基于机器学习的光网络监测与优化方法

近年来，许多新型调制和复用技术以及动态网络概念被提出，以适应不断提高的网络带宽和质量需求。网络控制平台向系统化、智能化趋势发展，要求网络管理者不断监测网络各项参数，时刻优化网络状态。然而，大范围部署额外的监测设备获取参数信息从成本控制的角度缺乏可行性，利用已知数据与特殊算法进行网络性能监测和优化是更优的选择。机器学习方法因为其足够准确和高效逐渐被学术界采纳用于完成上述任务。文章梳理了在光网络监测与优化任务中使用机器学习算法的不同应用场景，综述了该领域的研究成果，并提出了现存的基于机器学习的光网络监测与优化方法存在的问题及可能的进一步研究的方向。基于机器学习的光学性能监测包括光学损伤辨别、信道质量评估以及通道功率预测，基于机器学习的网络配置优化方法包括强化学习优化通道功率。进一步研究方向可以考虑加强与运营商的合作，使用真实的现场数据，不断获取数据动态训练模型，并使用迁移学习和数据增强等技术，以保证算法的鲁棒性与泛化能力。