SDN控制器以及光通信设备的光信噪比预测方法
技术领域
本发明涉及光通信技术领域，特别是指一种SDN控制器以及光通信设备的光信噪比预测方法。
背景技术
随着互联网技术的蓬勃发展，光网络向着超高速大容量方向发展，网络规模日益庞大，光网络结构越来越复杂，网络中光路径不断延长，这必然导致网络中光信号传输受到各种物理层损伤的影响。光信号损伤造成端到端的误码率较高，不仅影响了传输质量，甚至导致阻塞率偏高。因此保障通信可靠性就非常重要。优化对光传输网络资源的配置及业务的部署，提升光传输网络的稳定性及可靠性。
由于长距离传输导致的光域中功率损耗、光信号和色散等传输损伤的积累，光信号的传输质量将劣化，也许无法满足接收机对传输信号质量的要求，进而不能在光信号中解析出正确的相关信息。
在光通信设备中，物理层最重要的参数就是光信噪比，其值的大小直接决定了业务能否正常运行，在接收机中光信噪比(OSNR)一旦不能满足要求，将会造成传输错误或失败、服务质量降低、传送消耗增加等问题。
综上所述，准确高效的OSNR预测是十分必要的，因此需要设计有效的OSNR预测方法，以实现更加准确高效的性能监控，从而为保障通信的传输质量奠定基础。
针对光通信设备OSNR预测主要有两大方向，一类是基于解析公式的先验知识方案，另一类是基于历史数据和机器学习算法的后验知识方案，基于解析公式的算法方案一般很难将OSNR的影响因素考虑完全，造成预测准确率降低，基于机器学习算法的方案存在缺乏训练集的问题，也会导致预测性能降低。
事实上，目前在OSNR预测领域，人工智能算法占据半壁江山。但是，这些人工智能模型直接应用于实际场景难度较大，因为它们都需要大量的数据集进行模型的训练，但在实际场景中，有效的设备数据会很少，从而无法满足模型预测精度的要求。
发明内容
有鉴于此，本发明的目的在于提出一种SDN控制器以及光通信设备的光信噪比预测方法，与现有基于解析公式的先验知识方案相比，可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；与现有的基于历史数据和机器学习算法的后验知识方案相比，训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。
基于上述目的，本发明提供一种光通信设备的光信噪比预测方法，包括：
采集被测光通信设备的OSNR预测相关的当前网络状态信息；
针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；
将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；
其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。
其中，所述神经网络模型具体根据如下方法预先训练得到：
采集所述被测光通信设备的OSNR预测相关的历史网络状态信息；
针对采集的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果；
对于每组历史网络状态信息，将该组历史网络状态信息，以及对应的OSNR先验预测结果，组成一组输入数据；将对应于该组历史网络状态信息的实际OSNR检测结果，作为该组输入数据对应的标签数据；
根据多组输入数据及其对应的标签数据生成所述训练集；
将训练集中的各组输入数据依次输入神经网络模型，对神经网络模型进行训练：对于训练集中的每组输入数据，将该组输入数据输入到神经网络模型后，根据神经网络模型的输出与该组输入数据所对应的标签数据之间的差异，对神经网络模型的参数进行调整。
本发明还提供一种SDN控制器，包括：
数据获取模块，用于获取被测光通信设备的OSNR预测相关的当前网络状态信息；
OSNR先验预测结果运算模块，用于针对所述被测光通信设备的OSNR预测相关的当前网络状态信息，基于先验知识的算法进行OSNR运算，得到OSNR先验预测结果；
OSNR最终预测模块，用于将所述被测光通信设备的OSNR预测相关的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；
其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。
本发明的技术方案中，采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。从而通过在基于后验知识的神经网络模型里引入先验知识，使得神经网络模型能有效地降低训练复杂度，从而与现有的解析学习模型相比，本发明的技术方案可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；同时，与现有的神经网络学习模型相比，本发明的技术方案训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用于光通信设备的光信噪比预测的神经网络模型的训练方法流程图；
图2为本发明实施例提供的一种SDN网络的架构示意图；
图3为本发明实施例提供的一种训练深度神经网络的示意图；
图4为本发明实施例提供的一种光通信设备的光信噪比预测方法流程图；
图5为本发明实施例提供的一种SDN控制器的内部结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本发明的技术方案，提出了一种混合式机器学习方案，用先验知识去改善后验知识方案的弱点，该方案可结合先验知识和后验知识两大方案的优点对光通信设备进行OSNR预测。
本发明的技术方案中，将先验知识与后验知识相结合，建立了混合式机器学习模型，通过在基于后验知识的神经网络模型里引入先验知识，使得神经网络模型能有效地降低训练复杂度，从而与现有的解析学习模型相比，本发明的技术方案可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；与现有的神经网络学习模型相比，本发明的技术方案训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。
下面结合附图详细说明本发明实施例的技术方案。
本发明实施例提供的一种应用于光通信设备的光信噪比预测的神经网络模型，可以是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对采集的历史网络状态信息，基于先验知识进行OSNR运算得到的预测结果生成的。具体地，所述神经网络模型的训练方法，流程如图1所示，包括如下步骤：
步骤S101：采集被测光通信设备的OSNR预测相关的历史网络状态信息。
具体地，在图2所示的软件定义网络(SDN)中，包括控制平面、数据平面，以及应用平面；控制平面中的SDN控制器由主流控制器ONOS(开放网络操作系统)实现，并且引入人工智能引擎Tensorflow赋予控制平面实现人工智能算法的能力；在数据平面的底层网络包括两个光通信设备A1、A2；A1、A2之间有一个掺铒光纤放大器(EDFA)进行信号损失补偿；
数据平面的光通信设备中的数据采集模块可以根据控制平面的SDN控制器下发的统计策略抓取网络数据信息，并进行必要的数据预处理工作，然后将数据的预处理结果上报给SDN控制器：
光通信设备中的数据采集模块可以根据控制平面的SDN控制器下发的统计策略采集的OSNR预测相关的历史网络状态信息可以包括：历史传输数据的调制格式、链路长度、EDFA的噪声系数、WDM的通道占用率、功率，被测通道标志位等相关数据。
光通信设备中的数据采集模块可以对采集的历史网络状态信息的数据进行预处理；数据预处理包括数据标准化和数据存储操作。数据标准化指对数据信息进行标准化，包括数据各项指标翻译、去除冗余数据、格式转换、制作成神经网络模型可以直接使用的数据类型等。数据存储指将数据标准化处理后的数据信息存储到数据库后，上报至控制层的SDN控制器。
步骤S102：针对采集的历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果。
具体地，控制层的SDN控制器在得到光通信设备上报的、经预处理后的历史网络状态信息后，针对每组历史网络状态信息，运用基于先验知识的算法计算相应的OSNR值，得到相应的OSNR先验预测结果；基于先验知识的算法有很多，比如适合在普通的低速、静态、短途光纤通信OSNR测试领域应用的扫频解析法，适合长距离、高速率、大容量场景的偏振相关测试法以及各种特定场景下的公式法，可根据应用场景选择适用的算法进行计算；例如，OSNR先验预测结果可以根据如下公式1、2计算得到：
OSNR＝Pout-∑PASE (公式1)
PASE＝-58+NF+G(公式2)
其中，OSNR为运用基于先验知识的算法计算得到的值，Pout为光通信设备的输出功率，∑PASE为光通信设备的输出端噪声功率，单个放大器噪声功率PASE由放大器噪声系数NF和放大器增益G计算得出。
步骤S103：基于采集的历史网络状态信息，以及运算得到的OSNR先验预测结果生成训练集。
具体地，SDN控制器对于光通信设备上报的每组历史网络状态信息，将该组历史网络状态信息，以及针对该组历史网络状态信息运算得到的OSNR先验预测结果，组成一组输入数据；将对应于该组历史网络状态信息的实际OSNR检测结果，作为该组输入数据对应的标签数据。
根据多组输入数据及其对应的标签数据生成所述训练集，即SDN控制器将若干组输入数据及其对应的标签数据划分到训练集，将其它组输入数据及其对应的标签数据划分到验证集。
步骤S104：基于得到的训练集对神经网络模型进行训练。
具体地，SDN控制器基于得到的训练集对神经网络模型进行训练：将训练集中的各组输入数据依次输入神经网络模型，对神经网络模型进行训练，直至神经网络模型已经收敛：
对于训练集中的每组输入数据，将该组输入数据输入到神经网络模型后，根据神经网络模型的输出与该组输入数据所对应的标签数据之间的差异，对神经网络模型的参数进行调整。所述神经网络模型具体可以是深度神经网络、或者卷积神经网络、或者长短期神经网络。
对本发明的神经网络模型的训练方式与传统机器学习模型一致，可采用常用的梯度下降等方式进行模型训练。例如，如图3所示，以深度神经网络为例，将训练集中的输入数据，即一组历史网络状态信息，以及针对该组历史网络状态信息运算得到的OSNR先验预测结果，从深度神经网络的输入层输入，从深度神经网络的输出层获取深度神经网络输出的OSNR预测值；根据深度神经网络输出的OSNR预测值与输入数据对应的标签数据，即该组历史网络状态信息的OSNR先验预测结果之间的差异，对深度神经网络的参数进行调整。
本发明实施例提供的一种光通信设备的光信噪比预测方法，流程如图4所示，包括如下步骤：
步骤S401：采集被测光通信设备的OSNR预测相关的当前网络状态信息。
具体地，被测光通信设备将采集的OSNR预测相关的当前网络状态信息发送给SDN控制器。
步骤S402：针对采集的当前网络状态信息，基于先验知识进行OSNR运算。
具体地，SDN控制器针对所述被测光通信设备发送的当前网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果。
步骤S403：将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到预先训练得到的神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果。
具体地，SDN控制器将所述被测光通信设备发送的当前网络状态信息，以及根据所述被测光通信设备发送的当前网络状态信息运算得到的相应的OSNR先验预测结果，输入到预先训练得到的神经网络模型中；
SDN控制器根据神经网络模型的输出，得到所述被测光通信设备的最终OSNR预测结果。
最终，软件定义网络(SDN)中的应用平面可以根据SDN控制器得到的光通信设备的最终OSNR预测结果进行性能优化。
上述的SDN控制器的一种内部结构如图5所示，包括：数据获取模块501、OSNR先验预测结果运算模块502、OSNR最终预测模块503。
数据获取模块501用于获取被测光通信设备的OSNR预测相关的当前网络状态信息；
OSNR先验预测结果运算模块502用于针对所述被测光通信设备的OSNR预测相关的当前网络状态信息，基于先验知识的算法进行OSNR运算，得到OSNR先验预测结果；
OSNR最终预测模块503用于将所述被测光通信设备的OSNR预测相关的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；
其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。
进一步，上述的SDN控制器还可包括：神经网络模型训练模块504。
神经网络模型训练模块504用于针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果；对于每组历史网络状态信息，将该组历史网络状态信息，以及对应的OSNR先验预测结果，组成一组输入数据；将对应于该组历史网络状态信息的实际OSNR检测结果，作为该组输入数据对应的标签数据；根据多组输入数据及其对应的标签数据生成所述训练集；将训练集中的各组输入数据依次输入神经网络模型，对神经网络模型进行训练：对于训练集中的每组输入数据，将该组输入数据输入到神经网络模型后，根据神经网络模型的输出与该组输入数据所对应的标签数据之间的差异，对神经网络模型的参数进行调整。
本发明实施例提供的一种交易趋势的预测装置中各模块的具体功能的实现方法可参考上述图1、4所示流程各步骤中的方法，此处不再赘述。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
本发明的技术方案中，采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。从而通过在基于后验知识的神经网络模型里引入先验知识，使得神经网络模型能有效地降低训练复杂度，从而与现有的解析学习模型相比，本发明的技术方案可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；同时，与现有的神经网络学习模型相比，本发明的技术方案训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
