周唐磊曹領(lǐng)國畢巖峰王志國許恒迎白成林

(1.聊城大學(xué) 物理科學(xué)與信息工程學(xué)院，山東 聊城 252059；2.聊城大學(xué) 山東省光通信重點實驗室，山東 聊城 252059)

0 引言

隨著以超高速光通信為基礎(chǔ)的5G 網(wǎng)絡(luò)、大數(shù)據(jù)分析、虛擬現(xiàn)實(Virtual Reality，VR)、物聯(lián)網(wǎng)(Internet of Things，IOT)、點對點(Peer-to-Peer，P2P)文件共享等數(shù)據(jù)服務(wù)的發(fā)展，全球數(shù)據(jù)流量呈指數(shù)級增長。此外，據(jù)思科預(yù)測，全球網(wǎng)絡(luò)互連協(xié)議(Internet Protocol，IP)總流量將以平均24%的復(fù)合年增長率增長。由于流量需求的爆炸式增長，超高速光通信的需求不斷增加。近年來彈性光網(wǎng)絡(luò)(Elastic Optical Network，EON)技術(shù)的出現(xiàn)，使收發(fā)機(jī)彈性可調(diào)，可實現(xiàn)高頻譜效率的自適應(yīng)帶寬分配[1，2]。彈性光網(wǎng)絡(luò)根據(jù)波分復(fù)用的信道特性，使不同的調(diào)制格式自適應(yīng)地給每個復(fù)用信道分配不同的帶寬。此外，它使用可重構(gòu)光分插復(fù)用器(ROADMs)、靈活的收發(fā)器和軟件定義網(wǎng)絡(luò)(Software Defined Network，SDN)控制器，最大程度上發(fā)揮彈性光網(wǎng)絡(luò)的信息傳輸能力。因此，需在彈性光網(wǎng)絡(luò)中監(jiān)控各種網(wǎng)絡(luò)性能參數(shù)，以優(yōu)化資源利用和分配足夠的系統(tǒng)余量。

為使光網(wǎng)絡(luò)朝著高速率、大容量、低成本、有彈性以及可重構(gòu)的方向發(fā)展，根據(jù)彈性光網(wǎng)絡(luò)能夠自適應(yīng)地將不同調(diào)制格式分配給不同用戶的特性，接收器應(yīng)該從接收信號端進(jìn)行調(diào)制格式(Modulation Format，MF)、光信噪比(Optical Signal-to-Noise Ratio，OSNR)等重要參數(shù)的識別，以正確恢復(fù)出原始信息。光性能監(jiān)測(Optical Performance Monitoring，OPM)成為開發(fā)下一代具有超低延遲和自適應(yīng)性的自主光網(wǎng)絡(luò)的普遍需要[3]。下一代的彈性光網(wǎng)絡(luò)中，作為光性能監(jiān)測的先驗知識，調(diào)制格式可能隨著網(wǎng)絡(luò)的變化動態(tài)地改變，必須提前己知或從上層協(xié)議中獲得。但從上層協(xié)議獲取調(diào)制信息需要增加額外的通信，從而造成網(wǎng)絡(luò)臃腫。因此，實現(xiàn)彈性光網(wǎng)絡(luò)中間節(jié)點處的調(diào)制格式識別具有重要意義[4-10]。另一方面，高斯白噪聲的存在極大程度地限制高速率信號的傳輸性能。光信噪比常用來衡量信號受高斯白噪聲干擾的程度，靈活高效的光信噪比識別技術(shù)在保證信號正確、高速的傳輸中起到愈加重要的作用，因此必須在彈性光網(wǎng)絡(luò)中間節(jié)點處對信號的光信噪比值進(jìn)行實時且準(zhǔn)確地識別[11，12]。在彈性光網(wǎng)絡(luò)中間節(jié)點處的MF 和OSNR 識別是OPM中必不可少的一環(huán)[13-16]。如圖1所示，若在物理層中間節(jié)點部署嵌入式監(jiān)測系統(tǒng)，并將結(jié)果返回到彈性光網(wǎng)絡(luò)控制層，對于運營商進(jìn)行光鏈路路徑選擇、故障監(jiān)測等具有重要的實用價值[17]。

圖1 應(yīng)用于中間節(jié)點的光性能監(jiān)測系統(tǒng)示意圖

由于機(jī)器學(xué)習(xí)算法特征自提取、準(zhǔn)確率高、可靠性高等優(yōu)勢，基于機(jī)器學(xué)習(xí)(Machine Learning，ML)尤其是深度神經(jīng)網(wǎng)絡(luò)的OPM 技術(shù)已經(jīng)成為在可靠性、質(zhì)量和實現(xiàn)效率等許多方面的重要解決方案。如四川大學(xué)的付佳成等人結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和異步延時采樣技術(shù)，實現(xiàn)對調(diào)制格式和光信噪比的實時監(jiān)測[18]，但該技術(shù)在硬件資源有限的中間節(jié)點進(jìn)行OPM 時復(fù)雜度較高。因此，迫切需要開發(fā)智能化、低成本、低功耗、高精度以及應(yīng)用范圍廣的光性能監(jiān)測系統(tǒng)?；谝陨闲枨?，本系統(tǒng)采用比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)復(fù)雜度更低的二值卷積神經(jīng)網(wǎng)絡(luò)(Binary-Convolutional Neural Network，B-CNN)算法和異步延時抽頭采樣(Asynchronous Delay-Tap Sampling，ADTS)技術(shù)，研究更加高效、準(zhǔn)確、低成本的光性能監(jiān)測系統(tǒng)。

1 原理

圖2給出了基于Acorn RISC Machine(ARM)架構(gòu)及B-CNN 和ADTS采樣技術(shù)的光性能監(jiān)測系統(tǒng)原理框圖。我們以在節(jié)點A 與節(jié)點B之間進(jìn)行光鏈路OPM 為例，首先將節(jié)點A、B之間的光信號經(jīng)光電檢測轉(zhuǎn)化為電信號；其次進(jìn)行模數(shù)轉(zhuǎn)換后，利用ADTS技術(shù)將電信號生成異步延時抽頭采樣圖(Asynchronous Delay-Tap Picture，ADTP)；再將ADTP送入到基于ARM 的嵌入式系統(tǒng)，由該系統(tǒng)結(jié)合B-CNN 及ADTP進(jìn)行調(diào)制格式識別和OSNR 估計。最后，將OPM 結(jié)果送入到彈性光網(wǎng)絡(luò)控制器。

圖2 基于二值卷積神經(jīng)網(wǎng)絡(luò)和異步延時抽頭采樣技術(shù)的光性能監(jiān)測系統(tǒng)原理框圖

此外，圖3為識別模塊的嵌入式平臺的硬件結(jié)構(gòu)圖。本系統(tǒng)使用的嵌入式平臺硬件包括64 位主頻1.5 GHz的ARM Cortex-A72芯片，4 GB內(nèi)存和低速模數(shù)轉(zhuǎn)換器。操作系統(tǒng)為Linux系統(tǒng)，系統(tǒng)使用基于Python語言的Tensorflow、Keras深度學(xué)習(xí)框架搭建B-CNN。

圖3 識別模塊的嵌入式平臺硬件結(jié)構(gòu)圖及實物圖

1.1 異步延時抽頭采樣圖

在EON 的中間節(jié)點，首先將待監(jiān)測光信號送入光電探測器，實現(xiàn)光信號轉(zhuǎn)換為電信號之后，再使用一個3 dB耦合器將原信號分為功率相同的兩路信號[15]。

如圖4所示，分別以400 MHz的采樣頻率(Tsampling)對兩路信號進(jìn)行低速率下的異步采樣，得到兩路低速率采樣信號p i和q i。我們在第i時刻處采樣得到的第一路信號p i和第二路信號q i組合成二維矩陣坐標(biāo)點(p i，q i)，需注意每組樣本對qi間隔需時延τ，即滿足

圖4 異步延時抽頭采樣原理

式中τ為時間延時，取值為1/4倍的符號周期。以第一個采樣點舉例來說，第一路信號采得的第一個采樣點p1與第二路信號采得的第一個采樣點q1組合得到第一個采樣對(p1，q1)，它們之間的時間間隔為τ。如果對第i時刻不斷重復(fù)地進(jìn)行采樣，最終得到樣本集合(p i，q i)，以p i為x軸，q i為y軸畫出散點密度直方圖，最終得到異步延時抽頭采樣圖。

圖5給出了OSNR 為25 d B時，16QAM、32QAM和64QAM 的異步延時抽頭采樣圖。由圖5 可以看出，不同調(diào)制格式的ADTP沿對角線方向存在明顯差異，16QAM 的ADTP存在3個深淺程度不同的彩色團(tuán)簇，對于32QAM 則存在5個團(tuán)簇，64QAM 存在9個團(tuán)簇。由此，我們可以根據(jù)這些ADTP的差異來區(qū)分不同的調(diào)制格式。

圖5 OSNR 為25dB下16QAM，32QAM 和64QAM 的異步延時抽頭采樣圖

圖6給出了當(dāng)OSNR 從15 dB遞增至30 dB時，16QAM 信號的ADTP的變化。從圖6(a)可以看出，在低OSNR 下，ADTP的對角線的三個彩色團(tuán)簇幾乎連成一片，比較分散。隨著OSNR 的增加，16QAM 的三個彩色團(tuán)簇也越來越明顯(如圖6(b)～(d)所示)。因此，我們同樣可以根據(jù)這些ADTP的差異來區(qū)分不同的OSNR。

圖6 16QAM 不同光信噪比下的異步延時抽頭采樣圖

1.2 二值卷積神經(jīng)網(wǎng)絡(luò)模型

二值卷積神經(jīng)網(wǎng)絡(luò)是在浮點型(權(quán)重值和激活函數(shù)值存儲類型，32 bit)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，將其權(quán)重和激活函數(shù)的數(shù)值進(jìn)行二值化(＋1或－1，1 bit)得到的卷積神經(jīng)網(wǎng)絡(luò)。B-CNN 可用于嵌入式或移動場景(例如手機(jī)端、可穿戴設(shè)備、自動駕駛汽車等)。這些場景都沒有圖形處理器(Graphic Processing Unit，GPU)且計算能力和存儲容量相對較弱且限制較大，因此B-CNN 具有重要的實用研究價值[19]。

二值卷積神經(jīng)網(wǎng)絡(luò)降低復(fù)雜度的方式主要有兩方面:首先，將二值化后的權(quán)值代替原有的全精度權(quán)值來降低網(wǎng)絡(luò)在訓(xùn)練和識別階段的內(nèi)存占用；然后，利用二值化近似的輸入和權(quán)值，將每一層中計算量最大的乘法運算轉(zhuǎn)換成加減法或位運算。下面以卷積塊二值化為例，具體說明本方案對全精度卷積神經(jīng)網(wǎng)絡(luò)二值化的簡化過程。

首先，在前向傳播過程中，按式(2)所示對全精度卷積網(wǎng)絡(luò)的權(quán)值矩陣w中的每個參數(shù)進(jìn)行二值化得到

式中w為全精度卷積神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣中的權(quán)值，其中w∈R(c f*w f*h f)；w b為二值化后權(quán)值矩陣中的權(quán)值，w b∈{＋1，－1}(c f*w f*h f)，其中c f，w f及h f分別表示卷積核的通道數(shù)、寬度和長度。

然后，在每層的前一層之前增加一個節(jié)點值為X b的二值化激活層來代替原本的線性整流函數(shù)(Rectified Linear Unit，ReLU)激活層，替代過程如

式中X bk為二值卷積神經(jīng)網(wǎng)絡(luò)第k層的輸入；L(X(k－1))為第k個二值化激活層的值，其中X bk∈{＋1，－1}(c*w*h)，c、w、h分別表示輸入圖像的通道數(shù)、寬度和長度。

最后，需要在二值化卷積層將得到的節(jié)點值X b與權(quán)值w b進(jìn)行卷積運算來降低計算復(fù)雜度，表達(dá)式如

式中L b(X b)為二值化網(wǎng)絡(luò)層的函數(shù)；?為卷積運算。此外，我們還在卷積操作前添加歸一化層(Batch Normal)以防止二值化激活層在經(jīng)過最大池化層時出現(xiàn)太多的“1”。

具體的B-CNN 模型如圖7所示。該模型由2個卷積層，1層池化層和2個全連接層組成。首先將64*64*3的ADTP作為輸入特征，分別經(jīng)過一個卷積核大小為4*4，通道數(shù)為3和一個卷積核大小同樣為4*4的卷積層，通道數(shù)為64的卷積層；再通過最大池化層進(jìn)一步下采樣來減小數(shù)據(jù)量，提取有效特征值；然后經(jīng)過一個平坦層，將三維特征拉伸成一維向量，再利用兩個全連接層加強(qiáng)網(wǎng)絡(luò)的非線性擬合能力。最后，BCNN 輸出MF及OSNR 結(jié)果。

圖7 本系統(tǒng)的二值卷積神經(jīng)網(wǎng)絡(luò)模型

2 實驗系統(tǒng)搭建及結(jié)果分析

我們使用實驗系統(tǒng)搭建了如圖8所示的彈性光網(wǎng)絡(luò)光傳輸系統(tǒng)。首先，在發(fā)射機(jī)端利用65 GSa/s的任意波形發(fā)生器(AWG，Keysight M8195A)進(jìn)行比特-符號映射、脈沖整形和預(yù)失真等預(yù)處理，生成28 GBaud 16QAM、32QAM 和64QAM 的電信號。平方根升余弦(Square Root Raised Cosine，SRRC)濾波器的偽隨機(jī)二進(jìn)制序列和滾降因子分別設(shè)為215－1和0.75，發(fā)射激光器和相干接收本振激光器的中心波長均為1 550 nm。其次，將傳輸?shù)腅ON 信號送入摻鉺光纖功率放大器進(jìn)行放大，將自發(fā)輻射噪聲源和光衰減器組合在一起調(diào)整光纖鏈路的信噪比。因為更高階的調(diào)制格式需要更大的OSNR 值，所以對這三種調(diào)制格式的信號采用不同的信噪比范圍，16QAM 的OSNR 范圍為15～30 dB，32QAM 的相應(yīng)范圍為20～35 dB，64QAM 的范圍為20～35 d B。然后，用1 nm 帶寬的光濾波器對信號進(jìn)行濾波，再經(jīng)過光電檢測器將光信號轉(zhuǎn)成電信號，經(jīng)過3 dB耦合器將電信號一分為二，第二路信號經(jīng)過延時τ，得到兩路電信號并生成ADTP，再將得到的ADTP送入B-CNN 模型進(jìn)行訓(xùn)練。最后，將訓(xùn)練好的網(wǎng)絡(luò)模型植入嵌入式平臺進(jìn)行調(diào)制格式以及光信噪比的識別，并將識別結(jié)果顯示到終端。

圖8 28 GBaud 彈性光網(wǎng)絡(luò)實驗傳輸系統(tǒng)圖

本系統(tǒng)使用的數(shù)據(jù)集如下:調(diào)制格式識別任務(wù)共采用三種調(diào)制格式(16QAM，32QAM，64QAM)的數(shù)據(jù)集，數(shù)據(jù)集的OSNR 范圍為15～40 dB，OSNR 步長為1 dB，每個OSNR 值有400組數(shù)據(jù)，因此每種調(diào)制格式有6 400個樣本。OSNR 識別任務(wù)一共有三種調(diào)制格式(16QAM，32QAM，64QAM)。每種調(diào)制格式下每個OSNR 的樣本數(shù)為400，可得樣本集總數(shù)為400×16×3＝19 200。然后，我們隨機(jī)打亂數(shù)據(jù)集，分別取總樣本數(shù)的70%作為訓(xùn)練集，其余30%作為測試集。每種格式都有一個特定的標(biāo)簽向量，標(biāo)簽的具體形式為一位有效編碼(One Hot)。此外，利用B-CNN 進(jìn)行訓(xùn)練及測試時，每經(jīng)過一次數(shù)據(jù)遍歷(epoch)取100個數(shù)據(jù)團(tuán)(batch)，每個數(shù)據(jù)團(tuán)尺寸(batch size)設(shè)置為64。最終，基于訓(xùn)練集得到的調(diào)制格式識別和OSNR 識別的迭代準(zhǔn)確率如圖9所示。

圖9 二值化卷積神經(jīng)網(wǎng)絡(luò)模型調(diào)制格式識別與光信噪比識別訓(xùn)練集迭代曲線

從圖9我們可以發(fā)現(xiàn)，本系統(tǒng)對三種調(diào)制格式(16QAM、32QAM、64QAM)進(jìn)行調(diào)制格式識別時，訓(xùn)練集準(zhǔn)確率曲線在前期(epoch1～epoch10)準(zhǔn)確率從48.1%上升到98.3%，上升較為快速；中期(epoch11～epoch16)識別準(zhǔn)確率穩(wěn)定在99%左右，趨于平緩；后期(epoch17～epoch20)穩(wěn)定在100%，經(jīng)過18次迭代之后調(diào)制格式識別的準(zhǔn)確率達(dá)到100%。而利用本系統(tǒng)進(jìn)行OSNR 識別時，經(jīng)過40次迭代之后，對于16QAM/32QAM/64QAM 三種信號的光信噪比識別準(zhǔn)確率分別達(dá)到99.3%、98.6%和97.4%，達(dá)到預(yù)期效果。

如圖10所示，我們利用測試集分別對B-CNN 與浮點型卷積神經(jīng)網(wǎng)絡(luò)(Float-Convolutional Neural Network，F(xiàn)-CNN)模型進(jìn)行了性能對比。結(jié)果表明:對于調(diào)制格式識別任務(wù)，B-CNN 模型與F-CNN 模型準(zhǔn)確率均為100%；對于OSNR 識別任務(wù)，利用F-CNN 進(jìn)行16QAM、32QAM 和64QAM 識別的準(zhǔn)確率分別為99.4%，99.1%和98.6%，而B-CNN 對于16QAM、32QAM 和64QAM 的準(zhǔn)確率分別可達(dá)99.1%，98.5%和97.4%，可以看出B-CNN 可取得與F-CNN 類似的識別精度。此外，圖10中紫色條框為文獻(xiàn)[18]給出的結(jié)果，其中星號表示文獻(xiàn)[18]未對這2種調(diào)制格式進(jìn)行OSNR 監(jiān)測。對于調(diào)制格式識別任務(wù)，可發(fā)現(xiàn)文獻(xiàn)[18]與我們方案的調(diào)制格式識別準(zhǔn)確率均可達(dá)到100%。對于OSNR 識別任務(wù)，文獻(xiàn)[18]對于100Gbps 16QAM 信號，在每個OSNR 取400張數(shù)據(jù)集條件下其OSNR 識別準(zhǔn)確率為99.69%。而本文所提出的“ARM＋B-CNN＋ADTP”方案，對于28 GBaud 16QAM 信號，每個OSNR 數(shù)據(jù)集為400張圖片時，得到的OSNR 識別準(zhǔn)確率為99.1%。

圖10 測試集數(shù)據(jù)對二值卷積神經(jīng)網(wǎng)絡(luò)和浮點型卷積神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率對比

此外，表1給出了“ARM＋B-CNN＋ADTP”與“ARM＋F-CNN＋ADTP”的內(nèi)存占用對比，可以從側(cè)面反映系統(tǒng)復(fù)雜度情況。我們可以看出:在同一系統(tǒng)硬件平臺上，利用B-CNN 進(jìn)行OSNR 識別任務(wù)時內(nèi)存占用僅為5.6 MB，執(zhí)行時間僅為0.196 s；而F-CNN 的 內(nèi) 存 占 用 為19.2 MB，執(zhí) 行 時 間 為0.612 s。因此，與F-CNN 相比，B-CNN 模型內(nèi)存占用下降為原來的1/4，且執(zhí)行時間縮短為原來的1/3。在硬件資源有限的彈性光網(wǎng)絡(luò)中間節(jié)點進(jìn)行光性能監(jiān)測時，與文獻(xiàn)[18]中99.69%的OSNR 識別準(zhǔn)確率相比，B-CNN 方案的精度僅損失了0.59%，但復(fù)雜度大大降低。因此，我們這種基于B-CNN 和ADTS 技術(shù)的光性能監(jiān)測系統(tǒng)具有較高的實用價值。

表1 相同ARM 平臺下二值卷積神經(jīng)網(wǎng)絡(luò)與浮點型卷積神經(jīng)網(wǎng)絡(luò)復(fù)雜度對比

3 結(jié)論

本系統(tǒng)通過二值卷積神經(jīng)網(wǎng)絡(luò)和異步采樣技術(shù)，基于嵌入式平臺對調(diào)制格式、光信噪比等彈性光網(wǎng)絡(luò)的重要參數(shù)進(jìn)行識別，以達(dá)到在中間節(jié)點進(jìn)行光性能監(jiān)測的目的。實驗結(jié)果表明，對于三種調(diào)制格式(16QAM、32QAM、64QAM)的信號，本系統(tǒng)進(jìn)行調(diào)制格式識別時準(zhǔn)確率均為100%，光信噪比識別準(zhǔn)確率分別為99.1%、98.5%和97.4%。與浮點型卷積神經(jīng)網(wǎng)絡(luò)相比，二值神經(jīng)網(wǎng)絡(luò)在識別準(zhǔn)確率誤差損失低于1.3%的條件下，可實現(xiàn)內(nèi)存占用下降為它的1/4，且執(zhí)行時間縮短為它的1/3，更適合部署于資源有限的彈性光網(wǎng)絡(luò)中間節(jié)點。本系統(tǒng)證明了在嵌入式平臺上將ADTS技術(shù)和B-CNN 用于中間節(jié)點進(jìn)行鏈路監(jiān)測的可行性。在下一代彈性光網(wǎng)絡(luò)架構(gòu)中，本系統(tǒng)有利于解決對于大容量光通信傳輸系統(tǒng)進(jìn)行光性能監(jiān)測、維護(hù)及管理的實際問題。