[论文解读] An Overview of Machine Learning-aided Optical Performance Monitoring Techniques

Dativa K. Tizikara, Jonathan Serugunda+1 more|arXiv (Cornell University)|Jun 20, 2021

Optical Network Technologies参考文献 64被引用 4

一句话总结

本文综述了用于动态、高容量光网络的基于机器学习（ML）的光性能监测（OPM）技术，重点在于无需完整信号恢复即可实时估计OSNR、CD和PMD等损伤。文章强调了深度学习与类脑计算方法——特别是光子储备池计算——在实现信号类型透明的高精度监测方面的作用，显著降低了训练复杂度，相关系数最高达0.997，调制格式识别准确率达100%。

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.

研究动机与目标

• 应对弹性、动态光网络中对实时、可扩展光性能监测日益增长的需求，这些网络具有可变带宽和信号参数。
• 克服传统OPM方法需要完整信号解调而导致成本高、复杂度高的局限性。
• 实现对OSNR、CD、PMD及非线性损伤等多重损伤的并行、信号类型透明监测，降低对信号先验知识的依赖。
• 探索新兴技术如光子储备池计算，以降低训练复杂度，支持高带宽、实时监测。
• 调查并更新基于机器学习的OPM的最新进展，包括调制格式与比特率识别，重点聚焦深度学习与多任务学习框架。

提出的方法

• 利用机器学习模型——特别是人工神经网络（ANN）、深度神经网络（DNN）和卷积神经网络（CNN）——在无需完整解调的情况下，学习信号特征与损伤之间的关系。
• 从相干检测系统的信号波形、光谱、偏振状态或琼斯空间/斯托克斯空间中的星座图中提取输入特征。
• 应用主成分分析（PCA）等降维技术，在保持监测精度的同时减小特征空间。
• 实施多任务学习与端到端深度学习模型，通过单一训练网络联合预测调制格式、比特率和多种损伤。
• 利用光子储备池计算作为替代方案，以降低训练开销，并实现高速光域信号处理。
• 使用覆盖多种信号格式、比特率和损伤组合的大规模多样化数据集进行离线训练，随后部署用于实时推理。

实验结果

研究问题

• RQ1 机器学习如何实现对OSNR、CD、PMD等多重光损伤的高精度、实时监测，且无需完整信号恢复？
• RQ2 机器学习模型在多大程度上可对信号类型（调制格式与比特率）保持透明，以减少对先验信号知识的依赖？
• RQ3 在OPM与调制格式识别中，传统机器学习模型（如SVM、岭回归）与深度学习模型（如DNN、CNN）之间的性能权衡如何？
• RQ4 在OPM与调制格式识别中，光子储备池计算与传统神经网络相比，在训练复杂度与实时监测性能方面表现如何？
• RQ5 不同传输参数（如入射功率、传输距离）的变化对基于机器学习的OPM系统泛化能力与精度有何影响？

主要发现

• 基于神经网络的OPM技术在OSNR、CD和PMD的预测值与实际值之间实现了高达0.997的相关系数，证明了其高精度。
• 深度学习模型，特别是DNN和CNN，在相干检测系统中表现优于传统方法，尤其是在直接从I/Q样本或星座图图像中学习特征时。
• 多任务学习与端到端训练使调制格式、比特率与损伤的联合预测成为可能，在多项研究中实现了100%的识别准确率。
• 光子储备池计算作为一种有前景的替代方案，显著降低了训练复杂度，支持高速、实时的光信号处理，适用于未来网络。
• 在单一组传输参数下训练的模型表现出高精度，但若应用于新的参数组合，性能显著下降，除非为每种场景重新训练。
• 一项研究成功展示了仅使用输入光功率作为特征进行OSNR估计，表明其在低复杂度、信号类型透明监测方面具有潜力。