C114讯 5月8日消息（乐思）在今日举办的“当AI遇到光：智能光网络线上研讨会”上，北京邮电大学信息与通信工程学院教授、博士生导师顾仁涛发表了主题为《智能化光网络的发展与挑战》的演讲。在演讲中，他阐述了人工智能在光网络中的应用，并对现阶段两者融合的发展和挑战进行了详细剖析。
顾仁涛认为：“智能是光网络发展的外在需求和内在需求。现阶段，人工智能技术在光网络物理层和网络层获得了初步探索，并取得了良好的效果；但光网络的智能化仍面临挑战，有待在算法和应用方面继续探索。”
光网络的发展需求广阔
在演讲中，他从业务和网络发展两个层面解析了光网络面临的挑战和问题。以5G这个新兴业务发展趋势为例，具有三大场景的5G需求概括起来就是速度快、连接数多、密度大，超低时延要求和可靠性要求也有很大提升。这就对光网络提出了“大、快、杂”的技术要求。 “大”指的是流量大、网络大。 “快”主要是指快速响应，速度快就必须实现协同。“杂”体现在业务杂和节点杂，层次多。
顾仁涛指出，从光网络自身发展趋势来看，已然呈现出大规模、宽谱域两个特点。首先，光交换设备下沉和工业互联网兴起使得光节点增加；其次，OSU技术兴起和光网络服务属性增强使得光连接规模增加；扩展光网络频谱以及新型光器件共同造成了光信道数目密集增加。
“这些因素共同作用下，导致光网络呈现出大规模、强关联、高耦合的特点。我们发现，现阶段，大规模宽谱域光网络的控制面临四大问题——特征模糊、规律隐含、空间巨大以及决策困难。”他表示。
要想解决这些问题，顾仁涛认为，不能再采用原有的规划思路或者优化思路去看现在的网络，需要引入机器学习或人工智能的手段。目前来看，光网络需要进入新智能化阶段：利用“神经”高效协同控制，避免过度资源预留，提升网络反应速度；通过“大脑”智能感知处理，准确预判物理层状态，实时调整网络层配置。从整体来看，将人工智能进入光网络中需要具有四大功能特点：在线实时运行、特征自动提取、规律自动挖掘、自学习自适应。
人工智能在光物理层和网络层的应用
顾仁涛表示，人工智能在光网络中已经在物理传输层面和组网层面得到了初步应用。
从物理传输层面看，人工智能已经用于光性能监测、非线性补偿、信号判决、故障检测等方向。在光性能监测方面，人们利用支持向量机（SVM）和主成分分析（PCA）监测网络信号的实时质量，预测网络运行和业务传输质量；通过OSNR/非线性噪声、色散等参数，判断是否满足传输标准。在非线性补偿方面，为应对速率提高引发超密信道间隔和高信号功率问题，“可以使用神经网络和支持向量机等模型，学习训练针对非线性效应的补偿参数，结合先进信号处理（DSP）技术，实现在线、离线的非线性损伤补偿。” 顾仁涛称。在信号判决方面，传统方法通常采用最小欧氏距离判决准则，而在非线性噪声场景中只能采用最大后验概率判决准则。已有相关专家使用机器学习算法寻找最优信号判决，即利用机器学习算法的非线性拟合能力，拟合出信号的最大后概率分界平面。在故障检测方面，提前观测光信号特性参数的变化，预测光器件故障发生，将使系统能够提前进行故障恢复或者业务保护，提高网络的可靠性。这一问题通常需要利用机器学习的分类技术，实现故障预测与诊断。
从组网层面看，人工智能的应用场景更丰富些。一是流量预测，增强网络的需求探测能力，为光网络前摄性资源调度优化和网络重构提供依据。预测问题通常被建模为拟合问题，输入为历史窗口内的流量变化。传统方法采用序列预测的模型；而机器学习算法取得的效果更好，能够挖掘更多因素，学习能力更强，对噪声和异常采样也通常具有更强的抵御能力。
二是快速路由规划。SPF方式面临着拥塞率和可扩展性方面的挑战，而基于启发式算法的路由决策时间复杂度过高。通过监督学习拟合最优路由、利用强化学习动态迭代生成最优决策，这些智能方法将保证路由最优性和计算时间的更佳折中，应对网络和业务的变化能力也会进一步增强。
三是业务驱动的光网络重构。传统光网络大多被动地接受高层请求，完成面向业务地自动适应能力。这里则希望采用LSTM等预测下一时刻地流量分布；基于神经网络获得当前流量分布最佳光连接请求；实现面向业务的光网络自主重构。
四是光网络资源分配。与路由类似，传统方法在资源分配上，同样面临着灵活度差，时效性差的弊端。网络的多维度参数，决定了可行解空间很大；神经网络、强化学习、图神经网络等方法将有助于解决超大可行解空间的搜索问题。
五是光路质量估计。光损伤的复杂性使对新建光路和已有光路传输质量难以估计。基于传统高斯信道模型建模，计算量大，准确率低。使用机器学习技术能减少对纯建模手段的依赖，充分使用历史数据，发现专家知识未覆盖的规律和特征。
最后一个应用案例网络告警关联分析：多类型设备混合组网加大了网络故障源的分析难度，告警位置及状态同真实故障位置及成因存在不一致的情况。这时需要利用机器学习技术挖掘历史日志信息中告警信号的关联性，以便于在网络真实运行时定位故障真正位置。
面临的挑战与解决思路
顾仁涛总结道：“光网络和人工智能真正融合之后还面临几点挑战：决策的合规性、高维空间表征、模型泛化能力、模型可解释性。”
面对这些挑战，顾仁涛指出以下几个潜在解决思路：建立新的AI应用模式，强化模型测试；采用数据预处理、进行高维空间压缩；开展小扰动下网络调优、应用联邦迁移学习；数据挖掘与规则设计相结合。
顾仁涛强调：“光网络智能化这一路的风景虽好，但我们仍然在路上。因此，需要学术界和产业界共同努力，把人工智能真正运用到光网络当中，把光网络变得更加智能化，支撑整个信息基础设施的发展。”
