北京邮电大学顾仁涛：智能化是光网络发展的迫切需求，急需在算法和应用层面不断探索“在线网络研讨会”，北京邮电大学教授、博士生导师顾仁涛北京邮电大学信息与通信工程学院发表了以《智能化光网络的发展与挑战》为主题的演讲。他在演讲中阐述了人工智能在光网络中的应用，并详细分析了现阶段两者融合的发展和挑战。顾仁涛认为：“智能化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的物理层和网络层已经有了初步探索，并取得了很好的效果；但智能化是光网络发展的关键。”光网络仍面临挑战，我们需要在算法和应用方面继续探索。”光网络发展需求广阔在演讲中，他从业务和网络发展两个层面分析了光网络面临的挑战和问题。以5G这一新兴业务发展趋势为例，5G三大场景的需求可以概括为速度快、连接数大、高密度、超低时延要求和可靠性要求也有了很大的提升。这就对光网络提出了“大、快、杂”的技术要求。“大”是指大流量、大网络。“快”主要是指反应快，速度快必须做到协调。“杂”体现在业务的杂和节点的杂、多层次。顾仁涛指出，从光网络本身的发展趋势来看，已经呈现出大规模和广谱域两大特点。一是光交换设备的下沉和工业互联网的兴起，增加了光节点数量；其次，OSU技术的兴起和光网络服务属性的增强，增加了光连接的规模；光网络频谱的扩展和新型光器件共同导致光通道数量的密集增加。“在这些因素的综合作用下，光网络具有规模大、相关性强、耦合度高的特点。我们发现，现阶段，大规模广谱光网络的控制面临四大问题——模糊的特征和隐含的规律，巨大的空间和艰难的决策，“他说。为了解决这些问题，顾仁涛认为，我们不能再用原来的规划思路或优化思路来看待当前的网络，我们需要引入机器学习或人工智能，目前光网络需要进入智能化新阶段：用“神经”高效协同控制，避免过度资源预留，提高网络响应速度；用“大脑”智能感知处理，精准预测物理层状态和实时调整网络层配置。总体而言，将人工智能引入光网络需要具备四个功能特性：在线实时运行、自动特征提取、自动规则挖掘、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，光网络人工智能在物理传输层和网络层已经有了初步应用。从物理传输的角度来看，人工智能已经应用于光性能监测、非线性补偿、信号判断、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）来监测网络信号的实时质量，预测网络运行和业务传输质量；使用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，为应对速度提升带来的信道间隔超密、信号功率过大等问题，可采用“神经网络和支持向量机等模型，对补偿参数进行学习和训练”非线性效应，结合先进的信号处理（DSP）技术，实现在线和离线非线性损伤补偿。”顾仁涛表示，在信号判断方面，传统方法通常采用最小欧氏距离决策准则，但在非线性噪声场景下，只能采用最大后验概率决策准则，相关专家通过机器学习算法寻找最优信号决策，即利用机器学习算法的非线性拟合能力，对信号的最大后验概率边界面进行拟合。在故障检测方面，提前观察光信号特征参数的变化，预测光器件的发生故障将使系统提前进行故障恢复或业务保护，提高网络可靠性，这个问题通常需要使用机器学习分类技术来实现故障预测和诊断。从网络的角度来看，人工智能的应用场景是更丰富。首先是t流量预测，增强网络需求检测能力，为光网络主动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，输入是历史窗口内的流量变化。传统方法使用序列预测模型；而机器学习算法的效果更好，能挖掘的因素更多，学习能力更强，通常对噪声和异常采样的抵抗力更强。二是快速路线规划。SPF方法面临拥塞率和可扩展性的挑战，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，这些智能方法将确保路由最优性和计算时间之间更好的折衷，应对网络和业务变化的能力将进一步增强。三是业务驱动的光网络改造。传统光网络大多被动接受高层请求，完成面向业务的自动适配能力。这里希望利用LSTM等来预测下一时刻的流量分布；基于神经网络获取当前流量分配的最佳光连接请求；实现面向业务的光网络自主改造。四是光网络资源分配。与路由类似，传统方法在资源分配上也存在灵活性差、时效性差的缺点。网络的多维参数决定了可行解空间非常大；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。五是光路质量评价。光损伤的复杂性使得新光路和现有光路的传输质量难以估计。基于传统的高斯信道模型建模计算量大，精度低。机器学习技术的使用可以减少对纯建模方法的依赖，充分利用历史数据，发现专家知识未涵盖的规律和特征。最后一个应用案例是网络告警关联分析：多种设备混合组网增加了分析网络故障源的难度，告警位置和状态与真实故障位置和原因不一致。这时候就需要利用机器学习技术，挖掘历史日志信息中告警信号的相关性，从而在网络实际运行时定位到故障的真实位置。挑战与解决方案顾仁涛总结道：“光网络与人工智能真正融合之后，还存在几个挑战：决策的合规性、高维空间表示、模型的泛化能力、模型的可解释性。”面对这些，顾仁涛指出了以下可能的解决方案：建立新的人工智能应用模型，加强模型测试；使用数据预处理和高维空间压缩；进行小扰动下的网络优化，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：“光网络智能化之路虽然美好，但我们还在路上。因此，需要学术界和产业界共同努力，真正将人工智能应用到光网络中，让光网络更加智能。、支持整个信息基础设施的发展。”
