

光通信超高速发展，人工神经网络扮演什么样的角色？

光电汇OESHOW

2022-08-05

付松年，秦玉文

广东工业大学广东省信息光子技术重点实验室

引言

为了应对人类社会逐渐增长的网络通信需求，新一代光纤通信系统正在朝着超高速、超大容量和动态灵活的方向发展。近年来，数字相干光通信技术已经成为新一代光纤通信系统的首选。为了确保光纤通信系统的可靠运行，必须对反映光信号传输质量的一系列参数开展实时监测。由于光纤链路的动态特性，大容量的数字相干光纤通信链路易受多种传输损伤的影响，这些传输损伤会随着时间而发生变化。因此，必须在整个链路范围内纳入有效的监督机制来提供有关传输链路质量和光信号健康状况的准确和实时的信息。

光性能监测（Optical PerformanceMonitoring,OPM）技术面临的挑战是适应不同调制格式和多种传输损伤，在光纤传输链路中可以监测光信噪比 (Optical Signal-to-NoiseRatio, OSNR)、色散、偏振模色散、调制格式和光纤非线性等，如图 1 所示^[1]。在众多监测参数中，OSNR 因其可用于自动故障诊断及信号质量的在线表征，并且与误码率 (Bit ErrorRate，BER) 直接相关，成为高速光纤通信系统的最重要监测参数之一。传统的 OSNR 监测技术中，有些需要修改发射机架构以便将导频插入到待传输信号，有些需要额外的硬件模块和复杂迭代算法，这使系统变得复杂。为了适应高速光纤通信系统的对 OSNR 的需要，智能化 OSNR监测技术应运而生。

图 1 高速光纤通信系统需要监测的性能参数^[1]

随着人工智能（Artificial Intelligent,AI）的发展，和计算处理能力的提高，基于机器学习（Machine Learning, ML）的深度学习算法已显示出明显优势。人工神经网络作为深度学习的一种算法，具有在多个抽象级别自动学习数据的能力，能够自主学习将数据从输入映射到输出，以满足智能化、多样化的应用需求。通过ANN 在 OPM 中应用来实现 OSNR 监测，可以克服传统方法的性能局限并实现多个传输损伤的监测且无需额外硬件，符合 OPM 技术应用低成本、智能化的发展趋势^[2]。

本文将分别从接收端直接探测与相干探测方式介绍 ANN 用于 OPM 的技术路径，通过分析对比各种技术方案的算法复杂度、成本、实时性及监测精度，最后总结人工神经网络应用于OSNR 监测的发展趋势。

应用现状

针对目前高速光纤通信系统中基于人工神经网络的 OSNR 监测技术，根据接收方式、统计处理、神经网络三个层面分解，不同的神经网络搭配不同的接收及统计处理方式均能实现 OSNR监测，如图 2 所示。下面将对各种技术路径进行归纳分析。

图 2 基于人工神经网络的光纤通信系统 OSNR 监测技术实现途径

2.1 相干探测

高速光纤通信系统一般使用相干探测技术，结合后续数字信号处理（Digital SignalProcessing, DSP），可将信号的色散、相位噪声、频偏等传输损伤有效补偿，最终完成信号解调判决。近年来通过不同的人工神经网络，结合特定的特征提取方式，已经有多种 OSNR 监测被实现^[3]。

2.1.1 振幅直方图

信号的振幅直方图 (Amplitude Histogram,AH) 是一种最常见、最直接的统计图形，能够反映信号的振幅分布状况。不同调制格式信号在相干探测接收下的振幅直方图有着明显的区别，同种调制格式的信号在不同 OSNR 下的振幅直方图也存在不同之处。因此可以通过 ANN来自主学习振幅直方图的不同特征，实现从振幅直方图到信号调制格式和 OSNR 的映射，达到OSNR 监测的目的。香港理工大学课题组率先实现基于深度神经网络（Deep Neural Network,DNN）以及信号振幅直方图的OSNR监测和调制格式识别^[4]。该方案不需要复杂的卷积神经网络（Convolutional Neural Network ，CNN），有效降低了神经网络内部结构的复杂度，但仍然需要多个 DNN 各自实现不同功能，训练复杂度较高。

2.1.2 星座图

在高速光纤通信链路中，信号的星座图是能够同时反映其振幅和相位特征的统计图像，与信号的多种损伤及误码率直接相关，因此可以通过星座图来实现信号的 OSNR 监测。北京邮电大学课题组实现了基于星座图和 CNN 的 OSNR监测和调制格式识别^[5]。但由于星座图是一个复杂的二维图像，因此需要借助 CNN 将二维图像卷积处理，提取相应的特征完成到调制格式以及OSNR 数值的映射，神经网络的复杂度比 DNN要高。

2.1.3 原始数据

通过大量接收信号得到相应图像的方法便于神经网络学习信号分布特征的统计，能够实现从图像到 OSNR 数值的映射，但这并没有直接引入时间维度的特征，而统计图像的生成需要大量的数据样本，无法满足实时性能监测的要求。在迅速变化的光纤链路中，不通过统计，直接从信号的原始数据序列中得到 OSNR 数值显得至关重要。人工神经网络中的长短期记忆 (LongShort-Term Memory, LSTM) 网络是一种特殊循环神经网络（Recurrent Neural Network,RNN），可以提取过去和当前数据之间的时序相关性。通过 LSTM 可以直接从原始数据序列中学习数据之间的相关性，并且与 OSNR 数值形成映射，实现基于原始数据的 OSNR 监测，满足实时性要求。该方案直接通过接收端信号的原始数据作为神经网络输入，不需要任何预处理，因此极大提高了监测速率，满足实时性要求^[6]。通过学习接收数据之间时间相关性，OSNR 监测误差也大幅降低。但是 LSTM 的结构相比 DNN与 CNN 更加复杂，该方案的神经网络算法复杂度与训练时间开销也相应较大。

2.2 直接探测

在光网络中，接收端可以通过相干探测来实现 OSNR 监测。但是相干接收机的成本相对较高，也不适合在链路中大规模部署，因此当需要以低成本方式在传输链路中间节点完成 OSNR监测时，通过直接探测来实现高级调制格式信号的 OSNR 监测成为首选^[7]。

2.2.1 眼图

对待监测信号直接探测后可以得到眼图，通过 DNN 可以自主学习眼图特征到 OSNR 数值的映射。丹麦科技大学课题组在眼图中提取特征，输入到神经网络中，得到 4 种高阶调制格式的OSNR 数值^[8]。该方案能有效降低 OSNR 监测的技术成本，但需要对眼图进行预处理，复杂的人工干预使得神经网络发挥的功能并不强大。

2.2.2 振幅直方图

通过相干探测可以得到较为理想的信号振幅直方图，从而结合 DNN 实现信号的 OSNR 监测。直接探测虽然会丢失信号的相位信息，但仍保留了信号的幅度信息，尽管幅度信息没有相干探测方案清晰，但是仍能通过 DNN 学习其随 OSNR数值变化的特征，实现 OSNR 监测。华中科技大学课题组利用多任务深度神经网络实现了直接探测下信号的调制格式识别、波特率识别及OSNR 监测^[9]。该方案基于单 PD 直接探测，相比相干探测能够极大地降低成本，并且仅利用一个 DNN 即可实现 OSNR 监测以及调制格式识别与波特率识别 3 个 OPM 功能，但人工神经网络复杂度增大，训练开销增多。该方案体现出 DNN 在信号统计特征中强大的挖掘能力，实际应用中既能保证监测精度又能有效降低监测成本。

2.2.3 异步延迟采样图

基于单 PD 直接探测，还可以通过异步延迟采样的方式得到相应的统计图，基于图像结合 CNN 可以实现信号的 OSNR 监测。相比于AH，异步延迟抽头图 (Asynchronous Delay-Tap Plots, ADTP) 通过另一路引入延迟抽头，能反映出信号部分的相位相关特征，从而有助于OSNR 监测。北京邮电大学课题组通过 ADTP结合 CNN 实现了信号的 OSNR 监测和调制格式识别^[10]。与振幅直方图结合 DNN 的技术方案对比，该方案虽然算法复杂度相对较高，但对于光纤链路的色散有更大容忍度，监测精度也有所提高，更加适合应用于光纤链路中间节点的 OSNR监测。

总结

ANN 用于高速光纤通信系统的 OSNR 监测的不同技术的性能如表 1 所示。近年来，人工神经网络在 OSNR 监测的应用大部分仍需通过图像识别和统计图的特征来实现 OSNR 监测，因此无法满足监测实时性要求。而直接通过原始数据实现 OSNR 监测可以满足实时性和监测精度要求，但所使用人工神经网络结构较复杂。相比相干探测，直接探测由于其成本的优势更适合在传输链路中间节点部署，节省成本的同时，OSNR 监测精度也有所牺牲。对比最新人工神经网络辅助 OSNR 监测技术路径（如图 3 所示）可以发现，在接收端选取不同的信号探测方式实质是对成本优化，在统计处理上采用原始数据则体现了实时性的要求，神经网络应用则要权衡训练开销和实现功能，即考虑算法复杂度。因此所有 OSNR 监测技术本质是在“成本、复杂度、实时性、监测精度”四个方面进行平衡，在其中某一方面进行性能提升。

表 1 基于人工神经网络的 OSNR 监测技术方案对比

图 3 基于人工神经网络的 OSNR 监测技术发展目标

总之，针对光纤通信系统的 OSNR 监测，人工神经网络近年来已经体现出很强的应用潜力，已经基本满足 OSNR 监测应用需求。通过优化人工神经网络结构和训练过程，进一步降低算法和训练复杂度，实现更多 OPM 参数监测，是未来主要研究方向。同时，采用更加智能的网络性能预测和光纤链路管理也是一个重要研究方向^[11]。

项目致谢

国家重点研发计划项目（2018YFB1801000），国家自然科学基金（62025502）

作者简介

付松年，广东工业大学教授，博士生导师，目前从事宽带光接入技术研究工作，是国家杰出青年基金获得者和国家重点研发计划项目负责人。

秦玉文，广东工业大学教授，博士生导师，主要从事光纤通信与传感研究工作，主持过国家重点研发计划项目及广东省重点领域研发计划项目。

参考文献：

1. Dong Zhenhua, et al. Optical PerformanceMonitoring: A Review of Current and FutureTechnologies[ J]. Journal of LightwaveTechnology,2015, 34(2):525-543.

2. K h a n Fa i s a l N a d e e m , e t a l .O p t i c a lPerformance Monitoring in Fiber-OpticNetworks Enabled by Machine Learning Te c h n i q u e s [ J ]. 2 0 1 8 O p t i c a l F i b e rCommunication Conference and Exposition(OFC), 2018, (0).

3. Khan Faisal Nadeem, et al. Machine learningmethods for optical communicationsystems and networks[J]. Optical FiberTelecommunications VII, 2020 :921-978.

4. Khan Faisal Nadeem, et al. Joint OSNRm o n i t o r i n g a n d m o du l a t i o n fo r m a tidentification in digital coherent receiversusing deep neural networks[J]. OpticsExpress, 2017, 25(15):17767-17776.

5. Wang, Danshi, et al. Intelligent constellationdiagram analyzer using convolutionalneural network-based deep learning[J].Optics Express, 2017, 25(15):17150-17166.

6. Wang C,Fu S,et al.Long Short-Term MemoryNeural Network (LSTM-NN) EnabledAccurate Optical Signal-to-Noise Ratio(OSNR) Monitoring[J]. Journal of LightwaveTechnology, 2019, 37(16):4140-4146.

7. Musumeci Francesco, et al. An Overviewon Application of Machine LearningTechniques in Optical Networks[J]. IEEECommunications Surveys and Tutorials,2018, (0).

8. Jakob Thrane, et al. Machine learningtechniques for optical performancemonitoring from directly detected PDMQAM signals[ J]. Journal of LightwaveTechnology, 2017, 35(4):868-875.

9. Cheng Yijun, et al.Multi-task deep neuraln e t wo rk ( M T- DN N ) e n a b l e d o p t i c a lperformance monitoring from directlydetected PDM-QAM signals[ J]. OpticsExpress, 2019, 27(13):19062-19074.

10. Wang Danshi, et al. Cost-Effective and DataSize–adaptive OPM at Intermediated NodeUsing Convolutional Neural Network-BasedImage Processor[J]. Optics express, 2019,27(7):9403-9419.

11. Saif Waddah, et al. Machine LearningTechniques for Optical PerformanceMo n i t o r i n g a n d Mo du la t i o n Fo r m a tI d e n t i f i c a t i o n : A S u r v e y [ J ] . I E E ECommunications Surveys and Tutorials,2020, 22(4):2839-2882.