面向弹性光网络中间节点的嵌入式光性能监测系统

周唐磊曹领国毕岩峰王志国许恒迎白成林

(1.聊城大学 物理科学与信息工程学院，山东 聊城 252059；2.聊城大学 山东省光通信重点实验室，山东 聊城 252059)

0 引言

随着以超高速光通信为基础的5G 网络、大数据分析、虚拟现实(Virtual Reality，VR)、物联网(Internet of Things，IOT)、点对点(Peer-to-Peer，P2P)文件共享等数据服务的发展，全球数据流量呈指数级增长。此外，据思科预测，全球网络互连协议(Internet Protocol，IP)总流量将以平均24%的复合年增长率增长。由于流量需求的爆炸式增长，超高速光通信的需求不断增加。近年来弹性光网络(Elastic Optical Network，EON)技术的出现，使收发机弹性可调，可实现高频谱效率的自适应带宽分配[1，2]。弹性光网络根据波分复用的信道特性，使不同的调制格式自适应地给每个复用信道分配不同的带宽。此外，它使用可重构光分插复用器(ROADMs)、灵活的收发器和软件定义网络(Software Defined Network，SDN)控制器，最大程度上发挥弹性光网络的信息传输能力。因此，需在弹性光网络中监控各种网络性能参数，以优化资源利用和分配足够的系统余量。

为使光网络朝着高速率、大容量、低成本、有弹性以及可重构的方向发展，根据弹性光网络能够自适应地将不同调制格式分配给不同用户的特性，接收器应该从接收信号端进行调制格式(Modulation Format，MF)、光信噪比(Optical Signal-to-Noise Ratio，OSNR)等重要参数的识别，以正确恢复出原始信息。光性能监测(Optical Performance Monitoring，OPM)成为开发下一代具有超低延迟和自适应性的自主光网络的普遍需要[3]。下一代的弹性光网络中，作为光性能监测的先验知识，调制格式可能随着网络的变化动态地改变，必须提前己知或从上层协议中获得。但从上层协议获取调制信息需要增加额外的通信，从而造成网络臃肿。因此，实现弹性光网络中间节点处的调制格式识别具有重要意义[4-10]。另一方面，高斯白噪声的存在极大程度地限制高速率信号的传输性能。光信噪比常用来衡量信号受高斯白噪声干扰的程度，灵活高效的光信噪比识别技术在保证信号正确、高速的传输中起到愈加重要的作用，因此必须在弹性光网络中间节点处对信号的光信噪比值进行实时且准确地识别[11，12]。在弹性光网络中间节点处的MF 和OSNR 识别是OPM中必不可少的一环[13-16]。如图1所示，若在物理层中间节点部署嵌入式监测系统，并将结果返回到弹性光网络控制层，对于运营商进行光链路路径选择、故障监测等具有重要的实用价值[17]。

图1 应用于中间节点的光性能监测系统示意图

由于机器学习算法特征自提取、准确率高、可靠性高等优势，基于机器学习(Machine Learning，ML)尤其是深度神经网络的OPM 技术已经成为在可靠性、质量和实现效率等许多方面的重要解决方案。如四川大学的付佳成等人结合卷积神经网络和异步延时采样技术，实现对调制格式和光信噪比的实时监测[18]，但该技术在硬件资源有限的中间节点进行OPM 时复杂度较高。因此，迫切需要开发智能化、低成本、低功耗、高精度以及应用范围广的光性能监测系统。基于以上需求，本系统采用比传统卷积神经网络复杂度更低的二值卷积神经网络(Binary-Convolutional Neural Network，B-CNN)算法和异步延时抽头采样(Asynchronous Delay-Tap Sampling，ADTS)技术，研究更加高效、准确、低成本的光性能监测系统。

1 原理

图2给出了基于Acorn RISC Machine(ARM)架构及B-CNN 和ADTS采样技术的光性能监测系统原理框图。我们以在节点A 与节点B之间进行光链路OPM 为例，首先将节点A、B之间的光信号经光电检测转化为电信号；其次进行模数转换后，利用ADTS技术将电信号生成异步延时抽头采样图(Asynchronous Delay-Tap Picture，ADTP)；再将ADTP送入到基于ARM 的嵌入式系统，由该系统结合B-CNN 及ADTP进行调制格式识别和OSNR 估计。最后，将OPM 结果送入到弹性光网络控制器。

图2 基于二值卷积神经网络和异步延时抽头采样技术的光性能监测系统原理框图

此外，图3为识别模块的嵌入式平台的硬件结构图。本系统使用的嵌入式平台硬件包括64 位主频1.5 GHz的ARM Cortex-A72芯片，4 GB内存和低速模数转换器。操作系统为Linux系统，系统使用基于Python语言的Tensorflow、Keras深度学习框架搭建B-CNN。

图3 识别模块的嵌入式平台硬件结构图及实物图

1.1 异步延时抽头采样图

在EON 的中间节点，首先将待监测光信号送入光电探测器，实现光信号转换为电信号之后，再使用一个3 dB耦合器将原信号分为功率相同的两路信号[15]。

如图4所示，分别以400 MHz的采样频率(Tsampling)对两路信号进行低速率下的异步采样，得到两路低速率采样信号p i和q i。我们在第i时刻处采样得到的第一路信号p i和第二路信号q i组合成二维矩阵坐标点(p i，q i)，需注意每组样本对qi间隔需时延τ，即满足

图4 异步延时抽头采样原理

式中τ为时间延时，取值为1/4倍的符号周期。以第一个采样点举例来说，第一路信号采得的第一个采样点p1与第二路信号采得的第一个采样点q1组合得到第一个采样对(p1，q1)，它们之间的时间间隔为τ。如果对第i时刻不断重复地进行采样，最终得到样本集合(p i，q i)，以p i为x轴，q i为y轴画出散点密度直方图，最终得到异步延时抽头采样图。

图5给出了OSNR 为25 d B时，16QAM、32QAM和64QAM 的异步延时抽头采样图。由图5 可以看出，不同调制格式的ADTP沿对角线方向存在明显差异，16QAM 的ADTP存在3个深浅程度不同的彩色团簇，对于32QAM 则存在5个团簇，64QAM 存在9个团簇。由此，我们可以根据这些ADTP的差异来区分不同的调制格式。

图5 OSNR 为25dB下16QAM，32QAM 和64QAM 的异步延时抽头采样图

图6给出了当OSNR 从15 dB递增至30 dB时，16QAM 信号的ADTP的变化。从图6(a)可以看出，在低OSNR 下，ADTP的对角线的三个彩色团簇几乎连成一片，比较分散。随着OSNR 的增加，16QAM 的三个彩色团簇也越来越明显(如图6(b)～(d)所示)。因此，我们同样可以根据这些ADTP的差异来区分不同的OSNR。

图6 16QAM 不同光信噪比下的异步延时抽头采样图

1.2 二值卷积神经网络模型

二值卷积神经网络是在浮点型(权重值和激活函数值存储类型，32 bit)神经网络的基础上，将其权重和激活函数的数值进行二值化(＋1或－1，1 bit)得到的卷积神经网络。B-CNN 可用于嵌入式或移动场景(例如手机端、可穿戴设备、自动驾驶汽车等)。这些场景都没有图形处理器(Graphic Processing Unit，GPU)且计算能力和存储容量相对较弱且限制较大，因此B-CNN 具有重要的实用研究价值[19]。

二值卷积神经网络降低复杂度的方式主要有两方面:首先，将二值化后的权值代替原有的全精度权值来降低网络在训练和识别阶段的内存占用；然后，利用二值化近似的输入和权值，将每一层中计算量最大的乘法运算转换成加减法或位运算。下面以卷积块二值化为例，具体说明本方案对全精度卷积神经网络二值化的简化过程。

首先，在前向传播过程中，按式(2)所示对全精度卷积网络的权值矩阵w中的每个参数进行二值化得到

式中w为全精度卷积神经网络权值矩阵中的权值，其中w∈R(c f*w f*h f)；w b为二值化后权值矩阵中的权值，w b∈{＋1，－1}(c f*w f*h f)，其中c f，w f及h f分别表示卷积核的通道数、宽度和长度。

然后，在每层的前一层之前增加一个节点值为X b的二值化激活层来代替原本的线性整流函数(Rectified Linear Unit，ReLU)激活层，替代过程如

式中X bk为二值卷积神经网络第k层的输入；L(X(k－1))为第k个二值化激活层的值，其中X bk∈{＋1，－1}(c*w*h)，c、w、h分别表示输入图像的通道数、宽度和长度。

最后，需要在二值化卷积层将得到的节点值X b与权值w b进行卷积运算来降低计算复杂度，表达式如

式中L b(X b)为二值化网络层的函数；⊗为卷积运算。此外，我们还在卷积操作前添加归一化层(Batch Normal)以防止二值化激活层在经过最大池化层时出现太多的“1”。

具体的B-CNN 模型如图7所示。该模型由2个卷积层，1层池化层和2个全连接层组成。首先将64*64*3的ADTP作为输入特征，分别经过一个卷积核大小为4*4，通道数为3和一个卷积核大小同样为4*4的卷积层，通道数为64的卷积层；再通过最大池化层进一步下采样来减小数据量，提取有效特征值；然后经过一个平坦层，将三维特征拉伸成一维向量，再利用两个全连接层加强网络的非线性拟合能力。最后，BCNN 输出MF及OSNR 结果。

图7 本系统的二值卷积神经网络模型

2 实验系统搭建及结果分析

我们使用实验系统搭建了如图8所示的弹性光网络光传输系统。首先，在发射机端利用65 GSa/s的任意波形发生器(AWG，Keysight M8195A)进行比特-符号映射、脉冲整形和预失真等预处理，生成28 GBaud 16QAM、32QAM 和64QAM 的电信号。平方根升余弦(Square Root Raised Cosine，SRRC)滤波器的伪随机二进制序列和滚降因子分别设为215－1和0.75，发射激光器和相干接收本振激光器的中心波长均为1 550 nm。其次，将传输的EON 信号送入掺铒光纤功率放大器进行放大，将自发辐射噪声源和光衰减器组合在一起调整光纤链路的信噪比。因为更高阶的调制格式需要更大的OSNR 值，所以对这三种调制格式的信号采用不同的信噪比范围，16QAM 的OSNR 范围为15～30 dB，32QAM 的相应范围为20～35 dB，64QAM 的范围为20～35 d B。然后，用1 nm 带宽的光滤波器对信号进行滤波，再经过光电检测器将光信号转成电信号，经过3 dB耦合器将电信号一分为二，第二路信号经过延时τ，得到两路电信号并生成ADTP，再将得到的ADTP送入B-CNN 模型进行训练。最后，将训练好的网络模型植入嵌入式平台进行调制格式以及光信噪比的识别，并将识别结果显示到终端。

图8 28 GBaud 弹性光网络实验传输系统图

本系统使用的数据集如下:调制格式识别任务共采用三种调制格式(16QAM，32QAM，64QAM)的数据集，数据集的OSNR 范围为15～40 dB，OSNR 步长为1 dB，每个OSNR 值有400组数据，因此每种调制格式有6 400个样本。OSNR 识别任务一共有三种调制格式(16QAM，32QAM，64QAM)。每种调制格式下每个OSNR 的样本数为400，可得样本集总数为400×16×3＝19 200。然后，我们随机打乱数据集，分别取总样本数的70%作为训练集，其余30%作为测试集。每种格式都有一个特定的标签向量，标签的具体形式为一位有效编码(One Hot)。此外，利用B-CNN 进行训练及测试时，每经过一次数据遍历(epoch)取100个数据团(batch)，每个数据团尺寸(batch size)设置为64。最终，基于训练集得到的调制格式识别和OSNR 识别的迭代准确率如图9所示。

图9 二值化卷积神经网络模型调制格式识别与光信噪比识别训练集迭代曲线

从图9我们可以发现，本系统对三种调制格式(16QAM、32QAM、64QAM)进行调制格式识别时，训练集准确率曲线在前期(epoch1～epoch10)准确率从48.1%上升到98.3%，上升较为快速；中期(epoch11～epoch16)识别准确率稳定在99%左右，趋于平缓；后期(epoch17～epoch20)稳定在100%，经过18次迭代之后调制格式识别的准确率达到100%。而利用本系统进行OSNR 识别时，经过40次迭代之后，对于16QAM/32QAM/64QAM 三种信号的光信噪比识别准确率分别达到99.3%、98.6%和97.4%，达到预期效果。

如图10所示，我们利用测试集分别对B-CNN 与浮点型卷积神经网络(Float-Convolutional Neural Network，F-CNN)模型进行了性能对比。结果表明:对于调制格式识别任务，B-CNN 模型与F-CNN 模型准确率均为100%；对于OSNR 识别任务，利用F-CNN 进行16QAM、32QAM 和64QAM 识别的准确率分别为99.4%，99.1%和98.6%，而B-CNN 对于16QAM、32QAM 和64QAM 的准确率分别可达99.1%，98.5%和97.4%，可以看出B-CNN 可取得与F-CNN 类似的识别精度。此外，图10中紫色条框为文献[18]给出的结果，其中星号表示文献[18]未对这2种调制格式进行OSNR 监测。对于调制格式识别任务，可发现文献[18]与我们方案的调制格式识别准确率均可达到100%。对于OSNR 识别任务，文献[18]对于100Gbps 16QAM 信号，在每个OSNR 取400张数据集条件下其OSNR 识别准确率为99.69%。而本文所提出的“ARM＋B-CNN＋ADTP”方案，对于28 GBaud 16QAM 信号，每个OSNR 数据集为400张图片时，得到的OSNR 识别准确率为99.1%。

图10 测试集数据对二值卷积神经网络和浮点型卷积神经网络的识别准确率对比

此外，表1给出了“ARM＋B-CNN＋ADTP”与“ARM＋F-CNN＋ADTP”的内存占用对比，可以从侧面反映系统复杂度情况。我们可以看出:在同一系统硬件平台上，利用B-CNN 进行OSNR 识别任务时内存占用仅为5.6 MB，执行时间仅为0.196 s；而F-CNN 的 内 存 占 用 为19.2 MB，执 行 时 间 为0.612 s。因此，与F-CNN 相比，B-CNN 模型内存占用下降为原来的1/4，且执行时间缩短为原来的1/3。在硬件资源有限的弹性光网络中间节点进行光性能监测时，与文献[18]中99.69%的OSNR 识别准确率相比，B-CNN 方案的精度仅损失了0.59%，但复杂度大大降低。因此，我们这种基于B-CNN 和ADTS 技术的光性能监测系统具有较高的实用价值。

表1 相同ARM 平台下二值卷积神经网络与浮点型卷积神经网络复杂度对比

3 结论

本系统通过二值卷积神经网络和异步采样技术，基于嵌入式平台对调制格式、光信噪比等弹性光网络的重要参数进行识别，以达到在中间节点进行光性能监测的目的。实验结果表明，对于三种调制格式(16QAM、32QAM、64QAM)的信号，本系统进行调制格式识别时准确率均为100%，光信噪比识别准确率分别为99.1%、98.5%和97.4%。与浮点型卷积神经网络相比，二值神经网络在识别准确率误差损失低于1.3%的条件下，可实现内存占用下降为它的1/4，且执行时间缩短为它的1/3，更适合部署于资源有限的弹性光网络中间节点。本系统证明了在嵌入式平台上将ADTS技术和B-CNN 用于中间节点进行链路监测的可行性。在下一代弹性光网络架构中，本系统有利于解决对于大容量光通信传输系统进行光性能监测、维护及管理的实际问题。