[发明专利]光通信网络性能参数监测方法及装置

说明书

本申请提供一种光通信网络性能参数监测方法及装置，方法包括：获取光通信系统接收端接收的目标偏振相干光原始信号；将目标偏振相干光原始信号输入预设的时空特征网络，以使该时空特征网络输出目标偏振相干光原始信号对应的调制格式和光信噪比，以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。本申请能够有效缩短光通信网络性能参数监测所需的时间，提高光通信网络性能参数监测的效率及实时性；同时能够保证光通信网络性能参数监测结果的识别准确性，进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。

技术领域

本申请涉及光纤通信技术和机器学习技术领域，尤其涉及光通信网络性能参数监测方法及装置。

背景技术

随着全球网络数据流量需求的不断增长，光网络正逐渐从传统的固定系统演变为灵活的体系结构，并同时满足超大容量、超高速率和动态特性的要求。未来光通信技术具有异构性和动态性，其调制格式和传输速率等参数可以根据不同的信道特性自适应改变。调制格式识别(Modulation Format Identification，MFI)技术可以根据接收信号特性自动识别调制类型，并为后续相干接收机中的DSP算法提供所需信息。下一代光网络中，光信噪比(OSNR)反映了信号在传输过程中被噪声干扰的程度，与误码率直接相关，该指标的监测是衡量光网络性能优劣的重要标志之一。因此，调制格式识别和OSNR估计对于监测光传输质量、发展更加智能化的光通信系统具有重要作用，如何实现高精度的实时的光网络性能监测已经成为当前的研究热点。

传统的基于信号时频域数据处理的调制格式识别和OSNR估计等光网络性能参数监测方法成本高，实时性差。随着机器学习领域的不断发展，基于神经网络的光性能监测技术也随之改进，例如：提取眼图或者星座图中的特征参数训练CNN，利用振幅直方图结合5层DNN进行训练，将快速傅里叶变换(FFT)后的经过色散补偿的信号频域数据输入到LSTM网络，接收信号转化为斯托克斯矢量或者空间投影图再输入到神经网络中进行训练，以上提到的这些方法需要对接收信号进行预先损失补偿或者利用数据统计、空间转换等方式提取特征输入到神经网络中进行训练，增加了额外的复杂度，因此本发明提出一种基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法，直接利用原始信号数据样本，结合神经网络充分提取时空特征，完成高精度的实时的光性能参数监测。

发明内容

鉴于此，本申请实施例提供了光通信网络性能参数监测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请的一个方面提供了一种光通信网络性能参数监测方法，包括：

获取光通信系统接收端接收的目标偏振相干光原始信号；

将所述目标偏振相干光原始信号输入预设的时空特征网络，以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比，以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。

在本申请的一些实施例中，在所述将所述目标偏振相干光原始信号输入预设的时空特征网络之前，还包括：

基于预设的均值方差标准化方式，对所述目标偏振相干光原始信号进行标准化处理。

在本申请的一些实施例中，所述时空特征网络为：包含有用于提取空间特征的卷积神经网络CNN和用于提取时间特征的双向长短时记忆网络Bi-LSTM的深度神经网络。

在本申请的一些实施例中，所述深度神经网络包括：依次连接的输入层、特征提取层、特征融合层和输出层；

所述特征提取层包含有：所述卷积神经网络CNN和所述双向长短时记忆网络Bi-LSTM；

所述输入层中的输入神经元的数量与偏振相干光原始信号的路数相同；

所述卷积神经网络CNN用于根据输入所述输入层的偏振相干光原始信号，提取对应的空间特征；