CN112543070B - 信道特性的在线提取 - Google Patents

Abstract

本公开的实施例提供了一种用于通信的方法、电子设备、用于通信的装置和计算机可读介质。该方法包括：确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布，多个幅度范围从多个信号的幅度变化范围划分得到。该方法还包括：获得分布与从第二设备到第一设备的信道特性之间的关联性。该方法进一步包括：基于分布和关联性来确定信道特性。通过本公开的实施例，通信系统中的信道特性可以高效地且在线地被确定。

Description

信道特性的在线提取

技术领域

本公开的实施例一般地涉及通信领域，并且更特别地涉及一种用于确定通信系统中的信道特性的技术方案。

背景技术

光接入网络的数据速率已经持续地增长以满足最终用户的需求。例如，从传统的1Gb/s的吉比特无源光网络(GPON)/以太网无源光网络(EPON)到如今的10G无源光网络(XGPON)。另外，关于50/100G无源光网络的标准已经在IEEE和ITU-T等组织内集中地被讨论。为了实现这些高速的无源光网络，信号的波特率和调制电平需要被增加。例如，25G波特/秒的四脉冲幅度调制(PAM4)信号被用于50G无源光网络。这样的信号一般具有较差的接收灵敏度，并且易于受到信道特性变化的影响，诸如信号的输出功率、光纤距离、接收信号的信噪比(SNR)、以及设备带宽，等等。

此外，由于各种原因，例如光组件和电组件的老化或者环境温度的变化，上述信道特性可能随着时间发生变化。再者，感兴趣的特定信道特性可能依赖于设备本身。因此，在通信系统中，特别是在无源光网络中，可能经常需要确定信道特性以便对通信系统进行配置或优化等。为了确定信道特性，周期性地且人工地执行网络检查或测量是成本低效和不明智的，因为这可能需要中断网络服务而影响用户体验。

发明内容

本公开的实施例涉及一种用于确定通信系统中的信道特性的技术方案。

在本公开的第一方面，提供了一种用于通信的方法。该方法包括：确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布，多个幅度范围从多个信号的幅度变化范围划分得到。该方法还包括：获得分布与从第二设备到第一设备的信道特性之间的关联性。该方法进一步包括：基于分布和关联性来确定信道特性。

在本公开的第二方面，提供了一种电子设备。该电子设备包括至少一个处理器和至少一个存储器。至少一个存储器存储有计算机程序指令。至少一个存储器和计算机程序指令被配置为，与至少一个处理器一起，使得电子设备：确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布，多个幅度范围从多个信号的幅度变化范围划分得到。至少一个存储器和计算机程序指令还被配置为，与至少一个处理器一起，使得电子设备：获得分布与从第二设备到第一设备的信道特性之间的关联性。至少一个存储器和计算机程序指令进一步被配置为，与至少一个处理器一起，使得电子设备：基于分布和关联性来确定信道特性。

在本公开的第三方面，提供了一种用于通信的装置。该装置包括：用于确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布的部件，多个幅度范围从多个信号的幅度变化范围划分得到。该装置还包括：用于获得分布与从第二设备到第一设备的信道特性之间的关联性的部件。该装置进一步包括：用于基于分布和关联性来确定信道特性的部件。

在本公开的第四方面，提供了一种计算机可读介质。该计算机可读介质存储有机器可执行指令，机器可执行指令在被执行时使机器执行根据第一方面的方法。

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的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其他特征通过以下的描述将变得容易理解。

附图说明

通过参考附图阅读下文的详细描述，本公开的实施例的上述以及其他目的、特征和优点将变得容易理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施例。

图1示出了本公开的实施例可以在其中实现的通信系统的示意图。

图2示出了根据本公开的实施例的示例方法的流程图。

图3示出了根据本公开的实施例的另一示例方法的流程图。

图4示出了根据本公开的实施例的仿真通信模型的框图。

图5示出了根据本公开的实施例的又一示例方法的流程图。

图6示出了根据本公开的实施例的仿真测试的流程图。

图7A-图7B示出了根据本公开的实施例的仿真接收信号的幅度的仿真分布。

图8示出了根据本公开的实施例的接收信号的信噪比测量误差与幅度范围的数目的关系曲线。

图9A-图9F示出了根据本公开的实施例的针对五种用例的仿真结果的曲线图。

图10示出了适合实现本公开的实施例的设备的简化框图。

图11示出了根据本公开的实施例的示例计算机可读介质的示意图。

贯穿所有附图，相同或者相似的参考标号被用来表示相同或者相似的组件。

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其他计算设备中的类似的集成电路。

如上文提到的，在通信系统中，特别是在高速无源光网络中，信道特性的变化将很大程度地影响信号的传输。因此，在通信系统中，特别是在无源光网络中，可能需要经常地确定信道特性以便对通信系统进行配置或优化等。

在实际的无源光网络中，信道特性通常个体地被测量和监测。一些信道特性(诸如，输出光功率)可以在发射器侧在线地检测。但是，其他一些信道特性(诸如，信噪比和光谱)仅能够离线地测量，这可能需要中断无源光网络的服务，并且导致成本低效和用户的不良体验。

此外，还有一类信道特性既可以离线地监测也可以在线地监测。例如，无源光网络中的信号传输的光纤距离，其可以通过称为光时域反射计(OTDR)的技术来在线测量。但是，这种在线测量需要无源光网络系统中的额外波长和波长复用器/解复用器，其是昂贵的且引发附加的功率损耗。

鉴于传统方案中存在的上述问题以及其他潜在的问题，本公开的实施例提供了一种用于确定通信系统中的信道特性的技术方案。通过本公开的实施例，通信系统中的信道特性可以高效地且在线地被确定。在一些实施例中，经训练的机器学习模型可以用来在线地从接收信号中同时地获得一个或多个信道特性，而无需使用特殊的硬件装置或设备。这对于高速无源光网络中的一些信道特性的获取和监测是特别有意义的，诸如端到端信道带宽和信噪比等，它们在复合信号失真的干扰下通常难以在线地被测量。下文将参考附图来详细描述本公开的示例实施例。

图1示出了本公开的实施例可以在其中实现的通信系统100的示意图。如图1所示，通信系统100包括第一设备110，其可以经由通信信道115连接到第二设备120-1。此外，第一设备110还可以经由相应的通信信道分别连接到更多的第二设备120-2至120-N，其中N可以表示自然数。在本公开的上下文中，第二设备120-1至120-N可以统称为第二设备120。不失一般性，以下描述将以第二设备120-1作为第二设备的示例。因此，应当理解，针对第二设备120-1的描述将等同地适用于其他第二设备。

第一设备110可以经由通信信道115向第二设备120-1发送数据，并且从第二设备120-1接收数据。此外，第一设备110还可以经由通信信道115向第二设备120-1发送控制信号或控制指令，或者从第二设备120-1接收控制信号或控制指令。更一般地，第一设备110与第二设备120-1可以经由通信信道115来发送和接收任何数据或信息。

将注意到，在后文中，使用从第二设备120-1向第一设备110发送信号为例描述了本公开的一些实施例。但是，这样的描述仅是示例性的，无意以任何方式限制本公开的范围。本公开的实施例等同地适用于从第一设备110向第二设备120-1发送信号。更特别地，在区分上行传输方向和下行传输方向的通信系统中，本公开的实施例既适用于上行传输方向，也适用于下行传输方向。

在一些实施例中，通信系统100可以是基于无源光网络的通信系统，例如，吉比特无源光网络(G-PON)、10吉比特无源光网络(XG-PON)、10吉比特对称无源光网络(XGS-PON)，等等。在这种情况下，第一设备110可以是在无源光网络的服务提供方处的终端，例如光线路终端(OLT)等。第二设备120-1可以是在无源光网络的用户位置处的终端，例如，光网络单元(ONU)等。而通信信道115可以包括光纤、光分路器等传输介质。在其他实施例中，除了无源光网络之外，通信系统100也可以是任何适用于本公开的实施例的有线或无线通信系统。在这种情况下，第一设备110和第二设备120可以是任何有线或无线通信设备，而通信信道115可以是任何可以承载通信的传输介质。

如图1所示，通信系统100还包括耦合到第一设备110的计算设备130。在一些实施例中，计算设备130可以从第一设备110处获得与通信系统100有关的任何信息。例如，计算设备130可以获得第一设备110从第二设备120-1处接收的信号。然后，计算设备130可以从所获得的接收信号中确定从第二设备120-1到第一设备110的通信信道115的信道特性。特别地，计算设备130可以实施一种基于对接收信号的分析来提取信道特性而无需中断在线服务的方法，以实现通信系统100(例如，高速无源光网络)的智能增强。

此外，所提取的信道特性还可以用来指导和优化通信系统100(例如，无源光网络系统)的操作，诸如选择恰当的信号调制格式和编码速率。此外，在使用机器学习模型(例如，神经网络)来优化信号传输的场景中，所提取的信道特性还可以用于在第一设备110(例如，光线路终端)处针对各种各样的第二设备120(例如，光网络单元)来设计通用的神经网络，而无需在光突发期间切换神经网络配置。

将理解，计算设备130可以是任何类型的移动终端、固定终端或便携式终端，包括移动电话、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任何组合，包括这些设备的配件和外设或者其任何组合。还预见到的是，计算设备130能够支持任何类型的针对用户的接口(诸如“可佩戴”电路等)。更一般地，计算设备130可以是能够从接收信号中确定信道特性的任何服务器或客户端设备。另外，在本公开的上下文中，计算设备130也可以称为电子设备130，这两个术语在本文中可以互换地使用。

除此以外，计算设备130还可以是任何实现控制功能的设备，包括但不限于，专用计算机、通用计算机、通用处理器、微处理器、微控制器、或状态机。计算设备130还可以实施为个体的计算设备或计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核心、或者任何其他这样的配置。

应当明白，尽管计算设备130在图1中被描绘为连接到第一设备110，但是这仅是示例性的，无意以任何方式限制本公开的范围。在其他实施例中，计算设备130也可以设置在第二设备120侧、或者设置在通信系统100中的任何位置。此外，尽管图1中将计算设备130描绘在第一设备110的外部，但是这也仅是示例性的，无意以任何方式限制本公开的范围。在其他实施例中，计算设备130可以作为第一设备110或第二设备120的组成部分而设置在第一设备110或第二设备120中。

应当理解，尽管图1中描绘了通信系统100包括特定数目的第一设备110、第二设备120和计算设备130，并且第一设备110、第二设备120和计算设备130通过特定的通信信道115和相应连接通信地耦合，但是这样的布置仅是示例性的，无意以任何方式限制本公开的范围。在其他实施例中，通信系统100可以包括任何适当数目的第一设备、第二设备、计算设备、以及其他未示出的通信设备或电子设备，它们可以按照任何适当方式使用任何适当通信信道进行通信或被耦合。更一般地，本公开的实施例适用于信号通过通信信道被传输的任何通信系统。下面结合图2来描述本公开的一些实施例的示例方法。

图2示出了根据本公开的实施例的示例方法200的流程图。在一些实施例中，方法200可以由通信系统100中的计算设备130来实现，例如可以由计算设备130的处理器或处理单元来实现。在其他实施例中，方法200也可以由独立于通信系统100的计算设备来实现，或者可以由通信系统100中的其他单元(例如，第一设备110或第二设备120)来实现。为了便于讨论，将结合图1以计算设备130执行方法200为例来讨论方法200。

在210处，计算设备130确定第一设备110从第二设备120-1接收的多个信号的幅度在多个幅度范围内的分布，该多个幅度范围是从多个信号的幅度变化范围划分得到的。例如，在一些实施例中，通信系统100可以是使用PAM4格式信号的无源光网络，第二设备120-1可以是光网络单元，其可以向作为光线路终端的第一设备110发送一万(10⁴)个信号。在采用PAM4格式的情况下，该一万个发送信号可以包括经归一化的0、1/3、2/3和1四种信号电平。这些发送信号在通信信道115上的传输过程中可能经历各种不利的传输因素，诸如损耗、噪声、色散、非线性等，从而导致在第一设备110处接收到一万个幅度各不相同的接收信号。

发明人通过研究发现，从第二设备120-1到第一设备110的通信信道115的各种信道特性可以决定第一设备110处的接收信号的幅度分布。例如，如果一个或多个信道特性发生变化，那么在第一设备110处的接收信号的幅度分布也将随之变化。换言之，从第二设备120-1到第一设备110的不同的信道特性使得第一设备110处的接收信号的幅度具有不同的分布。也即，第一设备110处的接收信号的幅度分布与从第二设备120-1到第一设备110的信道特性之间存在某种关联性。基于这种关联性，计算设备130可以从第一设备110处的接收信号中确定出从第二设备120-1到第一设备110的通信信道115的各种信道特性。

如本文中使用的，信道特性可以指代与信号的传输信道有关的任何特性，包括信号发送设备和信号接收设备本身的属性，诸如发送设备和接收设备本身的带宽等。作为非限制性的示例，信道特性可以包括但不限于，第一设备110处的信噪比、第一设备110与第二设备120-1之间的光纤长度、第一设备110与第二设备120-1之间的信道带宽、以及第一设备110处的接收信号功率，等等。

此处需要说明的是，尽管上面提到的信噪比和接收功率不是通信信道115本身的属性，但是它们可以反映出通信信道115的属性。例如，第一设备110处的信噪比可以反映出通信信道115的噪声性质，而第一设备110处的接收功率可以反映出通信信道115的衰减性质。基于这样的理解，如本文中所使用的，术语“信道特性”可以一般性地指代能够反映出两个通信设备之间的信道性质的任何参数或指标。

因此，在一些实施例中，不同的接收信号信噪比、光纤长度、信道带宽、或接收功率可以对应于接收信号幅度的不同分布。基于上文提到的关联性，计算设备130可以从接收信号幅度的分布来确定出这些信道特性。应当注意，尽管这里列出了四种信道特性，但是通过使用本公开的实施例的方法也等同地适用于其他的信道特性。

为了确定从第二设备120-1到第一设备110的信道特性，计算设备130可以先确定多个接收信号的幅度在多个幅度范围内的分布。为此，计算设备130可以首先确定在第一设备110处的多个接收信号的幅度变化范围。例如，在一种具体的示例场景中，如果发送信号的幅度是的0、1/3、2/3和1，则接收信号的幅度变化范围可以是[-0.2,1.4]。然后，计算设备130可以将该幅度变化范围划分成多个(诸如，40个)幅度范围。接着，计算设备130可以确定多个(诸如，一万个)接收信号的幅度在这些幅度范围内的分布。例如，每个幅度范围内包括多少个接收信号。这些接收信号的幅度的该分布后续可以用于确定从第二设备120-1到第一设备110的信道特性。

将明白，这里描述的信号的具体数目、信号的具体格式、信号电平的具体取值、信号幅度的变化范围、幅度范围的数目仅为示例，无意以任何方式限制本公开的实施例的范围。在其他实施例中，第二设备120-1可以向第一设备110发送任何适当数目的信号、任何适当格式的信号、使用任何适当的信号电平，第一设备110接收的信号幅度可以具有任何适当的变化范围，并且信号的幅度变化范围可以划分成任何适当数目的幅度范围。

将理解，计算设备130可以通过任何合适的方式来确定上述分布。例如，计算设备130可以按照幅度范围从大到小逐个地确定多个幅度范围中的每个幅度范围包括多少个信号。又例如，计算设备130可以按照其他任何顺序来确定每个幅度范围所包括的信号数目。再例如，针对多个接收信号中的每个接收信号，计算设备130可以确定接收信号的幅度属于多个幅度范围中的某个幅度范围。因此，计算设备130可以将该接收信号与该幅度范围相关联。然后，计算设备130可以确定与多个幅度范围中的每个幅度范围相关联的接收信号的数目。通过这样的方式，计算设备130确定幅度分布的效率可以得到提高。

一般而言，计算设备130可以将接收信号的幅度变化范围划分成任何数目的幅度范围，并且这些幅度范围的大小可以是不同的。由此确定出的信号幅度的分布也可以最终确定出从第二设备120-1到第一设备110的信道特性。然而，在一些实施例中，为了提高确定信道特性的准确度，计算设备130可以将接收信号的幅度变化范围划分成预定数目的大小相同的幅度范围。此外，预定数目的大小相同的幅度范围还可以简化计算设备130关于幅度范围的处理，降低关于计算信号幅度分布的计算量。

在实践中，对于在第一设备110处接收到的每个接收信号，计算设备130可以对接收信号执行预处理，具体可以包括对信号采样以得到采样数据、存储采样数据，等等。然后，计算设备130可以进行数据统计信息的收集，例如获得接收信号幅度的分布。将注意到，在使用机器学习模型(诸如，神经网络)来表征上述关联性的实施例中，通过获得数据统计信息的方式，神经网络的输入和神经元的数目可以被减少，从而降低系统复杂度。此外，在一些实施例中，接收信号的幅度分布可以通过绘制幅度的分布直方图来获得。

在一些实施例中，如果要确定的信道特性与噪声无关，诸如光纤长度、信道带宽和接收功率等，则计算设备130可以将从第二设备120-1接收的多个初始信号取平均，以获得用于确定信号幅度分布的多个信号中的一个信号。也就是说，用于确定信号幅度分布的每个接收信号实际上是多个原始接收信号的平均值。与此相反的是，如果要确定的信道特性与噪声有关，诸如信噪比和信干噪比等，则计算设备130可以不执行对原始接收信号的平均。换言之，在这些实施例中，对于与噪声无关的信道特性的测量，需要进行信号(或采样数据)的平均，以减小噪声的影响并且因此改进测量准确度，而与噪声有关的信道特性的测量可以不需要进行信号平均。

在220处，计算设备130获得第一设备110处的多个接收信号幅度在多个幅度范围内的分布与从第二设备120-1到第一设备110的信道特性之间的关联性。如上文提到的，正是由于信号幅度的分布与信道特性之间存在这样的关联性，计算设备130可以从信号幅度的分布来确定信道特性。为此，计算设备130可能需要先获得该关联性。

一般地，计算设备130可以从已知的接收信号的幅度分布和已知的信道特性来确定出上述关联性。将理解，由于多个接收信号幅度在多个幅度范围内的分布是一种统计信息，所以为了更准确地确定出上述关联性，计算设备130可以从数量足够多的已知接收信号来获得已知的信号幅度分布，然后根据已知的信道特性来确定该关联性。在一些实施例中，计算设备130可以通过构建仿真通信模型来仿真多个信号从第二设备120-1到第一设备110的传输，从而可以获得理论上无穷数目的接收信号。下文结合图3来描述这样的实施例。

图3示出了根据本公开的实施例的另一示例方法300的流程图。在一些实施例中，方法300可以由通信系统100中的计算设备130来实现，例如可以由计算设备130的处理器或处理单元来实现。在其他实施例中，方法300也可以由独立于通信系统100的计算设备来实现，或者可以由通信系统100中的其他单元(例如，第一设备110或第二设备120)来实现。为了便于讨论，将结合图1以计算设备130执行方法300为例来讨论方法300。

在310处，计算设备130可以创建仿真通信模型，以用于获得第一设备100处的仿真的接收信号的仿真幅度分布、以及第二设备120-1到第一设备110的仿真的信道特性，从而确定出两者之间的关联性。下文结合图4来描述本公开的实施例的仿真通信模型的示例。

图4示出了根据本公开的实施例的仿真通信模型400的框图。如图4所示，仿真通信模型400可以包括用于仿真第一设备110的第一仿真设备模型410。在一些实施例中，第一仿真设备模型410可以是光网络单元的仿真模型，光网络单元可以是高速无源光网络信号的发生器，其通常包括分布式反馈(DFB)激光器、光检测器(PD)和一些其他的驱动电路。仿真通信模型400还可以包括用于仿真第二设备120-1的第二仿真设备模型420。在一些实施例中，第二仿真设备模型420可以是光线路终端的仿真模型，其用于接收信号、对信号采样、以及收集采样的数据。仿真通信模型400还可以包括用于仿真第一设备110与第二设备120-1之间的通信信道115的仿真信道模型430。

在一些实施例中，仿真信道模型430可以包括滤波器模型432、噪声模型434、光纤模型436和衰减器模型438。滤波器模型432可以用于仿真通信信道115的带宽。例如，滤波器模型432可以是可调节光滤波器(TOF)模型，其可以对信道带宽115随时间的变化进行仿真。在使用中，可调节光滤波器可以在某个调节范围中改变信号的传输带宽。噪声模型434可以用于仿真通信信道115中的噪声。例如，噪声模型434可以向传输的信号中添加光噪声，从而模拟信噪比的变化。在一些实施例中，噪声模型434可以由掺铒光纤放大器(EDFA)的模型来实现。光纤模型436可以用于仿真第一设备110与第二设备120-1之间的光纤信道。例如，光纤模型436可以用于调节光纤的长度，其调节范围可以由无源光网络设备的规范来确定。衰减器模型438可以用于仿真通信信道115对信号的衰减，例如，其可以用于控制第一仿真设备模型410的输入端口处的接收信号的功率。

应当理解，尽管图4将仿真信道模型430描绘为包括特定数目的具体子仿真模型，但是这仅是示例性的，无意以任何方式限制本公开的实施例的范围。在其他实施例中，仿真信道模型430可以包括更多或更少的子仿真模型，也可以包括与图4中所描绘的各种子仿真模型不同的子仿真模型。

返回参考图3，在320处，计算设备130可以在第二仿真设备模型420处，经由仿真信道模型430，向第一仿真设备模型410发送多个仿真发送信号。在一些实施例中，在发送多个仿真发送信号时，计算设备130可以使得信道特性在一定范围内变化。例如，对于上文提到的四个信道特性，信道带宽、信噪比、光纤长度和接收功率，计算设备130可以将它们设置为在各自的范围内随机地变化。假设每个信道特性具有100个不同的取值，则仿真发送信号的总数目将是100×100×100×100＝10⁸个。

在330处，计算设备130可以在第一仿真设备模型410处接收与多个仿真发送信号相对应的多个仿真接收信号。例如，与第二仿真设备模型420处的10⁸个发送仿真信号相对应，计算设备130可以在第一仿真设备模型410处接收10⁸个接收仿真信号。

在一些实施例中，如果要仿真的信道特性与噪声无关，则计算设备130可以在第二仿真设备模型420处，发送多个仿真发送信号中的一个仿真发送信号的多个副本。相应地，计算设备130可以将与仿真发送信号的多个副本相对应的、在第一仿真设备模型410处接收的多个初始仿真接收信号取平均，来获得多个仿真接收信号中的一个仿真接收信号。通过这样的方式，噪声的影响可以被减小并且因此改进仿真的准确度。换言之，如果要针对与噪声无关的信道特性进行原始接收信号的平均，则针对每个(或每组)信道特性的不同取值，将会具有多个(例如，数千个)原始仿真接收信号用于执行信号平均。

在340处，计算设备130可以基于多个仿真接收信号来确定第一设备110处的接收信号的幅度分布与从第二设备120-1到第一设备110的信道特性之间的关联性。此处，计算设备130实际上是通过仿真通信模型400来对上述关联性进行仿真。将理解，计算设备130可以采用任何适当的方式从多个仿真接收信号中确定上述关联性。例如，计算设备130可以对仿真接收信号的幅度分布进行函数拟合以获得分布函数，然后再确定所得到的分布函数与已知的信道特性之间的关联性。此外，在一些实施例中，计算设备130可以使用类似于在方法200的框210处使用的划分幅度范围的方法，而从多个仿真接收信号确定关联性。下文结合图5来描述这样的实施例。

图5示出了根据本公开的实施例的又一示例方法500的流程图。在一些实施例中，方法500可以由通信系统100中的计算设备130来实现，例如可以由计算设备130的处理器或处理单元来实现。在其他实施例中，方法500也可以由独立于通信系统100的计算设备来实现，或者可以由通信系统100中的其他单元(例如，第一设备110或第二设备120)来实现。为了便于讨论，将结合图1以计算设备130执行方法500为例来讨论方法500。

在510处，与方法200的框210相类似，计算设备130可以确定多个仿真接收信号的幅度在多个仿真幅度范围内的仿真分布，多个仿真幅度范围从多个仿真接收信号的幅度变化范围划分得到。此外，多个仿真幅度范围的数目可以与框210中划分的幅度范围的数目相同。例如，如果在框210中，第一设备110处的接收信号的幅度变化范围被划分成特定数目的幅度范围，则框510中的仿真幅度范围也可以设置为该特定数目，以便实现后续的信道特性测量的更高准确度。

在520处，计算设备130可以基于仿真通信模型400来确定信道特性的仿真特性值。由于在仿真通信模型400中，各个组件的仿真模型的具体取值、从第二仿真设备模型420发出的信号、以及在第一仿真设备模型接收的信号都是已知的，所以计算设备130可以确定出仿真通信模型400中的各种信道特性的仿真特性值，诸如，仿真的信噪比值、仿真的光纤长度值、仿真的信道带宽值、以及仿真的接收功率值，等等。

在530处，计算设备130可以基于在框510处确定的仿真分布和在框520处确定的仿真特性值，来确定第一设备110处的接收信号的幅度分布与从第二设备120-1到第一设备110的信道特性之间的关联性。将理解，计算设备130可以采用任何适当的方式从仿真分布和仿真特性值确定上述关联性。例如，计算设备130可以将各个仿真幅度范围中的仿真接收信号数目与仿真特性值进行函数拟合，所得到的拟合函数即为该关联性。也就是说，计算设备130可以确定各个仿真幅度范围中的仿真接收信号数目与仿真特性值之间的函数关系，以表征两者之间的关联性。

除此以外，在一些实施例中，上述关联性可以使用经训练的机器学习模型来表征。在这种情况下，机器学习模型的训练可以在计算设备130处或其他计算设备处执行。例如，计算设备130可以通过仿真通信模型400来获得用于训练机器学习模型的数据，诸如上文的仿真分布和仿真特性值。然后，计算设备130可以使用训练数据来训练机器学习模型，来表征上述关联性。在完成对机器学习模型的训练后，在对信道特性的实际测量中，计算设备130可以通过获得用于表征关联性的经训练的机器学习模型来获得上述关联性。

注意，为了训练该机器学习模型(例如，神经网络)并且获取神经网络中的最佳权重和偏置，要收集足够的训练数据。训练数据可以通过在实验室环境中进行实验来获得，或者可以通过图4所描绘的准确的器件模型进行仿真来获得。这不是非常繁琐的，因为实验或仿真针对一种无源光网络设备只需要进行一次。应当明白，尽管在后文中使用神经网络作为机器学习模型的示例描述了一些实施例，但是本公开的实施例也等同地适用于其他任何类型的机器学习模型，例如，线性模型、向量机、决策树，等等。

近年来，作为人工智能(AI)技术的分支，机器学习已经涌现成为用于解决光通信系统中的问题的强大工具。在长距离传送网络中，多种机器学习技术，诸如神经网络和强化学习，已经被采用来实现自主操作以及增大网络和光学层中的容量。另一方面，在光接入网络中，基于机器学习的技术大多被用于实施信号均衡来校正线性失真和非线性失真，并且相比于传统的均衡器(诸如最小均方均衡器)展现出相对更好的系统性能。因此，本公开的实施例也将机器学习模型(例如，神经网络)用于确定上述关联性，从而取得更好的信道特性的测量结果。

在这方面，需要解释的是，本文中使用的术语“神经网络”可以被理解为一种机器学习模型。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性，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。在本公开的上下文中，“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以互换地使用。

如果使用直方图来表达接收信号的幅度分布，则在使用神经网络来确定上述关联性时，神经网络的输入可以是直方图中的条形的权重值，也即各个幅度范围中的接收信号数目。在一些实施例中，用于表征上述关联性的神经网络可以是全连接神经网络。为了简单起见，该全连接神经网络可以包括三层，即输入层、隐藏层和输出层。在仿真中，尝试了使用更多的隐藏层，但是相比于具有一个隐藏层的神经网络，没有显示出大的性能改进。此外，隐藏层中的神经元的数目可以从[20,40,60,80,100]的列表中选择。在一些实施例中，出于时间效率和神经网络性能的折中，隐藏层可以包括40个神经元。

在其他实施例中，用于表征上述关联性的神经网络也可以是卷积神经网络、递归神经网络、或其他类型的神经网络。此外，将明白，这里描述的神经网络的具体结构、隐藏层的具体数目、以及每层的神经元的具体数目仅为示例性的，无意以任何方式限制本公开的实施例的范围。在其他实施例中，用于表征上述关联性的神经网络可以具有任何适当的结构，具有任何适当数目的隐藏层，并且每个层可以具有任何适当数目的神经元，等等。

在神经网络的训练中，可以使用监督式学习，输出层中的标签是将被测量的目标信道特性。例如，如果第一设备110处的信噪比被选择作为测量目标，则标签可以是仿真接收信号的信噪比。在训练过程中，神经网络中的权重和偏置被优化以最小化代价函数的值。在一些实施例中，代价函数可以是均方误差。当均方误差值达到预先设置的阈值时，训练操作可以停止并且具有经训练的权重和偏置的神经网络可以被保存用于信道特性的实际测量。此外，神经网络的类型、层数目和神经元的数目也可以被优化，以实现最好的系统性能。

返回参考图2，在230处，计算设备130基于第一设备110处的多个接收信号的幅度分布和在框220处获得的上述关联性，来确定从第二设备120-1到第一设备110的信道特性。将理解，计算设备130确定信道特性的方式将取决于在框220处获得的关联性的表征方式。例如，在关联性通过函数关系来表征的情况下，计算设备130可以通过该函数关系从接收信号的幅度分布确定出所要测量的信道特性。

在其他实施例中，上述关联性可以通过经训练的机器学习模型来表征。在这种情况下，计算设备130可以将接收信号的幅度分布输入到该机器学习模型中，以从机器学习模型的输出来得到所要测量的信道特性。例如，在接收信号经过预处理之后，可以获得采样数据的统计信息，也即，接收信号幅度分布的直方图中的权重值(或者与每个幅度范围相关联的信号数目)，被输入到经训练的神经网络中。在实际的应用中，对机器学习模型的训练操作不需要在线地执行，而是可以在另外的时间离线地执行。因此，经预处理的接收信号数据可以直接输入到神经网络中来确定感兴趣的信道特性。

图6示出了根据本公开的实施例的仿真测试600的流程图，其可以认为是方法200的一种具体示例。在一些实施例中，仿真测试600可以由通信系统100中的计算设备130来实现，例如可以由计算设备130的处理器或处理单元来实现。在其他实施例中，仿真测试600也可以由独立于通信系统100的计算设备来实现，或者可以由通信系统100中的其他单元(例如，第一设备110或第二设备120)来实现。

在仿真测试600中，所针对的是采用PAM4格式的高速50Gb/s无源光网络的实施例，其主要包括四个部分，数据收集(对应于框610至640)、数据预处理(对应于框650)、机器学习模型的训练(对应于框670至680)、以及使用机器学习模型对信道特性的测量或预测(对应于框690)。

在610处，计算设备130可以设置要测量的信道特性，也即设置将被测量的目标，诸如信噪比、信号的接收功率、信道带宽、光纤长度、或其他设备属性或信道属性。在620处，在设置了测量目标之后，计算设备130可以构建仿真模型。在该仿真中，仿真模型具体是指利用PAM4格式的高速50-Gb/s无源光网络的仿真模型。例如，仿真模型可以采用如图4中所示出的仿真模型架构。

在630处，计算设备130可以向目标信道特性赋值。例如，假设信噪比被选择作为目标信道特性，则计算设备130可以将信噪比设置为不同的值，然后从第二仿真设备模型420向第一仿真设备模型410发送仿真信号。在一些实施例中，目标信道特性可以在某个预定的取值范围内被赋值，并且所赋的值可以随机均匀分布在该取值范围内。在640处，计算设备130可以对仿真接收信号进行采样并存储。

根据作为目标的信道特性的不同，下面的表1中示出了在该仿真中所提供的若干用例。在用例1中，若干信道特性，诸如光纤长度、端到端信道带宽和接收功率被分别固定为20千米、20GHz和-10dBm，而接收信号的信噪比通过在仿真模型中从掺铒光纤放大器输入噪声而随机地变化。例如，仿真中的信噪比变化的范围可以是从10dB到30dB。

类似地，在用例2-4中，一些信道特性被固定，而其他的信道特性将被测量。在实验室环境中进行实验的情况下，每次目标信道特性发生变化，第一设备110(例如，光线路终端)将通过模数转换器(ADC)对接收的信号进行采样，并且存储采样的数据。通常，数据收集的次数越多，机器学习模型(例如，神经网络)中的目标测量结果就越准确。但是，当仿真中的数据集合的数目大于50000时，神经网络的性能改进较小。除了从接收信号获取的数据之外，改变的信道特性的值也被记录，其将输入到神经网络作为训练时的标签。

表1在不同的用例中对测量目标的选择

用例	信噪比	光纤长度	信道带宽	接收功率
					1	测量目标	固定(20km)	固定(20GHz)	固定(-10dBm)
2	测量目标	测量目标	固定(20GHz)	固定(-10dBm)
					3	固定(50dB)	测量目标	固定(20GHz)	固定(-10dBm)
4	固定(50dB)	测量目标	测量目标	固定(-10dBm)
					5	固定(50dB)	测量目标	测量目标	测量目标

在650处，计算设备130可以确定数据收集是否结束。例如，计算设备130可以确定是否已经具有预定数目的接收信号的数据样本来训练用于表征上述关联性的神经网络。如果是，则计算设备130可以前进到框660。另一方面，如果计算设备130在650处确定数据收集还没有结束，则计算设备130可以返回到框630来改变目标信道特性的赋值，以收集更多的接收信号的数据样本。

在660处，计算设备130可以对数据进行预处理。特别地，所收集的数据可以被预处理以获得其统计信息。如上文指出的，在与噪声有关的信道特性(诸如，信噪比)测量和与噪声无关的其他信道特性测量之间可能存在一些区别，即是否需要进行数据平均。对于与噪声有关的信道特性的测量，采样的数据可以直接被预处理，并且随后给出对应的幅度分布直方图。而对于与噪声无关的其他信道特性的测量，数据收集的时间可以是针对与噪声有关的信道特性的测量的时间的数千倍。每次目标信道特性改变，第二设备120-1(诸如，第二仿真设备模型420)将以多得多的时间来发送相同的信号，诸如1000次，并且然后第一设备110(诸如，第一仿真设备模型410)接收这些信号并且对这些信号采样1000次。

因此，针对与噪声无关的其他信道特性，在数据预处理步骤中，来自相同信号的所收集的1000个采样数据将被取平均以在很大程度上减小噪声的影响，理论上可以增大30-dB的信噪比。类似地，在取平均之后，多个经平均的采样数据被处理以获得对应的直方图。因此，在实际的实施方式中，需要具有重复数据的训练序列用于与噪声无关的信道特性的测量。归因于无源光网络信号的高速度，这些重复的训练序列占用的时间是非常短的，对于1000次重复大约是200微秒。

图7A-图7B示出了根据本公开的实施例的仿真接收信号的幅度的仿真分布710和750。在图7A和图7B中，横轴表示从仿真测试中在第一仿真设备模型410处接收的信号幅度，纵轴表示在第一仿真设备模型410接收的信号数目。在上述的仿真过程中，假定在第二仿真设备模型420处发出经归一化的幅度为0、1/3、2/3和1的10⁴个信号，则在第一仿真设备模型410处可以接收到幅度在大约-0.2至1.4之间的10⁴个接收信号。

如图7A所示，这些接收信号的幅度变化范围[-0.2,1.4]可以被划分成40个幅度范围，每个幅度范围对应一个条形。某个幅度范围所对应的信号数目越大，则该幅度范围的条形越高。类似地，在图7B中，10⁴个接收信号的幅度变化范围可以被划分成100个幅度范围，每个幅度范围对应一个条形。某个幅度范围所对应的信号数目越大，则该幅度范围的条形越高。

返回参考图6，在670处，计算设备130可以利用预处理后的数据来训练机器学习模型，例如，神经网络。在一些实施例中，神经网络的输入可以是图7A和图7B示出的直方图中的条形的权重值，也即，与每个幅度范围相对应的信号的数目。在仿真中，可以采用全连接神经网络。如上文提到的，该全连接神经网络可以包括三层，输入层、隐藏层和输出层。在仿真中，尝试了使用更多的隐藏层，但是相比于具有一个隐藏层的神经网络，更多的隐藏层没有显示出大的性能改进。此外，隐藏层中的神经元的数目可以从[20,40,60,80,100]的列表中选择。通过仿真，出于时间效率和神经网络性能的折中，40个神经元最终被保留作为隐藏层。

输出层中的标签是将被测量的目标信道特性。例如，在用例1中，标签可以是接收信号的信噪比。在构造神经网络之后，训练过程开始实施，其中神经网络中的权重和偏置被优化以最小化代价函数的值，代价函数在仿真中是均方误差。当均方误差值达到所设置的阈值时，训练操作停止并且具有经训练的权重和偏置的神经网络被保存用于实际测量。

在680处，计算设备130可以优化机器学习模型的参数。例如，神经网络类型、层数目和神经元数目等等可以被优化，以实现最好的系统性能。在690处，计算设备130可以利用经训练的机器学习模型来测量信道特性。在测量阶段中，由第一设备110(例如，光线路终端)接收的数据被预处理并且输入到经训练的神经网络中，以获得信道特性的测量值。注意，与噪声有关的信道特性(例如，信噪比)的测量和与噪声无关的其他信道特性的测量在是否需要执行数据平均操作上略有区别。

另外，在本公开的仿真中，需要确定接收信号的幅度变化范围划分出的幅度范围数目对测量信道特性的准确性的影响。如果使用直方图来表示接收信号幅度的分布(例如，如图7A和图7B中所示)，则需要评估幅度分布直方图中的条形数目对信道特性的测量准确度的影响。下面结合图8来介绍关于这方面的仿真结果。

图8示出了根据本公开的实施例的接收信号的信噪比测量误差与幅度范围的数目的关系曲线。具体地，图8示出了在表1的用例1中，当幅度范围的数目以步长20个从20个变化到100个时，信噪比的预测误差(也称为测量误差)的变化。在图8中，横轴表示划分得到的幅度范围的数目，纵轴表示信噪比的预测误差，单位是分贝(dB)，曲线810表示信噪比的预测误差随着幅度范围数目的仿真变化曲线。如图8所示，在幅度范围的数目从20个变化到40个时，信道特性“信噪比”的预测准确度改进了大约20％，但是在幅度范围的数目从40个变化到60-100个时，预测准确度改进程度不大。因此，考虑准确度和复杂度的折中，在本文描述的具体的仿真实现中，幅度范围的数目可以被设置为40个。

图9A-图9F示出了根据本公开的实施例的针对五种用例的仿真结果的曲线图。图9A示出了针对表1中的用例1的仿真曲线图。在该用例中，仅接收信号的信噪比使用本公开的实施例的方法被测量，而其他信道特性在该用例中是固定不变的。在图9A中，横轴表示训练数据的数目，纵轴表示信噪比的预测误差，单位是分贝(dB)，曲线905表示信噪比的预测误差随着训练数据的数目的仿真变化曲线。如图9A所示，通过本公开的实施例测量的信噪比的误差大约为0.5dB。随着训练数据的增加，本公开的实施例的测量结果可以被改进。

图9B示出了针对表1中的用例2的仿真曲线图。在该用例中，两个信道特性，信噪比和光纤长度，使用一个经训练的神经网络同时被测量。在图9B中，横轴表示训练数据的数目，左边的纵轴表示信噪比的预测误差，单位是分贝(dB)，右边的纵轴表示光纤长度的预测误差，单位为米(m)，曲线913表示信噪比的预测误差随着训练数据的数目的仿真变化曲线，曲线915表示光纤长度的预测误差随着训练数据的数目的仿真变化曲线。

如图9B所示，信噪比测量结果比图9A中示出的针对用例1的结果稍大，并且针对光纤长度的测量结果误差略大。例如，平均误差可能大于350米。这主要是因为输入到神经网络的数据由于要测量信噪比而没有执行取平均操作。由此可以得出，低信噪比将会恶化用于测量光纤长度或其他信道特性而设计的神经网络的性能。因此，针对信噪比和其他信道特性分别使用不同的神经网络来测量可能是有利的。

图9C示出了针对表1中的用例3的仿真曲线图。在该用例中，仅光纤长度使用本公开的实施例的方法被测量，而其他信道特性在该用例中是固定不变的。在图9C中，横轴表示训练数据的数目，纵轴表示光纤长度的预测误差，单位是米(m)，曲线925表示光纤长度的预测误差随着训练数据的数目的仿真变化曲线。如图9C所示，仿真结果显示光纤长度的测量误差小于5米。

图9D示出了针对表1中的用例4的仿真曲线图。在该用例中，两个信道特性，光纤长度和信道带宽，使用一个经训练的神经网络同时被测量。在图9D中，横轴表示训练数据的数目，左边的纵轴表示光纤长度的预测误差，单位是米(m)，右边的纵轴表示信道带宽的预测误差，单位是兆赫兹(MHz)，曲线933表示光纤长度的预测误差随着训练数据的数目的仿真变化曲线，曲线935表示信道带宽的预测误差随着训练数据的数目的仿真变化曲线。

如图9D所示，光纤长度的测量误差小于5米，同时信道带宽的测量误差低于60MHz。值得注意的是，图9D中训练数据的数目范围从5000至35000个，可见增大的数据数目的确改进了测量的准确度。

图9E和图9F示出了针对表1中的用例5的仿真曲线图。在该用例中，三个信道特性，接收功率、光纤长度和信道带宽，使用一个经训练的神经网络同时被测量。在图9E中，横轴表示训练数据的数目，纵轴表示接收功率的预测误差，单位是分贝毫瓦(dBm)，曲线945表示接收功率的预测误差随着训练数据的数目的仿真变化曲线。

在图9F中，横轴表示训练数据的数目，左边的纵轴表示光纤长度的预测误差，单位是米(m)，右边的纵轴表示信道带宽的预测误差，单位是兆赫兹(MHz)，曲线953表示光纤长度的预测误差随着训练数据的数目的仿真变化曲线，曲线955表示信道带宽的预测误差随着训练数据的数目的仿真变化曲线。如图9E和图9F所示，测量光纤长度和信道带宽的性能与图9D中针对用例4的仿真结果是相当的，而接收功率的测量误差小于0.015dBm。

从图9A-图9F示出的仿真结果可以看出，在本公开的一些实施例中，基于神经网络的方法可以从无源光网络(例如，光线路终端)中的接收数据提取信道特性，而无需添加任何硬件设备和中断无源光网络服务。经过恰当地预处理，接收的信号可以(例如，在神经网络中)被分析，从而实现信道特性的提取，诸如信噪比、光纤长度、端到端信道带宽、以及信号恢复功率等，同时实现这些信道特性的高测量准确度(例如，分别小于0.5dB、5米、60MHz和0.015dBm)。因此，本公开的实施例可以有利地直接使用在依赖于信道特性的服务场景或链路监测场景中。

在一些实施例中，能够执行方法200的装置(例如，计算设备130)可以包括用于执行方法200的相应步骤的部件。部件可以按任何适合的形式来实施。例如，部件可以被实施在电路中或软件模块中。又例如，部件可以包括至少一个处理器和至少一个存储器。至少一个存储器可以存储有计算机程序代码。至少一个存储器和计算机程序代码被配置为，与至少一个处理器一起，使得装置执行相应的步骤。

在一些实施例中，该装置包括：用于确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布的部件，多个幅度范围从多个信号的幅度变化范围划分得到；用于获得分布与从第二设备到第一设备的信道特性之间的关联性的部件；以及用于基于分布和关联性，来确定信道特性的部件。

在一些实施例中，用于确定分布的部件包括：用于针对多个信号中的每个信号，响应于确定信号的幅度属于多个幅度范围中的一个幅度范围，将信号与幅度范围相关联的部件；以及用于确定与多个幅度范围中的每个幅度范围相关联的信号的数目的部件。

在一些实施例中，多个幅度范围包括预定数目的大小相同的幅度范围。

在一些实施例中，该装置还包括：用于响应于确定信道特性与噪声无关，将从第二设备接收的多个初始信号取平均，以获得多个信号中的一个信号的部件。

在一些实施例中，用于获得关联性的部件包括：用于创建仿真通信模型的部件，仿真通信模型包括用于仿真第一设备的第一仿真设备模型、用于仿真第二设备的第二仿真设备模型、以及用于仿真第一设备与第二设备之间的通信信道的仿真信道模型；用于在第二仿真设备模型处，经由仿真信道模型，向第一仿真设备模型发送多个仿真发送信号的部件；用于在第一仿真设备模型处接收与多个仿真发送信号相对应的多个仿真接收信号的部件；以及用于基于多个仿真接收信号来确定关联性的部件。

在一些实施例中，用于确定关联性的部件包括：用于确定多个仿真接收信号的幅度在多个仿真幅度范围内的仿真分布的部件，多个仿真幅度范围从多个仿真接收信号的幅度变化范围划分得到，多个仿真幅度范围的数目与幅度范围的数目相同；用于基于仿真通信模型来确定信道特性的仿真特性值的部件；以及用于基于仿真分布和仿真特性值，来确定关联性的部件。

在一些实施例中，该装置还包括：用于响应于确定信道特性与噪声无关，在第二仿真设备模型处，发送多个仿真发送信号中的一个仿真发送信号的多个副本的部件；以及用于将与仿真发送信号的多个副本相对应的、在第一仿真设备模型处接收的多个初始仿真接收信号取平均，来获得多个仿真接收信号中的一个仿真接收信号的部件。

在一些实施例中，仿真信道模型包括以下中的至少一项：滤波器模型，用于仿真通信信道的带宽；噪声模型，用于仿真通信信道中的噪声；光纤模型，用于仿真第一设备与第二设备之间的光纤信道；以及衰减器模型，用于仿真通信信道对信号的衰减。

在一些实施例中，用于获得关联性的部件包括：用于获得用于表征关联性的经训练的机器学习模型的部件。

在一些实施例中，信道特性包括以下中的至少一项：第一设备处的信噪比；第一设备与第二设备之间的光纤长度；第一设备与第二设备之间的信道带宽；以及第一设备处的接收信号功率。

图10示出了适合实现本公开的实施例的设备1000的简化框图。设备1000可以用来实现通信设备、计算设备或电子设备，例如图1中的第一设备110、第二设备120和计算设备130。如所示出的，设备1000包括一个或多个处理器1010、耦合到处理器1010的一个或多个存储器1020、以及耦合到处理器1010的一个或多个通信模块1040。

通信模块1040用于双向通信。通信模块1040具有至少一个线缆/光缆/无线接口，用于促进通信。通信接口可以表示与其他设备通信必要的任何接口。

处理器1010可以具有适合于本地技术环境的任何类型，并且作为非限制性示例可以包括以下一个或多个：通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器。设备1000可以具有多个处理器，诸如在时间上跟随与主处理器同步的时钟进行从动的专用集成电路芯片。

存储器1020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)1024、电可擦除可编程只读存储器(EPROM)、闪存、硬盘、压缩盘(CD)、数字多功能盘(DVD)、以及其他磁存储设备和/或光学存储设备。易失性存储器的示例包括但不限于随机存储存取器(RAM)1022或者在掉电期间无法持续的其他易失性存储器。

计算机程序1030包括计算机可执行指令，这些指令由相关联的处理器1010可执行。程序1030可以被存储在ROM 1024中。处理器1010可以通过将程序1030加载到RAM 1022中，来执行各种适当的动作和处理。

本公开的实施例可通过程序1030来实现，以使设备1000执行如以上参考图2、图3、图5和图6所讨论的本公开的任何过程。本公开的实施例也可以由硬件或软件与硬件的组合来实现。

在一些实施例中，程序1030可以被有形地包含于计算机可读介质。这样的计算机可读介质可以被包括在设备1000(例如，存储器1020)中或者被包括在设备1000可访问的其他存储设备中。设备1000可以将程序1030从计算机可读介质读取到RAM 1022以用于执行。计算机可读介质可以包括各种有形非易失性存储设备，诸如ROM、EPROM、闪存、硬盘、CD、DVD等。图11示出了CD或DVD形式的计算机可读介质1100的示例。计算机可读介质1100具有存储于其上的程序1030。

一般而言，本公开的各种示例实施例可以在硬件或专用电路、软件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。例如，在一些实施例中，本公开的各种示例(例如方法、装置或设备)可以部分或者全部被实现在计算机可读介质上。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、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，或其某些组合中实施。

本公开还提供了存储在非瞬态计算机可读存储介质上的至少一种计算机程序产品。计算机程序产品包括计算机可执行指令，计算机可执行指令诸如包括在目标的物理或者虚拟处理器上的器件中执行的程序模块中，用以执行上文关于图2、图3、图5和图6描述的过程200、300、500和600中的任何过程。一般而言，程序模块包括例程、程序、库、对象、类、组件、数据结构等，其执行特定的任务或者实现特定的抽象数据结构。在各实施例中，程序模块的功能可以在所描述的程序模块之间合并或者分割。用于程序模块的计算机可执行指令可以在本地或者分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质二者中。

用于实现本公开的方法的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，计算机程序代码或相关数据可以由任何适当的载体来承载，以使得设备、装置或处理器能够执行上文描述的各种过程和操作。载体的示例包括信号、计算机可读介质，等等。

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。机器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)、光纤、便携式压缩盘只读存储器(CD-ROM)、光存储设备、磁存储设备，或其任意合适的组合。

另外，尽管操作以特定顺序被描绘，但这并不应该理解为要求此类操作以示出的特定顺序或以相继顺序完成，或者执行所有图示的操作以获取期望结果。在某些情况下，多任务或并行处理会是有益的。同样地，尽管上述讨论包含了某些特定的实施细节，但这并不应解释为限制任何发明或权利要求的范围，而应解释为对可以针对特定发明的特定实施例的描述。本说明书中在分离的实施例的上下文中描述的某些特征也可以整合实施在单个实施例中。反之，在单个实施例的上下文中描述的各种特征也可以分离地在多个实施例或在任意合适的子组合中实施。

尽管已经以特定于结构特征和/或方法动作的语言描述了主题，但是应当理解，所附权利要求中限定的主题并不限于上文描述的特定特征或动作。相反，上文描述的特定特征和动作是作为实现权利要求的示例形式而被公开的。

Claims (22)

1.一种用于通信的方法，包括：

确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布，所述多个幅度范围从所述多个信号的幅度变化范围划分得到；

获得所述分布与从所述第二设备到所述第一设备的信道特性之间的关联性；以及

基于所述分布和所述关联性，来确定所述信道特性。

2.根据权利要求1所述的方法，其中确定所述分布包括：

针对所述多个信号中的每个信号，响应于确定所述信号的幅度属于所述多个幅度范围中的一个幅度范围，将所述信号与所述幅度范围相关联；以及

确定与所述多个幅度范围中的每个幅度范围相关联的信号的数目。

3.根据权利要求1所述的方法，其中所述多个幅度范围包括预定数目的大小相同的幅度范围。

4.根据权利要求1所述的方法，还包括：

响应于确定所述信道特性与噪声无关，将从所述第二设备接收的多个初始信号取平均，以获得所述多个信号中的一个信号。

5.根据权利要求1所述的方法，其中获得所述关联性包括：

创建仿真通信模型，所述仿真通信模型包括用于仿真所述第一设备的第一仿真设备模型、用于仿真所述第二设备的第二仿真设备模型、以及用于仿真所述第一设备与所述第二设备之间的通信信道的仿真信道模型；

在所述第二仿真设备模型处，经由所述仿真信道模型，向所述第一仿真设备模型发送多个仿真发送信号；

在所述第一仿真设备模型处接收与所述多个仿真发送信号相对应的多个仿真接收信号；以及

基于所述多个仿真接收信号来确定所述关联性。

6.根据权利要求5所述的方法，其中确定所述关联性包括：

确定所述多个仿真接收信号的幅度在多个仿真幅度范围内的仿真分布，所述多个仿真幅度范围从所述多个仿真接收信号的幅度变化范围划分得到，所述多个仿真幅度范围的数目与所述幅度范围的数目相同；

基于所述仿真通信模型来确定所述信道特性的仿真特性值；以及

基于所述仿真分布和所述仿真特性值，来确定所述关联性。

7.根据权利要求5所述的方法，还包括：

响应于确定所述信道特性与噪声无关，在所述第二仿真设备模型处，发送所述多个仿真发送信号中的一个仿真发送信号的多个副本；以及

将与所述仿真发送信号的所述多个副本相对应的、在所述第一仿真设备模型处接收的多个初始仿真接收信号取平均，来获得所述多个仿真接收信号中的一个仿真接收信号。

8.根据权利要求5所述的方法，其中所述仿真信道模型包括以下中的至少一项：

滤波器模型，用于仿真所述通信信道的带宽；

噪声模型，用于仿真所述通信信道中的噪声；

光纤模型，用于仿真所述第一设备与所述第二设备之间的光纤信道；以及

衰减器模型，用于仿真所述通信信道对信号的衰减。

9.根据权利要求1所述的方法，其中获得所述关联性包括：

获得用于表征所述关联性的经训练的机器学习模型。

10.根据权利要求1所述的方法，其中所述信道特性包括以下中的至少一项：

所述第一设备处的信噪比；

所述第一设备与所述第二设备之间的光纤长度；

所述第一设备与所述第二设备之间的信道带宽；以及

所述第一设备处的接收信号功率。

11.一种电子设备，包括：

至少一个处理器；以及

至少一个存储器，存储有计算机程序指令，所述至少一个存储器和所述计算机程序指令被配置为，与所述至少一个处理器一起，使得所述电子设备：

确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布，所述多个幅度范围从所述多个信号的幅度变化范围划分得到；

获得所述分布与从所述第二设备到所述第一设备的信道特性之间的关联性；以及

基于所述分布和所述关联性，来确定所述信道特性。

12.根据权利要求11所述的电子设备，其中所述电子设备被使得通过以下来确定所述分布：

针对所述多个信号中的每个信号，响应于确定所述信号的幅度属于所述多个幅度范围中的一个幅度范围，将所述信号与所述幅度范围相关联；以及

确定与所述多个幅度范围中的每个幅度范围相关联的信号的数目。

13.根据权利要求11所述的电子设备，其中所述多个幅度范围包括预定数目的大小相同的幅度范围。

14.根据权利要求11所述的电子设备，其中所述电子设备还被使得：

响应于确定所述信道特性与噪声无关，将从所述第二设备接收的多个初始信号取平均，以获得所述多个信号中的一个信号。

15.根据权利要求11所述的电子设备，其中所述电子设备被使得通过以下来获得所述关联性：

创建仿真通信模型，所述仿真通信模型包括用于仿真所述第一设备的第一仿真设备模型、用于仿真所述第二设备的第二仿真设备模型、以及用于仿真所述第一设备与所述第二设备之间的通信信道的仿真信道模型；

在所述第二仿真设备模型处，经由所述仿真信道模型，向所述第一仿真设备模型发送多个仿真发送信号；

在所述第一仿真设备模型处接收与所述多个仿真发送信号相对应的多个仿真接收信号；以及

基于所述多个仿真接收信号来确定所述关联性。

16.根据权利要求15所述的电子设备，其中所述电子设备被使得通过以下来确定所述关联性：

确定所述多个仿真接收信号的幅度在多个仿真幅度范围内的仿真分布，所述多个仿真幅度范围从所述多个仿真接收信号的幅度变化范围划分得到，所述多个仿真幅度范围的数目与所述幅度范围的数目相同；

基于所述仿真通信模型来确定所述信道特性的仿真特性值；以及

基于所述仿真分布和所述仿真特性值，来确定所述关联性。

17.根据权利要求15所述的电子设备，其中所述电子设备还被使得：

响应于确定所述信道特性与噪声无关，在所述第二仿真设备模型处，发送所述多个仿真发送信号中的一个仿真发送信号的多个副本；以及

将与所述仿真发送信号的所述多个副本相对应的、在所述第一仿真设备模型处接收的多个初始仿真接收信号取平均，来获得所述多个仿真接收信号中的一个仿真接收信号。

18.根据权利要求15所述的电子设备，其中所述仿真信道模型包括以下中的至少一项：

滤波器模型，用于仿真所述通信信道的带宽；

噪声模型，用于仿真所述通信信道中的噪声；

光纤模型，用于仿真所述第一设备与所述第二设备之间的光纤信道；以及

衰减器模型，用于仿真所述通信信道对信号的衰减。

19.根据权利要求11所述的电子设备，其中所述电子设备被使得通过以下来获得所述关联性：

获得用于表征所述关联性的经训练的机器学习模型。

20.根据权利要求11所述的电子设备，其中所述信道特性包括以下中的至少一项：

所述第一设备处的信噪比；

所述第一设备与所述第二设备之间的光纤长度；

所述第一设备与所述第二设备之间的信道带宽；以及

所述第一设备处的接收信号功率。

21.一种用于通信的装置，包括：

用于确定第一设备从第二设备接收的多个信号的幅度在多个幅度范围内的分布的部件，所述多个幅度范围从所述多个信号的幅度变化范围划分得到；

用于获得所述分布与从所述第二设备到所述第一设备的信道特性之间的关联性的部件；以及

用于基于所述分布和所述关联性，来确定所述信道特性的部件。

22.一种计算机可读介质，所述计算机可读介质存储有机器可执行指令，所述机器可执行指令在被执行时使机器执行根据权利要求1-10中任一项所述的方法。

Images