估计。分类模型的主要思想就是判断链路请求是否可以建立，回归模型的主要思想就是直接预测输出QoT的估计值。机器学习分类模型通常需要较为均衡的数据进行训练，数据不均衡是分类模型中一个典型的存在的问题，通常指不同类别的样本数目相差较大。相比于分类模型，回归模型对于数据的依赖性较小，且可以提供更有效的信息，包含信号质量的估计值和余量等。

近年来，人工神经网络(ANN)被证明是一种很有前途的QoT估计技术，一些工作取得了良好的性能。传输质量估计的结果通常分为两类，即预测值大于实际值(以下称作“高估”)和预测值小于实际值(以下称作“低估”)。高估意味着预测值大于实际值，可能导致光路设置不当，使光网络不可靠。为了解决这一问题，通常在网络中引入一个余量，以保证一定可靠性，该值可以根据模型的最大高估值来设置。另一方面，低估是指预测值小于实际值，光路也会选择较低的调制格式，导致网络容量较低。为了保证光网络的可靠性和容量最大化，在部署光路时，通常要考虑一个余量，用光路的预测值减去余量，并选择最高阶调制格式。因此光路部署方案可以表示为：

OSNR_p-margin≥FEC_limit

其中OSNR_p表示光路的预测值，margin是由于模型估计不准确引入的设计余量，该值一般根据模型的最大正偏差来设定。FEC_limit指所使用的调制格式所需的阈值，超过该阈值的信号被认为是可恢复和“无错误的”。