自从进入21世纪以来，光通信已经逐渐演变成一个全覆盖，多层次的动态网络架构。随着新兴的大规模云计算、高清视频和 5G 应用需求增长，为了保证动态光网络的全面运行和管理，光性能监测技术（OPM）应运而生，通过对光网络中多项参数进行实时监测来实现网络资源的优化配置。而传统得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。这也促使着人们探索新的方案。

近年来，伴随着人工智能的飞速迭代，越来越多的机器学习算法开始与OPM技术交叉融合，为OPM技术实现带来了新的思路。在此背景下，西安交通大学信息与通信工程学院的智能光子应用技术实验室(iPatLab)联合南开大学现代光学研究所、美国南加州大学、美国路易斯安那大学拉法叶分校、美国亚利桑那大学等单位，通过实验对比了不同先进机器学习模型在基于脉冲幅度调制信号（PAM）的传输信道中的多参数监测性能，并提出了一种基于多任务学习与MobileNet的轻量化网络模型。该模型使用信号眼图作为数据特征，在多达6项参数的联合监测任务中实现了95%以上的准确率。

研究人员在实验中共采集了17280张不同参数组合下的PAM信号眼图作为数据集，包括色散、光信噪比、调制格式、滚降系数、概率整形系数以及波特率共六项参数。首先，研究人员分别采用ResNet、VGGNet、MobileNet以及EfficientNet四种先进的卷积神经网络（CNN）作为监测模型，并分别对其在六参数联合监测任务中的准确率进行横向对比，如图1所示。通过对比，各种CNN网络都能够实现超95%的准确率，而其中MobileNet具有最少的计算量，在六参数联合监测时实现更高的监测效率。但仅使用CNN网络无法同时对每个参数单独监测，应用场景有所限制。

因此本研究中进一步将MobileNet与多任务学习（MTL）结合，设计了如图2所示的网络模型。该模型采用易于实现的硬共享机制，在共享层采用了轻量级的MobileNetV3网络中的卷积层部分来进行共享特征提取；在MTL中采用全连接的方式分类，各个任务分别经过softmax函数输出每个任务对应的类别数。在该模型训练时，研究人员采用一种不平衡的训练集划分方式，来严格验证该网络的实用性和泛化性。数据集是按照类别被随机分为80%和20%用于训练和测试。图3所示即为所提出的多任务模型与VGGNet的监测准确率对比，多任务模型在各种监测任务中的均保持了超过95%的高准确率。

该研究提出了一种基于多任务学习与MobileNet的轻量化网络模型，实现了PAM信道六项参数联合监测任务，准确率高达95%。该模型允许同时执行单参数和多参数监测任务，而无需重新训练网络，具有更高的网络灵活性。这一研究有望拓展至相干通信网络的监测场景，或尝试更多参数组合的联合监测任务。

相关工作以“Multiparameter Performance Monitoring of Pulse Amplitude Modulation Channels Using Convolutional Neural Networks”为题，发表在Advanced Photonics Nexus (DOI: 10.1117/1.APN.3.2.026009)上，文章第一作者为南开大学的博士生李思奡，通讯作者为西安交通大学的岳洋教授。该工作得到国家重点研发计划和天津市重点研发计划等项目的资助。

论文信息：

Multiparameter Performance Monitoring of Pulse Amplitude Modulation Channels Using Convolutional Neural Networks

Si-Ao Li, Yuanpeng Liu, Yiwen Zhang, Wenqian Zhao, Tongying Shi, Xiao Han, Ivan B. Djordjevic, Changjing Bao, Zhongqi Pan, Yang Yue*

Advanced Photonics Nexus

DOI: 10.1117/1.APN.3.2.026009

Advanced Photonics Nexus是高质量国际期刊Advanced Photonics的姊妹刊，由中科院上海光机所中国激光杂志社和国际光学工程学会（SPIE）联合出版，是一本开放获取的国际期刊。期刊重点发表创新且具有开拓性领域的高质量原创论文、快报和综述文章，包括基础研究类和工程应用类研究成果。