沈綱祥

（蘇州大學(xué)蘇州市先進(jìn)光通信網(wǎng)絡(luò)技術(shù)重點實驗室，江蘇 蘇州 215006）

1 引言

人工智能（AI,artificial intelligence）技術(shù)很早就被應(yīng)用于諸多領(lǐng)域，然而很多年來這一技術(shù)并未獲得高度關(guān)注，直至AlphaGo 戰(zhàn)勝中韓兩國圍棋高手后，它才開始成為研究熱點，研究者們嘗試將AI 技術(shù)應(yīng)用于不同的領(lǐng)域，其中也包括光通信網(wǎng)絡(luò)。近兩年，美國光通信會議（OFC,optical fiber communication）和歐洲光通信會議（ECOC,European conference of optical communication）上，至少有16 個會議專題聚焦于AI 或機(jī)器學(xué)習(xí)（ML,machine learning）技術(shù)。本文將AI 技術(shù)和ML 技術(shù)看作同一類技術(shù)，同時，盡管AI 技術(shù)涵蓋很廣，本文中所指的AI 技術(shù)主要是神經(jīng)網(wǎng)絡(luò)類技術(shù)。

AI 技術(shù)受到廣泛關(guān)注主要有以下兩方面的原因。首先，AI 技術(shù)比較容易入門和使用。它采用黑盒子的方式對系統(tǒng)進(jìn)行建模，通過大量的樣本學(xué)習(xí)，讓黑盒子自己去連接神經(jīng)元，分配神經(jīng)元間的連接權(quán)重，而不要求使用者了解神經(jīng)元間為何這樣連接和被分配當(dāng)前的權(quán)重。使用者只需提供足夠多的學(xué)習(xí)樣本，增加神經(jīng)元的個數(shù)和隱藏層的層數(shù)，就可以提高AI 技術(shù)的預(yù)測精度。其次，AI 技術(shù)在AlphaGo 事件后幾乎已被神化，幾乎人人都知道“人工智能”這一詞匯，而在學(xué)術(shù)圈，貼上AI 標(biāo)簽的論文似乎也更容易發(fā)表，所以這也導(dǎo)致了目前的一個現(xiàn)象，即對于所有問題，不管是否適合，幾乎都采用AI 技術(shù)進(jìn)行建模求解。

AI 技術(shù)對一些問題的求解是十分成功的，如前面所提的圍棋和一些圖像語音識別場景，但是不能因某一領(lǐng)域或某些問題的成功求解，而將AI 當(dāng)成一種“萬能方法”。本文針對當(dāng)前AI 技術(shù)在光通信網(wǎng)絡(luò)中的應(yīng)用進(jìn)行探討，包括AI 技術(shù)在光通信網(wǎng)絡(luò)中的適用性，并對使用AI 技術(shù)的潛在風(fēng)險提出一些應(yīng)對策略。

2 光通信網(wǎng)絡(luò)中AI 技術(shù)的應(yīng)用

AI 技術(shù)已廣泛應(yīng)用于光通信網(wǎng)絡(luò)，文獻(xiàn)[1-2]中可以找到大量這方面的研究。本文介紹AI 技術(shù)在光通信網(wǎng)絡(luò)中的幾種代表性的應(yīng)用。1)在接收端，采用結(jié)合AI 技術(shù)的數(shù)字信號處理方法，可以有效地提高光信號檢測靈敏度，改善光纖傳輸系統(tǒng)的性能，提高網(wǎng)絡(luò)的頻譜使用效率[3-5]。2)在光網(wǎng)絡(luò)中，存在大量端到端光通道，分別以這些光通道的相關(guān)參數(shù)（包括傳輸速率、調(diào)制格式、所經(jīng)過的光纖鏈路數(shù)、光放大器個數(shù)及增益等）和它們在接收端檢測到的信號傳輸質(zhì)量（QoT,quality of transmission）作為輸入和輸出，通過大量學(xué)習(xí)，可以實現(xiàn)對光網(wǎng)絡(luò)中不同端對端光通道QoT 的預(yù)測；其中，QoT經(jīng)常表示為光通道的信噪比（OSNR,optical signal to noise ratio），其精準(zhǔn)預(yù)測可以降低光通道OSNR 余量的配置，從而提高網(wǎng)絡(luò)的頻譜使用效率[6-8]。3)通過不斷學(xué)習(xí)光網(wǎng)絡(luò)中的故障事件，分別以故障和故障原因作為輸入和輸出，實現(xiàn)對故障原因的精準(zhǔn)分析和對未來故障的預(yù)警[9-11]。4)結(jié)合網(wǎng)絡(luò)安全的需求，AI技術(shù)也可用于預(yù)警和識別光層的網(wǎng)絡(luò)攻擊[12-13]。

針對以上幾種代表性的應(yīng)用，本文將其分類為決策性AI 應(yīng)用和輔助性AI 應(yīng)用。決策性應(yīng)用是指整個系統(tǒng)的運行直接依賴于AI 技術(shù)，AI 預(yù)測的失效可能導(dǎo)致系統(tǒng)的癱瘓，造成嚴(yán)重后果。在上述代表性應(yīng)用中，1)和2)均可被歸為決策性AI 應(yīng)用。例如，對于光通道QoT 的預(yù)測，盡管在大多數(shù)情形下，AI 技術(shù)可以較精準(zhǔn)地預(yù)測光通道的QoT，但如果在某一時刻其預(yù)測失效，將導(dǎo)致相應(yīng)的光通道不能被實際建立，或者建立的光通道達(dá)不到用戶的傳輸要求，就違背了通信服務(wù)水平協(xié)議（SLA,service level agreement）。對于骨干網(wǎng)絡(luò)中的高速光通道，SLA 違背的后果往往比較嚴(yán)重，可能會引起巨額的商業(yè)賠償。所以，對于決策性AI 的應(yīng)用，網(wǎng)絡(luò)運營商和設(shè)備生產(chǎn)商一般都比較謹(jǐn)慎。到目前為止，尚未發(fā)現(xiàn)有網(wǎng)絡(luò)運營商在其現(xiàn)網(wǎng)中采用基于AI 技術(shù)的光通道QoT 預(yù)測。

輔助性AI 應(yīng)用是指采用AI 技術(shù)進(jìn)行日常網(wǎng)絡(luò)維護(hù)和潛在故障的預(yù)測，這類預(yù)測的失敗不會造成系統(tǒng)的癱瘓或嚴(yán)重的經(jīng)濟(jì)損失，其類似于購物網(wǎng)站的商品推介，推介錯誤只是減少了有效推介的機(jī)會，而不會造成任何損失。前面所提的代表性應(yīng)用3)和4)均可被歸為輔助性AI 應(yīng)用。例如，可采用AI 技術(shù)對網(wǎng)絡(luò)未來故障開展預(yù)測，如果預(yù)測準(zhǔn)確，可以提高網(wǎng)絡(luò)的穩(wěn)健性；如果預(yù)測失敗，也不會造成損失。因為其只是一種提醒或預(yù)警，網(wǎng)管人員會對此類預(yù)警信息進(jìn)行核實，如果預(yù)測正確，會采取相應(yīng)的措施；如果預(yù)警錯誤，則將其忽略，不會影響網(wǎng)絡(luò)的正常運行。

3 光通信網(wǎng)絡(luò)中AI 應(yīng)用的潛在風(fēng)險

以“黑盒子”為代表的AI 技術(shù)易學(xué)易用，目前屬于研究熱點。AI 技術(shù)可以很好地解決一些問題（如圍棋、圖像語音識別等），但它并非萬能，對于其他的一些問題，過度使用AI 技術(shù)反而會引入弊端和風(fēng)險。本節(jié)將結(jié)合光通信網(wǎng)絡(luò)，介紹幾種AI技術(shù)可能帶來的弊端和風(fēng)險。

3.1 造成方法創(chuàng)新和背后機(jī)理分析的懈怠

AI 技術(shù)將同一種“黑盒子”方法不斷地套用到不同的應(yīng)用場景，導(dǎo)致對方法創(chuàng)新和背后機(jī)理分析的懈怠。一個很典型的例子如下。由于AI 技術(shù)（如深度學(xué)習(xí)）可以有效地識別一些圖像模式，有研究者把這一技術(shù)應(yīng)用到對人體不同部位病變的識別?；谙嗤姆椒ê土鞒蹋粩嗟厥褂貌煌娜梭w部位圖片，這樣可以形成大量的所謂“研究成果”和學(xué)位論文。顯然，從培養(yǎng)學(xué)生和科研的角度，學(xué)生在項目中實際獲得的研究技能和專業(yè)素養(yǎng)的提升是很少的，而實際工作只是收集相關(guān)的圖片數(shù)據(jù)和編寫少量Python 代碼，最后將訓(xùn)練任務(wù)交由圖形處理器（GPU,graphics processing unit）來完成，沒有針對具體的研究問題在方法機(jī)理上進(jìn)行深入的思考和有效的創(chuàng)新，也不能掌握（事實上目前也無法掌握）黑盒子里究竟發(fā)生了什么，這顯然不利于創(chuàng)新能力的培養(yǎng)。

3.2 巨大開放的光通信網(wǎng)絡(luò)系統(tǒng)使AI 技術(shù)很難精準(zhǔn)預(yù)測

圍棋棋盤中的19 條橫線加上19 條豎線形成了一個閉合的信息（狀態(tài)）空間，圍棋的規(guī)則是固定的，外界因素不會改變這一信息空間的大小，是一種完全信息的博弈。光通信網(wǎng)絡(luò)系統(tǒng)是一個開放系統(tǒng)（或不完全信息系統(tǒng)），它的開放性決定了AI 技術(shù)學(xué)習(xí)（狀態(tài)）空間的無限性。很多論文中報道的AI 技術(shù)很可能只是學(xué)習(xí)了光通信網(wǎng)絡(luò)整個開放空間中的某一小部分[6-8]，這一部分可能只對應(yīng)于某一常規(guī)場景，而當(dāng)實際應(yīng)用場景偏離常規(guī)場景時，前面學(xué)習(xí)獲得的AI 參數(shù)就會失效，導(dǎo)致AI 預(yù)測模型出錯。下面給出幾個典型的例子。

1)5G 核心網(wǎng)

以下是一個典型的實例。AI 技術(shù)被某設(shè)備生產(chǎn)商應(yīng)用于5G 核心網(wǎng)，在對國內(nèi)5G 核心網(wǎng)全面多參數(shù)AI 學(xué)習(xí)后，獲得一套較為精準(zhǔn)的網(wǎng)絡(luò)性能預(yù)測模型，然而將這一系統(tǒng)直接應(yīng)用于歐洲某城市5G核心網(wǎng)時，模型不能正常工作，不能有效地預(yù)測并提升5G 核心網(wǎng)的性能。這是一個典型的由于系統(tǒng)學(xué)習(xí)空間不封閉（或不完全信息系統(tǒng)）而導(dǎo)致的預(yù)測模型失敗的例子，中國城市和歐洲城市的5G 核心網(wǎng)環(huán)境是不同的，2 個城市分別對應(yīng)于開放空間中2 個不同的子空間，所以在中國城市學(xué)習(xí)的5G核心網(wǎng)參數(shù)不能保證在歐洲城市也有效。

2)光通道QoT 的預(yù)測

在光通信網(wǎng)絡(luò)中，對于光通道信號傳輸質(zhì)量的預(yù)測，也存在光通信網(wǎng)絡(luò)學(xué)習(xí)空間巨大和開放性的問題。對于QoT 的預(yù)測，通常是以網(wǎng)絡(luò)中光通道的相關(guān)參數(shù)（包括傳輸速率、調(diào)制格式、所經(jīng)過的光纖鏈路數(shù)、光放大器個數(shù)及增益等）和它們在接收端檢測到的QoT 分別作為輸入和輸出，通過大量學(xué)習(xí)，實現(xiàn)對光網(wǎng)絡(luò)中不同端對端光通道QoT 的預(yù)測。盡管可以在實驗室中收集幾千個光通道測試樣本（事實上，現(xiàn)在很多發(fā)表的論文使用的數(shù)據(jù)量要遠(yuǎn)小于這一量級），然后采用這些樣本進(jìn)行訓(xùn)練學(xué)習(xí)，獲得相應(yīng)的預(yù)測參數(shù)，從論文發(fā)表的角度，這一過程是完整的，實驗室獲得的樣本形成了一個子空間，采用這一空間中的樣本獲得的預(yù)測模型能有效地預(yù)測相同空間中的其他樣本。然而，對于一個巨大開放的光通信網(wǎng)絡(luò)狀態(tài)空間，上述方法獲得的實驗室樣本量仍過小，很難代表光網(wǎng)絡(luò)開放環(huán)境下的全天候狀態(tài)數(shù)據(jù)。因此，一個重要問題是，能否使用這些實驗室中獲得的模型參數(shù)去預(yù)測實際開放光網(wǎng)絡(luò)中光通道的QoT？顯然，這是很具挑戰(zhàn)性的，失敗的概率會很高。原因可以通過以下例子來分析。

以一條建立在廣州和沈陽之間的光通道為例（如圖1 所示）。它經(jīng)過多個不同的光纖鏈路段，這些鏈路段有的通過地下管道鋪設(shè)，有的露天布設(shè)，同時考慮不同地區(qū)和不同季節(jié)的溫差，以及露天光纖段的擺動（例如由于大風(fēng)造成露天光纜的擺動會嚴(yán)重影響光纖通信系統(tǒng)的正常工作）。這一實際網(wǎng)絡(luò)場景顯然比實驗室中的場景要復(fù)雜得多，其信息狀態(tài)空間比實驗室場景大得多。如果采用實驗室子空間中學(xué)習(xí)獲得的模型去預(yù)測這一光通道的QoT，其精準(zhǔn)度顯然是不能保證的。此外，還需要進(jìn)一步考慮一些突發(fā)事件，如某段光纜被拖拽，或者某段光纜管道出現(xiàn)雨水倒灌、某一地段發(fā)生地震等，這些都可能導(dǎo)致網(wǎng)絡(luò)信息狀態(tài)空間發(fā)生變化。所以，擁有多個節(jié)點、多條鏈路的光通信網(wǎng)絡(luò)的信息狀態(tài)空間是不封閉且時變的，幾乎是無限大的，是一個不完全信息系統(tǒng)。針對此類系統(tǒng)，要通過幾千個靜態(tài)信道的狀態(tài)樣本來學(xué)習(xí)獲取一個統(tǒng)一精準(zhǔn)的AI預(yù)測模型顯然是相當(dāng)困難的，幾乎不可能實現(xiàn)。

圖1 建立在廣州和沈陽之間的光通道

3)網(wǎng)絡(luò)故障和動態(tài)性

AI 技術(shù)的模型訓(xùn)練通?；谡＞W(wǎng)絡(luò)場景，所采集的樣本也是在網(wǎng)絡(luò)正常運行下的樣本。當(dāng)網(wǎng)絡(luò)發(fā)生故障時，其對應(yīng)的場景會發(fā)生偏離，導(dǎo)致其對應(yīng)的狀態(tài)信息空間發(fā)生變化，這從另一側(cè)面說明了光通信網(wǎng)絡(luò)是一個不完全信息系統(tǒng)，此時如果繼續(xù)采用正常場景下獲得的模型對新場景進(jìn)行預(yù)測，就會面臨預(yù)測失敗的風(fēng)險。對于第2 節(jié)中提到的應(yīng)用場景2)，目前大多數(shù)的光通道QoT 預(yù)測模型在學(xué)習(xí)時均未考慮網(wǎng)絡(luò)發(fā)生老化和部分故障時的情形。然而，在實際光網(wǎng)絡(luò)中，存在光放大器的泵浦光源逐漸老化、泵浦功率逐漸衰竭等問題。所以，一個完整可靠的QoT 預(yù)測模型需要覆蓋此類老化情形，然而這一過程是十分復(fù)雜的，因為其對應(yīng)的學(xué)習(xí)樣本很難產(chǎn)生和收集，所需的學(xué)習(xí)時間也相當(dāng)冗長。

此外，現(xiàn)有的很多光通道QoT 預(yù)測模型也未考慮光網(wǎng)絡(luò)的動態(tài)特性，如新的光通道業(yè)務(wù)的建立和老業(yè)務(wù)的釋放等。在光纖通信系統(tǒng)中，任何光通道的建立或釋放都會影響與其同纖的其他光通道?？紤]到光網(wǎng)絡(luò)中存在大量的光通道，不同光通道同纖的組合幾乎是無窮的，這使光通道QoT 模型訓(xùn)練過程很難對這些組合進(jìn)行全覆蓋，所以也很難保證所得預(yù)測模型的精準(zhǔn)性。事實上，目前大多數(shù)研究只采用了最多幾百條靜態(tài)光通道的訓(xùn)練樣本[6]，而面對一個包含幾十個甚至上百個節(jié)點的光網(wǎng)絡(luò)，這一規(guī)模的訓(xùn)練樣本顯然是不夠的。

盡管AI 具有不斷學(xué)習(xí)進(jìn)化的能力，理論上可以應(yīng)對由于網(wǎng)絡(luò)故障和動態(tài)性造成的樣本不完整性和結(jié)果適應(yīng)性差等問題，但這要求在網(wǎng)絡(luò)環(huán)境發(fā)生變化后，系統(tǒng)能立即擁有足夠多的新環(huán)境學(xué)習(xí)樣本，且系統(tǒng)的學(xué)習(xí)必須足夠快，能在新環(huán)境下立即完成學(xué)習(xí)。然而，在未進(jìn)入未知新環(huán)境前或剛進(jìn)入新環(huán)境時，短時間內(nèi)獲取大量新環(huán)境下的學(xué)習(xí)樣本顯然是比較困難的。為解決這一少樣本或無樣本的問題，可以通過專家決策的方法為學(xué)習(xí)提供先驗知識，但這些先驗知識或虛擬樣本不是系統(tǒng)實際產(chǎn)生的，有時并不能精確反映系統(tǒng)的實際行為，所以基于此訓(xùn)練的模型也不能保證其預(yù)測結(jié)果的精準(zhǔn)性。

3.3 AI 技術(shù)可能面臨網(wǎng)絡(luò)安全的威脅

AI 技術(shù)的基礎(chǔ)是概率統(tǒng)計，主要依賴大量的樣本學(xué)習(xí)來形成一套用于預(yù)測的系統(tǒng)參數(shù)。這一特性可能在某些場合下給網(wǎng)絡(luò)攻擊提供可乘之機(jī)，對網(wǎng)絡(luò)安全形成威脅。例如，一個用戶可以通過為訓(xùn)練系統(tǒng)提供大量假的或者不是最優(yōu)的網(wǎng)絡(luò)樣本，使學(xué)習(xí)后獲得的系統(tǒng)參數(shù)偏離實際的最優(yōu)參數(shù)。盡管對于這一用戶來說，這樣做的代價是其不能獲得最優(yōu)的網(wǎng)絡(luò)性能，但其可以惡意控制或影響整個網(wǎng)絡(luò)中的資源分配決策和其他用戶的網(wǎng)絡(luò)性能。事實上，在某些網(wǎng)絡(luò)排名系統(tǒng)中，很早就有用戶利用這一統(tǒng)計學(xué)方面的漏洞，來提高某些商品或網(wǎng)站排名和推薦機(jī)會。目前，專門針對AI 技術(shù)的網(wǎng)絡(luò)攻擊尚很少被提及和關(guān)注，但這并不表示此類攻擊在不久的將來不會出現(xiàn)。

4 光通信網(wǎng)絡(luò)中AI 應(yīng)用的一些建議

AI 技術(shù)對光通信網(wǎng)絡(luò)的規(guī)劃和運營是有幫助的，但不是萬能的。針對其在應(yīng)用中可能存在的一些風(fēng)險，本節(jié)建設(shè)性地提出了以下幾點建議。

首先，AI 技術(shù)在光通信網(wǎng)絡(luò)應(yīng)用中比較適合于輔助性的預(yù)測場景，如網(wǎng)絡(luò)中某些信號的出現(xiàn)預(yù)示著可能會在某些位置出現(xiàn)網(wǎng)絡(luò)故障，因此可以進(jìn)行預(yù)警，對網(wǎng)絡(luò)和傳輸系統(tǒng)進(jìn)行提前干預(yù)，防止故障的發(fā)生。只要保證大部分預(yù)警是正確的，即使存在少量的預(yù)警錯誤，也不會給網(wǎng)管人員造成很大的負(fù)擔(dān)，這一智能性將極大地提高網(wǎng)絡(luò)的可靠性，改善網(wǎng)絡(luò)資源的使用效率，并提高用戶的使用體驗。

其次，由于光通信網(wǎng)絡(luò)的巨大規(guī)模和高度的開放性，對于涉及SLA 的決策性應(yīng)用場景，AI 技術(shù)應(yīng)避免將整個光通信網(wǎng)絡(luò)看成一個巨大的“黑盒子”來學(xué)習(xí)，盡管該類方法對于進(jìn)行方法性探究是可行的，但在實際工程性應(yīng)用中，存在著巨大的風(fēng)險。這是因為，光通信網(wǎng)絡(luò)狀態(tài)空間的開放性和突發(fā)事件的不確定性決定了AI 技術(shù)的預(yù)測能力不可能保證全覆蓋，一定會出現(xiàn)某些失效場景，造成SLA 的違背，進(jìn)而導(dǎo)致巨額的經(jīng)濟(jì)賠償，相對于這一賠償和后續(xù)造成的損失，AI 技術(shù)給光通信網(wǎng)絡(luò)帶來的效率提升和成本節(jié)省可能可以忽略。

第三，面對開放的光通信網(wǎng)絡(luò)狀態(tài)空間，一個比較有效的策略是采用基于單元器件或設(shè)備的單元化小空間AI 建模，并基于獲得的AI 單元參數(shù)，進(jìn)一步結(jié)合傳統(tǒng)的經(jīng)典方法進(jìn)行網(wǎng)絡(luò)建模和規(guī)劃。這一結(jié)合能有效地解決基于全網(wǎng)AI 技術(shù)建模下狀態(tài)空間開放性的難題?？s小的子系統(tǒng)狀態(tài)空間能有效降低AI 技術(shù)失效的風(fēng)險，同時，由于采用了傳統(tǒng)的網(wǎng)絡(luò)建模和規(guī)劃方法，能有效規(guī)避在AI 技術(shù)下全網(wǎng)黑盒子的弊端，當(dāng)出現(xiàn)失效時，仍可以很快地通過傳統(tǒng)的建模和規(guī)劃方法，宏觀地確定實際失效的位置和對應(yīng)的“小盒子”。

本文結(jié)合3.2 節(jié)提到的光通道QoT 預(yù)測問題，給出了一個基于小盒子縮小狀態(tài)空間的光通道QoT 估算例子，如圖2 所示。圖2 給出了一個完整的光通信網(wǎng)絡(luò)模型。左邊方框中光發(fā)射機(jī)作為信號源，是光通道的起點。光通道經(jīng)過多條光纖鏈路，每條鏈路上放置多個光信號放大器，對光信號進(jìn)行周期性的放大。光通道也會經(jīng)過全光交換節(jié)點（ROADM,reconfigurable optical add/drop multiplexer）進(jìn)行光纖鏈路的切換。最后，經(jīng)過多條鏈路、多個光信號放大器、多個全光交換節(jié)點后，光通道到達(dá)目的節(jié)點，其信號被光接收機(jī)接收。整個系統(tǒng)中的器件或子系統(tǒng)包含光發(fā)射機(jī)、光接收機(jī)、光信號放大器、全光交換節(jié)點等。在單元化AI 建模方法下，首先對光網(wǎng)絡(luò)系統(tǒng)中的每個子系統(tǒng)盒子（如光發(fā)射機(jī)[14]、光接收機(jī)[15]、光信號放大器[16-17]、ROADM[18]等）進(jìn)行基于AI 技術(shù)的訓(xùn)練和預(yù)測，然后，在獲得相關(guān)AI 預(yù)測模型后，對跨越整個網(wǎng)絡(luò)的光通道進(jìn)行基于傳統(tǒng)高斯噪聲信道模型[19]建模估算。由于每個器件或子系統(tǒng)都處于一個相對封閉的環(huán)境，如光收發(fā)機(jī)、光交換機(jī)和光信號放大器均可能被置于機(jī)房內(nèi)，環(huán)境溫度恒定，外界干擾較少，使AI 技術(shù)的應(yīng)用場景更接近于實驗室環(huán)境，從而保證了其相對封閉性。同時，由于每個器件或子系統(tǒng)相對獨立，涉及的特征量較少，其狀態(tài)空間相對較小，在封閉且較小的狀態(tài)空間下，可以使用較少的訓(xùn)練樣本獲得較高精度的預(yù)測模型，極大地改善AI 技術(shù)的適用性和實用性。另一方面，由于采用了經(jīng)典的高斯噪聲信道QoT 估算模型，存在堅實的物理理論指引，因此整個系統(tǒng)不再是一個“大而黑”的盒子，當(dāng)網(wǎng)絡(luò)出現(xiàn)問題時，可以通過分析估算模型快速確定問題的根源。

圖2 小系統(tǒng)AI 模型和經(jīng)典高斯噪聲信道模型相結(jié)合的光通道QoT 估算

第四，盡管采用AI 技術(shù)進(jìn)行更高精度的網(wǎng)絡(luò)性能預(yù)測可以提高網(wǎng)絡(luò)資源使用效率、降低網(wǎng)絡(luò)成本，但這是以損害網(wǎng)絡(luò)可用性或生存性為代價的。傳統(tǒng)的光網(wǎng)絡(luò)建模和規(guī)劃通常為了保證足夠高的網(wǎng)絡(luò)可用性（如99.999%），留足各方面的余量。例如，在評估光通道所需的QoT 時，通常為了支持某種調(diào)制格式和頻譜效率，會全面地考慮各種OSNR損傷并留足余量，以保證光網(wǎng)絡(luò)在20～30 年之后還能正常工作。而AI 技術(shù)想通過大量的樣本學(xué)習(xí)來獲得一個更加精確的信道QoT 評估模型，以此降低傳統(tǒng)方法下需要的余量。但是由于光通信網(wǎng)絡(luò)狀態(tài)空間的開放性，這種降低OSNR 余量的方法可能會使網(wǎng)絡(luò)可用性[20]受損，而對于AI 技術(shù)的使用到底會多大程度影響網(wǎng)絡(luò)可用性，是否會造成SLA 的違背，目前尚沒有明確答案，也沒有精確的評估方法。其原因在于，AI 技術(shù)是一個黑盒子技術(shù)，里面設(shè)置的參數(shù)和實際網(wǎng)絡(luò)參數(shù)沒有一一對應(yīng)關(guān)系，可解釋性較差。所以，在使用AI 技術(shù)的同時，評估光通信網(wǎng)絡(luò)的可用性是十分必要的，只有在未違背網(wǎng)絡(luò)可用性要求下，使用AI 技術(shù)才有實際意義，然而這方面的研究目前尚為空白。

第五，針對AI 預(yù)測模型失效的情形，需要建立一種專門的網(wǎng)絡(luò)保護(hù)機(jī)制，即當(dāng)由于AI 預(yù)測模型失效而出現(xiàn)網(wǎng)絡(luò)癱瘓時，存在一種機(jī)制能及時地恢復(fù)網(wǎng)絡(luò)業(yè)務(wù)。這種業(yè)務(wù)的恢復(fù)機(jī)制和傳統(tǒng)的網(wǎng)絡(luò)發(fā)生故障時的業(yè)務(wù)恢復(fù)[21]十分類似。例如，對于點對點的光通道業(yè)務(wù)，可以使用AI 技術(shù)建立一條工作光通道，同時采用基于傳統(tǒng)的非AI 技術(shù)預(yù)留一條保護(hù)光通道。這里保護(hù)光通道需留足OSNR 余量，所以其頻譜資源使用效率可能會低于工作光通道，但當(dāng)工作光通道由于基于AI 預(yù)測模型的配置失效時，可以通過保護(hù)切換將業(yè)務(wù)從工作光通道快速地切換到保護(hù)光通道上，這時由于保護(hù)光通道留足了OSNR 余量，能正常工作，從而保證了用戶的網(wǎng)絡(luò)業(yè)務(wù)不受影響。目前，針對AI 預(yù)測模型失效的保護(hù)研究仍為空白，需要進(jìn)一步針對不同的AI 應(yīng)用場景提出不同的網(wǎng)絡(luò)保護(hù)和恢復(fù)機(jī)制。

第六，由于AI 預(yù)測模型是通過對大量的樣本或統(tǒng)計概率的方式學(xué)習(xí)而獲得的，因此此類系統(tǒng)可能會遭受惡意假樣本的攻擊，攻擊會影響系統(tǒng)的預(yù)測精度。此外，也可能面臨更為精準(zhǔn)或細(xì)化的攻擊，如專門針對AI 系統(tǒng)中某一特征值、神經(jīng)元函數(shù)或權(quán)重值的攻擊。盡管目前尚未看到此類攻擊的報道，但未雨綢繆，需要盡早考慮相應(yīng)的應(yīng)對策略和防范措施。

5 結(jié)束語

本文針對基于AI 技術(shù)的光通信網(wǎng)絡(luò)這一當(dāng)前研究熱點進(jìn)行了系統(tǒng)性的探討，認(rèn)為AI 技術(shù)更適合于一些輔助性的預(yù)測場景，將其應(yīng)用于涉及SLA的場景時，需要進(jìn)行深入的論證并開展風(fēng)險評估。對AI 技術(shù)在光通信網(wǎng)絡(luò)中的應(yīng)用提出了一些建議，主要包括通過盡量減小系統(tǒng)狀態(tài)空間的大小，以規(guī)避整個光網(wǎng)絡(luò)巨型空間的開放性，同時為避開“黑盒子”弊端，基于小系統(tǒng)的AI 建模仍需與傳統(tǒng)的經(jīng)典網(wǎng)絡(luò)建模和規(guī)劃方法相結(jié)合。針對AI 技術(shù)的可能失效和受攻擊等問題，提出了專門的網(wǎng)絡(luò)保護(hù)思想。本文涉及的觀點是開放的，從不同的角度提供一些新的思路和啟示。同時，盡管本文主要針對光通信網(wǎng)絡(luò)，其中的一些思想和方法也可應(yīng)用于其他領(lǐng)域，期待與讀者進(jìn)一步交流探討。