面向彈性光網絡中間節點的嵌入式光性能監測系統

周唐磊曹領國畢巖峰王志國許恒迎白成林

(1.聊城大學 物理科學與信息工程學院，山東 聊城 252059；2.聊城大學 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的5G 網絡、大數據分析、虛擬現實(Virtual Reality，VR)、物聯網(Internet of Things，IOT)、點對點(Peer-to-Peer，P2P)文件共享等數據服務的發展，全球數據流量呈指數級增長。此外，據思科預測，全球網絡互連協議(Internet Protocol，IP)總流量將以平均24%的復合年增長率增長。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。近年來彈性光網絡(Elastic Optical Network，EON)技術的出現，使收發機彈性可調，可實現高頻譜效率的自適應帶寬分配[1，2]。彈性光網絡根據波分復用的信道特性，使不同的調制格式自適應地給每個復用信道分配不同的帶寬。此外，它使用可重構光分插復用器(ROADMs)、靈活的收發器和軟件定義網絡(Software Defined Network，SDN)控制器，最大程度上發揮彈性光網絡的信息傳輸能力。因此，需在彈性光網絡中監控各種網絡性能參數，以優化資源利用和分配足夠的系統余量。

為使光網絡朝著高速率、大容量、低成本、有彈性以及可重構的方向發展，根據彈性光網絡能夠自適應地將不同調制格式分配給不同用戶的特性，接收器應該從接收信號端進行調制格式(Modulation Format，MF)、光信噪比(Optical Signal-to-Noise Ratio，OSNR)等重要參數的識別，以正確恢復出原始信息。光性能監測(Optical Performance Monitoring，OPM)成為開發下一代具有超低延遲和自適應性的自主光網絡的普遍需要[3]。下一代的彈性光網絡中，作為光性能監測的先驗知識，調制格式可能隨著網絡的變化動態地改變，必須提前己知或從上層協議中獲得。但從上層協議獲取調制信息需要增加額外的通信，從而造成網絡臃腫。因此，實現彈性光網絡中間節點處的調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絡中間節點處對信號的光信噪比值進行實時且準確地識別[11，12]。在彈性光網絡中間節點處的MF 和OSNR 識別是OPM中必不可少的一環[13-16]。如圖1所示，若在物理層中間節點部署嵌入式監測系統，并將結果返回到彈性光網絡控制層，對于運營商進行光鏈路路徑選擇、故障監測等具有重要的實用價值[17]。

圖1 應用于中間節點的光性能監測系統示意圖

由于機器學習算法特征自提取、準確率高、可靠性高等優勢，基于機器學習(Machine Learning，ML)尤其是深度神經網絡的OPM 技術已經成為在可靠性、質量和實現效率等許多方面的重要解決方案。如四川大學的付佳成等人結合卷積神經網絡和異步延時采樣技術，實現對調制格式和光信噪比的實時監測[18]，但該技術在硬件資源有限的中間節點進行OPM 時復雜度較高。因此，迫切需要開發智能化、低成本、低功耗、高精度以及應用范圍廣的光性能監測系統?；谝陨闲枨?，本系統采用比傳統卷積神經網絡復雜度更低的二值卷積神經網絡(Binary-Convolutional Neural Network，B-CNN)算法和異步延時抽頭采樣(Asynchronous Delay-Tap Sampling，ADTS)技術，研究更加高效、準確、低成本的光性能監測系統。

1 原理

圖2給出了基于Acorn RISC Machine(ARM)架構及B-CNN 和ADTS采樣技術的光性能監測系統原理框圖。我們以在節點A 與節點B之間進行光鏈路OPM 為例，首先將節點A、B之間的光信號經光電檢測轉化為電信號；其次進行模數轉換后，利用ADTS技術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，由該系統結合B-CNN 及ADTP進行調制格式識別和OSNR 估計。最后，將OPM 結果送入到彈性光網絡控制器。

圖2 基于二值卷積神經網絡和異步延時抽頭采樣技術的光性能監測系統原理框圖

此外，圖3為識別模塊的嵌入式平臺的硬件結構圖。本系統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內存和低速模數轉換器。操作系統為Linux系統，系統使用基于Python語言的Tensorflow、Keras深度學習框架搭建B-CNN。

圖3 識別模塊的嵌入式平臺硬件結構圖及實物圖

1.1 異步延時抽頭采樣圖

在EON 的中間節點，首先將待監測光信號送入光電探測器，實現光信號轉換為電信號之后，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時刻不斷重復地進行采樣，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簇，對于32QAM 則存在5個團簇，64QAM 存在9個團簇。由此，我們可以根據這些ADTP的差異來區分不同的調制格式。

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簇幾乎連成一片，比較分散。隨著OSNR 的增加，16QAM 的三個彩色團簇也越來越明顯(如圖6(b)～(d)所示)。因此，我們同樣可以根據這些ADTP的差異來區分不同的OSNR。

圖6 16QAM 不同光信噪比下的異步延時抽頭采樣圖

1.2 二值卷積神經網絡模型

二值卷積神經網絡是在浮點型(權重值和激活函數值存儲類型，32 bit)神經網絡的基礎上，將其權重和激活函數的數值進行二值化(＋1或－1，1 bit)得到的卷積神經網絡。B-CNN 可用于嵌入式或移動場景(例如手機端、可穿戴設備、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]。

二值卷積神經網絡降低復雜度的方式主要有兩方面:首先，將二值化后的權值代替原有的全精度權值來降低網絡在訓練和識別階段的內存占用；然后，利用二值化近似的輸入和權值，將每一層中計算量最大的乘法運算轉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網絡二值化的簡化過程。

首先，在前向傳播過程中，按式(2)所示對全精度卷積網絡的權值矩陣w中的每個參數進行二值化得到

式中w為全精度卷積神經網絡權值矩陣中的權值，其中w∈R(c f*w f*h f)；w b為二值化后權值矩陣中的權值，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、寬度和長度。

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

式中X bk為二值卷積神經網絡第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、寬度和長度。

最后，需要在二值化卷積層將得到的節點值X b與權值w b進行卷積運算來降低計算復雜度，表達式如

式中L b(X b)為二值化網絡層的函數；?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過最大池化層時出現太多的“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，分別經過一個卷積核大小為4*4，通道數為3和一個卷積核大小同樣為4*4的卷積層，通道數為64的卷積層；再通過最大池化層進一步下采樣來減小數據量，提取有效特征值；然后經過一個平坦層，將三維特征拉伸成一維向量，再利用兩個全連接層加強網絡的非線性擬合能力。最后，BCNN 輸出MF及OSNR 結果。

圖7 本系統的二值卷積神經網絡模型

2 實驗系統搭建及結果分析

我們使用實驗系統搭建了如圖8所示的彈性光網絡光傳輸系統。首先，在發射機端利用65 GSa/s的任意波形發生器(AWG，Keysight M8195A)進行比特-符號映射、脈沖整形和預失真等預處理，生成28 GBaud 16QAM、32QAM 和64QAM 的電信號。平方根升余弦(Square Root Raised Cosine，SRRC)濾波器的偽隨機二進制序列和滾降因子分別設為215－1和0.75，發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，將傳輸的EON 信號送入摻鉺光纖功率放大器進行放大，將自發輻射噪聲源和光衰減器組合在一起調整光纖鏈路的信噪比。因為更高階的調制格式需要更大的OSNR 值，所以對這三種調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行濾波，再經過光電檢測器將光信號轉成電信號，經過3 dB耦合器將電信號一分為二，第二路信號經過延時τ，得到兩路電信號并生成ADTP，再將得到的ADTP送入B-CNN 模型進行訓練。最后，將訓練好的網絡模型植入嵌入式平臺進行調制格式以及光信噪比的識別，并將識別結果顯示到終端。

圖8 28 GBaud 彈性光網絡實驗傳輸系統圖

本系統使用的數據集如下:調制格式識別任務共采用三種調制格式(16QAM，32QAM，64QAM)的數據集，數據集的OSNR 范圍為15～40 dB，OSNR 步長為1 dB，每個OSNR 值有400組數據，因此每種調制格式有6 400個樣本。OSNR 識別任務一共有三種調制格式(16QAM，32QAM，64QAM)。每種調制格式下每個OSNR 的樣本數為400，可得樣本集總數為400×16×3＝19 200。然后，我們隨機打亂數據集，分別取總樣本數的70%作為訓練集，其余30%作為測試集。每種格式都有一個特定的標簽向量，標簽的具體形式為一位有效編碼(One Hot)。此外，利用B-CNN 進行訓練及測試時，每經過一次數據遍歷(epoch)取100個數據團(batch)，每個數據團尺寸(batch size)設置為64。最終，基于訓練集得到的調制格式識別和OSNR 識別的迭代準確率如圖9所示。

圖9 二值化卷積神經網絡模型調制格式識別與光信噪比識別訓練集迭代曲線

從圖9我們可以發現，本系統對三種調制格式(16QAM、32QAM、64QAM)進行調制格式識別時，訓練集準確率曲線在前期(epoch1～epoch10)準確率從48.1%上升到98.3%，上升較為快速；中期(epoch11～epoch16)識別準確率穩定在99%左右，趨于平緩；后期(epoch17～epoch20)穩定在100%，經過18次迭代之后調制格式識別的準確率達到100%。而利用本系統進行OSNR 識別時，經過40次迭代之后，對于16QAM/32QAM/64QAM 三種信號的光信噪比識別準確率分別達到99.3%、98.6%和97.4%，達到預期效果。

如圖10所示，我們利用測試集分別對B-CNN 與浮點型卷積神經網絡(Float-Convolutional Neural Network，F-CNN)模型進行了性能對比。結果表明:對于調制格式識別任務，B-CNN 模型與F-CNN 模型準確率均為100%；對于OSNR 識別任務，利用F-CNN 進行16QAM、32QAM 和64QAM 識別的準確率分別為99.4%，99.1%和98.6%，而B-CNN 對于16QAM、32QAM 和64QAM 的準確率分別可達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[18]給出的結果，其中星號表示文獻[18]未對這2種調制格式進行OSNR 監測。對于調制格式識別任務，可發現文獻[18]與我們方案的調制格式識別準確率均可達到100%。對于OSNR 識別任務，文獻[18]對于100Gbps 16QAM 信號，在每個OSNR 取400張數據集條件下其OSNR 識別準確率為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 數據集為400張圖片時，得到的OSNR 識別準確率為99.1%。

圖10 測試集數據對二值卷積神經網絡和浮點型卷積神經網絡的識別準確率對比

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

表1 相同ARM 平臺下二值卷積神經網絡與浮點型卷積神經網絡復雜度對比

3 結論

本系統通過二值卷積神經網絡和異步采樣技術，基于嵌入式平臺對調制格式、光信噪比等彈性光網絡的重要參數進行識別，以達到在中間節點進行光性能監測的目的。實驗結果表明，對于三種調制格式(16QAM、32QAM、64QAM)的信號，本系統進行調制格式識別時準確率均為100%，光信噪比識別準確率分別為99.1%、98.5%和97.4%。與浮點型卷積神經網絡相比，二值神經網絡在識別準確率誤差損失低于1.3%的條件下，可實現內存占用下降為它的1/4，且執行時間縮短為它的1/3，更適合部署于資源有限的彈性光網絡中間節點。本系統證明了在嵌入式平臺上將ADTS技術和B-CNN 用于中間節點進行鏈路監測的可行性。在下一代彈性光網絡架構中，本系統有利于解決對于大容量光通信傳輸系統進行光性能監測、維護及管理的實際問題。