在今日舉辦的“當AI遇到光：智能光網絡線上研討會”上，北京郵電大學信息與通信工程學院教授、博士生導師顧仁濤發表了主題為《智能化光網絡的發展與挑戰》的演講。在演講中，他闡述了人工智能在光網絡中的應用，并對現階段兩者融合的發展和挑戰進行了詳細剖析。

顧仁濤認為：“智能是光網絡發展的外在需求和內在需求?，F階段，人工智能技術在光網絡物理層和網絡層獲得了初步探索，并取得了良好的效果；但光網絡的智能化仍面臨挑戰，有待在算法和應用方面繼續探索。”

光網絡的發展需求廣闊

在演講中，他從業務和網絡發展兩個層面解析了光網絡面臨的挑戰和問題。以5G這個新興業務發展趨勢為例，具有三大場景的5G需求概括起來就是速度快、連接數多、密度大，超低時延要求和可靠性要求也有很大提升。這就對光網絡提出了“大、快、雜”的技術要求。 “大”指的是流量大、網絡大。 “快”主要是指快速響應，速度快就必須實現協同。“雜”體現在業務雜和節點雜，層次多。

顧仁濤指出，從光網絡自身發展趨勢來看，已然呈現出大規模、寬譜域兩個特點。首先，光交換設備下沉和工業互聯網興起使得光節點增加；其次，OSU技術興起和光網絡服務屬性增強使得光連接規模增加；擴展光網絡頻譜以及新型光器件共同造成了光信道數目密集增加。

“這些因素共同作用下，導致光網絡呈現出大規模、強關聯、高耦合的特點。我們發現，現階段，大規模寬譜域光網絡的控制面臨四大問題——特征模糊、規律隱含、空間巨大以及決策困難。”他表示。

要想解決這些問題，顧仁濤認為，不能再采用原有的規劃思路或者優化思路去看現在的網絡，需要引入機器學習或人工智能的手段。目前來看，光網絡需要進入新智能化階段：利用“神經”高效協同控制，避免過度資源預留，提升網絡反應速度；通過“大腦”智能感知處理，準確預判物理層狀態，實時調整網絡層配置。從整體來看，將人工智能進入光網絡中需要具有四大功能特點：在線實時運行、特征自動提取、規律自動挖掘、自學習自適應。

人工智能在光物理層和網絡層的應用

顧仁濤表示，人工智能在光網絡中已經在物理傳輸層面和組網層面得到了初步應用。

從物理傳輸層面看，人工智能已經用于光性能監測、非線性補償、信號判決、故障檢測等方向。在光性能監測方面，人們利用支持向量機（SVM）和主成分分析（PCA）監測網絡信號的實時質量，預測網絡運行和業務傳輸質量；通過OSNR/非線性噪聲、色散等參數，判斷是否滿足傳輸標準。在非線性補償方面，為應對速率提高引發超密信道間隔和高信號功率問題，“可以使用神經網絡和支持向量機等模型，學習訓練針對非線性效應的補償參數，結合先進信號處理（DSP）技術，實現在線、離線的非線性損傷補償。” 顧仁濤稱。在信號判決方面，傳統方法通常采用最小歐氏距離判決準則，而在非線性噪聲場景中只能采用最大后驗概率判決準則。已有相關專家使用機器學習算法尋找最優信號判決，即利用機器學習算法的非線性擬合能力，擬合出信號的最大后概率分界平面。在故障檢測方面，提前觀測光信號特性參數的變化，預測光器件故障發生，將使系統能夠提前進行故障恢復或者業務保護，提高網絡的可靠性。這一問題通常需要利用機器學習的分類技術，實現故障預測與診斷。

從組網層面看，人工智能的應用場景更豐富些。一是流量預測，增強網絡的需求探測能力，為光網絡前攝性資源調度優化和網絡重構提供依據。預測問題通常被建模為擬合問題，輸入為歷史窗口內的流量變化。傳統方法采用序列預測的模型；而機器學習算法取得的效果更好，能夠挖掘更多因素，學習能力更強，對噪聲和異常采樣也通常具有更強的抵御能力。

二是快速路由規劃。SPF方式面臨著擁塞率和可擴展性方面的挑戰，而基于啟發式算法的路由決策時間復雜度過高。通過監督學習擬合最優路由、利用強化學習動態迭代生成最優決策，這些智能方法將保證路由最優性和計算時間的更佳折中，應對網絡和業務的變化能力也會進一步增強。

三是業務驅動的光網絡重構。傳統光網絡大多被動地接受高層請求，完成面向業務地自動適應能力。這里則希望采用LSTM等預測下一時刻地流量分布；基于神經網絡獲得當前流量分布最佳光連接請求；實現面向業務的光網絡自主重構。

四是光網絡資源分配。與路由類似，傳統方法在資源分配上，同樣面臨著靈活度差，時效性差的弊端。網絡的多維度參數，決定了可行解空間很大；神經網絡、強化學習、圖神經網絡等方法將有助于解決超大可行解空間的搜索問題。

五是光路質量估計。光損傷的復雜性使對新建光路和已有光路傳輸質量難以估計?；趥鹘y高斯信道模型建模，計算量大，準確率低。使用機器學習技術能減少對純建模手段的依賴，充分使用歷史數據，發現專家知識未覆蓋的規律和特征。

最后一個應用案例網絡告警關聯分析：多類型設備混合組網加大了網絡故障源的分析難度，告警位置及狀態同真實故障位置及成因存在不一致的情況。這時需要利用機器學習技術挖掘歷史日志信息中告警信號的關聯性，以便于在網絡真實運行時定位故障真正位置。

面臨的挑戰與解決思路

顧仁濤總結道：“光網絡和人工智能真正融合之后還面臨幾點挑戰：決策的合規性、高維空間表征、模型泛化能力、模型可解釋性。”

面對這些挑戰，顧仁濤指出以下幾個潛在解決思路：建立新的AI應用模式，強化模型測試；采用數據預處理、進行高維空間壓縮；開展小擾動下網絡調優、應用聯邦遷移學習；數據挖掘與規則設計相結合。

顧仁濤強調：“光網絡智能化這一路的風景雖好，但我們仍然在路上。因此，需要學術界和產業界共同努力，把人工智能真正運用到光網絡當中，把光網絡變得更加智能化，支撐整個信息基礎設施的發展。”