CN112243166A - 用于光通信的方法、设备、装置和计算机可读介质 - Google Patents

Abstract

本公开的实施例涉及用于光通信的方法、设备、装置和计算机可读介质。该方法包括在光线路终端处接收来自第一光网络单元的接入请求；响应于确定第一光网络单元未被注册，获取来自第一光网络单元的第一参数集以及基于第一参数集更新在光线路终端处接收的畸变信号与从畸变信号恢复出的原始信号之间的关联关系。以此方式，能够针对由于在一个无源光网络中具有不同信道响应的光网络单元引发的不同程度的光信号质量衰减，而提供针对所有光网络单元以统一的信号补偿方案，以减轻各路信号在光通信的上行链路中的传输畸变，同时显著降低在实际操作中的配置开销。

Description

用于光通信的方法、设备、装置和计算机可读介质

技术领域

本公开的实施例涉及光通信领域，更具体地涉及在用于光通信的方法、设备、装置和计算机可读介质。

背景技术

近年来，在光学或无线通信中，基于神经网络(NN)的信号处理逐渐被认为是一种有前景的信号处理方法，与诸如基于线性最小均方的传统信号处理方法相比具有一些显着的性能优势。

基于NN的机器学习能够提取和学习特定传输信道中的某些特征并且以监督的方式对其进行补偿。前向反馈神经网络(FF-NN)、循环神经网络(RNN)以及卷积神经网络(CNN)是其中几种较为著名的神经网络方面类型。

发明内容

总体上，本公开的实施例涉及一种用于光通信的方法、设备、装置和计算机可读介质。

在本公开的第一方面，提供了一种用于光通信的方法。该方法包括在光线路终端处接收来自第一光网络单元的接入请求。该方法还包括响应于确定所述第一光网络单元在所述光线路终端处未被注册，获取来自所述第一光网络单元的第一参数集。该第一参数集包括：在从所述第一光网络单元到所述光线路终端的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列，以及指示所述第一光网络单元的至少一个属性的第一属性参数。此外，该方法还包括基于所述第一参数集更新在所述光线路终端处接收的畸变信号与从所述畸变信号恢复出的原始信号之间的关联关系。该关联关系基于来自第二光网络单元的第二参数集而被确定，所述第二光网络单元不同于所述第一光网络单元。

在本公开的第二方面，提供一种用于在光通信的设备。该设备包括至少一个处理器；以及与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述至少一个处理单元执行时，使得该设备执行第一方面的方法。

在本公开的第三方面，提供一种用于光通信的装置。该装置包括用于接收来自第一光网络单元的接入请求的部件。该装置还包括用于响应于确定所述第一光网络单元在所述光线路终端处未被注册，获取来自所述第一光网络单元的第一参数集的部件。所述第一参数集包括：在从所述第一光网络单元到所述光线路终端的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列，以及指示所述第一光网络单元的至少一个属性的第一属性参数。此外，该装置还包括用于基于所述第一参数集更新在所述光线路终端处接收的畸变信号与从所述畸变信号恢复出的原始信号之间的关联关系的部件。该关联关系基于来自第二光网络单元的第二参数集而被确定，第二光网络单元不同于所述第一光网络单元。

在本公开的第四方面，提供一种计算机可读介质。该计算机可读介质上存储有指令，当指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图；

图2示出了根据本公开的某些实施例的用于光通信的方法200的流程图；

图3A和图3B示出了本公开的某些实施例来实施信号处理的示意图；

图4示出了根据本公开的某些实施例的用于光通信的方法400的流程图；

图5示出了根据本公开的某些实施例的用于光通信的方法500的流程图；

图6示出了本公开的某些实施例来实施信号处理的示意图；

图7A至图7C示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图；

图8示出了适合实现本公开实施例的电子设备700的简化方框图；以及

图9示出了适合实现本公开的实施例的计算机可读介质的示意图。

在所有附图中，相同或相似参考数字表示相同或相似元素。

具体实施方式

下面将参考附图中所示出的若干示例性实施例来描述本公开的原理和精神。应当理解，描述这些具体的实施例仅是为了使本领域的技术人员能够更好地理解并实现本公开，而并非以任何方式限制本公开的范围。

如本文所使用的，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可以包括运算、计算、处理、导出、调查、查找(例如，在表格、数据库或另一数据结构中查找)、查明等。此外，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。此外，“确定”可以包括解析、选择、选取、建立等。

本文使用的术语“电路”是指以下的一项或多项：(a)仅硬件电路实现方式(诸如仅模拟和/或数字电路的实现方式)；以及(b)硬件电路和软件的组合，诸如(如果适用)：(i)模拟和/或数字硬件电路与软件/固件的组合，以及(ii)硬件处理器的任意部分与软件(包括一起工作以使得诸如OLT或其他计算设备等装置执行各种功能的数字信号处理器、软件和存储器)；以及(c)硬件电路和/或处理器，诸如微处理器或者微处理器的一部分，其要求软件(例如固件)用于操作，但是在不需要软件用于操作时可以没有软件。

电路的定义适用于此术语在本申请中(包括任意权利要求中)的所有使用场景。作为另一示例，在此使用的术语“电路”也覆盖仅硬件电路或处理器(或多个处理器)、或者硬件电路或处理器的一部分、或者其随附软件或固件的实现方式。例如，如果适用于特定权利要求元素，术语“电路”还覆盖基带集成电路或处理器集成电路或者OLT或其他计算设备中的类似的集成电路。

图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图。如图1所示，该通信系统100包括光线路终端(OLT)110和光网络单元(ONU)120-1和120-2(在下文中可以统称为ONU 120)。如图所示，在OLT 110和ONU 120之间能够进行通信。例如，在OLT110和ONU 120之间，能够通过从ONU 120至OLT 110的上行链路的进行数据传输，也能够进行从OLT 110至ONU 120之间的下行链路进行数据传输。应理解，尽管在图1中示出了两个ONU120，在通信系统100中，也可以包括任意数目个ONU 120。

从图1中可以看出，OLT 110包括信号处理设备112，该信号处理设备例如是基于神经网络(NN)的信号处理装置。在这里描述的通信系统100中，对于多个ONU 120的情况而言，所有的ONU 120都可以共享OLT 110处的信号处理装置。

如上文所述，在光学或无线通信中，基于NN的信号处理逐渐被认为是一种有前景的信号处理方法，与诸如基于线性最小均方的传统信号处理方法相比具有一些显着的性能优势。基于NN的机器学习能够提取和学习特定传输信道中的某些特征并且以监督的方式对其进行补偿。以此方式，在OLT处能够将经由ONU至OLT的上行链路而接收到的畸变信号恢复成原始信号，并且确定畸变信号和原始信号的关联关系，从而提高传输可靠性。

然而，目前针对单个或ONU训练用于信号均衡的NN仅对特定的端到端传输链路有效，并且因此缺乏通用性。例如针对ONU 120-1训练的NN可能无法适用于ONU 120-2，例如由于ONU 120-1和ONU120-2之间具有不同的硬件配置参数。因此在现有方案中，需要OLT在上行链路中的每个ONU的突发时隙上频繁地重新配置以及重新加载NN参数，这在实际操作中引起额外开销的显著增加，数字信号处理器复杂性和操作延迟之类的问题。

鉴于此，本公开的实施例提供一种用于无源光网络的通信方法。通过本公开的实施例，OLT能够基于每个ONU的属性参数来训练基于NN的信号处理设备112，以使得信号处理设备112能够适用于网络中的所有ONU。以此方式，针对任意ONU发送的信号，OLT均能够通过训练好的NN来进行调整，从而得到基于畸变信号恢复的原始信号。

图2示出了根据本公开的实施例的通信方法200的流程图。在一些实施例中，方法200可以由OLT 110来实现，例如可以由OLT 110的信号处理设备112来实现。在其他实施例中，方法200也可以由独立于OLT 110的计算设备来实现。为了便于讨论，将结合图1来讨论方法200。

在通信系统100中例如包括预定数目个ONU，例如可以包括32个或64个ONU。OLT110可以确定其是否可以看到在通信系统100中的全部ONU。如果OLT 110可以确定系统中的全部的ONU均为可见，则OLT 110能够确定其用于信号处理的神经网络或其基于神经网络的信号处理设备112已经被训练好。也就是说，能够直接使用该神经网络进行信号的均衡或补偿来获得畸变前的信号。

如果OLT 110确定系统中的全部的ONU尚未全部可见，则OLT110要基于来自ONU的接入请求来确定要执行神经网络的训练过程还是应用该神经网络来进行信号的均衡或补偿，这可以取决于发送接入请求的ONU是否已经在该OLT 110处被注册过。

在此使用的术语“神经网络”例如可以被理解为机器学习模型该模型能够从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“神经网络”有时也可以被称为“学习网络”、“学习模型”、“网络”或“模型”。这些术语在本文中可互换地使用。

在210，OLT 110接收来自第一光网络单元(在下文中，第一光网络单元以图1中的ONU 120-1为例)的接入请求。在220，OLT 110确定该ONU 120-1是否在OLT 110处已经被注册。

在一些实施例中，OLT 110可以从该接入请求中获取该ONU120-1的标识。基于该标识，OLT 110可以确定该ONU 120-1的注册状态。

在一些实施例中，如果OLT 110确定该ONU 120-1尚未在OLT110处被注册，则在230，OLT 110获取来自ONU 120-1的第一参数集。该第一参数集包括在从ONU 120-1到OLT110的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列以及用于指示ONU 120-1的至少一个属性的第一属性参数。

在一些实施例中，第一属性参数例如可以是ONU 120-1的中心波长、ONU 120-1的发射带宽或者从ONU 120-1到OLT 110的光纤长度。在一些实施例中，第一属性参数例如还可以包括在ONU 120-1处的驱动电流等。

在一些实施例中，第一参数集可以被包括在来自ONU 120-1的接入请求中。当OLT110确定该ONU 120-1尚未在OLT 110处被注册时，OLT 110则可以从接入请求中获取第一参数集。

可选的，在一些实施例中，如果OLT 110确定该ONU 120-1尚未在OLT 110处被注册，OLT 110可以向ONU 120-1发出参数请求，以指示ONU 120-1向OLT 110提供该第一参数集。

在240，OLT 110根据第一参数集更新接收的畸变信号与从该畸变信号恢复出的原始信号之间的关联关系。在此使用的术语“关联关系”可以被理解为上文所述的用于信号处理的神经网络的输入与输出之间的关联。因此，更新该关联关系可以被理解为基于新的输入参数对已有的神经网络进行进一步的训练。更新后的关联关系可以被视作经过进一步训练的神经网络的输入和输出的关联。

该关联关系例如可以基于来自已经在OLT 110注册过的、或已经与OLT 110发生通信的其他的ONU(例如图1中的ONU 120-2)的参数集而被确定。该关联关系的确定过程将在下文中结合图4来详细描述，在此处暂时不作描述。

在一些实施例中，OLT 110可以获取其他ONU(例如图1中的ONU 120-2)的第二参数集或其中的一部分。该第二参数集例如可以被保存在OLT 110的神经网络的历史训练参数样本的数据库中。

OLT 110可以打乱来自第二参数集的参数和来自第一参数集的参数的顺序，这个过程也可以视作对参数集中的参数进行加扰。OLT 110可以基于经加扰的来自第二参数集的参数和来自第一参数集的参数、以及现有的关联关系，确定从在OLT 110处接收的、已经发生畸变的第一信号序列恢复出ONU 120-1发送的、原始的第一信号序列。

基于已经发生畸变的第一信号序列和经恢复的原始的第一信号序列，OLT 110可以确定经校准的关联关系。OLT 110可以使现有的关联关系、即基于来自其他的ONU(例如图1中的ONU 120-2)的参数集而被确定的关联关系，基于经校准的关联关系而被更新。上述更新关联关系，也即神经网络的训练过程能够通过在图3A和图3B中示出的实例而被更好的理解。

图3A和图3B示出了本公开的某些实施例来实施信号处理的示意图。以下结合图3A和图3B进一步详细阐述使用用于信号处理的神经网络、根据在结合图2示出的方法来对畸变信号进行恢复的原理和过程。

图3A示出了由在图3B中ONU 120-1发送的上行信号的示例曲线301。在图3B中，OLT110可以通过其信号处理设备112将光信号转换成电信号，以对信号进行量化。在转换之后，该上行信号在t时刻，t-1时刻，t-2时刻，t-3时刻的采样点可以作为信号序列被输入302至神经网络300的输入层311。例如该采样点可以分别被输入至节点311₀至311₃。

除了上行信号之外，ONU 120-1还向OLT 110发送指示ONU120-1的至少一个属性的属性参数。该属性参数可以通过信号处理设备112输入到神经网络300的输入层311的节点312处。

神经网络300中的训练层320可以通过输入的参数，即信号序列和属性参数对现有的训练模型进行训练。现有的训练模型中例如可以包括来自其他ONU(下文中以ONU 120-2为例)的历史的训练参数样本。对于一个ONU可能需要几十或几百个样本序列。因为在一个无源光网络中通常有32或64个ONU。为了训练通用的神经网络，数据库将选择覆盖所有现有ONU数据的完整数据集，并在训练通用的神经网络之前对它们进行加扰。扰乱训练数据集的原因是为了保证所有预先看到的ONU的通用的神经网络的普遍性。应当注意的是，即使没有看到所有的ONU，通用的神经网络仍然具有一些扩展能力来看不见ONU。示例性的包括历史的训练参数样本的数据库可以在下表中被示出。

表1：在数据库中的示例训练参数样本

在训练过程中，神经网络300可以调用在数据库中的历史训练参数样本并对历史训练参数样本并进行加扰。接着，神经网络300结合加扰的历史训练参数样本、ONU 120-1发送的信号序列以及属性参数对该神经网络模型进行重新训练。针对该神经网络模型的数据构建例如可以在下表中被示出。

表2：通用神经网络的示例性输入参数和目标输出

x-1

x-1-1

x-1-2

x-1-3

x-1-4

x-1-5

x-1-6

…

S(t)

-.923

-.123

+.432

+.654

+.101

-.322

…

S(t-1)

-.123

+.432

+.654

+.101

-.322

-.011

…

S(t-2)

+.432

+.654

+.101

-.322

-.011

-.543

…

S(t-3)

+.654

+.101

-.322

-.011

-.543

-.121

…

光纤长度

19/A

19/A

19/A

19/A

19/A

19/A

…

带宽

17/B

17/B

17/B

17/B

17/B

17/B

…

波长

1550.2/C

1550.2/C

1550.2/C

1550.2/C

1550.2/C

1550.2/C

…

目标输出

1

0

1

1

0

0

…

以表1中的历史训练参数样本为例，其中接收和量化信号序列类似于“-.923；-.123；+.432；+.654；+.101...”，提取的关键属性如19km，17GHz@3dB-BW，承载的光学中心在1550.2nm。如表2所示，信号序列被重新整形为数据形式，其中S(t),S(t-1),S(t-2)以及S(t-3)为样本行。“光纤长度”、“波长”以及“带宽”行是标准化的属性参数。名称称x-y-z定义为：ONU标识+信号序列的索引+神经网络输入参数组索引。

表2中的每列可以被独立存储在数据库中。在加扰过程中，OLT110可以从表2中的数据库中选择尽可能多的列，也可以根据需要从其他预先看到的ONU中选择用于生成神经网络训练的数据库的列。

该训练过程可以理解为利用属性参数来为信号采样点进行加权，以将畸变的采样信号收敛成原始信号。该原始信号可以通过神经网络300的输出层330被输出。经恢复的信号可以通过信号序列340来表示。经过来自ONU 120-1的训练参数重新得到的神经网络模型将作为更新后的神经网络模型来使用。

在上文中描述了基于ONU 120-1发送的参数集，其他ONU的历史参数集和现有的神经网络训练模型(即关联关系)训练用于信号处理神经网络的过程。如上文已经提及的，该关联关系例如可以基于来自已经在OLT 110注册过的、或已经与OLT 110发生通信的其他的ONU(例如图1中的ONU 120-2)的参数集而被确定。该关联关系的确定过程将在下文中结合图4来详细描述。

在极端条件下，可能尚未有过接入OLT 110的ONU。以下基于该极端条件描述有关初始关联关系可能的建立过程。在410，OLT 110接收来自ONU 120-2的接入请求，在420，OLT110确定该ONU 120-2是否是最先接入OLT 110的ONU。如果OLT 110确定该ONU 120-2是最先接入OLT 110的ONU，则在430，OLT 110基于从ONU 120-2获取到第二参数集确定关联关系。

在一些实施例中，OLT 110可以从第二参数集确定在从ONU120-2到OLT 110的上行链路中传输的第二信号序列以及指示ONU120-2的至少一个属性的第二属性参数。

尽管之前尚未有ONU接入OLT 110，OLT 110可以具有基于光网络单元的默认配置参数来建立的起始训练模型。OLT 110可以基于第二属性参数和起始训练模型中的默认配置参数确定在OLT 110处接收到的畸变的第二信号序列的畸变程度。

在一些实施例中，OLT 110可以基于所确定的信号畸变程度和畸变的第二信号序列确定从该畸变的第二信号序列恢复出的原始的第二信号序列。OLT 110进而可以根据畸变的第二信号序列和原始的第二信号序列确定关联关系。该关联关系可以被视作初始的关联关系，以用于进一步的训练过程，即执行结合图2描述的方法200。

如果OLT 110确定系统中的全部的ONU均可见，则可以理解为该用于信号处理的通用神经网络已经被训练好以供OLT 110对ONU发送的信号进行均衡和补偿。或者，OLT 110尚未可见系统中的全部的ONU，然而如果OLT确定发送接入请求的ONU已经被注册过，则不会再使用该ONU提供的参数集对通用神经网络进行训练。也就是说，在这两种情况下，涉及对于已经完全训练或部分训练的通用神经网络的使用过程。以下结合图2和图5描述通用神经网络的使用过程。

重新参考图2，在一些实施例中，如果OLT 110确定该ONU 120-1已经在OLT 110处被注册，则在框250，OLT 110可以基于关联关系(即现有的通用神经网络)将在OLT 110处接收的、发生畸变的第一信号序列恢复成ONU 120-1发送的、原始的第一信号序列。

在一些实施例中，如果基于ONU 120-1发送的参数集来训练的通用神经网络(更新的关联关系)是已经完全训练好的通用神经网络，则可以直接使用该通用神经网络。

如图5所示，在框510，OLT 110接收来自ONU 120-2的第三信号序列(区别于ONU120-2发送的第二信号序列)。在框520，OLT110基于更新的关联关系来将在OLT 110处接收的、发生畸变的第三信号序列恢复成ONU 120-2发送的、原始的第三信号序列。

如果用于信号处理的通用神经网络已经被训练好，多个ONU使用该通用神经网络的示意图例如可以如图6所示的那样，ONU 120-1，ONU 120-2的信号序列和属性参数可以被发送到OLT 110，以便由信号处理设备112进行处理。信号序列和属性参数作为输入参数被提供到训练好的通用神经网络620的输入层610，在训练层620对输入参数进行加权和收敛，以得到输出层630的输出640。

总体来说，本公开的实施例提供了一种通用神经网络，其不仅仅是信号样本作为输入，还包括指示ONU的至少一个属性的参数，如设备带宽，光纤长度或工作载波波长。神经网络的混合参数的引入可以显着提高传输精度(降低BER)的性能，并允许OLT在处理无源光网络中的所有ONU时维持其通用神经网络参数，而无需在每个ONU的突发时隙中重新加载或重新配置神经网络。

图7A至图7C示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图。针对随机生成的20个ONU和20组物理参数进行了两组概念性的验证研究。第一组研究采用相同的设备带宽以及不同的光纤长度，而第二组研究所采用的设备带宽和光纤长度均不同。

在不同研究条件下的平均误码率(BER)曲线被示出在图7A至图7C中。图7A反映了考虑(曲线601)和不考虑(曲线602)光纤长度的差异条件下的BER差异。图7B反映了考虑(曲线603)和不考虑(曲线604)光纤长度和设备带宽这两个参数的差异条件下的BER差异，从中能够清楚的看出基于神经网络的信号处理设备带来的系统性能的提升。

图7C示出了20个ONU之间BER分集的波动。20个ONU跨越11到30km，结果表明，每个ONU与OLT之间的信道的BER都降低了。同时，20个ONU之间的影响也受到挤压。从采用根据本公开的实施例的方法得到的BER曲线705可以看出，在26km端的BER曲线上的倾斜表明通用性也将在一定限度内，对于光纤长度跨度小于此处所示的测试情况的情况，甚至可以预期优异的性能。

图8是适合于实现本公开的实施例的设备800的简化框图。可以提供设备800以实现通信设备，例如如图1所示OLT 110，ONU 120-1以及ONU 120-2。如图所示，设备800包括一个或多个处理器810，一个或多个存储器840被耦合到处理器810，并且一个或多个发射器和/或接收器(TX/RX)840被耦合到处理器810。

TX/RX 840用于双向通信。TX/RX 840具有至少一个天线以便于通信。通信接口可以表示与其他网络元件通信所必需的任何接口。

处理器810可以是适合于本地技术网络的任何类型，并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)、以及基于控制器的多核控制器架构中的一个或多个。设备800可以具有多个处理器，例如专用集成电路芯片，其在时间上从属于与主处理器同步的时钟。

存储器820可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)824，可擦除可编程只读存储器(EPROM)，闪存，硬盘，光盘(CD)，数字视频盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)822和不会在断电持续时间中持续的其他易失性存储器。

计算机程序830包括由关联处理器810执行的计算机可执行指令。程序830可以存储在ROM 820中。处理器810可以通过将程序830加载到RAM 820中来执行任何合适的动作和处理。

可以借助于程序830来实现本公开的实施例，使得设备800可以执行如参考图2至6所讨论的本公开的任何过程。本公开的实施例还可以通过硬件或通过软件和硬件的组合来实现。

在一些实施例中，程序830可以有形地包含在计算机可读介质中，该计算机可读介质可以包括在设备800中(诸如在存储器820中)或者可以由设备800访问的其他存储设备。可以将程序830从计算机可读介质加载到RAM 822以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器，例如ROM，EPROM，闪存，硬盘，CD，DVD等。图8示出了CD或DVD形式的计算机可读介质800的示例。计算机可读介质上存储有程序830。

通常，本公开的各种实施例可以以硬件或专用电路，软件，逻辑或其任何组合来实现。一些方面可以用硬件实现，而其他方面可以用固件或软件实现，其可以由控制器，微处理器或其他计算设备执行。虽然本公开的实施例的各个方面被示出并描述为框图，流程图或使用一些其他图示表示，但是应当理解，本文描述的框，装置，系统，技术或方法可以实现为，如非限制性示例，硬件，软件，固件，专用电路或逻辑，通用硬件或控制器或其他计算设备，或其某种组合。

本公开还提供有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，例如包括在程序模块中的指令，其在目标的真实或虚拟处理器上的设备中执行，以执行如上参考图2至图5所述的方法300至500。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程，程序，库，对象，类，组件，数据结构等。在各种实施例中，可以根据需要在程序模块之间组合或分割程序模块的功能。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质中。

用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。

在本公开的上下文中，计算机程序代码或者相关数据可以由任意适当载体承载，以使得设备、装置或者处理器能够执行上文描述的各种处理和操作。载体的示例包括信号、计算机可读介质、等等。信号的示例可以包括电、光、无线电、声音或其它形式的传播信号，诸如载波、红外信号等。

计算机可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任意合适的组合。计算机可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备，或其任意合适的组合。

此外，尽管在附图中以特定顺序描述了本公开的方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤组合为一个步骤执行，和/或将一个步骤分解为多个步骤执行。还应当注意，根据本公开的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。

虽然已经参考若干具体实施例描述了本公开，但是应当理解，本公开不限于所公开的具体实施例。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。

Claims (20)

1.一种用于光通信的方法，包括：

在光线路终端处接收来自第一光网络单元的接入请求；

响应于确定所述第一光网络单元在所述光线路终端处未被注册，获取来自所述第一光网络单元的第一参数集，所述第一参数集包括：在从所述第一光网络单元到所述光线路终端的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列，以及指示所述第一光网络单元的至少一个属性的第一属性参数；以及

基于所述第一参数集更新在所述光线路终端处接收的畸变信号与从所述畸变信号恢复出的原始信号之间的关联关系，所述关联关系基于来自第二光网络单元的第二参数集而被确定，所述第二光网络单元不同于所述第一光网络单元。

2.根据权利要求1所述的方法，其中所述第一属性参数包括以下中的至少一项：

所述第一光网络单元的中心波长，

所述第一光网络单元的发射带宽，以及

从所述第一光网络单元到所述光线路终端的光纤长度。

3.根据权利要求1所述的方法，还包括：

从所述接入请求中获取所述第一光网络单元的标识；以及

基于所述标识确定所述第一光网络单元的注册状态。

4.根据权利要求1所述的方法，其中获取所述第一参数集包括从所述接入请求中获取所述第一参数集。

5.根据权利要求1所述的方法，其中获取所述第一参数集包括：

响应于确定所述第一光网络单元未被注册，向所述第一光网络单元发送参数请求，以使得所述第一光网络单元向所述光线路终端提供第一参数集。

6.根据权利要求1所述的方法，其中所述第二光网络单元是最先接入所述光线路终端的光网络单元，其中所述方法还包括：

从所述第二参数集确定在从所述第二光网络单元到所述光线路终端的上行链路中传输的第二信号序列以及指示所述第二光网络单元的至少一个属性的第二属性参数；

基于所述第二属性参数确定在所述光线路终端处接收的、畸变的第二信号序列的畸变程度；

基于所述信号畸变程度和所述畸变的第二信号序列确定从所述畸变的第二信号序列恢复出的原始的第二信号序列；以及

基于所述畸变的第二信号序列和所述原始的第二信号序列确定所述关联关系。

7.根据权利要求1所述的方法，其中更新所述关联关系包括：

获取所述第二参数集；

基于第二参数集、所述关联关系以及所述第一参数集确定从在所述光线路终端处接收的、已畸变的第一信号序列恢复出所述第一光网络单元发送的、原始的第一信号序列；以及

基于所述畸变的第一信号序列和所述原始的第一信号序列确定经校准的关联关系；以及

使所述关联关系根据所述经校准的关联关系而被更新。

8.根据权利要求1所述的方法，还包括：

响应于确定所述第一光网络单元在所述光线路终端处已被注册，基于所述关联关系将在所述光线路终端处接收的、发生畸变的第一信号序列恢复成所述第一光网络单元发送的、原始的第一信号序列。

9.根据权利要求1所述的方法，还包括：

接收来自所述第二光网络单元的畸变的第三信号序列；以及

基于更新后的关联关系从所述畸变的第三信号序列恢复出原始的第三信号序列。

10.一种用于光通信的设备，包括：

至少一个处理器；以及

与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述至少一个处理单元执行时，使得所述设备执行以下动作：

接收来自第一光网络单元的接入请求；

响应于确定所述第一光网络单元在所述光线路终端处未被注册，获取来自所述第一光网络单元的第一参数集，所述第一参数集包括：在从所述第一光网络单元到所述光线路终端的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列，以及指示所述第一光网络单元的至少一个属性的第一属性参数；以及

基于所述第一参数集更新在所述光线路终端处接收的畸变信号与从所述畸变信号恢复出的原始信号之间的关联关系，所述关联关系基于来自第二光网络单元的第二参数集而被确定，所述第二光网络单元不同于所述第一光网络单元。

11.根据权利要求10所述的设备，其中所述属性参数包括以下中的至少一项：

所述第一光网络单元的中心波长，

所述第一光网络单元的发射带宽，以及

从所述第一光网络单元到所述光线路终端的光纤长度。

12.根据权利要求10所述的设备，其中所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备：

从所述接入请求中获取所述第一光网络单元的标识；以及

基于所述标识确定所述第一光网络单元的注册状态。

13.根据权利要求10所述的设备，其中通过以下方式使所述设备获取所述第一参数集：

从所述接入请求中获取所述第一参数集。

14.根据权利要求10所述的设备，其中通过以下方式使所述设备获取所述第一参数集：

响应于确定所述第一光网络单元未被注册，向所述第一光网络单元发送参数请求，以使得所述第一光网络单元向所述光线路终端提供第一参数集。

15.根据权利要求10所述的设备，其中所述第二光网络单元是最先接入所述光线路终端的光网络单元，其中所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备：

从所述第二参数集确定在从所述第二光网络单元到所述光线路终端的上行链路中传输的第二信号序列以及指示所述第二光网络单元的至少一个属性的第二属性参数；

基于所述第二属性参数确定在所述光线路终端处接收的畸变的第二信号序列的畸变程度；

基于所述信号畸变程度和所述畸变的第二信号序列确定从所述畸变的第二信号序列恢复出的原始的第二信号序列；以及

基于所述畸变的第二信号序列和所述原始的第二信号序列确定所述关联关系。

16.根据权利要求10所述的设备，其中通过以下方式使所述设备更新所述关联关系：

获取所述第二参数集；

基于第二参数集、所述关联关系以及所述第一参数集确定从在所述光线路终端处接收的、已畸变的第一信号序列恢复出所述第一光网络单元发送的、原始的第一信号序列；

基于所述畸变的第一信号序列和所述原始的第一信号序列确定经校准的关联关系；以及

使所述关联关系根据所述经校准的关联关系而被更新。

17.根据权利要求10所述的设备，其中所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备：

响应于确定所述第一光网络单元在所述光线路终端处已被注册，基于所述关联关系将在所述光线路终端处接收的、发生畸变的第一信号序列恢复成所述第一光网络单元发送的、原始的第一信号序列。

18.根据权利要求10所述的设备，其中所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备：

接收来自所述第二光网络单元的畸变的第三信号序列；以及

基于更新后的关联关系从所述畸变的第三信号序列恢复出原始的第三信号序列。

19.一种用于光通信的装置，包括：

用于接收来自第一光网络单元的接入请求的部件；

用于响应于确定所述第一光网络单元在所述光线路终端处未被注册，获取来自所述第一光网络单元的第一参数集的部件，所述第一参数集包括：在从所述第一光网络单元到所述光线路终端的上行链路中传输的第一信号序列在经过所述传输之后发生畸变的第一信号序列，以及指示所述第一光网络单元的至少一个属性的第一属性参数；以及

用于基于所述第一参数集更新在所述光线路终端处接收的畸变信号与从所述畸变信号恢复出的原始信号之间的关联关系的部件，所述关联关系基于来自第二光网络单元的第二参数集而被确定，所述第二光网络单元不同于所述第一光网络单元。

20.一种计算机可读介质，所述计算机可读介质上存储有指令，当所述指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行根据权利要求1-9中任一项所述的方法。

Images