一种基于异步采样的多参数光性能监测方法

本发明涉及光性能监测，具体涉及一种基于异步采样的多参数光性能监测方法。

背景技术：

1、各种先进光技术、光模块与光电器件的飞速发展，也共同推动着覆盖全球的光网络的产生与进化。作为互联网的主干，光纤通信网络承载着大量数据，以支持不断增长的用户数量和每个用户日益增长的带宽需求。为了满足这种需求，光网络传输系统和架构也在不断地经历各种技术迭代更新，如采用先进的调制格式、新的复用技术、弹性网络传输和可重构光分插复用器(roadm)等。这些技术引入的同时也增加了网络复杂性，并为光网络的管理带来了更多挑战。未来的光网络，尤其是接入网等面向客户端的网络，将逐渐从点对点的静态链接演化至动态可重构的弹性光网络。

2、为了保证动态光网络的全面运行和管理，光性能监测(opm)技术应运而生，以实现对动态光网络中各种参数的实时监测和分析。opm对保障光网络的稳定运行、优化网络资源配置并实现故障快速定位等方面具有重要意义，在传统的opm技术中，对各种参数的监测通常需要研究与其对应的数学模型，不同参数之间的监测方案往往很难兼容。而如今动态光网络的设计和运行通常十分复杂，除了必要的损伤监测外，还要求opm能够同时监测如调制格式、波特率、信息率、自适应带宽等多项参数。这些多参数间互相影响制衡，与传输信号构成复杂的函数关系，比如波特率越高的信号对cd越敏感、越高阶的调制格式对osnr的容忍度越低等。这种情况下，传统的opm技术难以完成对多参数联合监测系统的准确建模和分析。随着人工智能的快速发展，越来越多的机器学习方法被应用于光网络监测中，并取得了诸多重要研究成果。目前眼图，星座图，异步延迟抽头采样(adtp)等均可用来作为光性能监测的媒介，但其实施复杂度对系统和器件都提出了较高要求，提高了部署在光网络中的难度。同时，目前光接入网的发展迅猛，亟需准确的进行多参数监测技术来维持网络稳定。当前大部分的多参数光性能监测研究多面向相干通信场景，且多以正交幅度调制(qam)信号来进行联合监测性能的验证，而目前在短距光传输场景中对脉冲幅度调制(pam)信号的青睐日益增加。因此研究面向兼容qam及pam，尤其是高阶信道的多参数opm技术是非常必要的。随着概率整形技术在相干通信及imdd链路中的应用，数据净速率将由波特率和ps整形系数共同决定，因此也应进一步研究对ps参数的准确监测。

技术实现思路

1、为了克服以上技术问题，本发明的目的在于提供一种基于异步采样的多参数光性能监测方法，该方法采用异步直方图(aah)作为监测特征，具有低系统复杂度、低应用成本要求以及多参数联合准确监测的特点，为在光网络中节点的大规模部署提供了可能。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于异步采样的多参数光性能监测方法，包括以下步骤；

4、步骤(1)，构建pam信道传输系统；用于采集各种信号格式与信道参数组合下的离散时域幅度信号数据集，不同的信号格式与信道参数将同时、独立影响采集的离散信号数据集；

5、步骤(2)，对实时示波器接收到的异步直方图数据集预处理，生成异步直方图(aah)，用于提升监测准确率；

6、步骤(3)，将步骤(2)中得到的异步直方图送入经过参数优化后的lightgbm进行pam多参数监测的训练，并利用完成训练的lightgbm对不同参数的pam信号进行监测分类，多参数监测指对信号波特率、调制格式、滚降系数、概率整形系数、光信噪比以及色散进行同时监测。

7、所述步骤(1)具体为：

8、选取窄线宽光源作为光载波，数模转换器(dac)输出的多电平双极性电信号通过强度调制器加载到光载波上形成多阶pam信号光输出，其中强度调制器的dc偏压自动调整至mzm传递函数的正交点以实现强度调制；

9、所述数模转换器输出的vpp为350mv，满足位于强度调制器传递函数的线性区范围的条件，数模转换器输出的信号光通过可调谐色散补偿模块(tdcm)调节色散值以模拟传输环境中的累积色散，然后通过衰减器二和放大器二输出的信号光；

10、同时，使用ase噪声源产生的宽带光噪声经过光滤波器一、放大器一、衰减器一进行滤波、放大和衰减后与放大器二输出的信号光通过耦合器进行耦合，以模拟不同光信噪比(osnr)下的噪声环境；

11、耦合后的输出光分成两路，其中一路输入光谱仪中进行osnr测量，另一路信号经过光滤波器二滤除带外噪声，然后通过可调衰减器三将接收光功率动态控制在3dbm，以保证输出功率的稳定的同时，不超过探测器的量程，再经由光电探测器探测后输入至实时示波器进行采样，得到离散的时域幅度采样信号。

12、在数模转换器的输入端进行离线数字信号处理：

13、离线数字信号处理中发射端依次对信号进行概率整形、高阶pam调制符号映射、2倍上采样、rrc滚降滤波以及信号频域均衡(fde)，产生不同参数组合的m-pam数字信号；

14、在整形系数(ps)中，设置指定的符号信息率(air)，对不同阶数的pam寻找对应mb概率分布的系数λ，通过ccdm方案生成对应的多阶整形码型：

15、air＝n×log2 m 1

16、

17、按照式1改变n来改变符号air，m为pam调制阶数，n可称为ps系数，当n＝1时即对应等概分布时的m-pam码型。

18、进一步的，按照如下流程确定mb概率分布系数λ：

19、(1)确定ps系数n，计算指定air情况下m阶pam信号的熵值hm(x)；

20、(2)粗调分布系数，设置λ范围为[0,2]，间隔0.01，计算每种λ情况下的mb概率分布的熵值hλ(x)，找到离指定熵值hm(x)最近的两个λ值，λ1和λ2；

21、(3)细调分布系数，设置λ范围为[λ1,λ2]，间隔为0.001，计算每种λ情况下的mb概率分布的熵值并最终找到离指定熵值hm(x)最近的λ，即为该情况的mb分布系数。

22、在nyquist整形之前，对生成的高阶ps-pam码型进行上采样，在原始信号的相邻样本之间插入零值来实现上采样，采用2倍上采样，即在相邻样本之间插入1个零值，上采样后的ps-pam信号将进行rrc滚降滤波以实现nyquist整形，整形幅度由滚降系数来表征，其频域表达式为：

23、

24、为了在各波特率下实现较好的dac输出信号，需要通过对信号作fft后进行fde以弥补dac的带宽限制，即合理压缩信号的低频区域以配合高频分量的快速衰减，因此该fde滤波器的频域响应形状类似为高通滤波器，其频响可以通过dac器件得功率谱响应获得。

25、进一步的，按照如下流程进行信号频域均衡：

26、(1)将dac直接与电谱仪相连，dac的输出设置为多组0至40ghz等间隔正弦波的叠加，对应电谱仪上将得到响应功率谱，单位为dbm；

27、(2)将所测功率谱响应转换为线性单位，并减去电谱仪底噪功率，得到dac在各频率下的功率谱响应；

28、(3)对所得dac功率谱响应作平方根处理得到频响曲线，再对其取倒数并作多项式拟合，即得到所需fde滤波器在0至40ghz频率范围内的频响函数；

29、(4)将m-pam信号作fft变换后，在对应频率下与(3)中所得fde频响相乘再进行ifft变换即可得到均衡后的数字信号；

30、(5)最后将预处理的m-pam数字信号馈入20ghz 92gsa/s采样率数模转换器(dac)中得到输出的模拟电信号。

31、所述步骤(2)具体为：

32、在实时示波器中选择合适的振幅值范围构建异步幅度直方图(aah)，并将振幅统计信息转化为直方图的形式，设选择的振幅值范围为[amin,amax]，并将其分成m个等宽的区间(bins)，每个区间的宽度为δa；

33、先根据示波器的最小分辨率，与所需的m个区间数相乘来确定需要采集的振幅范围，此时的区间数m则为最大有效bins，通过调节区间宽度缩小bins数目；紧接着需要对每个区间内的振幅值出现次数进行统计，得到对应的aah；

34、得到原始aah数据后，通过sliding window平滑算法及averaged-xcorr互相关算法进行预处理；

35、所述sliding window平滑算法通过在时间序列数据上以固定的滑动步长滑动固定大小的窗口，并对窗口内的数据进行运算来平滑数据并降低噪声的影响；

36、其主要参数有：

37、(1)窗口长度：指窗口内所包含的数据点数量；

38、(2)滑动步长：指窗口每次移动的间隔大小，通常步长选择小于窗口长度以确保一定的重叠度；

39、(3)平滑算法：在每个窗口内，选择对数据进行各种统计操作，窗口内算法为简单滑动平均(sma)的sliding window参数设置，窗口内sma计算公式为：

40、

41、其中，yt是第t个数据点的滑动平均值，xi是第i个数据点的值，n是滑动窗口的大小，即计算平均值时考虑的数据点的数量。

42、对于机器学习网络训练时，同一类别数据集内的所有数据的主要特征点的位置标签对齐，通过计算同一数据集内的各数据间的互相关函数，找到相关值最大处对应的横坐标，并据此对信号进行平移，来进行特征对齐；

43、首先将同一类别数据集内的所有数据在每个bin上进行平均得到平均aah直方图xaveraged：

44、

45、上式中l表示数据集内的数据数量，其余所有aah数据，分别与xaveraged做互相关运算，得到互相关函数r：

46、

47、其中m表示数据移位量，n表示aah特征向量的长度，xi*[n+m]＝xi[n+m]，分别根据第i组数据对应的r函数寻找到最大值所对应的位置mi，此时两者相关度最大，并求得第i组对应的数据位移量si：

48、mi＝argmax(raveraged,i[m]),si＝n-mi 7

49、最终根据位移量对第i组数据进行平移得到处理后的特征数据：

50、xshifted[n]＝x[n+si]8。

51、所述步骤(3)具体为：

52、将max depth和num of leaves作为一组参数组合，将num of iterations和lr作为另一组参数组合，分别进行grid search网格式的搜索调参；

53、首先，对{max depth，num of leaves}进行调整，将准确率设置为0.1，num ofiterations设置为100，对[1，13]范围内的每个max depth，扫描[2，200]范围内的num ofleaves，得到每组参数组合对应条件下的分类准确率。

54、本发明的有益效果：

55、本发明不仅适用于pam信道的多参数监测，同时也具备相干系统多参数监测的潜力。

56、本发明具有低应用成本、低系统复杂度的特点，监测系统采用直接检测方案，使用异步直方图作为监测媒介，在本发明步骤一中，仅需一个光电探测器及低采样率实时示波器实现数据采集，采样率要求可低至12.5msa/s。

57、本发明步骤二中提出的滑动窗口及互相关的预处理方案，可将pam信道中六参数联合监测准确率提升27％。通过使用步骤三中的lightgbm网络作为监测模型，能够实现高达90％以上的联合监测准确率。