[논문 리뷰] An Overview of Machine Learning-aided Optical Performance Monitoring Techniques

Dativa K. Tizikara, Jonathan Serugunda외 1명|arXiv (Cornell University)|2021. 06. 20.

Optical Network Technologies참고 문헌 64인용 수 4

한 줄 요약

이 논문은 유연하고 동적일 뿐만 아니라 대용량을 지원하는 광회로망에서 기계학습(ML) 기반 광 성능 모니터링(OPM) 기법을 검토한다. 이 기법들은 신호를 완전히 복원하지 않고도 OSNR, CD, PMD 등의 손상 정도를 실시간으로 추정하는 데 중점을 두고 있다. 특히 광학적 임피던스 저장소 계산(photonic reservoir computing)을 포함한 딥러닝 및 뉴로모픽 접근 방식이 신호 유형에 관계없이 정확한 모니터링을 가능하게 하며, 훈련 복잡도를 줄여주어 상관계수 최대 0.997 및 100%의 변조 형식 인식 정확도를 달성한다.

ABSTRACT

Future communication systems are faced with increased demand for high capacity, dynamic bandwidth, reliability and heterogeneous traffic. To meet these requirements, networks have become more complex and thus require new design methods and monitoring techniques, as they evolve towards becoming autonomous. Machine learning has come to the forefront in recent years as a promising technology to aid in this evolution. Optical fiber communications can already provide the high capacity required for most applications, however, there is a need for increased scalability and adaptability to changing user demands and link conditions. Accurate performance monitoring is an integral part of this transformation. In this paper we review optical performance monitoring techniques where machine learning algorithms have been applied. Moreover, since alot of OPM depends on knowledge of the signal type, we also review work for modulation format recognition and bitrate identification. We additionally briefly introduce a neuromorphic approach to OPM as an emerging technique that has only recently been applied to this domain.

연구 동기 및 목표

• 변동하는 대역폭과 신호 파rameter를 가진 탄성적이고 동적일 뿐만 아니라 대용량을 지원하는 광회로망에서 실시간으로 확장 가능한 광 성능 모니터링의 증가하는 필요를 해결한다.
• 전체 신호 복조가 필요로 하며 높은 비용과 복잡도를 수반하는 전통적인 OPM 방법의 한계를 극복한다.
• OSNR, CD, PMD, 비선형성 등의 다중 손상 정도를 동시에 모니터링하고, 신호 유형에 대해 투명하게 하여 사전 신호 지식에 대한 의존도를 줄인다.
• 훈련 복잡도를 줄이고 고대역폭, 실시간 모니터링을 지원하기 위해 광학적 임피던스 저장소 계산과 같은 새로운 기법을 탐색한다.
• 딥러닝 및 다중 작업 학습 프레임워크에 중점을 두어, 변조 형식 및 비트레이트 식별을 포함한 기계학습 기반 OPM의 최신 기술 동향을 조사하고 업데이트한다.

제안 방법

• 기계학습 모델—특히 인공신경망(ANN), 딥신경망(DNN), 합성곱신경망(CNN)을 사용하여 전체 복조 없이도 신호 특징과 손상 정도 사이의 관계를 학습한다.
• 코herent 검출 시스템에서 신호 파형, 스펙트럼, 편광 상태 또는 존스 또는 스토킹스 공간 내의 상수ellation 다이어그램으로부터 입력 특징을 추출한다.
• 주성분 분석(PCA)과 같은 차원 축소 기법을 적용하여 특징 공간을 단순화하면서도 모니터링 정확도를 유지한다.
• 단일 훈련된 네트워크를 사용하여 변조 형식, 비트레이트 및 여러 손상 정도를 동시에 예측하는 다중 작업 학습 및 엔드 투 엔드 딥러닝 모델을 구현한다.
• 훈련 오버헤드를 줄이고 고속 광영역 신호 처리를 가능하게 하기 위해 광학적 임피던스 저장소 계산을 뉴로모픽 대안으로 활용한다.
• 다양한 신호 형식, 비트레이트 및 손상 조합을 포함하는 광범위하고 다각도로 구성된 대규모 데이터셋을 오프라인으로 훈련하여 실시간 추론에 활용한다.

실험 결과

연구 질문

• RQ1 기계학습은 전체 신호 복원 없이도 OSNR, CD, PMD 등의 다중 광 손상 정도를 정확하고 실시간으로 모니터링하는 데 어떻게 기여할 수 있는가?
• RQ2 ML 모델이 얼마나 신호 유형(변조 형식 및 비트레이트)에 대해 투명하게 설계될 수 있는가? 이는 사전 신호 지식에 대한 의존도를 줄이는 데 얼마나 기여하는가?
• RQ3 OPM 및 변조 형식 인식에서 전통적인 ML 모델(SVM, 릿지 회귀)과 딥러닝 모델(DNN, CNN) 간의 성능 상충 관계는 어떠한가?
• RQ4 OPM 및 MFR에서 기존 신경망과 비교해 광학적 임피던스 저장소 계산의 훈련 복잡도와 실시간 모니터링 성능는 어떻게 다른가?
• RQ5 전송 파rameter(예: 송신 전력, 거리 등)의 변화가 ML 기반 OPM 시스템의 일반화 능력과 정확도에 어떤 영향을 미치는가?

주요 결과

• 신경망 기반 OPM 기법은 OSNR, CD, PMD에 대해 예측값과 실제값 간 상관계수 최대 0.997을 달성하여 높은 정확도를 입증했다.
• 딥러닝 모델, 특히 DNN 및 CNN은 I/Q 샘플이나 상수ellation 이미지에서 직접 특징을 학습할 경우 코herent 검출 시스템에서 전통적 방법을 능가하는 성능을 보였다.
• 다중 작업 학습 및 엔드 투 엔드 훈련을 통해 여러 연구에서 변조 형식, 비트레이트 및 손상 정도를 동시에 예측할 때 100%의 정확도를 달성했다.
• 광학적 임피던스 저장소 계산은 훈련 복잡도를 줄여주며 향후 네트워크에 적합한 고속 실시간 광신호 처리를 가능하게 하여 유망한 대안으로 부상했다.
• 단일 전송 파rameter 조합으로 훈련된 모델는 높은 정확도를 달성했지만, 새로운 파rameter 조합에 적용할 경우 재훈련이 이루어지지 않으면 성능이 크게 떨어졌다.
• 한 연구에서 입력 전력만을 특징으로 사용하여 OSNR 추정에 성공적으로 적용했으며, 이는 저복잡도의 신호 유형 투명 모니터링의 잠재적 가능성을 보여주었다.