|
0 引言
信息时代快速发展，通信流量呈现爆发式增长。光纤通信是通信基础设施的主动脉，承担了全球绝大多数的通信流量，因此光通信技术的发展成为推动信息时代持续发展的重要基石。目前，基于传统光纤信道的光纤传输系统的设计已经接近理论极限，然而光网络的管控方法与机制发展相对滞后，这使得频谱资源利用不充分且运行效率较低。因此，需要通过智慧光网络的构建，充分挖掘现有光纤系统的容量，最大化利用网络资源。为了实现全光网的智能化，本文提出的光纤通信数字孪生系统将成为智慧光网络的关键数字底座。该系统基于感知单元采集得到的实时数据，对光纤通信系统中每一条链路进行同步数字化映射，为光网络管控提供实时物理层关键信息，且具备全生命周期的学习推演能力。
1 光纤通信数字孪生系统的相关进展对光纤链路的精确建模是构建光纤通信数字孪生系统的首要环节。光纤链路的组成包括光收发机、光纤、光放大器、波长选择开关等单元。目前，国内外很多机构对光纤建模进行了深入的研究。在理论模型方面，P.Poggiolini 等[1]提出了高斯噪声（Gaussian Noise，GN）模型，因其复杂度低，易于计算的特点，应用相当广泛；在机器学习模型方面，使用深度学习算法中的双向长短期记忆算法对于光纤信道进行建模[2]，可以得到与传统的基于模型驱动的分步傅里叶方法相似的结果，但在运算时间上大大减小；在各类器件建模方面，很多研究基于机器学习算法对掺铒光纤放大器（Erbium Doped Fiber Amplifier，EDFA）、可重构光分插复用器（Reconfigurable Optical Add-Drop Multiplexer，ROADM）等光器件进行建模，例如利用神经网络对EDFA 的增益谱及噪声谱进行更加精准的建模[3-4]，基于输入滤波器的负载噪声分布和带宽分布等特征，使用神经网络对ROADM的滤波效应建模[5]。这些研究主要集中在光网络单个器件的建模或整体端到端系统的静态建模，由于没有考虑到实时变化，未能在部署后通过在线学习的手段对模型进行更新迭代以构建动态孪生模型。为了构建动态的光纤通信数字孪生模型，可以基于感知技术赋予数字孪生系统学习和演化能力。在光性能感知方面，目前的研究主要集中于单点感知。Fabian.N.Hauske等[6]在2009年提出使用相干接收机来联合估计色散、偏振膜色散以及偏振相关损耗的方法。2017年，日本富士通公司在动态光网络中使用光性能监测来实现网络资源的最优分配[7]。为了进一步提高监测准确度，结合机器学习算法实现光性能监测成为研究热点[8-10]。然而，单点感知技术在功能和精度方面存在欠缺，多点感知融合成为未来发展的一大趋势。为了实时消化感知提供的大量数据，基于在线学习技术，本文对系统中的物理层模型进行更新迭代，采用被动学习、主动学习等自学习方法，利用感知得到的网络实时数据对系统中物理层模型进行训练。该方法的优点是，利用反映网络当前状态的小数据集对模型参数进行更新，相比于大量数据训练得到的静态模型，小数据集的仿真也能获得相似的训练精度[11-12]。为了实现光纤通信数字孪生系统的构建，光网络物理层建模、感知技术及在线学习算法都需要进一步的研究。同时，三者之间的研究状态相对独立，需要站在全局高度对光纤通信数字孪生系统进行协同设计，在整体上依旧有很大的提升空间。
2 光纤通信数字孪生系统的整体架构图1为光纤通信数字孪生系统整体架构图。首先，对实际系统链路中每个单元进行数字化建模，建立基于数据驱动的灰盒孪生模型，该模型具有高精度、高泛化性特点。为了进一步降低复杂度，链路中各单元之间的耦合需要进一步结合波形仿真模型（计算信号波形）和性能计算模型（计算信噪比）来达到精度和复杂度的最优折中。实际系统处于一个动态变化的状态，为了保持数字孪生系统与实际系统的一致性，通过物理层感知技术实时获取网络的当前状态，从而对初始模型进行更新迭代。物理层融合感知技术包括融合数据的提取、融合架构的设计和融合算法。同时，为了赋予模型全生命周期推演能力，基于在线学习技术来定制每条链路的孪生模型。其中，在线学习技术包括主动学习、被动学习和概率学习。根据链路的具体情况综合使用3种在线学习机制，可以最大程度地达到模型高效性、准确性的折中。综上所述，为了实现基于物理层感知的全生命周期光纤通信数字孪生系统，需要研究3个关键技术：基于数据驱动的灰盒孪生建模；光纤物理层多维融合感知技术；光纤系统在线学习算法和机制。本文将对这3个关键技术进行详细的介绍。
图1 光纤通信数字孪生系统架构
3 光纤通信数字孪生系统的关键技术3.1 基于数据驱动的灰盒孪生建模 基于数据驱动的灰盒孪生建模是全生命周期光纤通信数字孪生系统构建的基础。灰盒孪生建模将传统模型（白盒）和机器学习模型（黑盒）相结合，具有高精度和高泛化性的特点。对光纤链路采取模块化建模的方式，对光收发机、光纤等各个单元分别建模，每个单元都是由灰盒模型组成。同时，为了满足网络管控速度的需要，将进一步降低各个单元的复杂度。因此，在各个单元的耦合上需要进一步结合波形仿真模型（计算信号波形）和性能计算模型（计算信噪比）的方案，达到精度与复杂度的最优折中。最后，针对各个模块之间的相关性，建立端到端的联合校准机制，提升系统整体的建模精度。 以光纤的灰盒孪生建模为例，高斯噪声模型是基于微扰假设提出来的计算光纤非线性信噪比的模型，包括相干高斯噪声（Coherent Gaussian Noise，CGN）模型和非相干高斯噪声（Incoherent Gaussian Noise，IGN）模型。IGN模型忽略了非线性噪声的相干特性，是CGN模型的近似。但在多通道情况中，IGN模型的精确程度也很高，且由于其形式简单、计算复杂度低的特点，IGN模型受到广泛应用。文献[12]给出了光纤灰盒模型（性能计算模型）的方案框图，具体参见图2。在仿真系统中，综合对比了两种模型及其与机器学习模型相融合的方案。图3给出了传统模型和融合方案的模型误差。可以看到，随着传输距离的增加，相干高斯噪声模型的误差从3.8 dB降低到0.5 dB；非相干高斯噪声模型的误差从3.8 dB 降低到1.8 dB，而融合算法实现了不同传输距离下，模型误差范围在±1.1 dB以内。仿真结果表明，传统模型和数据驱动模型相结合可以实现性能的提升。
图2 光纤灰盒模型框图
图3 仿真结果 3.2 光纤物理层多维融合感知技术 感知技术是实现未来具备学习和演化能力的数字孪生的关键组成部分。在光纤通信数字孪生系统中，为了进行高效的网络管控，同时为了提供基于数据驱动的灰盒孪生建模需要的实时感知数据，需要对光网络进行准确的监测。光纤物理层多维融合感知技术包括数据的提取、融合架构的设计和融合算法。 （1）数据的提取数据的提取包括主动式和被动式的提取。主动式的提取方法是通过改变信号的状态如在信号中插入到导频等,来获取监测的信息。文献[13]实现了利用导频监测链路的自相位调制效应（Self-phase Modulation，SPM），利用系统中已经存在的用于载波相位恢复算法的导频，在链路收端对该导频信号进行平均来消除交叉相位调制效应（Cross-phase Modulation，XPM）的影响，只保留SPM噪声，结合机器学习方法可对不同链路进行SPM估计，均方根误差（Root Mean Square Error，RMSE）为0.36 dB。相比于主动式的感知方法，被动式的提取方法不需要改变信号的状态，直接在链路中获取监测信息。文献[14]实现了利用收端数字信号处理（Digital Signal Processing，DSP）中的信号频谱和均衡器收敛后的抽头，结合神经网络，监测链路中的滤波噪声，该方法的监测误差RMSE为0.1 dB。 （2）融合架构的设计目前，单点监测已经受到了广泛研究，但链路多监测点协同设计的研究还十分欠缺，限制了物理层数据的有效利用。为了增强物理层的多点感知能力，可以借助链路中的一些监测器件如光通道监视器（Optical Channel Monitor，OCM）等，帮助提取光域的光谱等信息[15]。通过分析光谱的情况，为构建灰盒孪生模型提供支撑。 （3）融合算法的实现为了充分地利用来自网络和链路的信息，文献[16]提出从3个维度利用数据融合算法对物理层信息进行更加深入地分析与挖掘：从空间维度出发，链路中的场景可分为同一区域和不同区域。对于同一区域的数据，信号经过同一组器件或同一段光纤，提供的数据具有强耦合性，可利用数据融合来挖掘数据间的相关性；对于不同区域的数据，数据相关性较差，可通过联邦学习等算法在各个区域进行分布式的模型训练，从而提高算法的整体性能。从模型维度出发，对于异构模型，以传统模型和机器学习模型为例，可以将两者融合提供更好的预估结果；对于同构模型，以机器学习模型为例，可以将多个弱学习器融合成为一个强学习器。从数据源维度出发，需要融合来自物理层的光域和数字域的信息，主要包括级联式融合、分阶段融合、基于深度学习的数据融合3种方法。 以融合算法中的数据源融合为例，文献[16]提出了一个两阶段的故障监测和定位算法。在第一阶段，使用均衡器抽头的平均值、标准差、最小值、最大值，收端DSP中获得的数字域频谱的中心频率和3 dB带宽作为神经网络的输入参数，对故障进行监测，并输出粗略的定位结果。图4所示为第一阶段神经网络的估计精度曲线和损失函数曲线[16]。
图4 第一阶段神经网络性能曲线 在第二阶段，只需要利用第一阶段得到的近似位置附近的光域频谱进行精准定位。频率f处的理论光谱计算如下:
其中, B和Botf分别代表波长选择开关（Wavelength Selective Switch，WSS）滤波器的6 dB带宽和陡降系数，Hsignal（f）是传输信号的傅里叶变换，Hrrc（f）是根升余弦滤波器的传输函数，n代表WSS级数。随后将实际光谱与理论光谱差作为卷积神经网络的输入，进行进一步的精准定位。经过第二阶段的定位，精度从第一阶段的92.8%提升到100%。该结果表明，利用数据融合算法，可以实现故障定位精度的显著提升。 3.3 光纤通信系统在线学习算法和机制 光纤通信系统在线学习算法可以实时消化感知技术获得的信息，对物理层模型进行更新迭代。在线修正的算法分为被动学习、主动学习和概率学习三大类。 （1）被动学习使用现网中的已有信号光的真实数据来修正离线训练得到的模型。由于现网中会逐渐部署大量业务光，接收机和光监测模块会实时上报与传输性能有关的真实数据，这些数据可以用于更新离线训练、设计的数字模型。在光网络建立的初期，数据集较小，被动学习机制的效果受到限制。随着业务光的增多，参考数据增多，数字模型精度逐渐提高。被动学习适用于数字模型不断更新的场景，一定时间间隔内再训练或微调数字模型，实现相对容易。此外，将被动学习与一些新兴算法如元学习相结合，可以对模型进行进一步的修正[17]。 （2）主动学习通过主动更改信号配置、增加探针信号、发送导频信号等方式，获取真实数据来迁移或微调模型。对于难以直接通过监测获取的物理层信息，例如收发机代价、光信噪比等，可通过主动修改物理层配置，结合对应物理规律获取。该算法对物理层已有信号的性能会造成一定的波动，具有一定的代价，仅在发出需求后才进行。如根据非线性噪声的物理模型，使用GN模型对非线性噪声进行较为准确地建模[1]。在模型中，非线性噪声的功率与信号的功率存在三次方的关系。通过改变信号的功率，可以对数据进行拟合，分离得到放大自发辐射（Amplified Spontaneous Emission，ASE）噪声与非线性噪声来获取真实光纤链路的非线性效应的标签数据，实现光纤非线性建模精度的进一步提高。 （3）概率学习结合了被动学习与主动学习，同时将物理层上报信息中的噪声和不确定性考虑在内。概率学习在学习真实数据的过程中，考虑训练数据的可靠度以及最终模型输出结果的可靠度。在实际系统中，光器件参数存在一定波动，被动或主动获取的数据中包含了一定噪声，需要在学习算法中考虑该因素。此外，数据驱动类模型的数据学习能力有限，难以实现无误差的精度，在输出估计结果时应当同时输出置信度。基于贝叶斯理论的概率学习能够满足上述的需求，可以将物理层随机波动考虑进来，学习输出估计结果，给出置信区间。4 结束语为了实现网络容量的提升，提高对复杂光网络的管控能力，智慧全光网是光网络未来发展的方向。基于数据驱动的光纤通信物理层数字孪生系统是实现智慧全光网的重要研究目标。本文介绍了数字孪生系统的相关研究进展及架构，分析了数字孪生系统中使用到的关键技术，包括基于数据驱动的灰盒孪生建模、光纤物理层多维融合感知技术、光纤系统在线学习算法和机制。基于精确感知，具有精准物理模型，同时具备演进学习能力的数字孪生系统将成为光纤通信系统重要的数字底座，助力智慧全光网的构建，支撑信息时代的发展。
参考文献 [1] Poggiolini P, Bosco G, Carena A, et al. The GN-model of fiber non-linear propagation and its applications[J]. Journal of Lightwave Technology, 2014,32(4):694-721. [2] Wang D, Song Y, Li J, et al. Data-driven optical fiber channel modeling: a deep learning approach[J]. Journal of Lightwave Technology, 2020(99):1-1. [3] Zhu S, Gutterman C L, Mo W, et al. Machine learning based prediction of erbium-doped fiber WDM line amplifier gain spectra[C]//2018 European Conference on Optical Communication(ECOC). IEEE, 2018. [4] You Y, Jiang Z, Janz C, et al. Machine learning-based EDFA gain model[C]//2018 European Conference on Optical Communication(ECOC). IEEE, 2018. [5] Zhang B, Zhang R, Zhang Q, et al. Optical filtering penalty estimation using artificial neural network in elastic optical networks with cascaded reconfigurable optical add–drop multiplexers[J]. Optical Engineering, 2019,58(7):1. [6] Hauske F N, Kuschnerov M, Spinnler B, et al. Optical performance monitoring in digital coherent receivers[J]. Journal of Lightwave Technology, 2011,27(16):3623-3631. [7] Oda S, Miyabe M, Yoshida S, et al. A learning living network with open ROADMs[J]. Journal of Lightwave Technology, 2017(99):1. [8] Tanimura T, Hoshida T, Rasmussen J, et al. OSNR monitoring by deep neural networks trained with asynchronously sampled data[C]//Optoelectronics & Communications Conference. IEEE, 2016. [9] Wang D, Zhang M, Li J, et al. Intelligent constellation diagram analyzer using convolutional neural network-based deep learning[J]. Optics Express, 2017,25(15):17150. [10] Tanimura T, Hoshida T, Kato T, et al. Convolutional neural network-based optical performance monitoring for optical transport networks[J]. Journal of Optical Communications and Networking, 2019, 11(1):A52. [11] Meng F, Mavromatis A, Bi Y, et al. Self-learning monitoring on-demand strategy for optical networks[J]. Journal of Optical Communications and Networking, 2019,11(2). [12] Zhuge Q, Zeng X, Lun H, et al. Application of machine learning in fiber nonlinearity modeling and monitoring for elastic optical networks[C]//2018 European Conference on Optical Communication(ECOC). IEEE, 2018. [13] Cai M, Zhuge Q, Lun H, et al. Pilot-aided self-phase modulation noise monitoring based on artificial neural network[C]//Asia Communications and Photonics Conference, 2019. [14] Cai M, Lun H, Fu M, et al. Optical filtering impairment monitoring based on artificial neural network in coherent receiver[C]//Asia Communications and Photonics Conference, 2020. [15] Mahajan A, Christodoulopoulos K, Martinez R, et al. Modeling EDFA gain ripple and filter penalties with machine learning for accurate QoT estimation[Z]. Journal of Lightwave Technology, 2020. [16] Liu X, Lun H, Gao R, et al. A data-fusion-assisted telemetry layer for autonomous optical networks[J]. Journal of Lightwave Technology, 2021(99):1-1. [17] Liu X, Lun H, Fu M, et al. A meta-learning-assisted training framework for AI deployment in optical networks[C]//2020 European Conference on Optical Communications (ECOC), 2020.
| 
