APP下载

机器学习在光通信网络性能监测中的研究综述

2021-10-28张德聪

软件导刊 2021年10期
关键词:特征信号

张德聪

(中国电子科技集团公司第二十九研究所,四川成都 610036)

0 引言

随着社会信息化程度的提高,3D 网络游戏、远程教育、视频会议等高带宽业务不断涌现,越来越多的用户与设备连接到网络中,网络带宽的需求持续快速增长。据思科公司发布的2018-2023 年度互联网报告数据显示,到2023 年全球互联网用户预计增长至53 亿,联网设备数预计增长至293 亿,全球平均宽带速度预计增长至110.4Mbps[1]。在可预见的将来,通信系统传输容量加速增长的趋势不会放缓,光通信网络正朝着高带宽、低延迟、高可靠性的方向发展。为此,许多先进的网络传输方案、调制格式以及新型复用技术被引入到光通信网络中,但这些技术在提升网络性能的同时极大地增加了网络复杂度,对网络的运行与管理带来巨大挑战。光学性能监测(Optical Performance Monitoring,OPM)是针对光网络的物理状态和光信号的传输质量进行的物理监测,其实质是对光信号进行测量并从中提取评价光通信系统性能的相关参数,可有效反映网络传输性能、识别损伤类型并采取有效措施改善网络性能[2]。此外,智能光通信网络需要具有自适应功能,即能根据不同的链路条件和服务需求灵活改变调制格式、符号率、编码类型等,这也要求接收机具有OPM 的功能。因此,OPM 将成为未来光通信网络的重要使能技术。

传统的OPM 技术主要借助数理统计和信号特征实现性能监测与格式识别。数理统计方法可有效实现最佳参数估计,但需要知晓信道参数或描述信道的数学模型。……

登录APP查看全文

猜你喜欢

特征信号
信号
完形填空二则
如何表达“特征”
不忠诚的四个特征
孩子停止长个的信号
基于LabVIEW的力加载信号采集与PID控制
一种基于极大似然估计的信号盲抽取算法
线性代数的应用特征
高处信号强