北京郵電大學顧仁濤：智能化是光網(wǎng)絡發(fā)展的迫切需求，亟待在算法和應用層面持續(xù)探索

在今日舉辦的“當AI遇到光：智能光網(wǎng)絡線上研討會”上，北京郵電大學信息與通信工程學院教授、博士生導師顧仁濤發(fā)表了主題為《智能化光網(wǎng)絡的發(fā)展與挑戰(zhàn)》的演講。在演講中，他闡述了人工智能在光網(wǎng)絡中的應用，并對現(xiàn)階段兩者融合的發(fā)展和挑戰(zhàn)進行了詳細剖析。

顧仁濤認為：“智能是光網(wǎng)絡發(fā)展的外在需求和內(nèi)在需求?，F(xiàn)階段，人工智能技術(shù)在光網(wǎng)絡物理層和網(wǎng)絡層獲得了初步探索，并取得了良好的效果；但光網(wǎng)絡的智能化仍面臨挑戰(zhàn)，有待在算法和應用方面繼續(xù)探索?！?/p>

光網(wǎng)絡的發(fā)展需求廣闊

在演講中，他從業(yè)務和網(wǎng)絡發(fā)展兩個層面解析了光網(wǎng)絡面臨的挑戰(zhàn)和問題。以5G這個新興業(yè)務發(fā)展趨勢為例，具有三大場景的5G需求概括起來就是速度快、連接數(shù)多、密度大，超低時延要求和可靠性要求也有很大提升。這就對光網(wǎng)絡提出了“大、快、雜”的技術(shù)要求。 “大”指的是流量大、網(wǎng)絡大。 “快”主要是指快速響應，速度快就必須實現(xiàn)協(xié)同。“雜”體現(xiàn)在業(yè)務雜和節(jié)點雜，層次多。

顧仁濤指出，從光網(wǎng)絡自身發(fā)展趨勢來看，已然呈現(xiàn)出大規(guī)模、寬譜域兩個特點。首先，光交換設備下沉和工業(yè)互聯(lián)網(wǎng)興起使得光節(jié)點增加；其次，OSU技術(shù)興起和光網(wǎng)絡服務屬性增強使得光連接規(guī)模增加；擴展光網(wǎng)絡頻譜以及新型光器件共同造成了光信道數(shù)目密集增加。

“這些因素共同作用下，導致光網(wǎng)絡呈現(xiàn)出大規(guī)模、強關(guān)聯(lián)、高耦合的特點。我們發(fā)現(xiàn)，現(xiàn)階段，大規(guī)模寬譜域光網(wǎng)絡的控制面臨四大問題——特征模糊、規(guī)律隱含、空間巨大以及決策困難?！彼硎?。

要想解決這些問題，顧仁濤認為，不能再采用原有的規(guī)劃思路或者優(yōu)化思路去看現(xiàn)在的網(wǎng)絡，需要引入機器學習或人工智能的手段。目前來看，光網(wǎng)絡需要進入新智能化階段：利用“神經(jīng)”高效協(xié)同控制，避免過度資源預留，提升網(wǎng)絡反應速度；通過“大腦”智能感知處理，準確預判物理層狀態(tài)，實時調(diào)整網(wǎng)絡層配置。從整體來看，將人工智能進入光網(wǎng)絡中需要具有四大功能特點：在線實時運行、特征自動提取、規(guī)律自動挖掘、自學習自適應。

人工智能在光物理層和網(wǎng)絡層的應用

顧仁濤表示，人工智能在光網(wǎng)絡中已經(jīng)在物理傳輸層面和組網(wǎng)層面得到了初步應用。

從物理傳輸層面看，人工智能已經(jīng)用于光性能監(jiān)測、非線性補償、信號判決、故障檢測等方向。在光性能監(jiān)測方面，人們利用支持向量機（SVM）和主成分分析（PCA）監(jiān)測網(wǎng)絡信號的實時質(zhì)量，預測網(wǎng)絡運行和業(yè)務傳輸質(zhì)量；通過OSNR/非線性噪聲、色散等參數(shù)，判斷是否滿足傳輸標準。在非線性補償方面，為應對速率提高引發(fā)超密信道間隔和高信號功率問題，“可以使用神經(jīng)網(wǎng)絡和支持向量機等模型，學習訓練針對非線性效應的補償參數(shù)，結(jié)合先進信號處理（DSP）技術(shù)，實現(xiàn)在線、離線的非線性損傷補償?！?顧仁濤稱。在信號判決方面，傳統(tǒng)方法通常采用最小歐氏距離判決準則，而在非線性噪聲場景中只能采用最大后驗概率判決準則。已有相關(guān)專家使用機器學習算法尋找最優(yōu)信號判決，即利用機器學習算法的非線性擬合能力，擬合出信號的最大后概率分界平面。在故障檢測方面，提前觀測光信號特性參數(shù)的變化，預測光器件故障發(fā)生，將使系統(tǒng)能夠提前進行故障恢復或者業(yè)務保護，提高網(wǎng)絡的可靠性。這一問題通常需要利用機器學習的分類技術(shù)，實現(xiàn)故障預測與診斷。

從組網(wǎng)層面看，人工智能的應用場景更豐富些。一是流量預測，增強網(wǎng)絡的需求探測能力，為光網(wǎng)絡前攝性資源調(diào)度優(yōu)化和網(wǎng)絡重構(gòu)提供依據(jù)。預測問題通常被建模為擬合問題，輸入為歷史窗口內(nèi)的流量變化。傳統(tǒng)方法采用序列預測的模型；而機器學習算法取得的效果更好，能夠挖掘更多因素，學習能力更強，對噪聲和異常采樣也通常具有更強的抵御能力。

二是快速路由規(guī)劃。SPF方式面臨著擁塞率和可擴展性方面的挑戰(zhàn)，而基于啟發(fā)式算法的路由決策時間復雜度過高。通過監(jiān)督學習擬合最優(yōu)路由、利用強化學習動態(tài)迭代生成最優(yōu)決策，這些智能方法將保證路由最優(yōu)性和計算時間的更佳折中，應對網(wǎng)絡和業(yè)務的變化能力也會進一步增強。

三是業(yè)務驅(qū)動的光網(wǎng)絡重構(gòu)。傳統(tǒng)光網(wǎng)絡大多被動地接受高層請求，完成面向業(yè)務地自動適應能力。這里則希望采用LSTM等預測下一時刻地流量分布；基于神經(jīng)網(wǎng)絡獲得當前流量分布最佳光連接請求；實現(xiàn)面向業(yè)務的光網(wǎng)絡自主重構(gòu)。

四是光網(wǎng)絡資源分配。與路由類似，傳統(tǒng)方法在資源分配上，同樣面臨著靈活度差，時效性差的弊端。網(wǎng)絡的多維度參數(shù)，決定了可行解空間很大；神經(jīng)網(wǎng)絡、強化學習、圖神經(jīng)網(wǎng)絡等方法將有助于解決超大可行解空間的搜索問題。

五是光路質(zhì)量估計。光損傷的復雜性使對新建光路和已有光路傳輸質(zhì)量難以估計。基于傳統(tǒng)高斯信道模型建模，計算量大，準確率低。使用機器學習技術(shù)能減少對純建模手段的依賴，充分使用歷史數(shù)據(jù)，發(fā)現(xiàn)專家知識未覆蓋的規(guī)律和特征。

最后一個應用案例網(wǎng)絡告警關(guān)聯(lián)分析：多類型設備混合組網(wǎng)加大了網(wǎng)絡故障源的分析難度，告警位置及狀態(tài)同真實故障位置及成因存在不一致的情況。這時需要利用機器學習技術(shù)挖掘歷史日志信息中告警信號的關(guān)聯(lián)性，以便于在網(wǎng)絡真實運行時定位故障真正位置。

面臨的挑戰(zhàn)與解決思路

顧仁濤總結(jié)道：“光網(wǎng)絡和人工智能真正融合之后還面臨幾點挑戰(zhàn)：決策的合規(guī)性、高維空間表征、模型泛化能力、模型可解釋性?！?/p>

面對這些挑戰(zhàn)，顧仁濤指出以下幾個潛在解決思路：建立新的AI應用模式，強化模型測試；采用數(shù)據(jù)預處理、進行高維空間壓縮；開展小擾動下網(wǎng)絡調(diào)優(yōu)、應用聯(lián)邦遷移學習；數(shù)據(jù)挖掘與規(guī)則設計相結(jié)合。

顧仁濤強調(diào)：“光網(wǎng)絡智能化這一路的風景雖好，但我們?nèi)匀辉诼飞稀Ｒ虼?，需要學術(shù)界和產(chǎn)業(yè)界共同努力，把人工智能真正運用到光網(wǎng)絡當中，把光網(wǎng)絡變得更加智能化，支撐整個信息基礎設施的發(fā)展。”

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。