在今日舉辦的“當(dāng)AI遇到光：智能光網(wǎng)絡(luò)線上研討會(huì)”上，北京郵電大學(xué)信息與通信工程學(xué)院教授、博士生導(dǎo)師顧仁濤發(fā)表了主題為《智能化光網(wǎng)絡(luò)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(luò)中的應(yīng)用，并對(duì)現(xiàn)階段兩者融合的發(fā)展和挑戰(zhàn)進(jìn)行了詳細(xì)剖析。

顧仁濤認(rèn)為：“智能是光網(wǎng)絡(luò)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(luò)物理層和網(wǎng)絡(luò)層獲得了初步探索，并取得了良好的效果；但光網(wǎng)絡(luò)的智能化仍面臨挑戰(zhàn)，有待在算法和應(yīng)用方面繼續(xù)探索?！?/p>

光網(wǎng)絡(luò)的發(fā)展需求廣闊

在演講中，他從業(yè)務(wù)和網(wǎng)絡(luò)發(fā)展兩個(gè)層面解析了光網(wǎng)絡(luò)面臨的挑戰(zhàn)和問題。以5G這個(gè)新興業(yè)務(wù)發(fā)展趨勢(shì)為例，具有三大場(chǎng)景的5G需求概括起來(lái)就是速度快、連接數(shù)多、密度大，超低時(shí)延要求和可靠性要求也有很大提升。這就對(duì)光網(wǎng)絡(luò)提出了“大、快、雜”的技術(shù)要求。 “大”指的是流量大、網(wǎng)絡(luò)大。 “快”主要是指快速響應(yīng)，速度快就必須實(shí)現(xiàn)協(xié)同。“雜”體現(xiàn)在業(yè)務(wù)雜和節(jié)點(diǎn)雜，層次多。

顧仁濤指出，從光網(wǎng)絡(luò)自身發(fā)展趨勢(shì)來(lái)看，已然呈現(xiàn)出大規(guī)模、寬譜域兩個(gè)特點(diǎn)。首先，光交換設(shè)備下沉和工業(yè)互聯(lián)網(wǎng)興起使得光節(jié)點(diǎn)增加；其次，OSU技術(shù)興起和光網(wǎng)絡(luò)服務(wù)屬性增強(qiáng)使得光連接規(guī)模增加；擴(kuò)展光網(wǎng)絡(luò)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(dǎo)致光網(wǎng)絡(luò)呈現(xiàn)出大規(guī)模、強(qiáng)關(guān)聯(lián)、高耦合的特點(diǎn)。我們發(fā)現(xiàn)，現(xiàn)階段，大規(guī)模寬譜域光網(wǎng)絡(luò)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。”他表示。

要想解決這些問題，顧仁濤認(rèn)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(luò)，需要引入機(jī)器學(xué)習(xí)或人工智能的手段。目前來(lái)看，光網(wǎng)絡(luò)需要進(jìn)入新智能化階段：利用“神經(jīng)”高效協(xié)同控制，避免過(guò)度資源預(yù)留，提升網(wǎng)絡(luò)反應(yīng)速度；通過(guò)“大腦”智能感知處理，準(zhǔn)確預(yù)判物理層狀態(tài)，實(shí)時(shí)調(diào)整網(wǎng)絡(luò)層配置。從整體來(lái)看，將人工智能進(jìn)入光網(wǎng)絡(luò)中需要具有四大功能特點(diǎn)：在線實(shí)時(shí)運(yùn)行、特征自動(dòng)提取、規(guī)律自動(dòng)挖掘、自學(xué)習(xí)自適應(yīng)。

人工智能在光物理層和網(wǎng)絡(luò)層的應(yīng)用

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

從物理傳輸層面看，人工智能已經(jīng)用于光性能監(jiān)測(cè)、非線性補(bǔ)償、信號(hào)判決、故障檢測(cè)等方向。在光性能監(jiān)測(cè)方面，人們利用支持向量機(jī)（SVM）和主成分分析（PCA）監(jiān)測(cè)網(wǎng)絡(luò)信號(hào)的實(shí)時(shí)質(zhì)量，預(yù)測(cè)網(wǎng)絡(luò)運(yùn)行和業(yè)務(wù)傳輸質(zhì)量；通過(guò)OSNR/非線性噪聲、色散等參數(shù)，判斷是否滿足傳輸標(biāo)準(zhǔn)。在非線性補(bǔ)償方面，為應(yīng)對(duì)速率提高引發(fā)超密信道間隔和高信號(hào)功率問題，“可以使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等模型，學(xué)習(xí)訓(xùn)練針對(duì)非線性效應(yīng)的補(bǔ)償參數(shù)，結(jié)合先進(jìn)信號(hào)處理（DSP）技術(shù)，實(shí)現(xiàn)在線、離線的非線性損傷補(bǔ)償?！?顧仁濤稱。在信號(hào)判決方面，傳統(tǒng)方法通常采用最小歐氏距離判決準(zhǔn)則，而在非線性噪聲場(chǎng)景中只能采用最大后驗(yàn)概率判決準(zhǔn)則。已有相關(guān)專家使用機(jī)器學(xué)習(xí)算法尋找最優(yōu)信號(hào)判決，即利用機(jī)器學(xué)習(xí)算法的非線性擬合能力，擬合出信號(hào)的最大后概率分界平面。在故障檢測(cè)方面，提前觀測(cè)光信號(hào)特性參數(shù)的變化，預(yù)測(cè)光器件故障發(fā)生，將使系統(tǒng)能夠提前進(jìn)行故障恢復(fù)或者業(yè)務(wù)保護(hù)，提高網(wǎng)絡(luò)的可靠性。這一問題通常需要利用機(jī)器學(xué)習(xí)的分類技術(shù)，實(shí)現(xiàn)故障預(yù)測(cè)與診斷。

從組網(wǎng)層面看，人工智能的應(yīng)用場(chǎng)景更豐富些。一是流量預(yù)測(cè)，增強(qiáng)網(wǎng)絡(luò)的需求探測(cè)能力，為光網(wǎng)絡(luò)前攝性資源調(diào)度優(yōu)化和網(wǎng)絡(luò)重構(gòu)提供依據(jù)。預(yù)測(cè)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(yù)測(cè)的模型；而機(jī)器學(xué)習(xí)算法取得的效果更好，能夠挖掘更多因素，學(xué)習(xí)能力更強(qiáng)，對(duì)噪聲和異常采樣也通常具有更強(qiáng)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(kuò)展性方面的挑戰(zhàn)，而基于啟發(fā)式算法的路由決策時(shí)間復(fù)雜度過(guò)高。通過(guò)監(jiān)督學(xué)習(xí)擬合最優(yōu)路由、利用強(qiáng)化學(xué)習(xí)動(dòng)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(jì)算時(shí)間的更佳折中，應(yīng)對(duì)網(wǎng)絡(luò)和業(yè)務(wù)的變化能力也會(huì)進(jìn)一步增強(qiáng)。

三是業(yè)務(wù)驅(qū)動(dòng)的光網(wǎng)絡(luò)重構(gòu)。傳統(tǒng)光網(wǎng)絡(luò)大多被動(dòng)地接受高層請(qǐng)求，完成面向業(yè)務(wù)地自動(dòng)適應(yīng)能力。這里則希望采用LSTM等預(yù)測(cè)下一時(shí)刻地流量分布；基于神經(jīng)網(wǎng)絡(luò)獲得當(dāng)前流量分布最佳光連接請(qǐng)求；實(shí)現(xiàn)面向業(yè)務(wù)的光網(wǎng)絡(luò)自主重構(gòu)。

四是光網(wǎng)絡(luò)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(shí)效性差的弊端。網(wǎng)絡(luò)的多維度參數(shù)，決定了可行解空間很大；神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)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(jì)。光損傷的復(fù)雜性使對(duì)新建光路和已有光路傳輸質(zhì)量難以估計(jì)?；趥鹘y(tǒng)高斯信道模型建模，計(jì)算量大，準(zhǔn)確率低。使用機(jī)器學(xué)習(xí)技術(shù)能減少對(duì)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(shí)未覆蓋的規(guī)律和特征。

最后一個(gè)應(yīng)用案例網(wǎng)絡(luò)告警關(guān)聯(lián)分析：多類型設(shè)備混合組網(wǎng)加大了網(wǎng)絡(luò)故障源的分析難度，告警位置及狀態(tài)同真實(shí)故障位置及成因存在不一致的情況。這時(shí)需要利用機(jī)器學(xué)習(xí)技術(shù)挖掘歷史日志信息中告警信號(hào)的關(guān)聯(lián)性，以便于在網(wǎng)絡(luò)真實(shí)運(yùn)行時(shí)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(luò)和人工智能真正融合之后還面臨幾點(diǎn)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(duì)這些挑戰(zhàn)，顧仁濤指出以下幾個(gè)潛在解決思路：建立新的AI應(yīng)用模式，強(qiáng)化模型測(cè)試；采用數(shù)據(jù)預(yù)處理、進(jìn)行高維空間壓縮；開展小擾動(dòng)下網(wǎng)絡(luò)調(diào)優(yōu)、應(yīng)用聯(lián)邦遷移學(xué)習(xí)；數(shù)據(jù)挖掘與規(guī)則設(shè)計(jì)相結(jié)合。

顧仁濤強(qiáng)調(diào)：“光網(wǎng)絡(luò)智能化這一路的風(fēng)景雖好，但我們?nèi)匀辉诼飞?。因此，需要學(xué)術(shù)界和產(chǎn)業(yè)界共同努力，把人工智能真正運(yùn)用到光網(wǎng)絡(luò)當(dāng)中，把光網(wǎng)絡(luò)變得更加智能化，支撐整個(gè)信息基礎(chǔ)設(shè)施的發(fā)展?！?/p>

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。