CN112270058B - 一种基于回声状态网络的光网络多信道传输质量预测方法 - Google Patents

Abstract

本发明公开了一种基于回声状态网络的光网络多信道传输质量预测方法，收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量表达每一条信道中Q因子状态；选择组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本，对构建的CESN神经网络结构进行训练，用训练好的CESN预测模型进行预测，再对预测结果进行反归一化得到预测的多信道Q因子数据值。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率。

Description

一种基于回声状态网络的光网络多信道传输质量预测方法

技术领域

本发明属于计算机应用技术领域，具体涉及一种基于回声状态网络的光网络多信道传输质量预测方法。

背景技术

5G时代的到来不断促进云计算、远程教育、智能城市、自动驾驶等高端需求的进一步发展，致使终端用户数量、网络业务量和数据流量正以井喷式的速度快速增长，这使得支撑数字通信基础设施的广域光骨干网络面临严峻的挑战。为及时满足用户需求，光网络需要在短时间内完成有效的资源分配任务。目前，光网络运营商通过分配较大的裕度来保证光路的传输质量，从而维护光路在生命周期内可能出现的性能下降，因此准确的传输质量预测模型对于提高光网络运行效率和优化网络资源使用至关重要。

近年来，机器学习的兴起使其逐渐成为光网络传输质量(Quality ofTransmission,QoT)预测的主流方法。机器学习使得表示高维数据和近似复杂函数成为可能。现阶段研究成果主要采用随机森林、支持向量机和K近邻算法的传统机器学习方法以及利用人工神经网络建模进行光网络QoT预测。这些方案均通过训练数据集学习光网络的损伤参数(如质量因子、光信噪比、误码率等)，从而得到光路的传输质量。

然而，现有模型的精度仍不令人满意，并且这些方法未能关注到预测任务中的时间消耗，在实际场景中无法同时兼顾精度与时间效率两方面的要求。训练时间过长不适合用于实际应用中的如在线预测等实时数据处理，从而影响光网络运营商的判断与决策；另一方面，现有的研究主要集中于单信道预测上，无法为整个光网络提供完整QoT信息。因此，在广域光骨干网络中，为光网络提供高效精准的多信道QoT预测是当前亟需解决的重要问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于回声状态网络的光网络多信道传输质量预测方法。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率，为后续进行有效的光网络资源分配和优化奠定基础，保障业务的可靠性。

本发明是通过以下技术方案实现的：

一种基于回声状态网络的光网络多信道传输质量预测方法，包括以下步骤：

S1、收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量来表达每一条信道中Q因子的状态；

S2、选择S1中的组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本；

S3、根据S2中的输入信道数量确定输入层和输出层节点个数，确定CESN神经网络各层之间的激活函数类型，构建CESN神经网络结构；

S4、采用网格搜索与前向交叉验证相结合的方法优化CESN神经网络中的储备池规模和谱半径，采用S2中的训练样本训练CESN神经网络结构；

S5、用训练好的CESN预测模型进行预测，对预测结果进行反归一化得到预测的多信道Q因子数据值。

在上述技术方案中，数据归一化处理是将采集到的数据通过归一化公式映射到(0,1)区间，所述归一化公式为：

其中，x_m为归一化后的数据，x为待归一化输入的数据，x_min为所有待归一化输入数据中的最小值，x_max为所有待归一化输入数据中的最大值。

在上述技术方案中，CESN神经网络结构的输入层和储备池之间、储备池与输出层之间的激活函数选取线性恒等变换函数identity，储备池内部的激活函数选用双曲正切函数Tanh，激活函数表达式为：

identity函数：f₁(x)＝x

Tanh函数：f₂(x)＝(e^x-e^-x)/(e^x+e^-x)

x为输入层、储备池或输出层任一节点的总输入，f(x)为输入层、储备池或输出层任一节点的总输出。

在上述技术方案中，所述网格搜索与前向交叉验证结合优化参数的步骤如下：

步骤一、确定需要优化的参数和参数取值范围，需要优化的参数为储备池规模(N)和谱半径(λ)；

步骤二、在取值范围内构建网格，从第一个网格对应的参数对(N1,λ1)开始，遍历网格中所有参数对经过前向交叉验证后的均方误差值；

步骤三、找出最小均方误差值所对应的参数对。

在上述技术方案中，所述构建的CESN神经网络模型，包括K个输入节点，N个储备池内部隐藏层节点和L个输出层节点，其中输入层状态为s(t)，储备池状态为x(t)，输出层状态为y(t)，各层之间关系如下：

输入层与隐藏层之间存在连接权值矩阵为Wⁱⁿ，储备池之间的连接权值矩阵为W^res，隐藏层到输入层的连接权值矩阵为W^out，同时存在从前一个输出层到当前隐藏层的连接，其连接权值矩阵为W^fb；

储备池状态为x(t)在收到输入层的多信道Q因子数据输入后进行状态更新，CESN的储备池状态更新方程表示为：

x(t+1)＝F_res(Wⁱⁿs(t+1)+W^resx(t)+W^fby(t))

其中，Wⁱⁿ和W^res都是随机初始化的参数，并且在整个过程中保持不变，s(t+1)和x(t+1)分别为当前的输入层和隐藏层的状态，而x(t)表示当前隐藏层上一个状态，当t＝0时，x(t)用0进行初始化；

输出层的状态y(t)的输出方程为：

y(t)＝F_output(W^out[x(t)；s(t)])

[；]表示两个向量之间的级联计算，CESN进行训练能够得到W^out。

在上述技术方案中，CESN神经网络的训练过程包括以下步骤：

步骤一、将训练样本中的多条信道内的Q因子数据输入到CESN神经网络模型进行训练，此时，该模型的隐藏层初始化状态为x(0)＝0，然后通过状态更新方程更新该模型；

步骤二、考虑到回声状态属性，对储备池之间的连接权值矩阵进行谱半径规模的放缩，执行以下操作：

W^res←γW^res/|λ|

其中λ为谱半径，γ为范围在(0,1)之间的放缩参数；

步骤三、将隐藏层的状态x(t)添加到状态集合矩阵X中以存储所有隐藏层的状态，同时将输出层获取到的对应读出值收集到目标输出矩阵Y中；

步骤四、利用目标输出矩阵Y通过简单快速的线性回归方法计算读出权重W^out：

W^out＝(X^TX)^-1X^TY。

在上述技术方案中，从参数范围内最小参数开始，训练神经网络结构，计算预测精度评价参数标准均方误差MSE，若该参数所对应的MSE为当前最小MSE，则获得训练好的模型。

在上述技术方案中，所述的预测精度评价参数标准均方误差MSE计算公式为：

其中y_i为Q因子数据的真实值，y_p为预测值，Num为数据序列的总长度。

本发明的优点和有益效果为：

与现有技术相比，本发明建立光网络多信道传输质量预测模型，通过输入多条信道的Q-factor数据特征，实现预测光网络中多条信道的传输质量。与现有的传统机器学习方法相比，该方法预测精度高且时间消耗低；与现有的单信道传输质量预测方法相比，该方法可以在所有数据集中自由选择信道同时进行预测，更有利于为整个光网络提供完整传输质量信息，节省大量的时间和成本，具有推广应用价值。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例的CESN神经网络结构图；

图3为本发明实施例的整体结构图。

对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。

一种基于回声状态网络的光网络多信道传输质量预测方法，包括以下步骤：

S1、收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子(Q-factor，即Quality Factor，质量因子)数据，设置包含信道状态和Q因子特征的组合向量来有效地表达每一条信道中Q因子的状态。

进一步地，所收集的数据集来自微软在北美的光学骨干网的从2015年2月到2016年4月的14个月的Q因子数据，并加载该数据集中的前8个信道的前20000条数据作为实施例试验数据。

所述组合向量建立方法为：用“1”表示对应信道已被光网络信号占用，“0”表示对应信道为开放频谱信道，例如8个信道中的第1，3，5信道处于“占用”状态，则用[1,0,1,0,1,0,0,0]表示当前所有信道的状态。8个信道的相关Q因子特征λ_i(i＝1,2,…,8)与信道状态的组合向量表示为V＝[1,0,1,0,1,0,0,0]×λ_i＝[λ₁,0,λ₃,0,λ₅,0,0,0]。本实施例中，以4种不同多信道场景为例进行后续预测工作，对处于信道“可用”状态的Q因子进行预测。具体4种场景下的信道状态见表1：

表1：4种场景下的信道状态

S2、选择S1中的组合向量中需要同时进行预测的多条信道数据进行归一化处理，将其作为训练样本和测试样本。

进一步地，数据归一化处理是将采集到的数据通过归一化公式映射到(0,1)区间，所述归一化公式为：

其中，x_m为归一化后的数据，x为待归一化输入的数据，x_min为所有待归一化输入数据中的最小值，x_max为所有待归一化输入数据中的最大值。

本实施例中，所述训练样本数据为16000个，训练样本用于优化神经网络参数和训练模型；测试样本数据为4000个，用于测试通过训练得到的模型。

S3、根据S2中的输入信道数量确定输入层和输出层节点个数，确定CESN神经网络各层之间的激活函数类型，构建CESN神经网络结构。

在本实施例中，场景1中的输入层和输出层分别有7个神经元(即同时预测多少条信道就有多少个输入层或输出层神经元)，场景2中的输入层和输出层分别有6个神经元，场景3中的输入层和输出层分别有5个神经元，场景4中的输入层和输出层分别有4个神经元。输入层和储备池之间、储备池与输出层之间的激活函数选取线性恒等变换函数identity，储备池内部的激活函数选用双曲正切函数Tanh。激活函数表达式为：

identity函数：f₁(x)＝x

Tanh函数：f₂(x)＝(e^x-e^-x)/(e^x+e^-x)

x为输入层、储备池或输出层任一节点的总输入，f(x)为输入层、储备池或输出层任一节点的总输出。

S4、采用网格搜索与前向交叉验证相结合的方法优化CESN神经网络中的储备池规模和谱半径，设定初始训练参数，规定训练参数范围，采用S2中的训练样本训练CESN神经网络结构。

具体的讲，步骤S4包括多信道Q因子数据输入、网格搜索结合前向交叉验证参数寻优、CESN神经网络模型训练和预测输出四部分，如图3所示；

所述网格搜索与前向交叉验证结合优化参数的步骤如下：

步骤一、确定需要优化的参数和参数取值范围。本实施例中需要优化的参数为储备池规模(N)和谱半径(λ)。设置储备池规模(N)的取值范围为N∈{50,100,150,200,250,300}；设置谱半径(λ)的取值范围为λ∈{0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9}。

步骤二、在取值范围内构建6×9的网格，从第一个网格对应的参数对(N1,λ1)开始，遍历网格中所有参数对经过前向交叉验证后的均方误差值。

步骤三、找出最小均方误差值所对应的参数对，根据该参数对和S2中的训练样本训练CESN神经网络，CESN神经网络中的所有参数设置见表2：

表2：Q因子的CESN神经网络预测模型的参数配置

注：表中参数N表示储备池规模，即隐藏层节点个数，参数λ表示谱半径，参数K表示输入层节点个数，L表述输出层节点个数，F_input(x)，F_res(x)和F_output(x)分别表示输入层和储备池之间、储备池内部和储备池与输出层之间的激活函数。

所述的CESN神经网络模型，包括K个输入节点，N个储备池内部隐藏层节点和L个输出层节点，其中输入层状态为s(t)，储备池状态为x(t)，输出层状态为y(t)，各层之间关系如下：

输入层与隐藏层之间存在连接权值矩阵为Wⁱⁿ，储备池之间的连接权值矩阵为W^res，隐藏层到输入层的连接权值矩阵为W^out，同时存在从前一个输出层到当前隐藏层的连接，其连接权值矩阵为W^fb。

储备池状态为x(t)在收到输入层的多信道Q因子数据输入后进行状态更新，CESN的储备池状态更新方程表示为：

x(t+1)＝F_res(Wⁱⁿs(t+1)+W^resx(t)+W^fby(t))

其中，Wⁱⁿ和W^res都是随机初始化的参数，并且在整个过程中保持不变，s(t+1)和x(t+1)分别为当前的输入层和隐藏层的状态，而x(t)表示当前隐藏层上一个状态，当t＝0时，x(t)用0进行初始化。

输出层的状态y(t)的输出方程为：

y(t)＝F_output(W^out[x(t)；s(t)])

[；]表示两个向量之间的级联计算，CESN进行训练能够得到W^out。

CESN神经网络的训练过程包括以下步骤：

步骤一、将训练集中的多条信道内的Q因子数据输入到CESN神经网络模型进行训练，此时，该模型的隐藏层初始化状态为x(0)＝0，然后通过状态更新方程更新该模型。

步骤二、考虑到回声状态属性，对储备池之间的连接权值矩阵进行谱半径规模的放缩，执行以下操作：

W^res←γW^res/|λ|

其中λ为谱半径，γ为范围在(0,1)之间的放缩参数。

步骤三、将隐藏层的状态x(t)添加到状态集合矩阵X中以存储所有隐藏层的状态，同时将输出层获取到的对应读出值收集到目标输出矩阵Y中。

步骤四、利用目标输出矩阵Y通过简单快速的线性回归方法计算读出权重W^out：

W^out＝(X^TX)^-1X^TY

在步骤S4执行过程中得出模型训练时间。

S5、从参数范围内最小参数开始，训练神经网络结构，计算预测精度评价参数标准均方误差(MeanSquareError,MSE),若该参数所对应的MSE为当前最小MSE，则获得训练好的模型；若不满足，则返回S4重新训练，直到得出参数范围内参数所对应的最小MSE。

步骤S5所述的预测精度评价参数标准均方误差MSE计算公式为：

其中y_i为Q因子数据的真实值，y_p为预测值，Num为数据序列的总长度。实施例中，MSE的值越小，表明该模型对Q因子的预测准确率越高，模型的性能越好。

S6、用测试样本对S5中训练好的CESN预测模型进行测试，对预测结果进行反归一化得到预测多信道Q因子数据值，并计算预测精度指标MSE，对网络性能和预测精度进行评估，与集成学习模型和传统人工神经网络进行对比，测试样本集部分数据如表3：

表3：CESN预测模型与集成学习模型、传统人工神经网络预测结果对比表

注：表中模型类型通过缩写进行区分，其中CESN表示传统回声状态网络，EL表示由6个多层感知机集成在一起的集成学习模型，ANN表示传统的人工智能神经网络。

从表3中可以看出，在四种不同场景下CESN的精度和训练时间均高于所选定的对比模型。在训练精度上，CESN远优于ANN，证明了所提出方案优秀的预测性能。在训练效率上，CESN远优于EL，这是因为EL的训练过程需要大量迭代和集成，而CESN仅执行简单的线性回归就可以完成训练，大幅度降低了训练时间，提高了效率。

以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (4)

1.一种基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：包括以下步骤：

S1、收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量来表达每一条信道中Q因子的状态；

S2、选择S1中的组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本；

S3、根据S2中的输入信道数量确定输入层和输出层节点个数，确定CESN神经网络各层之间的激活函数类型，构建CESN神经网络结构；

所构建的CESN神经网络模型，包括K个输入节点，N个储备池内部隐藏层节点和L个输出层节点，其中输入层状态为s(t)，储备池状态为x(t)，输出层状态为y(t)，各层之间关系如下：

输入层与隐藏层之间存在连接权值矩阵为W ⁱⁿ，储备池之间的连接权值矩阵为W ^res，隐藏层到输入层的连接权值矩阵为W ^out，同时存在从前一个输出层到当前隐藏层的连接，其连接权值矩阵为W ^fb；

储备池状态为x(t)在收到输入层的多信道Q因子数据输入后进行状态更新，CESN的储备池状态更新方程表示为：

x(t+1)＝F_res(W ⁱⁿ s(t+1)+W ^res x(t)+W ^fb y(t))

其中，W ⁱⁿ和W ^res都是随机初始化的参数，s(t+1)和x(t+1)分别为当前的输入层和隐藏层的状态，而x(t)表示当前隐藏层上一个状态，当t＝0时，x(t)用0进行初始化；F_res表示储备池内部的激活函数；

输出层的状态y(t)的输出方程为：

y(t)＝F_output(W ^out[x(t)；s(t)])

[；]表示两个向量之间的级联计算，CESN神经网络结构进行训练能够得到W ^out；F_output表示储备池与输出层之间的激活函数；

CESN神经网络结构的输入层和储备池之间、储备池与输出层之间的激活函数选取线性恒等变换函数identity，储备池内部的激活函数选用双曲正切函数Tanh，激活函数表达式为：

identity函数：f₁(x)＝x

Tanh函数：f₂(x)＝(e^x-e^-x)/(e^x+e^-x)

x为输入层、储备池或输出层任一节点的总输入，f(x)为输入层、储备池或输出层任一节点的总输出；

S4、采用网格搜索与前向交叉验证相结合的方法优化CESN神经网络中的储备池规模和谱半径，包括以下步骤S4.1-S4.3：

步骤S4.1、确定需要优化的参数和参数取值范围，需要优化的参数为储备池规模N和谱半径λ；

步骤S4.2、在取值范围内构建网格，从第一个网格对应的参数对(N1,λ1)开始，遍历网格中所有参数对经过前向交叉验证后的均方误差值；

步骤S4.3、找出最小均方误差值所对应的参数对；

然后，采用S2中的训练样本训练CESN神经网络结构，训练过程包括以下步骤S4.4-S4.7：

步骤S4.4、将训练样本中的多条信道内的Q因子数据输入到CESN神经网络模型进行训练，此时，该模型的隐藏层初始化状态为x(0)＝0，然后通过状态更新方程更新该模型；

步骤S4.5、对储备池之间的连接权值矩阵进行谱半径规模的放缩，执行以下操作：

W ^res←γW ^res/|λ|

其中λ为谱半径，γ为范围在(0,1)之间的放缩参数；

步骤S4.6、将隐藏层的状态x(t)添加到状态集合矩阵X中以存储所有隐藏层的状态，同时将输出层获取到的对应读出值收集到目标输出矩阵Y中；

步骤S4.7、利用目标输出矩阵Y通过简单快速的线性回归方法计算读出权重W ^out：

W ^out＝(X^TX)^-1X^TY；

S5、用训练好的CESN神经网络预测模型进行预测，对预测结果进行反归一化得到预测的多信道Q因子数据值。

2.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：所述数据归一化处理是将采集到的数据通过归一化公式映射到(0,1)区间，归一化公式为：

其中，x_m为归一化后的数据，x为待归一化输入的数据，x_min为所有待归一化输入数据中的最小值，x_max为所有待归一化输入数据中的最大值。

3.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：从参数范围内最小参数开始，训练CESN神经网络结构，计算预测精度评价参数标准均方误差MSE，若该参数所对应的MSE为当前最小MSE，则获得训练好的CESN神经网络预测模型。

4.根据权利要求3所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：所述的预测精度评价参数标准均方误差MSE计算公式为：

其中y_i为Q因子数据的真实值，y_p为预测值，Num为数据序列的总长度。

Images