CN112585889B - 一种建立数据模型的方法及装置 - Google Patents
一种建立数据模型的方法及装置 Download PDFInfo
- Publication number
- CN112585889B CN112585889B CN201880096610.2A CN201880096610A CN112585889B CN 112585889 B CN112585889 B CN 112585889B CN 201880096610 A CN201880096610 A CN 201880096610A CN 112585889 B CN112585889 B CN 112585889B
- Authority
- CN
- China
- Prior art keywords
- optical signal
- network element
- optical
- signal group
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013499 data model Methods 0.000 title claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 998
- 238000012545 processing Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 239000000523 sample Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 239000000835 fiber Substances 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07955—Monitoring or measuring power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07957—Monitoring or measuring wavelength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/27—Arrangements for networking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J14/00—Optical multiplex systems
- H04J14/02—Wavelength-division multiplex systems
- H04J14/0201—Add-and-drop multiplexing
- H04J14/0202—Arrangements therefor
- H04J14/021—Reconfigurable arrangements, e.g. reconfigurable optical add/drop multiplexers [ROADM] or tunable optical add/drop multiplexers [TOADM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J14/00—Optical multiplex systems
- H04J14/02—Wavelength-division multiplex systems
- H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
一种建立数据模型的方法及装置,用以解决现有技术中所述DWDM系统中预置的Gain和NF准确性较差的问题。本申请中,网元可以创建包括不同波长光信号的光信号组,在经过选择所述第一光信号组,获取所述第一光信号组的第一数据之后,所述网元基于所述第一光信号组的第一数据建立的所述第一模型,可以反映出不同波长组合的光信号组中光信号经过所述网元后的噪声系数和增益值,所述第一模型确定的光信号经过所述网元后的噪声系数和增益值综合了不同波长组合下的光信号组,使得确定的噪声系数和增益值更准确。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种建立数据模型的方法及装置。
背景技术
密集型光波复用(dense wavelength division multiplexing,DWDM)是指在一根光纤中可以同时传输一组不同波长的光信号,DWDM技术是一种可以在现有的光纤网络中提高带宽的激光技术;简单来讲,DWDM技术可以使得在一个指定的光纤中,多路复用单个光纤载波的紧密光谱间距,以达到的一定的传输性能(例如,达到最小程度的色散或者衰减)。采用DWDM 技术可以在给定的信息传输容量下,尽可能多的减少所需要的光纤数量。
而检测DWDM系统的传输光信号的光通道性能是实现有效光信号传输的关键问题,在随着ROADM在DWDM系统的普遍部署,以及网状拓扑结构在DWDM系统中的广泛使用,使得在DWDM系统中光信号的传输可以存在多种可选的路径,一个特定的光信号在不同的光信号组中,该光信号的增益值(Gain)和噪声指数(noise figure,NF)是有很大差别的,进而该光信号在整个DWDM系统中光信噪比(optical signal noise ratio,OSNR)因为在不同的光信号组也存在较大的差异;而目前光信号的Gain和NF是预先设置在DWDM系统中的各个网元中的,由预置的Gain和NF计算的光信号在整个DWDM系统中的OSNR参数并不能准确的反映出光信号的性质。
综上,现有技术中所述DWDM系统中预置的Gain和NF准确性较差。
发明内容
本申请提供一种建立数据模型的方法及装置,用以解决现有技术中所述DWDM系统中预置的Gain和NF准确性较差的问题。
第一方面,本申请实施例提供了一种建立数据模型方法,该方法中,首先,网元可以创建光信号组,所述光信号组需要包括至少一种波长的光信号;在创建了所述光信号组后,所述网元可以基于预设的规则从所述光信号组中选择一个或多个第一光信号组;之后,所述网元可以获取一个或多个所述第一光信号组的第一数据,具体的,所述第一数据中包括所述第一光信号组输入到所述网元前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比;所述网元再根据所述第一光信号组的第一数据建立针对所述网元的第一模型,所述第一模型用于确定光信号经过所述网元后的噪声系数和增益值。
通过上述方法,所述网元可以创建包括不同波长光信号的光信号组,也就是不同波长组合的光信号组,在经过选择所述第一光信号组,获取所述第一光信号组的第一数据之后,所述网元基于所述第一光信号组的第一数据建立的所述第一模型,可以反映出不同波长组合的光信号组中光信号经过所述网元后的噪声系数和增益值,所述第一模型确定的光信号经过所述网元后的噪声系数和增益值综合考虑了不同波长组合下的光信号组,可以使得确定的噪声系数和增益值更准确。
在一个可能的设计中,若所述网元包括光放大器,所述网元可以通过所述光放大器对所述光信号组的合波光功率进行调整,具体的,当所述网元基于预设的规则从所述光信号组中选择第一光信号组时,所述网元可以根据所述光信号组对应的第一衰减参数执行第一调整,获得所述第一光信号组,其中,所述第一调整为根据所述第一衰减参数调节所述光信号组的输入到所述光放大器前的合波光功率。
通过上述方法,所述网元可以通过调整所述光信号组的输入到所述光放大器前的合波光功率选择所述第一光信号组,使得获得的具有不同合波光功率的所述第一光信号组,进一步,可以获取不同的合波光功率下的所述第一光信号组的第一数据,使得基于所述第一光信号的第一数据建立的所述第一模型可以适用于更多的场景,也能够保证通过所述第一模型确定的噪声系数和增益值更准确。
在一个可能的设计中,所述网元基于预设的规则从所述光信号组中选择第一光信号组,所述网元可以在所述光信号组中增加一个或多个特定波长的光信号,获得所述第一光信号组;所述网元也可以在所述光信号组中减少一个或多个特定波长的光信号,获得所述第一光信号组;所述网元也可以在所述光信号组中增加一个或多个特定波长的光信号,也减少一个或多个其他特定波长的光信号,获得所述第一光信号组。
通过上述方法,所述网元可以通过调整所述光信号组中波长组合和光信号的数量获取不同的所述第一光信号组,使得所述第一光信号组的中波长组合和光信号的数量可以灵活的改变,进一步,可以获取不同波长组合和光信号数量下的所述第一光信号组的第一数据,使得基于所述第一光信号的第一数据建立的所述第一模型可应用于不同场景,也可以更准确的通过所述第一模型确定噪声系数和增益值。
在一个可能的设计中,若所述网元包括ROADM,且所述ROADM与所述光放大器连接;所述网元可以通过所述ROADM对所述光信号组的任一光信号的单波光功率进行调整,在所述网元获取所述第一光信号组的第一数据之前,所述网元可以根据所述第一信号组中任一光信号对应的第二衰减参数执行第二调整,其中,所述第二调整为根据该光信号的第二衰减参数调整该光信号输入到所述ROADM前的单波光功率。
通过上述方法,所述网元可以通过调整所述光信号组中一个或多个光信号的单波光功率获取不同的所述第一光信号组,使得所述第一光信号组的任一光信号的单波光功率可以方便更改,进一步,可以获取不同光信号单波光功率组合下的所述第一光信号组的第一数据,使得基于所述第一光信号的第一数据建立的所述第一模型能够适用于不同的光信号组,通过所述第一模型确定的噪声系数和增益值更准确。
在一个可能的设计中,若所述网元包括ROADM,所述ROADM会使得所述第一光信号的光信号产生频率偏移,可以确定所述ROADM的频偏;首先,所述网元获取所述第一光信号组的第二数据,所述第二数据包括所述第一光信号组输入到所述ROADM前的光谱以及所述第一光信号组经过所述ROADM后的光谱;之后,所述网元根据所述第一光信号组的第二数据确定所述ROADM的频偏。
通过上述方法,由于所述ROADM的频偏会影响光信号在网元中的增益值和噪声系数所述网元基于所述ROADM的频偏,可以通过所述第一模型更准确的确定光信号的噪声系数和增益值。
在一个可能的设计中,所述网元可以通过如下步骤建立所述第一模型:
首先,所述网元基于所述第一光信号组的第一数据,根据预设的学习算法建立第二模型,所述第二模型用于确定光信号经过所述网元后的输出光功率和输出光信噪比。
之后,所述网元基于第一关系和第二关系对所述第二模型的输出值进行转换,获得所述第一模型,其中,所述第一关系为光信号的输入光功率、输出光功率与增益值的关系,所述第二关系为光信号输出光信噪比、输出光信噪比与噪声系数的关系。
通过上述方法,所述第二模型可以明确不同波长组合的光信号组中各个光信号的输入光功率和输入光信噪比、与所述光信号组中各个光信号的输出光功率和输出光信噪比之间的关系,之后再根据光信号的输入光功率、输入光信噪比、输出光功率和输出光信噪比与光信号的增益值和噪声系数的关系将所述第二模型转换为所述第一模型,建立过程更加简单、方便,可以提高建立所述第一模型的效率。
在一个可能的设计中,所述网元在建立针对所述网元的第一模型之后,可以对所述第一模型进行实时更新,所述网元可以获取更新后的第一光信号组的第一数据;之后,所述网元根据所述更新后的第一光信号组的第一数据调整所述第二模型,并根据调整后的第二模型更新所述第一模型。
通过上述方法,所述网元可以对所述第一模型进行更新,能够保证所述第一模型可以更准确的确定增益值和噪声系数。
在一个可能的设计中,所述网元建立针对所述网元的第一模型之后,可以将所述第一模型进行共享,例如可以共享给其他与所述网元属性相同的网元或SDN控制器,也就是说,所述网元可以将所述第一模型的信息发送给其他网元或SDN控制器。
通过上述方法,所述网元可以共享所述第一模型,其他网元不需要在本地建立所述第一模型,可有效的提高效率,同时也节省了资源,且所述网元将所述第一模型共享给其他网元或SDN控制器,其他网元或SDN控制器可以基于所述第一模型更准确的确定光信号的增益值和噪声系数。
第二方面,本申请实施例还提供了一种装置,本申请提供的装置具有实现上述第一方面中网元行为的功能,有益效果可以参见第一方面的描述此处不再赘述。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中,所述装置的结构中包括创建单元、选择单元、获取单元以及处理单元,还可以包括传输单元,这些单元可以执行上述第一方面方法示例中的相应功能,具体参见方法示例中的详细描述,此处不做赘述。
第三方面,本申请实施例还提供了一种装置,本申请提供的装置具有实现上述第一方面中网元行为的功能,有益效果可以参见第一方面的描述此处不再赘述。所述装置的结构中包括处理器和存储器,所述处理器被配置为支持所述网元执行上述第一方面方法中相应的功能。所述存储器与所述处理器耦合,其保存所述通信装置必要的程序指令和数据。所述通信装置的结构中还包括通信接口,用于与其他设备进行通信。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
第五方面,本申请还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
第六方面,本申请还提供一种计算机芯片,所述芯片与存储器相连,所述芯片用于读取并执行所述存储器中存储的软件程序,执行上述第一方面所述的方法。
附图说明
图1为本申请实施例提供的一种光网络系统的架构图;
图2为本申请实施例提供一种建立数据模型的流程图;
图3A为本申请实施例提供一种光网络系统的拓扑结构示意图;
图3B~3E为本申请实施例提供一种光网络系统中最大流路径示意图;
图4为本申请实施例提供一种第二模型的结构示意图;
图5为本申请实施例提供一种装置的结构图;
图6为本申请实施例提供一种装置的结构图。
具体实施方式
本申请实施例提供一种建立数据模型的方法及装置,用以解决现有技术中所述DWDM 系统中预置的Gain和NF准确性较差的问题。
如图1所示,为本申请实施例提供的一种光网络系统的结构示意图,所述光网络系统可以是DWDM系统,也可以其他光网络系统,本申请并不限定,所述光网络系统包括多个网元,所述光网络系统中的网元在所述光网络系统中的位置不同,所述网元包括的器件也会不同,如图1所示的光网络系统中以包括三个网元(分别为网元110、网元120和网元130)为例,事实上,本申请实施例并不限定所述光网络系统中包括的网元数目。
另外,所述光网络系统中的各个网元还可以形成不同的网络拓扑结构,图1所示的光网络系统仅是其中一种较为简单的结构,在实际应用中,所述光网络系统的网络拓扑结构可以是树状拓扑,也可以是其他拓扑。
如图1所示,所述光网络系统包括网元110、网元120和网元130,其中所述网元110中包括三个光转化单元(optical transponder unit,OTU)111、波分复用器(multiplexer,MUX) 112和光放大器(optical amplifier,OA)113,所述网元还可以包括传感器(sensor)114和 sensor115。其中所述OTU111用于将电信号转换为符合规定的光信号,例如所述OTU111可以转换为符合G.694.1/G.694.2规定的可用于波分复用的光信号。所述MUX112用于实现波分复用,将多个不同的光信号汇成一束多波长的光信号。所述OA113用于对输入的光信号进行放大。所述sensor114用于检测进入所述OA113前的光信号的光功率和光信噪比,所述 sensor115用于检测经过OA113后的光信号的光功率和光信噪比。
所述网元120中包括可重构的光分插复用器(reconfigurable optical add/dropmultiplexer, ROADM)121和OA122,所述网元还可以包括sensor123和sensor124。所述ROADM121用于从多波长的光信号中分出单个波长的光信号,或将单个波长的光信号加入到多波长的光信号中。所述OA122用于对所述ROADM121输出的光信号进行放大。所述sensor123用于检测进入OA122前的光信号的光功率和光信噪比,也就是检测经过ROADM121后的光信号的光功率和光信噪比,所述sensor124用于检测经过OA122后的光信号的光功率和光信噪比。
所述网元130中包括OA131和ROADM132、波分解复用器(demultiplexer,DeMux)133以及三个OTU134;所述网元还可以包括sensor135和sensor136。所述OA131用于对从所述网元130输出的光信号进行放大。所述ROADM132用于从多波长的光信号中分出单个波长的光信号,或将单个波长的光信号加入到多波长的光信号中。所述DeMux133用于实现波分解,将一束多波长的光信号分解为多个不同的光信号。所述OTU134用于将光信号转化为符合规定的电信号。所述sensor135用于检测经过OA131后的光信号的光功率和光信噪比,也就是检测进入ROADM121前的光信号的光功率和光信噪比,所述sensor136用于检测经过 ROADM121后的光信号的光功率和光信噪比。
在各个网元之间可以通过光纤进行连接,如所述网元110和所述网元120通过光纤140 连接,所述网元120和所述网元130通过光纤150连接。
所述光网络系统中还可以包括软件定义网络(Software Defined Network,SDN)控制器160 和位于所述DMDW系统信号输入端的oDSP模块170和位于所述DMDW系统信号输出端的 oDSP模块180。所述SDN控制器160可以获取各个网元中sensor的检测的数据,针对各个网元,创建第一模型。所述oDSP模块170用于将电信号调制到光信号中,也就是进行调制。所述oDSP模块180用于将光信号还原成电信号,也就是进行解调。
下面对如图1所示的光网络系统中的光信号的流向进行介绍:
首先,电信号从所述光网络系统的信号输入端的进入所述网元110,在所述网元110中所述电信号通过所述OTU 111转换为灰光信号,而由于所述OTU 111的作用,所述灰光信号中携带了电噪声。多个所述OTU 111会输出不同波长的灰光信号,多个所述OTU111输出的不同波长的灰光信号输入到所述MUX 112中进行合波,所述MUX 112输出合波光信号。
分光器可以从所述MUX 112输出的合波光信号分出部分信号到所述sensor114中,所述sensor114检测输入到所述OA113前的合波光信号中各个光信号的光功率和光信噪比;所述合波光信号输入到所述OA113,在所述OA113中被放大,由于所述OA113的作用,会在合波光信号中引入放大器自激发射(amplified spontaneous emission,ASE)噪声;之后,分光器从所述OA 113输出的合波光信号中分出部分信号到所述sensor 115中,所述sensor115检测经过所述OA 113后的合波光信号中的各个光信号的光功率和光信噪比。
为了检测所述网元110和网元120之间光纤140的长度,所述sensor 115可以发出探测光信号,所述sensor 115发出的探测光信号和所述OA113输出的合波光信号一起经过所述长纤140输入到所述网元120中的ROADM 121中,所述ROADM 121可以对输入到所述ROADM 121的光信号进行滤波;由于所述长纤140的作用,会引入非线性的光损伤,所述ROADM 121的滤波作用会导致信号的频率存在一定的偏移。分光器可以将所述ROADM 121输出的合波光信号和探测光信号分出部分信号到所述sensor 123中,所述sensor 123可以检测经过所述ROADM121后的合波光信号中的各个光信号的光功率和光信噪比、合波光信号的光谱以及探测光信号变化,通过对比分析所述sensor 115和所述sensor123检测的合波光信号的光谱,可以计算获得所述ROADM 121的频偏;根据所述探测光信号的变化,可以获得所述长纤140的长度。
所述ROADM 121输出的合波光信号输入到所述OA122中,在所述OA122中被放大;分光器可以将所述OA122输出的合波光信号分出部分信号到所述sensor124中,通过所述sensor 124可以检测所述OA122输出的合波光信号中各个光信号的光功率和光信噪比。
为了检测所述网元120和网元130之间光纤150的长度,所述sensor 124可以发出探测光信号,所述sensor 124发出的探测光信号和所述OA122输出的合波光信号一起经过所述长纤150输入到所述网元130中的OA 131中,所述OA131对输入到所述OA131的信号进行放大,分光器可以将所述OA131输出的信号分光到所述sensor 135中。所述sensor 135可以检测所述sensor 124可以发出的探测光信号的变化以及所述合波光信号的光谱,通过所述sensor 124可以发出的探测光信号的变化获得所述长纤150的长度。
所述ROADM 132可以对所述OA131输出的光信号进行滤波,分光器可以将所述ROADM 132输出的合波光信号分光到所述sensor136中,通过所述sensor 136可以检测所述ROADM 132输出的合波光信号中各个光信号的光功率和光信噪比。所述ROADM 132输出的合波光信号经过所述DeMux 134进行分波,分波后的光信号输入到与波长对应的所述OTU134,所述OTU134可以将光信号转为电信号,可以通过所述oDSP模块180可以读取每条光信号对应的业务的纠前误码率。
需要说明的是,上述各个网元中包括的器件仅是举例说明,在具体应用中网元中包括的器件可以根据具体场景进行设置,例如,网元中可以只包括OA,也可以只包括ROADM;网元中包括的sensor可以设置在不同的位置以检测光信号的光功率和光信噪比,本申请实施例中也不限定网元中包括的sensor的数量。
现有技术中需要检测光信号在整个光网络系统中的OSNR等参数,以计算OSNR为例当需要测定一个光信号的OSNR时,一般是需要通过所述光信号经过的各个网元中包括的OA上预设的Gain和NF进行计算;具体的,可以根据如下公式计算:
其中,N为光信号经过的网元个数,Li为连接第i个网元的光纤引入的光损伤,Pi in为进入第i个网元前的光信号的输入光功率,NFi为第一i个网元中OA预设的噪声系数。
虽然,预设的Gain没有体现在公式中,但一个网元中包括的OA会对光信号放大,通预设的Gain可以确定光信号经过所述一个网元后的光功率,也就是会影响光信号进入下一个网元的输入光功率。
所述各个网元中的OA上预设的Gain和NF是一个固定的值,而在实际应用中,当特定波长的光信号组位于不同波长组合的光信号组中,该特定波长的光信号的OSNR的值也不同,进而只是通过设定的Gain和NF来计算OSNR等参数时并不能真正反映出光信号的性质,也就是说,所述光网络系统中设定的Gain和NF准确性较差。
基于如图1所示的光网络系统,本申请实施例提供了一种建立数据模型的方法,如图2 所示,该方法包括:
步骤201:网元创建光信号组,所述光信号组包括至少一种波长的光信号。
所述网元在创建光信号组时,可以是接收到其他网元或SDN控制器发送的指令,也可以是直接创建光信号组。
一种可能的实施方式中,所述光网络系统中的首节点对应的网元具有计算路径的功能,所述首节点对应的网元在根据预设的路径算法计算出路径后,可以向该路径上的其他网元发送光信号组创建指令,所述光信号组创建指令中可以包括光信号组中各个光信号的波长信息,该路径上的其他网元在接收到所述光信号组创建指令后,根据所述光信号创建组指令创建所述光信号组,所述首节点对应的网元则可以直接创建所述光信号组。
另一种可能的实施方式中,具有计算路径的功能的SDN控制器可以执行计算路径的操作,之后,向计算出的路径上的各个网元发送光信号组创建指令,所述光信号组创建指令中可以包括光信号组中各个光信号的波长信息,所述计算出的路径上的各个网元在接收到所述光信号组创建指令后,根据所述光信号组创建指令创建所述光信号组。
需要说明的是,无论所述首节点对应的网元执行计算路径的操作,还是所述SDN控制器执行计算路径的操作,计算路径的方式有许多种,本申请实施例并不限定。
在所述光网络系统中各个网元之间能够传输的光信号的波长是不同的,如图3A所示, N1~N6是所述光网络系统的网络拓扑中的六个网元,其中每个网元之间可以传输的波长用[m: n]表示,[m:n]表示编号m到编号n之间的波长是可以传输的,如在N1和N2之间可以传输波长1到波长16的光信号。
所述网络中的首节点或所述SDN控制器在计算路径时,可以基于所述光网络系统的网络拓扑,根据波长一致性原则,确定各个波长的光信号的最大流路径。所述波长一致性原则是指一个波长的光信号可以通过路径上的各个网元,所述最大流路径为能保证传输光信号达到最大传输量的路径。
如图3A所示,若所述N1为首节点对应的网元,可以先通过开放式最短路径优先(open shortest path first,OSPF)进行路由洪泛,获得所述光网络系统的网络拓扑,基于波长一致性原则,可以确定各个波长的最大流路径分为如图3B到图3E。
之后,所述N1可以创建光信号组,并利用资源预留协议(resource reservationprotocol, RSVP)建立图3B到图3E所示的最大流路径。
以建立一条路径为例进行说明,所述N1会沿该路径向相邻的网元发送路径信息,所述相邻的网元收到所述路径信息后,根据所述路径信息向下游网元转发所述路径信息,直至转发至该路径上的最后一个网元,所述路径上的最后一个网元接收到所述路径信息后,则会反向向上游网元发送响应消息,当所述N1接收到所述响应消息后,则表示该路径已经建立。
如图3B所示,建立的最大流路径为N1->N2->N4->N6,可以传输的光信号的波长范围为波长1到波长11。
如图3C所示,建立的最大流路径为N1->N3->N2->N4->N6,可以传输的光信号的波长为波长12。
如图3D所示,建立的最大流路径为N1->N3->N5->N4->N6,可以传输的光信号的波长范围为波长13到波长19。
如图3E所示,建立的最大流路径为N1->N3->N5->N6,可以传输的光信号的波长范围为波长20到波长23。
需要说明的是,所述网元在创建光信号组时,所述光信号组中光信号可以是承载有业务的光信号,也可以是没有承载业务的光信号,如创建覆盖一定波长范围的假光(dummy light)。
步骤202:所述网元基于预设的规则从所述光信号组中选择第一光信号组。
所述网元在创建了所述光信号组后,可以从所述光信号组中选择部分光信号作为所述第一光信号组,也可以直接将所述光信号组作为所述第一光信号组;所述网元可以选择出一个第一光信号组,也可以选择多个第一光信号组。
由于所述网元在创建所述光信号组后,还需要进行进一步的选择,可以更加灵活获取所述第一光信号组,而依据所述第一光信号组的第一数据建立的所述第一模型也能够给适用于各种场景,保证在基于所述第一模型计算光信号的OSNR等参数时也更加准确。
其中,选择的方式有许多种,下面列举其中三种:
第一种、对所述光信号组合波光功率进行衰减。所述合波光功率为所述光信号组中各个光信号的功率之和。当所述网元中包括光放大器时,可以利用所述光放大器对所述光信号组的合波光功率进行调节。
具体的,所述网元可以根据所述光信号组对应的第一衰减参数执行第一调整,获得所述第一光信号组,其中,所述第一调整为根据所述第一衰减参数调节所述光信号组的输入到所述光放大器前的合波光功率。
所述光信号组可以对应一个或多个第一衰减参数,针对任一第一衰减参数,所述网元可以根据所述第一衰减参数执行第一调整。
也就是说,当所述光信号组可以对应多个第一衰减参数时,每针对所述光信号组执行一次所述第一调整后,获得一个第一光信号组;故在对应多个第一衰减参数时,会获得多个第一光信号组。
当所述光信号组对应多个第一衰减参数后,能够获得多个所述第一光信号组,在建立所述第一模型时,获取的第一数据的数据量更多,可以保证最终创建的所述第一模型能够覆盖到多种不同的波长组合的光信号组,进一步可以确保基于所述第一模型可以更加精确的计算出光信号的OSNR等参数。
而获取所述光信号组对应的第一衰减参数的方式有许多种,例如,当所述首节点对应的网元或所述SDN控制器向所述计算出的路径上各个网元上发送光信号组创建指令时,所述光信号组创建指令可以包括所述光信号组对应的第一衰减参数。
又例如,所述第一衰减参数可以预先配置在所述网元中的,在配置所述第一衰减参数时,可以是根据所述网元中光放大器的属性进行配置;如所述网元中光放大器能够调节的合波光功率的具有一定的窗口值,可以根据所述窗口值配置所述第一衰减参数。
通过上述方式可以灵活地获得所述第一衰减参数,之后可以使所述网元能够根据所述第一衰减参数获得所述第一光信号组,可以进一步保证所述第一模型的成功创建。
第二种、在所述光信号组中增加特定波长的光信号或减少特定波长的光信号。
由于所述网元中能够传输的光信号的波长有一定的范围,如图3A所述,所述N1和所述 N2只能传输波长1到波长16的光信号。
当所述网元在创建了所述光信号组后,可以根据所述网元可允许的波长传输范围,在所述光信号组中增加特定波长的光信号,也可以减少特定波长的光信号,还可以既增加一些特定波长的光信号,又减少一些其他特定波长的光信号。
例如,当前创建的所述光信号组的波长范围为波长1到波长10,若所述网元可允许的波长传输范围为波长1到波长16,则所述网元可以增加波长11的光信号,也可以增加波长11 和波长12的光信号;若所述网元可允许的波长传输范围为波长1到波长6,则所述网元可以减少波长7到波长10的光信号,也可以减少波长5和波长10的光信号。
具体的,在所述光信号组中增加或减少光信号时,增加或减少的光信号的数目可以是一个,也可以是多个,本申请并不限定。
一种可能的实施方式中,所述网元在创建所述光信号后,可以多次增加光信号,也可以多次减少光信,且每增加一次光信号,可以获得一个第一光信号组,每减少一次光信号,获得一个第一光信号组。
例如,当前创建的所述光信号的波长范围为波长1到波长10,若所述网元可允许的波长传输范围为波长1到波长16,则所述网元可以增加波长11的光信号,获得的第一光信号组的波长范围是波动1到波长11,所述网元也可以增加波长11和波长12的光信号,获得的第一光信号组的波长范围是波动1到波长12;执行两次增加光信号的操作后,可以获得两个不同的第一光信号组。
通过增加或减少特定波长的光信号的方式,可以更加方便的获得所述第一光信号组,且当获得多个第一光信号组时,增加了创建所述第一模型的数据量,可以有效保证所述第一模型的确定的增益值和噪声系数的准确性更高,也可以适用于确定各种不同波长组合下的光信号的OSNR等参数。
第三种、对所述光信号组中任一光信号的单波光功率进行衰减。所述任一光信号的单波光功率为所述任一光信号的光功率。当所述网元中包括ROADM时,可以利用所述ROADM 对所述光信号组中任一光信号的单波光功率进行调节。
具体的,所述网元可以根据所述光信号组任一光信号对应的第二衰减参数执行第二调整,获得所述第一光信号组,其中,所述第二调整为根据光信号的第二衰减参数调整该光信号输入到所述ROADM前的单波光功率。
针对所述光信号组中的任一光信号组,该光信号可以对应一个或多个第二衰减参数,针对任一第二衰减参数,所述网元可以根据所述第二衰减参数执行第二调整。
也就是说,当该光信号可以对应多个第二衰减参数,每针对该光信号执行一次所述第二调整后,可获得一个第一光信号组;由于对应多个第二衰减参数,则可以获得多个第一光信号组。
当该光信号对应多个第二衰减参数后,能够获得多个所述第一光信号组,在建立所述第一模型时,获取的第一数据的数据量更多,可以保证最终建立的所述第一模型能够覆盖到多种不同的波长组合的光信号组,所述第一模型也更加准确,进一步可以确保基于所述第一模型可以更加精确的计算出光信号的OSNR等参数。
而获取所述光信号组对应的第二衰减参数的方式有许多种,例如,当所述首节点对应的网元或所述SDN控制器向所述路径上各个网元上发送光信号组创建指令时,所述光信号组创建指令可以包括所述光信号组中任一光信号对应的第二衰减参数。
又例如,所述第二衰减参数可以预先配置在所述网元中的,在配置所述第二衰减参数时,可以是根据所述网元中ROADM的属性进行配置;如所述网元中ROADM能够调节的单波光功率的具有一定的窗口值,可以根据所述窗口值配置所述第二衰减参数。
通过上述方式可以灵活地在不同的应用场景中获得所述第二衰减参数,之后可以使得所述网元能够利用所述第二衰减参数获得所述第一光信号组,能够保证所述第一模型的成功建立。
需要说明的是,在执行第二调整时,可以只调整所述光信号组中的一个光信号,也可以调整所述光信号组中的部分光信号,也可以对所述光信号组中的全部光信号进行调整。
所述光信号组中不同光信号对应的第二衰减参数可以不同;且对应的第二衰减参数的数目可以是一个,也可以是多个,本申请并不限定,所述网元在执行所述第二调整时,可以通过对需要调整的光信号进行不同的组合,获得多个第一光信号组,以便能够用于创建所述第一模型,也可以对需要调整的各个光信号对应的多个所述第二衰减参数的进行不同的组合,获得多个第一光信号组。
例如,所述光信号组中包括光信号1、光信号2、光信号3、光信号4以及光信号5,所述光信号组中各个光信号分别对应一个第二衰减参数,在执行所述第二调整时,所述网元可以根据所述光信号组中各个光信号对应的第二衰减参数分别对所述光信号组中各个光信号执行所述第二调整,获得一个所述第一光信号组;所述网元也可以根据所述光信号组中光信号 1和光信号2对应的第二衰减参数分别对所述光信号1和所述光信号2执行所述第二调整,获得所述第一光信号组。
又例如,所述光信号组中包括光信号1、光信号2、光信号3、光信号4以及光信号5,所述光信号1对应的第二衰减参数分别为第二衰减参数A和第二衰减参数B,所述光信号2对应的第二衰减参数分别为第二衰减参数C和第二衰减参数D,在执行所述第二调整时,所述网元可以根据所述光信号1对应的第二衰减参数A对所述光信号1执行所述第二调整,根据所述光信号2对应的第二衰减参数C对所述光信号2执行所述第二调整,获得一个所述第一光信号组;所述网元也可以根据所述光信号1对应的第二衰减参数B对所述光信号1执行所述第二调整,根据所述光信号2对应的第二衰减参数C对所述光信号2执行所述第二调整,获得一个所述第一光信号组。
上述三种选择第一光信号组的方式仅是举例说明,本申请实施例并不限定上述三种方式,还可以采用其他方式,且上述三种方式可以单独执行,也可以联合执行,例如所述网元可以通过第一种方式和第三种方式结合获得所述第一光信号组,也就是说,所述网元可以对所述光信号组的合波光功率进行调整,也可以对所述光信号组中的任一信号的单波光信号进行调整。调整的顺序可以根据所述网元的结构进行确定,例如,当所述网元的结构如图1中网元 120的结构,由于所述ROADM比所述OA更靠近光信号输入端,则需要先执行第二调整,后执行第一调整;又例如,当所述网元的结构如图1中网元130的结构,由于所述OA比所述ROADM更靠近光信号输入端,则需要先执行所述第一调整,后执行所述第二调整。
应需理解的是,本申请实施例中最终需要根据所述第一光信号组的第一数据建立所述第一模型,为了保证在建立模型时,所述创建的第一模型能够适用于多种不同波长组合的光信号的场景,可以在选择所述第一光信号组时,尽量多的选择出多个不同的第一光信号组。
步骤203:所述网元获取所述第一光信号组的第一数据,所述第一数据包括所述第一光信号组输入到所述网元前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比。
所述网元获得所述第一光信号组后,所述第一光信号组可以通过所述网元中的各个器件,所述网元在所述第一光信号组进入所述网元前获得所述第一光信号组输入到所述网元前的每一个光信号的输入光功率和输入光信噪比,在所述网元的输出端,获得所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比。
具体的,所述网元中可以只包括光放大器,则所述第一数据包括所述第一光信号组输入到所述网元中的光放大器前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元中的光放大器后的每一个光信号的输出光功率和输出光信噪比;若所述光放大器的数目多于一个,所述网元中的第一个光放大器为靠近所述网元信号输入端的光放大器,所述网元中的最后一个光放大器为靠近所述网元信号输出端的光放大器,则所述第一数据包括所述第一光信号组输入到所述网元中的第一个光放大器前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元中最后一个光放大器后的每一个光信号的输出光功率和输出光信噪比。
若所述网元中可以只包括ROADM,则所述第一数据包括所述第一光信号组输入到所述网元中的ROADM前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元中的ROADM后的每一个光信号的输出光功率和输出光信噪比;若所述ROADM的数目多于一个,所述网元中的第一个ROADM为靠近所述网元信号输入端的ROADM,所述网元中的最后一个ROADM为靠近所述网元信号输出端的ROADM,则所述第一数据包括所述第一光信号组输入到所述网元中的第一个ROADM前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元中最后一个ROADM后的每一个光信号的输出光功率和输出光信噪比。
若所述网元包括光放大器和ROADM,且所述光放大器靠近所述网元的信号输入端,所述ROADM靠近所述网元的信号输出端,所述第一数据包括所述第一光信号组输入到所述网元中的光放大器前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元中的ROADM后的每一个光信号的输出光功率和输出光信噪比。
以如图1所示的三个网元为例,说明所述网元获取所述第一光信号组的第一数据的方法。
所述网元110中由于包括OA113,则所述网元110可以将所述sensor114获取输入到所述 OA113前的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组输入到所述网元110前的每一个光信号的输入光功率和输入光信噪比;将所述sensor115获取经过所述 OA113后的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组经过所述网元 110后的每一个光信号的输出光功率和输出光信噪比。
所述网元120中由于包括ROADM121和OA122,且所述ROADM121比所述OA122更靠近信号输入端,则所述网元120可以将所述sensor115获取的经过所述OA113后的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组输入到所述网元120前的每一个光信号的输入光功率和输入光信噪比;将所述sensor124获取的经过所述OA122后的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组经过所述网元120后的每一个光信号的输出光功率和输出光信噪比。
所述网元130中由于包括OA131和ROADM132,且所述OA131比所述ROADM132更靠近信号输入端,则所述网元130可以将所述sensor124获取的经过所述OA122后的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组输入到所述网元130前的每一个光信号的输入光功率和输入光信噪比;将所述sensor136获取的经过所述ROADM132后的合波信号中各个光信号的光功率和光信噪比作为所述第一光信号组经过所述网元130后的每一个光信号的输出光功率和输出光信噪比。
可选的,所述网元在获取所述第一光信号组的第一数据后,还可以对所述第一光信号组的第一数据进行筛选,选择出所述第一光信号组的第一数据中的有效数据,用于建立所述第一模型。
其中,筛选的原则可以根据具体的应用场景进行设置,本申请实施例并不限定。例如筛选的原则可以是光信号的输出的光功率大于输入的光功率;又例如,筛选的原则可以是光信号的输出光功率与输入光功率的比值与OA预置的Gain的差值在30%以内。
步骤204:所述网元根据所述第一光信号组的第一数据建立针对所述网元的第一模型,所述第一模型用于确定光信号经过所述网元后的噪声系数和增益值。
所述噪声系数用于表征光信号经过所述网元后引入噪声的程度,本申请实施例中以所述噪声系数为NF为例进行说明,本申请实施例中并不限定用其他参数作为所述噪声系数。
所述增益值用于表征光信号经过所述网元后业务功率的变化程度,本申请实施例中以所述增益值为Gain为例进行说明,本申请实施例中也不限定用其他参数作为所述增益值。
具体的,所述网元基于所述第一光信号组的第一数据,根据预设的学习算法建立第二模型,所述第二模型用于根据输入到所述网元中的光放大器前的光信号的输入光功率和输入前光信噪比确定光信号经过所述网元后的输出光功率和输出光信噪比。
也就是说,所述网元可以将所述光信号组输入到所述光放大器前的每一个光信号的输入光功率和输入光信噪比作为模型的输入值,将所述光信号组经过所述光放大器后的每一个光信号的输入光功率和输出光信噪比作为所述模型的输出值,之后根据预设的学习算法建立所述第二模型。
所述网元基于第一关系和第二关系对所述第二模型的输出值进行转换,获得所述第一模型,其中,所述第一关系为光信号输入到所述网元前的输入光功率、光信号经过所述网元后的输出光功率与增益值的关系,所述第二关系为光信号输入到所述网元前的输入光信噪比、光信号经过所述网元后的输出光信噪比与噪声系数的关系。
其中,预设的学习算法有许多种,例如可以是深度学习(deep learning,DL)算法,也可以是随机森林(random forest,RF),也可以是基于小样本的贝叶斯规划学习(bayesian program learning,BPL),还可以是上述算法的结合。本申请实施例并不限定所述预设的学习算法,凡是可以用于创建所述第二模型的学习算法均适用于本申请实施例。
本申请实施例中涉及的模型(所述第一模型或所述第二模型)的类型可以是神经网络模型,其中,所述神经网络模型中输入和输入均是张量;也可以是传统的机器学习模型,所述传统的机器学习模型的输入和输出不仅包括张量,而且还包括序列和字典等数据结构。
下面以预设的学习算法为深度学习,模型的类型为神经网络模块为例,介绍创建所述第一模型的方法,首先可以将所述第一光信号组的第一数据分为两组,一组为训练集,另一种为测试集。如图4所示,将所述第一光信号组各个波长的光信号的输入光功率 和输入光信噪比作为输入值,所述第一光信号组各个波长的光信号的输出光功率和输出光光信噪比 作为输出值,采用反向传播算法训练得到神经网络模型的结构和边权值,此时训练获得的神经网络模型为所述第二模型;之后利用测试集中数据验证的所述第二模型的优劣,并进行相应的调整,以使所述第二模型达到最优。
之后,可以根据如下公式对所述第二模型的输出值进行转换,获得所述第一模型。如下公式为针对其中一种波长的光信号,计算Gain和NF的过程。
OSNRin=10log10(P′in/P‘in_noise) (2)
Pout=P′out+P′out_noise (4)
OSNRout=10log10(P′out/P‘out_noise) (5)
Gainλ=P′out/P′in (7)
NFλ=10log10(OSNRin/OSNRout) (8)
由于该波长的光信号在输入到所述网元之后,该波长的光信号在传输过程中会引入噪声,则该波长的光信号的输入光功率则会分为两部分,一部分是有效的输入光功率,另一部分则引入的噪声的输入功率。由公式(1)可知所述Pin为该波长的光信号输入到所述网元前的输入光功率,其中所述输入光功率Pin等于该波长的光信号的有效输入光功率P′in和引入的噪声的输入功率之和;公式(2)中该波长的光信号输入到所述网元前的输入光信噪比OSNRin与该波长的光信号的有效输入光功率P′in和引入的噪声的输入功率比值有关;根据公式(1) 和公式(2)可以得出公式(3),可以计算出该波长的光信号的有效输入光功率P′in。
由于该波长的光信号在经过所述网元之后,该波长的光信号在所述网元中会被放大,其中该波长的光信号中携带的噪声也会被处理,则该波长的光信号的输出光功率则会分为两部分,一部分是有效的输出光功率,另一部分则引入的噪声的输出功率。由公式(4)可知所述 Pout为该波长的光信号经过所述网元后的输出光功率,其中所述输出光功率Pout等于该波长的光信号的有效输出光功率P′out和引入的噪声的输出功率P′out_noise之和;公式(5)中该波长的光信号的有效输出光功率P′out和和引入的噪声的输出功率P′out_noise比值与该波长的光信号经过所述网元后的输出光信噪比OSNRout有关;根据公式(4)和公式(5)可以得出公式(6), 可以计算出该波长的光信号的有效输出光功率P′out。
根据公式(7)可以计算出该波长的光信号的增益值Gainλ,Gainλ等于该波长的光信号的有效输出光功率P′out与该波长的光信号的有效输入光功率P′in的比值,将公式(3)和公式(6) 代入公式(7),可以根据该波长的光信号输入到所述网元前的输入光功率Pin和输入光信噪比 OSNRin以及该波长的光信号经过所述网元后的的输出光功率Pout和输出光信噪比OSNRout计算获取该波长的光信号的Gainλ。
根据公式(8)可以计算获得该波长的光信号的NFλ,该波长的光信号输入到所述网元前的输入光信噪比OSNRin以及该波长的光信号经过所述网元后输出光信噪比OSNRout的比值与该波长的光信号的噪声系数NFλ有关。
针对所述第一光信号组中任一个光信号,均可以通过公式(1)到公式(8)根据所述第一光信号组中任一光信号输入到所述网元前的输入光功率Pin和输入光信噪比OSNRin以及所述第一光信号组中任一光信号经过所述网元后的的输出光功率Pout和输出光信噪比OSNRout计算出所述第一光信号组中任一光信号的Gain和NF。
可选的,在建立所述第二模型时,为了使得建立的所述第二模型可以更加准确的反应出所述网元的属性,还可以增加所述第二模型的输入值,例如所述第二模型的输入值还可以包括所述网元中光放大器的类型,如OA TYPE,所述OA TYPE可以是量化的数值,也可以是根据不同OA的类型预设的数值。
可选的,若所述网元还包括所述ROADM,由于所述ROADM会导致所述第一光信号组的光信号的频率发生偏移,在计算所述第一模型时可以考虑所述ROADM的频偏。
所述ROADM的频偏为光信号的实际中心频率与G.694.1/G.694.2定义的标准波长中心频率的差值。
具体的,所述网元可以先获取所述第一光信号组的第二数据,所述第二数据包括所述第一光信号组输入到所述ROADM前的光谱以及所述第一光信号组经过所述ROADM后的光谱。
根据所述第一光信号组输入到所述ROADM前及经过所述ROADM后的光谱,经过对比确定所述第一光信号组的各个光信号的频率偏移,之后,所述网元可以根据所述第一光信号组的第二数据确定所述ROADM的频偏。
作为一种可能的实施方式,所述ROADM的频偏也可以作为所述第一模型的输入值,可以使得所述第一模型确定光信号的增益值和噪声系数时,可以考虑到所述ROADM的频偏对光信号的增益值和噪声系数的影响,也使得基于所述第一模型确定的增益值和噪声系数更准确。
所述网元根据所述第一光信号组的第一数据建立针对所述网元的第一模型之后,所述网元还可以对所述第一模型进行实时调整。
所述网元可以对所述第一光信号组进行更新,例如调整所述第一光信号组中的光信号中波长组合,也可以对所述第一光信号组中的合波光功率进行调节,还可以针对所述第一光信号组中任一光信号的单波光功率进行调节。上述更新所述第一光信号组的方式均是举例说明,凡是可以更新所述第一光信号组的方式均适用于本申请实施例。事实上,所述网元也可以不对所述第一光信号组进行更新,由于所述网元包括的器件在运行一段时间后,会引入一定的光损伤,当所述第一光信号组再次经过所述网元时,所述第一光信号组的第一数据也会发生更新。无论对所述第一光信号组进行更新,还是未对所述第一光信号组进行更新,所述第一光信号组的第一数据均会有一定的更新。
所述网元获取更新后的第一光信号组的第一数据;之后可以根据所述更新后的第一光信号组的第一数据调整所述第二模型,并根据调整后的第二模型更新所述第一模型。
当所述第一光信号组的第一数据的数据发生更新后,所述第二模型的输入值和输出值需要进行调节,相应的,所述第一模型也需要根据调整后的第二模型进行进一步的更新。
如表1所示为所述第一模型的两种可能的类型,一种是神经网络模型,一种为传统的机器学习模型,每种模型均由三部分组成,分别为图(graph)、操作集(operatorset)和基本数据类型。
其中,图用于描述在执行模型时所用的参数化图,操作集用于表示模型在运行时执行的操作的集合;所述神经网络模型的输入值和输出值均为张量(tensor),所述传统的机器学习模型的输入和输出不仅包括张量,还包括序列(sequence)和映射(map)。
表1
如表2所示,为第一模型中图的结构。其中图由节点(node)、输入初始默认值(initializer)、输入值(input)、输出值(output)构成,所述图的边是由节中包括的输出值和输出值构成的。
所述图的Initializer为模型输入的默认初始值,是可以人为设置的,所述图的input为模型的输入数据,例如所述图的input可以是所述网元获取的任一光信号组中各个光信号输入到所述网元前的每一个光信号的输入光功率和输入光信噪比;所述图的output为模型的输出数据,例如所述图的output可以是所述任一光信号组中各个光信号经过所述网元后的Gain和 NF。
表2
如表3所示,为表2所示的图中的节点的结构,所述节点包括节点的输入值(input),输出值(output)、节点的符号标识符(op_type)以及所述节点的属性(attribute)。
其中,所述节点的属性用于表示边的权值。所述节点的input表示所述节点的输入,例如一个所述节点的input可以是任一光信号组中一个光信号输入到所述网元前的输入光功率或输入光信噪比,所述节点的output表示所述节点的输出,例如一个所述节点的output可以是所述任一光信号组中一个光信号经过所述网元的Gain或NF;节点的符号标识符用于表示神经网络中的一个或一组神经元。
表3
在所述网元建立了所述第一模型,或对所述第一模型进行更新之后,所述网元将所述第一模型的信息发送给其他网元或所述SDN控制器。
从所述第一模型的建立过程可以看出,所述第一模型中涉及了所述第二模型,所述第二模型可以用于确定光信号的输出光功率和输出光信噪比,所述第一模型可以用于确定光信号的增益值和噪声系数。
所述网元在将所述第一模型的信息发送给其他网元或者所述SDN控制器时,可以将所述第一模型的全部信息发送给其他网元或者所述SDN控制器,也可以将所述第一模型的部分信息发送给其他网元或者所述SDN控制器。
所述第一模型在具体应用时,可以转换为多个不同的函数,如所述第一模型可以包括下列的部分或全部:
确定光信号的增益值的函数、确定光信号的噪声系数的函数、确定光信号的输出光功率的函数,确定光信号的输出光信噪比的函数。
所述网元可以将上述部分或全部的函数的信息发送给其他网元或SDN控制器。
对于所述光网络系统中的各个网元,一些网元的构成以及网元中包括的器件的属性是相同的,如光放大器的属性相同,或ROADM的属性相同,这些网元的第一模型是可以通用的,当其中一个网元建立了第一模型后,可以将建立的所述第一模型共享给其他网元,这样省去了其他网元建立所述第一模型的操作,使得其他网元可以更加高效的确定光信号的增益值和噪声系数。
上述描述中仅是以所述第一模型可转换为多个不同的函数为例进行说明,事实上,本申请实施例并不限定所述第一模型的信息类型,凡是可以表征所述第一模型的信息均适用于本申请实施例。
以如图1所示的光网络系统为例,所述网元120可以在根据sensor收集的数据计算获得所述网元120的第一模型,所述网元130可以在根据sensor收集的数据计算获得所述网元130 的第一模型,之后,所述网元120可以将所述网元120的第一模型的信息发送给所述网元110,所述网元130可以将所述网元130的第一模型的信息发送给所述网元110,所述网元110接收到所述网元120的第一模型和所述网元130的第一模型后,结合所述网元在本机建立的所述网元110的第一模型,可以根据如下公式:
确定任一输入到所述光网络系统的光信号在所述光网络系统中的OSNR。由于各个网元的第一模型在建立的过程中依据的是第一光信号组的第一数据,考虑到了不同波长组合下,对特定波长的光信号的OSNR等参数的影响,故使得最终计算获得任一输入到所述光网络系统的光信号的OSNR等参数。
应需理解的是,本申请实施例中均是以所述网元建立第一模型为例进行说明,在实际应用中,所述网元也可以将所述网元中sensor获取的数据发送给其他设备,如发送给所述SDN 控制器,由所述SDN控制器根据所述第一光信号组的第一数据建立所述第一模型,由于方法相同,仅是执行主体不同,具体可参见前述的说明,此处不再赘述。
基于与方法实施例同一发明构思,本申请实施例还提供了一种装置,用于执行上述方法实施例中所述网元执行的方法,相关特征可参见上述方法实施例,此处不再赘述,如图5所示,该装置包括创建单元501、选择单元502、获取单元503以及处理单元504:
所述创建单元501,用于创建光信号组,所述光信号组包括至少一种波长的光信号;
所述选择单元502,用于基于预设的规则从所述光信号组中选择第一光信号组;
所述获取单元503,用于获取所述第一光信号组的第一数据,所述第一数据包括所述第一光信号组输入到所述网元前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比;
所述处理单元504,用于根据所述第一光信号组的第一数据建立针对所述网元的第一模型,所述第一模型用于确定光信号经过所述网元后的噪声系数和增益值。
具体的,所述选择单元502可以通过如下三种方式选择所述第一光信号组:
方式一,通过调整所述光信号组的合波光功率获得所述第一光信号组。
当所述装置包括光放大器时,所述选择单元502可以通过所述光放大器调整所述光信号组的合波光功率,所述选择单元502基于预设的规则从所述光信号组中选择第一光信号组时,可以根据所述光信号组对应的第一衰减参数执行第一调整,获得所述第一光信号组。
所述第一调整是指根据所述第一衰减参数调节所述光信号组的输入到所述光放大器前的合波光功率。
方式二、通过在所述光信号组中增减光信号获得所述第一光信号组。
所述选择单元502可以在所述光信号组中增加特定波长的光信号,获得所述第一光信号组;所述网元也可以在所述光信号组中减少特定波长的光信号,获得所述第一光信号组。
方式三、通过调整所述光信号组任一光信号的单波光功率获得所述第一光信号组。
当所述装置包括ROADM,所述ROADM可以与所述光放大器连接;所述选择单元502可以根据所述第一信号组中任一光信号对应的第二衰减参数执行第二调整。
所述第二调整是指根据该光信号的第二衰减参数调整该光信号输入到所述ROADM前的单波光功率。
上述三种方式仅是举例说明,本申请并不限定采用其他方式获得所述第一光信号组,且上述三种方式可以结合使用,也可以单独使用。
在一种可能的实施方式中,当所述网元中包括所述ROADM,则需要确定所述所述ROADM的频偏。
具体的,所述获取单元503先获取所述第一光信号组的第二数据,所述第二数据包括所述第一光信号组输入到所述ROADM前的光谱以及所述第一光信号组经过所述ROADM后的光谱;之后,所述处理单元504根据所述第一光信号组的第二数据确定所述ROADM的频偏。
所述处理单元504在根据所述第一光信号组的第一数据建立针对所述网元的第一模型时,可采用如下方式:
首先,基于所述第一光信号组的第一数据,根据预设的学习算法建立第二模型,所述第二模型用于确定光信号经过所述网元后的输出光功率和输出光信噪比。
之后,基于第一关系和第二关系对所述第二模型的输出值进行转换,获得所述第一模型,其中,所述第一关系为光信号输入到所述网元前的输入光功率、光信号经过所述网元后的输出光功率与增益值的关系,所述第二关系为光信号输入到所述网元前的输出光信噪比、光信号经过所述网元后的输出光信噪比与噪声系数的关系。
为了使得所述第一模型保持准确度,所述获取单元503在所述处理单元504根据所述第一光信号组的第一数据建立针对所述网元的第一模型之后,实时的对所述第一模型进行更新。
具体的,所述获取单元503先可以获取更新后的第一光信号组的第一数据;之后,所述处理单元504根据所述更新后的第一光信号组的第一数据调整所述第二模型,并根据调整后的第二模型更新所述第一模型。
一种可能的实施方式,所述装置还可以包括传输单元505,所述传输单元505可以将所述第一模型的信息发送给其他网元或SDN控制器。
本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能单元可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备(可以是个人计算机,手机,或者网络设备等)或处理器(processor)执行本申请各个实施例该方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请实施例中,所述网元均可以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以指特定ASIC,电路,执行一个或多个软件或固件程序的处理器和存储器,集成逻辑电路,和/或其他可以提供上述功能的器件。
在一个简单的实施例中,本领域的技术人员可以想到所述网元可采用图6所示的形式。
如图6所示的装置600,包括一个或多个处理器601、存储器602,可选的,还可以包括通信接口603。
存储器602可以是易失性存储器,例如随机存取存储器;存储器也可以是非易失性存储器,例如只读存储器,快闪存储器,硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive, SSD)、或者存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器602可以是上述存储器的组合。
本申请实施例中不限定上述处理器601以及存储器602之间的具体连接介质。本申请实施例在图中以存储器602和处理器601之间通过总线604连接,总线604在图中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。该总线604可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器601可以具有数据收发功能,能够与其他设备进行通信,在如图6装置中,也可以设置独立的数据收发模块,例如通信接口603,用于收发数据;处理器601在与其他设备进行通信时,可以通过通信接口603进行数据传输。
当所述网元采用图6所示的形式时,图6中的处理器601可以通过调用存储器602中存储的计算机执行指令,使得所述装置可以执行上述任一方法实施例中的所述网元执行的方法。
具体的,图5中的创建单元、选择单元、获取单元以及处理单元的功能/实现过程均可以通过图6中的处理器601调用存储器602中存储的计算机执行指令来实现。或者,图6中的处理单元的功能/实现过程可以通过图6中的处理器601调用存储器602中存储的计算机执行指令来实现,图5中的传输单元的功能/实现过程可以通过图6中的通信接口603来实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种建立数据模型方法,其特征在于,该方法包括:
网元创建光信号组,所述光信号组包括至少一种波长的光信号;
所述网元基于预设的规则从所述光信号组中选择多个不同的第一光信号组,所述预设的规则包括下列的部分或全部:调节所述光信号组中光信号的数量、调节所述光信号组的输入光功率;
所述网元获取所述第一光信号组的第一数据,所述第一数据包括所述第一光信号组输入到所述网元前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比;
所述网元根据所述第一光信号组的第一数据建立针对所述网元的第一模型,所述第一模型用于确定光信号经过所述网元后的噪声系数和增益值。
2.如权利要求1所述的方法,其特征在于,所述网元包括光放大器,所述网元基于预设的规则从所述光信号组中选择第一光信号组,包括:
所述网元根据所述光信号组对应的第一衰减参数执行第一调整,获得所述第一光信号组,其中,所述第一调整为根据所述第一衰减参数调节所述光信号组的输入到所述光放大器前的合波光功率。
3.如权利要求1或2所述的方法,其特征在于,所述网元基于预设的规则从所述光信号组中选择第一光信号组,包括:
所述网元在所述光信号组中增加或减少特定波长的光信号,获得所述第一光信号组。
4.如权利要求2所述的方法,其特征在于,所述网元包括可重构光分插复用器ROADM,所述ROADM与所述光放大器连接;
所述网元获取所述第一光信号组的第一数据之前,还包括:
所述网元根据所述第一光信号组中任一光信号对应的第二衰减参数执行第二调整,所述第二调整为根据该光信号的第二衰减参数调整该光信号输入到所述ROADM前的单波光功率。
5.如权利要求4所述的方法,其特征在于,该方法还包括:
所述网元获取所述第一光信号组的第二数据,所述第二数据包括所述第一光信号组输入到所述ROADM前的光谱以及所述第一光信号组经过所述ROADM后的光谱;
所述网元根据所述第一光信号组的第二数据确定所述ROADM的频偏。
6.如权利要求1~5任一所述的方法,其特征在于,所述网元根据所述第一光信号组的第一数据建立针对所述网元的第一模型,包括:
所述网元基于所述第一光信号组的第一数据,根据预设的学习算法建立第二模型,所述第二模型用于确定光信号经过所述网元后的输出光功率和输出光信噪比;
所述网元基于第一关系和第二关系对所述第二模型的输出值进行转换,获得所述第一模型,其中,所述第一关系为光信号输入到所述网元前的输入光功率、光信号经过所述网元后的输出光功率与增益值的关系,所述第二关系为光信号输入到所述网元前的输出信噪比、光信号经过所述网元后的输出信噪比与噪声系数的关系。
7.如权利要求6所述的方法,其特征在于,所述网元根据所述第一光信号组的第一数据建立针对所述网元的第一模型之后,还包括:
所述网元获取更新后的第一光信号组的第一数据;
所述网元根据所述更新后的第一光信号组的第一数据调整所述第二模型,并根据调整后的第二模型更新所述第一模型。
8.如权利要求1~7任一所述的方法,其特征在于,所述网元根据获取所述第一光信号组的第一数据建立针对所述网元的第一模型之后,包括:
所述网元将所述第一模型的信息发送给其他网元或软件定义网络SDN控制器。
9.一种建立数据模型的装置,其特征在于,该装置包括创建单元、选择单元、获取单元以及处理单元:
所述创建单元,用于创建光信号组,所述光信号组包括至少一种波长的光信号;
所述选择单元,用于基于预设的规则从所述光信号组中选择多个不同的第一光信号组,所述预设的规则包括下列的部分或全部:调节所述光信号组中光信号的数量、调节所述光信号组的输入光功率;
所述获取单元,用于获取所述第一光信号组的第一数据,所述第一数据包括所述第一光信号组输入到网元前的每一个光信号的输入光功率和输入光信噪比以及所述第一光信号组经过所述网元后的每一个光信号的输出光功率和输出光信噪比;
所述处理单元,用于根据所述第一光信号组的第一数据建立针对所述网元的第一模型,所述第一模型用于确定光信号经过所述网元后的噪声系数和增益值。
10.如权利要求9所述的装置,其特征在于,所述网元包括光放大器,所述选择单元基于预设的规则从所述光信号组中选择第一光信号组时,具体用于:
根据所述光信号组对应的第一衰减参数执行第一调整,获得所述第一光信号组,其中,所述第一调整为根据所述第一衰减参数调节所述光信号组的输入到所述光放大器前的合波光功率。
11.如权利要求9或10所述的装置,其特征在于,所述选择单元基于预设的规则从所述光信号组中选择第一光信号组,具体用于:
在所述光信号组中增加或减少特定波长的光信号,获得所述第一光信号组。
12.如权利要求10所述的装置,其特征在于,所述网元包括可重构光分插复用器ROADM,所述ROADM与所述光放大器连接;所述选择单元在所述获取单元获取所述第一光信号组的第一数据之前,还用于:
根据所述第一光信号组中任一光信号对应的第二衰减参数执行第二调整,所述第二调整为根据该光信号的第二衰减参数调整该光信号输入到所述ROADM前的单波光功率。
13.如权利要求12所述的装置,其特征在于,
所述获取单元,还用于获取所述第一光信号组的第二数据,所述第二数据包括所述第一光信号组输入到所述ROADM前的光谱以及所述第一光信号组经过所述ROADM后的光谱;
所述处理单元,还用于根据所述第一光信号组的第二数据确定所述ROADM的频偏。
14.如权利要求9~13任一所述的装置,其特征在于,所述处理单元根据所述第一光信号组的第一数据建立针对所述网元的第一模型时,具体用于:
基于所述第一光信号组的第一数据,根据预设的学习算法建立第二模型,所述第二模型用于确定光信号经过所述网元后的输出光功率和输出光信噪比;
基于第一关系和第二关系对所述第二模型的输出值进行转换,获得所述第一模型,其中,所述第一关系为光信号输入到所述网元前的输入光功率、光信号经过所述网元后的输出光功率与增益值的关系,所述第二关系为光信号输入到所述网元前的输出信噪比、光信号经过所述网元后的输出信噪比与噪声系数的关系。
15.如权利要求14所述的装置,其特征在于,所述获取单元在所述处理单元根据所述第一光信号组的第一数据建立针对所述网元的第一模型之后,还用于:获取更新后的第一光信号组的第一数据;
所述处理单元,还用于根据所述更新后的第一光信号组的第一数据调整所述第二模型,并根据调整后的第二模型更新所述第一模型。
16.如权利要求9~15任一所述的装置,其特征在于,所述装置还包括传输单元,所述传输单元用于:
将所述第一模型的信息发送给其他网元或软件定义网络SDN控制器。
17.一种建立数据模型的装置,其特征在于,包括存储器和处理器:其中:
所述存储器,存储有计算机程序;
所述处理器,用于调用所述存储器中存储的程序,执行如权利要求1~8任一所述的方法。
18.一种光信号性能确定的方法,其特征在于,所述方法包括采用如权利要求1-8 任一所述的方法建立的数据模型确定光信号的噪声系数和/或增益值。
19.一种光信号性能确定的装置,其特征在于,所述装置用于采用如权利要求1-8 任一所述的方法建立的数据模型确定光信号的噪声系数和/或增益值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/101395 WO2020037473A1 (zh) | 2018-08-20 | 2018-08-20 | 一种建立数据模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112585889A CN112585889A (zh) | 2021-03-30 |
CN112585889B true CN112585889B (zh) | 2022-10-11 |
Family
ID=69592372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880096610.2A Active CN112585889B (zh) | 2018-08-20 | 2018-08-20 | 一种建立数据模型的方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11483090B2 (zh) |
EP (1) | EP3832907B1 (zh) |
CN (1) | CN112585889B (zh) |
WO (1) | WO2020037473A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114351B (zh) * | 2021-03-18 | 2022-04-08 | 中国联合网络通信集团有限公司 | 一种光传输系统的性能确定方法和装置 |
CN113708835B (zh) * | 2021-08-27 | 2022-10-21 | 烽火通信科技股份有限公司 | 一种osnr检测方法及装置 |
CN113938188B (zh) * | 2021-09-02 | 2022-09-27 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN114268367B (zh) * | 2021-12-21 | 2023-07-11 | 国网甘肃省电力公司酒泉供电公司 | 一种基于光纤合路的多路电力传输方法及系统 |
CN115441945B (zh) * | 2022-08-19 | 2024-07-23 | 武汉邮电科学研究院有限公司 | 光功率预测方法及装置 |
US20240187122A1 (en) * | 2022-12-06 | 2024-06-06 | AT&T Communications Services India Private Limited | System and method for determining launch energy, power and efficiency for a smart channel in a dwdm network using machine learning |
CN116074661B (zh) | 2022-12-22 | 2023-08-22 | 北京邮电大学 | 基于q学习的自适应路由方法及相关设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102281110A (zh) * | 2011-07-29 | 2011-12-14 | 华为技术有限公司 | 光功率调节方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144486A (en) * | 1998-01-30 | 2000-11-07 | Corning Incorporated | Pump wavelength tuning of optical amplifiers and use of same in wavelength division multiplexed systems |
US20030099014A1 (en) * | 2001-04-26 | 2003-05-29 | Egner Will A. | System and method for optimized design of an optical network |
WO2004044559A2 (en) * | 2002-11-08 | 2004-05-27 | Furukawa America, Inc. | System, method and computer program product for modeling of edfa |
CN1211973C (zh) * | 2003-09-24 | 2005-07-20 | 烽火通信科技股份有限公司 | 用于光传输系统的光信噪比监测方法 |
CN101145838A (zh) * | 2006-09-13 | 2008-03-19 | 中兴通讯股份有限公司 | 一种求取dwdm系统光信噪比的方法 |
EP2706708B1 (en) * | 2011-05-24 | 2015-09-16 | Huawei Technologies Co., Ltd. | Method and apparatus for path selection |
US9054828B2 (en) * | 2011-10-14 | 2015-06-09 | Glimmerglass Networks, Inc. | Method and system for managing optical distribution network |
US8817365B2 (en) | 2012-07-19 | 2014-08-26 | Finisar Israel Ltd. | Hybrid optical amplifier with optimized noise figure |
US10050740B2 (en) * | 2015-06-02 | 2018-08-14 | Massachusetts Institute Of Technology | Scheduled light path switching in optical networks and automatic assessment of traffic impairments that would result from adding or deleting a channel in a wavelength-division multiplexed optical communication network |
CN105281827B (zh) * | 2015-09-29 | 2017-11-14 | 武汉光迅科技股份有限公司 | 掺铒光纤放大器实时检测系统 |
CN106788708A (zh) * | 2016-12-22 | 2017-05-31 | 云南电网有限责任公司 | Otn网络的光信噪比计算方法 |
US20190109638A1 (en) * | 2017-02-02 | 2019-04-11 | Omer F. Yilmaz | Optical restoration method in optical networks controlled by a l0 sdn controller |
US11277420B2 (en) * | 2017-02-24 | 2022-03-15 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
-
2018
- 2018-08-20 CN CN201880096610.2A patent/CN112585889B/zh active Active
- 2018-08-20 WO PCT/CN2018/101395 patent/WO2020037473A1/zh unknown
- 2018-08-20 EP EP18930729.1A patent/EP3832907B1/en active Active
-
2021
- 2021-02-19 US US17/179,735 patent/US11483090B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102281110A (zh) * | 2011-07-29 | 2011-12-14 | 华为技术有限公司 | 光功率调节方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11483090B2 (en) | 2022-10-25 |
EP3832907B1 (en) | 2024-05-15 |
US20210175993A1 (en) | 2021-06-10 |
CN112585889A (zh) | 2021-03-30 |
EP3832907A4 (en) | 2021-08-18 |
EP3832907A1 (en) | 2021-06-09 |
WO2020037473A1 (zh) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112585889B (zh) | 一种建立数据模型的方法及装置 | |
US9768902B2 (en) | Control systems and methods for spectrally overlapped flexible grid spectrum using a control bandwidth | |
JP5446944B2 (ja) | 光ネットワークおよびその制御方法 | |
KR102148554B1 (ko) | 광파워 등화 방법 및 장치 | |
CN102299738B (zh) | 获得光网络链路性能参数的方法及装置 | |
JP6485189B2 (ja) | 光伝送システムおよび光伝送装置 | |
US10530516B2 (en) | Method and system for controlling channel replacement and spectral occupancy | |
CN102598707B (zh) | 一种均衡链路性能的方法和装置 | |
CN113114351B (zh) | 一种光传输系统的性能确定方法和装置 | |
WO2012119495A1 (zh) | 光功率调节方法和装置 | |
US20040052526A1 (en) | Connection optimization and control in agile networks | |
CN113497666B (zh) | 光信号补偿装置、方法、设备以及计算机可读存储介质 | |
Fei et al. | Estimating EDFA output power with an efficient numerical modeling framework | |
CN115296732A (zh) | 光传输系统和光传输系统的配置参数优化方法 | |
US8457491B2 (en) | Allocation of transmission power in an optical communication system | |
WO2019196884A1 (en) | System and method for optical channel reconfiguration | |
US10305588B2 (en) | Network management device and network management method | |
WO2005002009A1 (ja) | 増幅媒体性能シミュレーションの装置および方法並びに光増幅器 | |
US20190115977A1 (en) | Optical transmission device and optical signal gain control method | |
WO2019180822A1 (ja) | 光信号制御装置及び光通信システム | |
CN103004109A (zh) | 在线标定可配置站点波长相关衰减的方法、装置及系统 | |
CN117811652A (zh) | 长途光网络的性能监控系统、方法、设备及存储介质 | |
JP2023163362A (ja) | 光伝送システムおよび光伝送装置 | |
JP2022077675A (ja) | 光伝送装置 | |
JP2013162448A (ja) | 信号光分岐比計算装置および方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |