CN113141547B - 干扰设备的实时检测 - Google Patents

Abstract

本公开的实施例提供了一种用于通信的方法、设备、装置和计算机可读介质。在该方法中，第一设备接收混合信号，混合信号包括来自多个第二设备中的目标设备的目标信号和来自多个第二设备的干扰信号。第一设备确定混合信号的幅度在幅度变化范围内的分布特性，分布特性与目标设备和产生干扰信号的干扰设备相关联。第一设备基于分布特性，从多个第二设备中确定干扰设备。本公开的实施例可以实时地且准确地检测出通信系统中的干扰设备。

Description

干扰设备的实时检测

技术领域

本公开的实施例一般地涉及通信技术领域，并且更特别地涉及一种用于检测干扰设备的技术方案。

背景技术

在通信系统(例如，无源光网络PON)中，由于许多实际的原因，例如外部因素或设备质量问题等，光网络单元(ONU)中的光模块的突发功能可能出现不正常或发生故障。一般而言，光网络单元可能存在以下三种不正常的行为。第一种异常行为是激光异常发射，例如在允许的时隙之前的激光泄漏或之后的长尾发射。第二种异常行为是在未经授权的时隙进行恶意的发射。第三种异常行为是由于关闭故障或失灵而引起的长闪烁恶意发射。

这些不正常发射行为的共同点是它们都在信号接收者光线路终端(OLT)无法确定的错误时隙内发送信号，所以在本公开中也可以称为“时隙错误的恶意光网络单元”。为了使得光线路终端能够正确地关闭行为异常的光网络单元并且使无源光网络恢复正常运行，快速检测或识别恶意的光网络单元将是有利的。

发明内容

本公开的实施例涉及一种检测干扰设备的技术方案。

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：在第一设备处接收混合信号，混合信号包括来自多个第二设备中的目标设备的目标信号和来自多个第二设备的干扰信号。该方法还包括：确定混合信号的幅度在幅度变化范围内的分布特性，分布特性与目标设备和产生干扰信号的干扰设备相关联。该方法进一步包括：基于分布特性，从多个第二设备中确定干扰设备。

在本公开的第二方面，提供了一种第一设备。该第一设备包括至少一个处理器和包括计算机程序指令的至少一个存储器。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，使得第一设备：接收混合信号，混合信号包括来自多个第二设备中的目标设备的目标信号和来自多个第二设备的干扰信号。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，使得第一设备：确定混合信号的幅度在幅度变化范围内的分布特性，分布特性与目标设备和产生干扰信号的干扰设备相关联。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，使得第一设备：基于分布特性，从多个第二设备中确定干扰设备。

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：用于在第一设备处接收混合信号的部件，混合信号包括来自多个第二设备中的目标设备的目标信号和来自多个第二设备的干扰信号。该装置还包括：用于确定混合信号的幅度在幅度变化范围内的分布特性的部件，分布特性与目标设备和产生干扰信号的干扰设备相关联。该装置进一步包括：用于基于分布特性，从多个第二设备中确定干扰设备的部件。

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用于通信的方法的示例流程图。

图3示出了根据本公开的实施例的用于确定混合信号的信号幅度在多个区间内的分布的示例性过程的示例流程图。

图4示出了根据本公开的实施例的通过直方图来表示的混合信号的信号幅度的示例分布特性。

图5示出了根据本公开的实施例的与正常信号收发并行实现的干扰设备的实时检测场景的示意图。

图6示出了根据本公开的实施例的第一设备中的设备识别单元的示例细节。

图7示出了根据本公开的实施例的用于获取设备识别模型的示例性过程的示例流程图。

图8示出了根据本公开的实施例的第一设备在不中断通信系统的正常操作的情况下收集用于训练设备识别模型的信号的示意图。

图9示出了根据本公开的实施例的使用测量信号和仿真混合信号来训练设备识别模型的示意图。

图10示出了根据本公开的实施例的用于训练设备识别模型的示意性过程的流程框图。

图11示出了根据本公开的实施例的仿真测试结果的示意图。

图12示出了根据本公开的实施例的另一仿真测试结果的示意图。

图13示出了适合实现本公开的实施例的示例设备的简化框图。

图14示出了根据本公开的实施例的示例性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光线路终端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光线路终端或其他计算设备中的类似的集成电路。

如上文提到的，为了使得光线路终端能够正确地关闭行为异常的光网络单元并且使无源光网络恢复正常运行，快速检测或识别恶意的光网络单元是非常重要的。更一般地，为了改进通信系统的性能，实时地且准确地检测出通信系统中的干扰设备也将是有利的。

近期，在关于无源光网络的标准会议上，在标题为“提高恶意光网络单元检测效率的方法(A method to improve the efficiency of rogue ONU detection)”的文献中，已经提出了连续模式的恶意光网络单元的检测方法，其利用了介质访问控制(MAC)消息中的特殊信令设计。但是，该检测方法的应用面较窄，仅适用于连续模式的恶意信号发送。此外，这种类型的解决方案在效率方面是低下的，因为其是非常传统的方案，未能利用先进的设备，诸如光线路终端中的模数转换器(ADC)和物理介质相关-数字信号处理器(PMD-DSP)等。

事实上，大多数传统的“恶意光网络单元检测”方法最初都是为XG(S)-PON等上一代PON设计的，这些PON没有模数转换器和数字信号处理器。通常，传统的检测方法可以分为以下几种。第一种传统方法是远程控制(询问)每个光网络单元来执行某些与光网络单元激光器相关的动作，例如以遍历的方式逐一重启激光器，以便光线路终端检查其是否失控。这样的检测方法不仅需要中断正常的通信，而且非常费时。

第二种传统方法是使用额外的设备(例如光谱分析仪或光时域反射仪OTDR)等来手动地分析多个(例如，64个)光网络单元的发射激光器特性(假定在突发模式下可以区分64个波长)。考虑到所有激光器的相似性在突发模式期间会漂移，这种基于激光器特性的方法可能很难在实践中实现。第三种传统方法是将特殊位填充到MAC信令中。这种类型的方法在标准提案中比较流行，因为它如果被使用则容易实现恶意设备的检测。但是，该方法仍然具有较大的缺陷，因为它为了检测较不常见的干扰设备而在所有的MAC帧中占用某些比特，因而降低了通信效率。

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检测干扰设备的技术方案。在本公开的实施例中，包括目标信号和干扰信号的混合信号的幅度分布特性被用于识别发出干扰信号的干扰设备，从而解决了传统技术方案中的上述诸多问题。特别地，相比于传统的方案，本公开的实施例可以实时地且准确地检测出通信系统中的干扰设备，而无需停止或中断通信系统的正常操作。

另外需要指出，对于高速无源光网络(即50Gb/s以上的无源光网络)而言，光线路终端中包括模数转换器和物理介质相关层数字信号处理器，因此更有利于采用本公开的实施例的方法来有效地、准确地检测恶意光网络单元。

具体地，在未来的高速无源光网络中，由于需要均衡或补偿信号损伤，模数转换器和数字信号处理器已成为物理介质相关层设计中的强制要求(至少在光线路终端中如此)。因此，本公开的一些实施例可以利用光线路终端的模数转换器的输出，并且将可用的数字信号处理器资源用于光网络单元发出的信号的特征提取，以及恶意光网络单元的识别，从而使得恶意光网络单元的检测变得容易且实时。下文将参考附图来详细描述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100的示意图。如图1所示，通信系统100包括第一设备110和多个第二设备120-1至120-N，其中N表示自然数。第二设备120-1至120-N可以经由各自的一段信道和共同的通信信道130分别连接到第一设备110。不失一般性，本文的描述可能以个别的第二设备(例如，第二设备120-1等)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第二设备120-1至120-N中的其他第二设备。

在第一设备110与第二设备120-1的通信中，第一设备110可以经由通信信道130和特定于第二设备120-1的一段信道向第二设备120-1发送信息或数据，并且可以从第二设备120-1接收信息或数据。此外，第一设备110还可以经由通信信道130和特定于第二设备120-1的一段信道向第二设备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之间可以经由通信信道130和特定于第二设备120-1的一段信道来发送和接收任何数据或信息。

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)、50吉比特无源光网络(50G-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或设备，例如光线路终端(OLT)等。第二设备120-1至120-N可以是在无源光网络的用户位置处的终端或设备，例如，光网络单元(ONU)等。通信信道130可以包括光纤、光分路器等在无源光网络中使用的传输介质。

在其他实施例中，通信系统100也可以是任何能够实现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120-1至120-N可以是任何适当的有线或无线通信设备，包括但不限于，大型主机或大型服务器、云端计算设备、移动电话、站点、单元、通用计算设备、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。

在这样的实施例中，通信信道130可以是能够实现通信系统100的各种设备或组件之间的数据通信或控制信号通信的任何形式的连接或耦合，包括但不限于，同轴电缆、光纤电缆、双绞线、或无线技术(诸如红外、无线电和微波)。在一些实施例中，通信信道130还可以包括但不限于，网卡、集线器、调制解调器、中继器、网桥、交换机、路由器等用于网络连接的设备、以及各种网络连接线路、无线链路等。在一些实施例中，通信信道130可以包括各种类型的总线。在其他实施例中，通信信道130可以包括计算机网络、通信网络、或者其他有线或无线网络。

在图1的示例场景中，假设第二设备120-1在某个时间段期间在通信信道130上向第一设备110发送信号125-1，第二设备120-2(未示出)在另一时间段期间在通信信道130上向第一设备110发送信号125-2。此外，在这两个时间段之间，第二设备120-R在通信信道130上向第一设备110发送信号125-3。但是，如图1所示，第二设备120-R由于信号发射行为异常，导致其发出的信号125-3产生长尾效应(也即未能及时停止信号发射)，从而产生与第二设备120-2的信号125-2在时域上重叠的干扰信号125-R。

在第一设备110处，如果不存在干扰信号125-R，则第一设备110将会依次地从第二设备120-1、第二设备120-R和第二设备120-2接收到信号125-1、信号125-3和信号125-2。然而，当时域上重叠的信号125-2和干扰信号125-R同时到达第一设备110时将会发生冲突或混合，而产生混合信号125-H，这可能导致第一设备110无法识别或检测出第二设备120-2所发出的信号125-2中要传输的信息，诸如，比特串信息。

如上文提到的，在传统的方案中，接收到这种混合信号的第一设备将无法知晓是哪个第二设备发出干扰信号从而造成了信号冲突，也就无法采取针对性的措施或手段，例如无法确定应当关闭哪个第二设备以恢复通信系统。因此，传统的方案需要中断整个通信系统的正常操作来检测干扰设备。

相比之下，在本公开的实施例中，第一设备110可以根据信号125-2和干扰信号125-R所组成的混合信号125-H的幅度分布特性来识别出干扰设备120-R具体是哪个第二设备，而无需中断通信系统100的正常操作。进而，第一设备110可以针对性地采取进一步的措施来恢复通信系统100的运转。例如，第一设备110可以通知识别出的行为异常的第二设备120-R关闭，待其功能恢复正常后重新接入到通信系统100。

要理解的是，上文描述的长尾发射仅是干扰设备120-R导致干扰的一种示例情形，无意以任何方式限制本公开的范围。在其他实施例中，第二设备120-R也可能是由于其他原因发出了干扰信号125-R，例如，在分配给它的信号发送时隙之外进行信号发送，等等。总之，作为干扰设备的第二设备120-R在不应当发送信号时发出了干扰信号125-R，导致第一设备110无法恰当地接收到其他第二设备(例如，第二设备120-2)发出的所意图的信号(也称为目标信号或有用信号)，例如，信号125-2。

应当理解，图1仅示意性地示出了通信系统100中的与本公开的实施例相关的设备、单元、模块或组件。在实践中，通信系统100还可以包括用于其他功能的其他设备、单元、模块或组件。此外，图1中示出的设备、单元、模块或组件的特定数目仅是示意性的，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、或其他通信设备，等等。因此，本公开的实施例不限于图1所描绘的具体设备、单元、模块或组件，而是一般性地适用于需要检测干扰设备的任何技术环境。下面参考图2来描述本公开的实施例的通信方法。

图2示出了根据本公开的实施例的用于通信的方法200的示例流程图。在一些实施例中，方法200可以由通信系统100中的第一设备110来实现，例如可以由第一设备110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的通信设备来实现，或者可以由通信系统100中的其他设备(例如，第二设备120-1至120-N)来实现。为了便于讨论，将参考图1来讨论方法200。

在210处，第一设备110接收到混合信号125-H。例如，在第一设备110与第二设备120-1至120-N的通信期间的某个时间段内，第一设备110在通信信道130上接收到来自第二设备120-2和某个第二设备120-R的混合信号125-H。将明白，尽管本文以示例性的方式描述了混合信号125-H来自第二设备120-2和120-R，但是混合信号可以来自第二设备120-1至120-N中的任何两个第二设备。还将理解的是，尽管本文中以示例的方式描述了混合信号来自两个第二设备，但是混合信号也可能来自三个或更多的第二设备，本公开的实施例也等同地适用于这样的场景。

如上文描述的，第一设备110接收到的混合信号125-H中包括第一设备110意图接收到的目标信号125-2和不意图接收到的干扰信号125-R。例如，在第二设备120-1至120-N采用时分复用的方式与第一设备110通信的情况下，在分配给第二设备120-2的时隙中，第一设备110意图从作为目标设备的第二设备120-2接收到目标信号125-2。另外，在该时隙中，第一设备110并不意图接收到来自第二设备120-1至120-N中的其他第二设备的干扰信号125-R。也就是说，第二设备120-1至120-N中的某个第二设备120-R在不属于其的时隙中发送了信号，但是第一设备110此时还未确定干扰信号125-R具体是由哪个第二设备发出的。

应当理解，这里描述的时分复用的通信方式仅是示例性的，无意以任何方式限制本公开的范围。在其他实施例中，作为目标设备的第二设备120-2也可以通过任何其他适当的方式获得与第一设备110通信的时机。例如，第二设备120-2也可能是在随机接入到与通信信道130之后，向第一设备110发送目标信号125-2，而第二设备120-1至120-N中的某个其他第二设备120-R未经执行随机接入过程，而向第一设备110发出干扰信号125-R。

继续参考图2，为了确定第二设备120-1至120-N中的哪个第二设备发出了干扰信号125-R，在220处，第一设备110确定混合信号125-H的幅度在幅度变化范围内的分布特性，以便识别出干扰设备120-R。发明人经过研究发现，由于每个第二设备向第一设备110发送信号时可能具有不同的固有参数，并且信号经过不同的信道传输后到达第一设备110，因此第一设备110接收到的来自不同第二设备的信号幅度将具有不同的幅度分布特性。

更具体地，第二设备发出的信号的幅度分布特性可能与信道距离(例如，第二设备120-1至120-N分别到第一设备110的光纤长度)、设备性能、设备带宽、设备的老化程度、操作环境(例如，温度)等因素有关，而与信号承载的具体信息内容(例如，01比特串)具有很小的相关性或不具有相关性。因为每个第二设备的上述相关参数都是特定于该第二设备的，所以第一设备110可以通过接收到的信号的幅度分布特性来识别该信号是由哪个第二设备发出的。如本文中使用的，信号幅度可以一般地指代任何用于表示信号大小或量值的参数的幅度，例如，电流幅度、电压幅度、功率幅度，等等。

为了更好地理解信号的幅度分布特性可以用于识别发送信号的第二设备，可以将第二设备120-1至120-N发出的具有不同幅度分布特性的信号类比为具有不同“音色或音调”的“声音”，而信号的接收方第一设备110可以通过信号的幅度分布特性来识别发送方，也就可以类比为第一设备110可以通过“声音”的“音色或音调”来确定出是哪个第二设备发出了“声音”。

类似地，由两个或更多第二设备发出的信号组成的混合信号也将具有特定的幅度分布特性，其不同于单个第二设备发出的信号的幅度分布特性，而是与发出混合信号中的各个成分信号的两个或更多第二设备的组合相关联。例如，在图1的示例场景中，混合信号125-H的幅度分布特性可以不同于目标信号125-2和干扰信号125-R的幅度分布特性，但是与目标设备120-2和产生干扰信号125-R的干扰设备120-R是相关联的，也即与第二设备120-2和120-R的组合相关联。因此，第一设备110可以通过接收到的混合信号的幅度分布特性来识别混合信号是由哪些第二设备共同发出的。

继续使用上文的类比理解，混合信号125-H可以类比为两个或更多第二设备发出的“混合声音”，而混合信号125-H的幅度分布特性可以类比为“混合音色或音调”，其不同于每个单独的第二设备的“声音”的“音色或音调”，而是具有独特的“音色或音调”。通过该独特的“音色或音调”，第一设备110可以确定发出“混合声音”的特定的两个或更多第二设备的组合。

将理解，第一设备110可以采用任何适当的方式来确定混合信号125-H的幅度分布特性。例如，在混合信号125-H的幅度在其幅度变化范围内的分布较为规律的情况下，第一设备110有可能确定出混合信号125-H的幅度分布的函数表达式，作为其幅度分布特性。又例如，第一设备110可以将混合信号125-H的幅度的某种数学处理结果(诸如平均值)作为在其幅度变化范围内的分布特性。

在其他实施例中，为了确定混合信号125-H的幅度分布特性，第一设备110可以将混合信号125-H的幅度变化范围划分成多个区间。然后，第一设备110可以确定混合信号125-H的幅度在划分得到的多个区间内的分布。以此方式，第一设备110可以通过确定信号幅度在各个较小区间内的分布，来确定整体的幅度分布特性。例如，基于这些区间，第一设备110有可能通过采样和统计的方式来得出混合信号125-H的幅度分布特性，这有利于从混合信号125-H的大量样本中获得混合信号125-H的固有或内在的幅度分布特性。

一般而言，第一设备110可以将混合信号125-H的幅度变化范围划分成任何数目的区间，并且这些区间的大小可以是不同的。由此确定出的混合信号125-H的幅度分布特性也可以用于识别出干扰设备120-R。然而，在一些实施例中，为了提高识别干扰设备120-R的准确度，第一设备110可以将混合信号125-H的幅度变化范围划分成预定数目的大小相同的区间。此外，预定数目的大小相同的区间还可以简化第一设备110关于将幅度变化范围划分成区间的计算和处理，从而降低关于计算混合信号125-H的幅度分布的计算量。

将明白，第一设备110可以通过任何合适的方式来确定混合信号125-H的幅度在多个区间内的上述分布。例如，在对混合信号125-H进行多次采样的情况下，第一设备110可以按照这些区间从大到小逐个地确定每个区间包括多少个信号样本。又例如，第一设备110可以按照其他任何顺序来确定每个区间所包括的信号样本数目。在其他实施例中，第一设备110可以基于混合信号125-H的多个样本与多个区间之间的对应关系来确定混合信号125-H的幅度分布。这样的示例将在下文参考图3详细地描述。

继续参考图2，在230处，第一设备110基于混合信号125-H的幅度分布特性，从多个第二设备120-1至120-N中确定干扰设备120-R。如上文所述，混合信号125-H的幅度分布特性是与目标设备120-2和干扰设备120-R的组合相关联的。因此，根据该关联性，第一设备110可以识别出混合信号125-H是由目标设备120-2和干扰设备120-R共同发出的。此外，第一设备110还可以知晓目标设备120-2是所意图的信号发送设备，而干扰设备120-R此时未被允许发送信号。进而，第一设备110可以从多个第二设备120-1至120-N中确定出干扰设备120-R具体是哪个第二设备。

如前文所述，在一些实施例中，第一设备110可以基于混合信号125-H的多个样本与多个区间之间的对应关系来确定混合信号125-H的幅度分布。下文参考图3来详细地描述这样的示例。

图3示出了根据本公开的实施例的用于确定混合信号125-H的信号幅度在多个区间内的分布的示例性过程300的示例流程图。在一些实施例中，过程300可以由通信系统100中的第一设备110来实现，例如可以由第一设备110的处理器或处理单元来实现。在其他实施例中，过程300也可以由独立于通信系统100的通信设备来实现，或者可以由通信系统100中的其他设备(例如，第二设备120-1至120-N)来实现。为了便于讨论，将参考图1来讨论过程300。

在310处，第一设备110可以获得混合信号125-H的多个样本。一般而言，混合信号125-H将在时域上持续一定的时间段。因此，第一设备110可以在该时间段期间对混合信号125-H进行采样，从而获得混合信号125-H的多个样本。例如，在第一设备110为光线路终端的情况下，该采样可以通过光线路终端中的用于实现信号均衡的模数转换器来执行。在其他实施例中，第一设备110也可以使用专门的采样器来执行对混合信号125-H的采样。

在一些实施例中，第一设备110可以按照预定的时间间隔(例如，若干微秒、毫秒等)来获得混合信号125-H的多个样本，以便在混合信号125-H的持续期内均匀地采样。在另一些实施例中，第一设备110也可以获得混合信号125-H的预定数目的样本，例如，数千个、数万个等，以便针对持续时间不同的信号获得相同数目的样本。在其他实施例中，第一设备110可以采用任何其他适当的方式来对混合信号125-H进行采样，本公开的实施例对具体的采样方式没有限制。

在320处，第一设备110可以确定混合信号125-H的多个样本的幅度与幅度变化范围被划分出的多个区间之间的对应关系。如上文描述的，混合信号125-H的幅度变化范围可以被划分成多个区间。因此，对于混合信号125-H的某个样本，第一设备110可以确定该样本的幅度与上述多个区间中的某个区间的对应关系，例如样本的幅度落在该区间之内。如此，针对混合信号125-H的每个样本，第一设备110可以进行类似的确定，从而可以确定混合信号125-H的多个样本的幅度与多个区间之间的对应关系。

需要指出的是，第一设备110可以采用任何适当的方式来表示多个样本与多个区间之间的上述对应关系。例如，第一设备110可以使用各个样本和各个区间分别作为行和列(或反之亦然)，来创建表格以记录这样的对应关系。又例如，第一设备110可以利用数组等数据结构或数据形式来存储上述对应关系。在其他实施例中，第一设备110还可以使用直方图的方式来表示混合信号125-H的多个样本的幅度与多个区间之间的对应关系，从而更直观地、更形象地表示这种对应关系和混合信号125-H的幅度分布。下文将参考图4来详细地描述这样的示例。

图4示出了根据本公开的实施例的通过直方图400来表示的混合信号125-H的信号幅度的示例分布特性。如图4所示，混合信号125-H的幅度变化范围在经过归一化后可以被划分成预定数目(在该示例中为40个)的大小相同的区间。在图4中，横轴表示该40个区间，而纵轴表示某个区间所对应的混合信号125-H的样本数目与总样本数目的百分比。将理解，对混合信号125-H的幅度变化范围的归一化处理是可选的，在其他实施例中，幅度变化范围可以不经归一化处理而直接划分成多个区间。

在图4的示例直方图400中，柱形(或条形)410表示第5个区间中的样本数目占总样本数目的大约0.4％，柱形(或条形)420表示第10个区间中的样本数目占总样本数目的大约1.5％，柱形(或条形)430表示第21个区间中的样本数目占总样本数目的大约6.5％，柱形(或条形)440表示第28个区间中的样本数目占总样本数目的大约4％，柱形(或条形)450表示第30个区间中的样本数目占总样本数目的大约2.5％，柱形(或条形)460表示第35个区间中的样本数目占总样本数目的大约0.8％，等等。

返回参考图3，在330处，基于混合信号125-H的多个样本与多个区间之间的对应关系，第一设备110可以确定与多个区间中的每个区间相对应的样本数目，从而得出混合信号125-H的幅度分布特性。例如，在图4描绘的示例中，假设样本的数目为1万个，则与第5个区间相对应的样本数目大约为40个，与第10个区间相对应的样本数目大约为150个，与第21个区间相对应的样本数目大约为650个，与第28个区间相对应的样本数目大约为400个，与第30个区间相对应的样本数目大约为250个，并且与第35个区间相对应的样本数目大约为80个，等等。应当明白，等效于每个区间中的样本数目，图4的直方图400纵轴示出的每个柱形的百分比也可以表示混合信号125-H的幅度分布特性。

通过使用示例性过程300，第一设备110确定混合信号125-H的幅度在多个区间中的分布的效率可以得到提高。此外，将理解，上文关于图4所列举的各种数值仅为示例性的，无意以任何方式限制本公开的范围。在其他实施例中，混合信号125-H的幅度变化范围可以被划分成任何适当数目的区间，每个区间中的样本数目与总样本数目可以是任何适当的百分比，并且总样本数目可以是任何适当的数量。

如上文提到的，本公开的实施例可以在不影响第一设备110和第二设备120-1至120-N的正常操作或正常通信的情况下实现对干扰设备120-R的检测。下文参考图5来具体地描述一种这样的示例。

图5示出了根据本公开的实施例的与正常信号收发并行实现的干扰设备120-R的实时检测场景500的示意图。在图5的示例中，假定第一设备110和第二设备120-1至120-N处于正常通信期间。第二设备120-1在时间段t1向第一设备110发送信号505，第二设备120-2在时间段t2向第一设备110发送信号515，第二设备120-3在时间段t3向第一设备110发送信号525，并且作为干扰设备的第二设备120-R在时间段tR向第一设备110发送干扰信号535。

如图5所示，时间段tR与时间段t2和时间段t3交叠，而未与时间段t1交叠。因此，在接收侧，第一设备110可以正确地接收信号505，但是无法正确地接收信号515和信号525。相反地，第一设备110接收到信号515和干扰信号535的混合信号515’，以及接收到信号525和干扰信号535的混合信号525’。

在一些实施例中，第一设备110可以包括模数转换器(ADC)510和信号均衡器520。在正常操作期间，模数转换器510可以对第一设备110接收到的信号进行模数转换，然后将转换得到的数字信号提供给信号均衡器520进行信号均衡处理，以便对长距离、高速信号传输导致的信号失真或畸变进行均衡和补偿等。

此外，第一设备110还可以包括设备识别单元530，其可以基于混合信号515’或525’的幅度分布特性来识别干扰设备120-R是第二设备120-1至120-N中的哪个第二设备。在图5的示例中，设备识别单元530可以通过开关540连接到模数转换器510的输出，从而在开关540闭合时从模数转换器510获得混合信号515’或525’的样本。

如图5所示，第一设备110可以使用控制信号545来控制开关540的闭合和断开，以在需要识别干扰设备120-R时将模数转换器510的输出提供给设备识别单元530。例如，如果第一设备110确定接收到混合信号515’或525’，则第一设备110可以接通开关540，以将模数转换器510的输出提供给设备识别单元530，该输出可以包括混合信号515’或525’的多个样本。因此，设备识别单元530可以通过确定混合信号515’或525’的幅度分布特性来识别干扰设备120-R。

在一些实施例中，控制信号545可以包括检测干扰设备120-R的指示。换言之，在第一设备110发现存在干扰设备120-R在发送干扰信号535的情况下，第一设备110可以发出检测干扰设备120-R的指示，以使得设备识别单元530运转并获得混合信号515’或525’的样本，从而识别干扰设备120-R。相反，当不存在检测干扰设备的指示时(例如，没有干扰设备时)，第一设备110的干扰设备检测功能(例如，设备识别单元530)可以被关闭、被断开、未激活、或处于睡眠状态，以便节省第一设备110的功率和资源，并且不会中断通信网络100(例如，无源光网络)的任何功能，也不会增加MAC消息中的信令开销。

将理解，图5仅示意性地示出了第一设备110中的与本公开的实施例相关的设备、单元、模块或组件。在实践中，第一设备110还可以包括用于其他功能的其他设备、单元、模块或组件、或者与图5中不同的设备、单元、模块或组件。此外，图5中示出的设备、单元、模块或组件的特定数目仅是示意性的，无意以任何方式限制本公开的范围。在其他实施例中，第一设备110可以包括任何适当数目的设备、单元、模块或组件。下文参考图6来详细地描述设备识别单元530的一种示例实现。

图6示出了根据本公开的实施例的第一设备110中的设备识别单元530的示例细节。在图6的示例中，设备识别单元530可以包括设备识别模型610，其可以表征信号的分布特性与第二设备120-1至120-N之间的关联性。换言之，设备识别模型610可以通过信号的分布特性来识别出该信号是由哪个设备或哪些设备发出的。

在使用直方图表示分布特性的情况下，设备识别模型610也就是将“干扰设备检测问题”转换为“图形模式识别问题”。在一些实施例中，设备识别模型610可以包括基于神经网络(NN)的模型，以便提高图形模式识别的准确性。在其他实施例中，设备识别模型610也可以是其他机器学习模型、或者基于某种分布特性来实现设备识别的其他非基于机器学习的模型(诸如，数学模型等)。

如图6所示，第一设备110可以将信号505的分布特性605输入到设备识别模型610，来进行设备识别。在识别出信号505是由第二设备120-1发出的之后，设备识别模型610可以输出用于指示第二设备120-1的指示信息635。在图6的示例中，指示信息635包括多个指示符660-1至660-N，分别与第二设备120-1至120-N相对应。在指示信息635中，与第二设备120-1对应的指示符660-1可以被突出显示(例如，被点亮)，以指示第一信号505的发送者为第二设备120-1。

类似地，为了确定干扰设备120-R是哪个第二设备，第一设备110可以将包括信号515和干扰信号535的混合信号515’的分布特性615输入到设备识别模型610，来进行设备识别。设备识别模型610可以立即识别出干扰设备120-R(例如，提供设备ID)，即使是对于持续很短时间的干扰信号535。在识别出混合信号515’是由第二设备120-2和干扰设备(在该示例中是第二设备120-N-1)发出的之后，设备识别模型610可以输出用于指示第二设备120-2和第二设备120-N-1的指示信息645。

在图6的示例中，指示信息645包括多个指示符660-1至660-N，分别与第二设备120-1至120-N相对应。在指示信息645中，与第二设备120-2和第二设备120-N-1对应的指示符660-2和660-N-1可以被突出显示(例如，被点亮)，以指示混合信号515’的发送者为第二设备120-2和第二设备120-N-1。进一步地，由于第一设备110可以知晓第二设备120-2是在t2时间段期间的目标信号发送者(也即所意图的信号发送者)，所以第一设备110可以进而确定第二设备120-N-1为发出干扰信号535的干扰设备120-R。

同样地，第一设备110可以将包括信号525和干扰信号535的混合信号525’的分布特性625输入到设备识别模型610，来进行设备识别。在识别出混合信号525’是由第二设备120-3和干扰设备(在该示例中是第二设备120-N-1)发出的之后，设备识别模型610可以输出用于指示第二设备120-3和第二设备120-N-1的指示信息655。

在图6的示例中，指示信息655包括多个指示符660-1至660-N，分别与第二设备120-1至120-N相对应。在指示信息655中，与第二设备120-3和第二设备120-N-1对应的指示符660-3和660-N-1可以被突出显示(例如，被点亮)，以指示混合信号525’的发送者为第二设备120-3和第二设备120-N-1。进一步地，由于第一设备110可以知晓第三设备120-3是在t3时间段期间的目标信号发送者，所以第一设备110可以进而确定第二设备120-N-1为发出干扰信号535的干扰设备120-R。

由此可见，为了确定干扰设备120-R是哪个第二设备，第一设备110可以获取通用的设备识别模型610，其表征信号的分布特性与第二设备120-1至120-N之间的关联性。然后，第一设备110可以通过将混合信号515’或525’的分布特性615或625应用于设备识别模型610，来从第二设备120-1至120-N中确定干扰设备120-R为第二设备120-N-1。通过使用通用的设备识别模型610，第一设备110可以使用大量的历史数据对设备识别模型610进行集中的训练，从而不断地使得其更准确且全面地表征信号的分布特性与第二设备120-1至120-N之间的关联性，由此提高设备识别模型610的识别准确性。

将理解，图6仅示意性地示出了设备识别单元530中的与本公开的实施例相关的设备、单元、模块或组件。在实践中，设备识别单元530还可以包括用于其他功能的其他设备、单元、模块或组件、或者与图6中不同的设备、单元、模块或组件。此外，图6中示出的设备、单元、模块、组件的特定数目、以及第二设备的指示方式仅是示意性的，无意以任何方式限制本公开的范围。在其他实施例中，设备识别单元530可以包括任何适当数目的设备、单元、模块或组件，并且可以采用任何方式来指示一个或多个第二设备。

图7示出了根据本公开的实施例的用于获取设备识别模型610的示例性过程700的示例流程图。在一些实施例中，过程700可以由通信系统100中的第一设备110来实现，例如可以由第一设备110的处理器或处理单元来实现。在其他实施例中，过程700也可以由独立于通信系统100的通信设备来实现，或者可以由通信系统100中的其他设备(例如，第二设备120-1至120-N)来实现。为了便于讨论，将参考图1来讨论过程700。

为了使得设备识别模型610能够识别出来自多个第二设备的混合信号的幅度分布特性，第一设备110可以使用包括多个第二设备的信号的混合信号来训练设备识别模型610，从而使得设备识别模型610具有识别混合信号的能力。因此，如图7所示，在710处，第一设备110可以从第二设备120-1至120-N中的第一测试设备和第二测试设备分别接收第一信号和第二信号。要注意的是，这里的第一测试设备和第二测试设备可以是第二设备120-1至120-N中的任何两个第二设备。在一些实施例中，第一设备110可以在通信网络100的正常操作期间来接收第一信号和第二信号，而无需中断通信网络100中的通信。下文参考图8来描述这样的示例。

图8示出了根据本公开的实施例的第一设备110在不中断通信系统100的正常操作的情况下收集用于训练设备识别模型610的信号的示意图。在图8的示例中，假定第一设备110和第二设备120-1至120-N处于正常操作期间，并且第二设备120-1和120-2分别是第一测试设备和第二测试设备。在这样的场景中，第二设备120-1可以向第一设备110发送第一信号805，第二设备120-2可以向第一设备110发送第二信号815，并且第二设备120-N可以向第一设备110发送信号825，等等。换言之，第一设备110可以从每个第二设备120-1至120-N接收到相应的信号，用于后续的处理和对设备识别模型610的训练。

如图8所示，在采集用于训练设备识别模型610的信号期间，用于控制设备识别单元530的开关540可以保持闭合，从而在第一设备110和第二设备120-1至120-N处于正常操作或正常通信期间，第一设备110可以分别从第一测试设备120-1和第二测试设备120-2接收第一信号805和第二信号815。事实上，在通信网络100的正常操作期间，第一设备110可以不断从第二设备120-1至120-N接收信号，以用于训练设备识别模型610。在获得第一信号805和第二信号815之后，第一设备110可以将第一信号805和第二信号815混合以生成仿真混合信号，用于训练设备识别模型610。下文参考图9来描述这样的示例。

图9示出了根据本公开的实施例的使用测量信号805、815和仿真混合信号820来训练设备识别模型610的示意图。在图9的示例中，第二设备120-1的信号805、第二设备120-2的信号815、以及信号805和信号815的混合信号820被用作示例来描述训练设备识别模型610的示例方式。将明白，针对任何其他的多个第二设备的组合，第一设备110可以类似地训练设备识别模型610。

参考图7和图9，在图7的框720处，第一设备110可以通过将第一信号805与第二信号815混合来生成仿真混合信号820。由于混合信号820并不是真实产生的，而是为了训练设备识别模型610在第一设备110处生成的，所以仿真混合信号820在本文中也可以称为“自制的”混合信号。在一些实施例中，在混合第一信号805与第二信号815的过程中，第一设备110可以将第一信号805与第二信号815的对应的样本点进行混合，例如，将对应时域位置的两个样本点的幅度相加。在其他实施例中，第一设备110也可以在采样之前将第一信号805和第二信号815进行模拟信号的混合，也即将两者的信号幅度在时域中相加。在另外的实施例中，第一信号805与第二信号815还可以按照其他适当的方式进行混合，只要得出的仿真混合信号820可以体现出第二设备120-1和第二设备120-2的信号在信道130上发生时域混合所产生的真实混合信号的幅度分布特性。

在730处，第一设备110可以确定仿真混合信号820的幅度在幅度变化范围内的仿真分布特性925。例如，第一设备110可以使用上文关于图2至图4描述的用于确定混合信号125-H的幅度分布特性的类似方式来确定仿真分布特性925，此处不再赘述。

在740处，第一设备110可以基于仿真分布特性925、第一测试设备120-1和第二测试设备120-2的标识符，来训练设备识别模型610。在一些实施例中，第一测试设备120-1和第二测试设备120-2可以具有各自的标识符(诸如，设备ID等)，以用于训练设备识别模型610。在其他实施例中，第一设备110可以使用一个标识符来指示第一测试设备120-1和第二测试设备120-2的组合，以用于训练设备识别模型610。例如，N位比特可以用于分别表示N个第二设备120-1至120-N，则110…0(N位)可以用于指示第二设备120-1和120-2的组合。将明白，使用仿真混合信号820的仿真分布特性925训练后的设备识别模型610，将可以识别出第二设备120-1的干扰信号干扰第二设备120-2的目标信号而产生的混合信号，也可以识别出第二设备120-2的干扰信号干扰第二设备120-1的目标信号而产生的混合信号。

例如，第一设备110可以将第一信号805和第二信号815的混合信号820的分布特性925作为模型输入提供给设备识别模型610，并且将用于指示第二设备120-1和120-2的指示信息955作为模型输出也提供给设备识别模型610，从而训练设备识别模型610内用于表征信号的分布特性与第二设备120-1至120-N之间的关联性的模型参数，诸如神经网络中的神经元的权重、偏置等。

在图9的示例中，指示信息955包括多个指示符960-1至960-N，分别与第二设备120-1至120-N相对应。在指示信息955中，与第二设备120-1和120-2对应的指示符960-1和960-2可以被突出显示(例如，被点亮)，以指示混合信号820的发送者为第二设备120-1和120-2。

需要说明的是，在确定仿真分布特性925时，第一设备110需要首先产生混合信号820，然后再基于混合信号820来确定仿真分布特性925，而不能直接将第一信号805的分布特性905和第二信号815的分布特性915直接相加。例如，假设第一信号805的某个样本的幅度为0.5，而第二信号815的对应样本的幅度为-0.5，则第一信号805和第二信号815的混合信号820的该处样本将变为0。这意味着相对于第一信号805的分布特性905和第二信号815的分布特性915，混合信号820的分布特性925在幅度0.5和-0.5的区间内的样本数目将会分别减少1个，而在幅度0的区间内的样本数目将会增加1个。如果将分布特性905和分布特性915直接相加，将无法得出混合信号820的正确分布特性925。

此外，需要指出的是，在针对混合信号来识别干扰设备的场景中，第一设备110可以仅使用多个第二设备的混合信号的幅度分布特性来训练设备识别模型610，就可以使得设备识别模型610能够识别出混合信号是由哪些第二设备发出的。但是，在一些实施例中，附加地使用单个第二设备发出的信号的幅度分布特性来训练设备识别模型610可能是有好处的，这可以提高设备识别模型610的识别准确性。例如，经过单个第二设备发出的信号训练的设备识别模型610可以避免将近似于某个设备的信号的分布特性误识别为混合信号的分布特性。

因此，如图9所示，第一设备110可以将第一信号805的分布特性905作为模型输入提供给设备识别模型610，并且将用于指示第二设备120-1的指示信息935作为模型输出也提供给设备识别模型610，从而训练设备识别模型610内用于表征信号的分布特性与第二设备120-1至120-N之间的关联性的模型参数，诸如神经网络中的神经元的权重、偏置等。在图9的示例中，指示信息935包括多个指示符960-1至960-N，分别与第二设备120-1至120-N相对应。在指示信息935中，与第二设备120-1对应的指示符960-1可以被突出显示(例如，被点亮)，以指示第一信号805的发送者为第二设备120-1。

类似地，第一设备110可以将第二信号815的分布特性915作为模型输入提供给设备识别模型610，并且将用于指示第二设备120-2的指示信息945作为模型输出也提供给设备识别模型610，从而训练设备识别模型610内用于表征信号的分布特性与第二设备120-1至120-N之间的关联性的模型参数，诸如神经网络中的神经元的权重、偏置等。在图9的示例中，指示信息945包括多个指示符960-1至960-N，分别与第二设备120-1至120-N相对应。在指示信息945中，与第二设备120-2对应的指示符960-2可以被突出显示(例如，被点亮)，以指示第二信号815的发送者为第二设备120-2。

通过示例性过程700，第一设备110可以有针对性地使用第二设备120-1至120-N的混合信号的幅度分布特性来训练设备识别模型610，从而提高设备识别模型610的识别出来自两个或更多第二设备发出的混合信号的准确性。将理解，图8和图9中示出的设备、单元、模块、组件的特定数目、以及第二设备的指示方式仅是示意性的，无意以任何方式限制本公开的范围。在其他实施例中，图8和图9的场景中可以包括任何适当数目的设备、单元、模块或组件，并且可以采用任何方式来指示一个或多个第二设备。

图10示出了根据本公开的实施例的用于训练设备识别模型610的示意性过程1000的流程框图。在一些实施例中，过程1000可以由通信系统100中的第一设备110和第二设备120-1至120-N来实现，例如可以由第一设备110和第二设备120-1至120-N的处理器或处理单元来实现。在其他实施例中，过程1000也可以由独立于通信系统100的通信设备来实现，或者可以由通信系统100中的其他设备来实现。为了便于讨论，将参考图1来讨论过程1000。

如图10所示，在1010处，第二设备120-1至120-N可以分别向第一设备110发送信号。例如，在时分复用的通信场景中，第二设备120-1至120-N可以在各自的所分配的时隙中，依次向第一设备110发送信号。相应地，在1020处，第一设备110可以从第二设备120-1至120-N分别接收各个第二设备120-1至120-N的信号。需要指出的是，框1010和框1020中描述的功能是第一设备110和第二设备120的常规通信功能，本公开的实施例可以对该部分的功能不进行改变。

在1030处，第一设备110可以生成单个第二设备的信号的幅度分布特性和标识符。例如，第一设备110可以生成第二设备120-1发出的信号的幅度分布特性和第二设备120-1的标识符，然后将第二设备120-1的“幅度分布特性-标识符”成对地保存在数据库中。以相同的方式，针对每个第二设备，第一设备110可以执行类似的操作，直到生成第二设备120-N发出的信号的幅度分布特性和第二设备120-N的标识符，然后将第二设备120-N的“幅度分布特性-标识符”成对地保存在数据库中。

如上文指出的，尽管为了使得设备识别模型610能够识别来自多个第二设备的混合信号，也可以不使用单个第二设备的信号来训练设备识别模型610，但是附加地使用单个第二设备发出的信号的幅度分布特性来训练设备识别模型610可能是有好处的，这可以提高设备识别模型610的识别准确性。例如，经过单个第二设备发出的信号训练的设备识别模型610可以避免将近似于某个单设备的信号的分布特性误识别为混合信号的分布特性。

在1040处，第一设备110可以生成多个第二设备的混合信号的幅度分布特性和标识符。例如，第一设备110可以生成第二设备120-1和第二设备120-2发出的混合信号的幅度分布特性和第二设备120-1和第二设备120-2的标识符，然后将第二设备120-1和120-2组合的“幅度分布特性-标识符”成对地保存在数据库中。以相同的方式，针对每种第二设备的组合，第一设备110可以执行类似的操作，直到生成第二设备120-N-1和第二设备120-N发出的混合信号的幅度分布特性和第二设备120-N-1和第二设备120-N的标识符，然后将第二设备120-N-1和120-N组合的“幅度分布特性-标识符”成对地保存在数据库中。使用数学符号来表示，从N个第二设备120-1至120-N中任选两个第二设备进行组合的组合数目为

将理解，第一设备110还可以针对更多数目(例如，三个、四个、五个，等等)的第二设备的组合来生成混合信号的分布特性和标识符，以用于训练设备识别模型610。这可以进一步提高设备识别模型610的识别准确度，但是需要第一设备110的更多资源(例如，计算资源、存储资源等)以用于生成这些混合信号和后续的训练。另外，在现实场景中，出现多于一个干扰设备的情况可能是较为不常见的。因此，在实践中，第一设备110的管理员或用户可以根据具体的技术环境和设计要求来决定用于产生混合信号的第二设备的最大数目，以便实现设备识别模型610的所需资源与识别准确度的良好折中。

在1050处，第一设备110可以训练设备识别模型610。例如，在设备识别模型610为机器学习模型(诸如，神经网络模型)的情况下，第一设备110可以对设备识别模型610执行监督训练1055。具体地，第一设备110可以将在框1030和框1040中生成的信号和混合信号的仿真分布特性1053作为模型输入提供给设备识别模型610。例如，仿真分布特性1053可以采用直方图的形式来表示，并且直方图中的每个柱形所指示的数目或百分比可以作为设备识别模型610的输入。

另一方面，第一设备110可以将在框1030和框1040中生成的与信号的幅度分布特性对应的第二设备的标识符，作为模型输出提供给设备识别模型610，也即监督训练1055中使用的标签1057。在一些实施例中，标签1057可以采用独热(1-hot)或双热(2-hot)编码的方式。例如，N位比特可以用于表示N个第二设备120-1至120-N，则100…0(N位)可以用于指示第二设备120-1，010…0(N位)可以用于指示第二设备120-2，000…1(N位)可以用于指示第二设备120-N，110…0(N位)可以用于指示第二设备120-1和120-2的组合，等等。在其他实施例中，标签1057可以包括能够在第二设备120-1至120-N之间进行区分的任何适当的标识符。

图11示出了根据本公开的实施例的仿真测试结果1100的示意图。在图11的测试中，设备识别模型610的检测正确性受训练次数和符号长度(相当于信号的样本数目)的影响被测试。在具体仿真测试中，使用各种信道带宽、光纤距离生成了若干(例如，8、32、64)个从第二设备到第一设备的信道。使用仿真的第二设备向仿真的第一设备随机地发送01比特串。提供给设备识别模型610的输入是第一设备所接收的信号样本的直方图中的100个条形，并且设备识别模型610的输出的指示符比特与第二设备的数目相同。

如图11所示，柱形1110表示在符号长度为10000的情况下，经过20000次训练后，设备识别模型610的识别准确度。柱形1120表示在符号长度为10000的情况下，经过50000次训练后，设备识别模型610的识别准确度。柱形1130表示在符号长度为10000的情况下，经过80000次训练后，设备识别模型610的识别准确度。

此外，柱形1140表示在符号长度为100000的情况下，经过20000次训练后，设备识别模型610的识别准确度。柱形1150表示在符号长度为100000的情况下，经过50000次训练后，设备识别模型610的识别准确度。柱形1160表示在符号长度为100000的情况下，经过80000次训练后，设备识别模型610的识别准确度。

另外，柱形1110至1160均是在8个第二设备中检测1个或2个第二设备的仿真结果。从图11中可以看出，更多的训练次数(例如，大于2万次)以及更长的符号长度(例如，大于10万)可以有助于提高设备识别模型610的检测精度(例如，高达99％以上)。此外，需要指出的是，尽管这里的符号长度和训练次数的数目均较大，意味着需要较为大量的训练数据，但是由于50G-PON的速率非常快，所以这些大量的训练数据可以在很短的时间内获得。

图12示出了根据本公开的实施例的另一仿真测试结果1200的示意图。在图12的测试中，设备识别模型610的检测正确性受第二设备数目的影响被测试。如图12所示，柱形1210表示在8个第二设备中检测1个或2个第二设备的情况下，设备识别模型610的识别准确度。柱形1220表示在32个第二设备中检测1个或2个第二设备的情况下，设备识别模型610的识别准确度。柱形1230表示在64个第二设备中检测1个或2个第二设备的情况下，设备识别模型610的识别准确度。

从图12可以看出，与直观感觉相一致，第二单元的数目越多，设备识别模型610检测出信号的发送设备或发送设备组合的难度就越大。因此，在实践中，最终的检测结果可能需要基于多次的检测。例如，尽管设备识别模型610在单次识别中可能存在一定的不准确性(例如，大约0.4％-2.66％)，但是通过两次或更多次识别，设备识别模型610的不准确性将会快速下降，错误检测的概率将变得非常低。

作为一种可能的应用场景，本公开的实施例可以用于无源光网络(例如，50G-PON)中。对于无源光网络，大多数传统的“时隙错误恶意光网络单元检测”方法是在上一代无源光网络的硬件和软件能力的平台上设计的，因此在各种恶意行为面前，这些传统方法在通用性、效率、准确性、智能性等方面都不能令人满意。

在本公开的实施例中，可以提供一种面向50G-PON的“恶意光网络单元检测”的装置和方法。这种装置和方法利用了50G-PON物理介质相关的ADC和DSP等已有资源，并提供了即时恶意光网络单元的检测能力，同时在数据收集和检测训练的两个阶段都对正常无源光网络服务保持透明，无需中断服务。

这种即时的对恶意光网络单元的检测的基本机制可以基于从信号幅度分布图案(模式)中智能地识别出光网络单元的标识符，这可以基于神经网络的机器学习技术来实现。这种“信号幅度分布模式至光网络单元标识符”的转换器(也即设备识别模型)可能需要原始信号数据(例如，经过特殊组织的符号)作为输入进行训练，并且在训练过程中，它可能涉及到使用专门的训练数据对，以在实践中针对任何给定的无源光网络进行自适应的转换器的学习。

配备这种经过自适应训练的恶意光网络单元检测器功能后，无源光网络可以保持正常运行状态，并且一旦出现针对恶意光网络单元的检测请求，光线路终端就可以随时激活检测器，并且检测器可以即时指示当前的两个(或更多)光网络单元的标识符，其中的一个(或多个)光网络单元即为恶意光网络单元。

在一些实施例中，能够执行方法200的装置(例如，第一设备110)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：用于在第一设备处接收混合信号的部件，混合信号包括来自多个第二设备中的目标设备的目标信号和来自多个第二设备的干扰信号；用于确定混合信号的幅度在幅度变化范围内的分布特性的部件，分布特性与目标设备和产生干扰信号的干扰设备相关联；以及用于基于分布特性，从多个第二设备中确定干扰设备的部件。

在一些实施例中，用于确定分布特性的部件包括：用于将幅度变化范围划分成多个区间的部件；以及用于确定混合信号的幅度在多个区间内的分布的部件。

在一些实施例中，用于确定分布的部件包括：用于获得混合信号的多个样本的部件；用于确定多个样本的幅度与多个区间之间的对应关系的部件；以及用于基于对应关系，确定与多个区间中的每个区间相对应的样本数目的部件。

在一些实施例中，用于将幅度变化范围划分成多个区间的部件包括：用于将幅度变化范围划分为大小相同的、预定数目个区间的部件。

在一些实施例中，用于确定分布特性的部件包括：用于根据检测干扰设备的指示，确定分布特性的部件。

在一些实施例中，用于确定干扰设备的部件包括：用于获取设备识别模型的部件，设备识别模型表征信号的分布特性与第二设备之间的关联性；以及用于通过将分布特性应用于设备识别模型，从多个第二设备中确定干扰设备的部件。

在一些实施例中，用于获取设备识别模型的部件包括：用于从多个第二设备中的第一测试设备和第二测试设备分别接收第一信号和第二信号的部件；用于通过将第一信号与第二信号混合来生成仿真混合信号的部件；用于确定仿真混合信号的幅度在幅度变化范围内的仿真分布特性的部件；以及用于基于仿真分布特性、第一测试设备和第二测试设备的标识符，来训练设备识别模型的部件。

在一些实施例中，用于接收第一信号和第二信号的部件包括：用于在第一设备和多个第二设备正常操作期间接收第一信号和第二信号的部件。

在一些实施例中，第一设备包括光线路终端，并且第二设备包括光网络单元。

图13示出了适合实现本公开的实施例的示例设备1300的简化框图。设备1300可以用来实现通信设备，例如图1中的第一设备110和第二设备120。如所示出的，设备1300包括一个或多个处理器1310、耦合到处理器1310的一个或多个存储器1320、以及耦合到处理器1310的一个或多个通信模块1340。

通信模块1340用于双向通信。通信模块1340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1310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1300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1320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)1324、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)1322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1330包括计算机可执行指令，这些指令由相关联的处理器1310可执行。程序1330可以被存储在ROM 1324中。处理器1310可以通过将程序1330加载到RAM 1322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1330来实现，以使设备1300执行如以上参考图2、图3、图7和图10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1330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1300(例如，存储器1320)中或者被包括在设备1300可访问的其他存储设备中。设备1300可以将程序1330从计算机可读介质读取到RAM 1322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14示出了根据本公开的实施例的示例性计算机可读介质1400的示意图。如图14所示，计算机可读介质1400可以采用CD或DVD形式或任何其他适当的形式，具有存储于其上的程序1330。

一般而言，本公开的各种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7和图10描述的过程200、300、700和1000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 (20)

1.一种用于通信的方法，包括：

在第一设备处接收混合信号，所述混合信号包括来自多个第二设备中的目标设备的目标信号和来自所述多个第二设备的干扰信号；

确定所述混合信号的幅度在幅度变化范围内的分布特性，其中所述分布特性指示由所述多个第二设备中的至少两个第二设备组成的不同设备组合中的设备组合，所述设备组合包括所述目标设备和产生所述干扰信号的干扰设备；以及

基于所述分布特性，从所述多个第二设备中确定所述干扰设备。

2.根据权利要求1所述的方法，其中确定所述分布特性包括：

将所述幅度变化范围划分成多个区间；以及

确定所述混合信号的所述幅度在所述多个区间内的分布。

3.根据权利要求2所述的方法，其中确定所述分布包括：

获得所述混合信号的多个样本；

确定所述多个样本的幅度与所述多个区间之间的对应关系；以及

基于所述对应关系，确定与所述多个区间中的每个区间相对应的样本数目。

4.根据权利要求2所述的方法，其中将所述幅度变化范围划分成多个区间包括：

将所述幅度变化范围划分为大小相同的、预定数目个区间。

5.根据权利要求1所述的方法，其中确定所述分布特性包括：

根据检测所述干扰设备的指示，确定所述分布特性。

6.根据权利要求1所述的方法，其中确定所述干扰设备包括：

获取设备识别模型，所述设备识别模型表征信号的分布特性与第二设备的设备组合之间的关联性；以及

通过将所述分布特性应用于所述设备识别模型，从所述多个第二设备中确定所述干扰设备。

7.根据权利要求6所述的方法，其中获取所述设备识别模型包括：

从所述多个第二设备中的第一测试设备和第二测试设备分别接收第一信号和第二信号；

通过将所述第一信号与所述第二信号混合来生成仿真混合信号；

确定所述仿真混合信号的幅度在所述幅度变化范围内的仿真分布特性；以及

基于所述仿真分布特性、所述第一测试设备和所述第二测试设备的标识符，来训练所述设备识别模型。

8.根据权利要求7所述的方法，其中接收所述第一信号和所述第二信号包括：

在所述第一设备和所述多个第二设备正常操作期间接收所述第一信号和所述第二信号。

9.根据权利要求1-8中任一项所述的方法，其中所述第一设备包括光线路终端，并且所述第二设备包括光网络单元。

10.一种第一设备，包括：

至少一个处理器；以及

包括计算机程序指令的至少一个存储器，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，使得所述第一设备：

接收混合信号，所述混合信号包括来自多个第二设备中的目标设备的目标信号和来自所述多个第二设备的干扰信号；

确定所述混合信号的幅度在幅度变化范围内的分布特性，其中所述分布特性指示由所述多个第二设备中的至少两个第二设备组成的不同设备组合中的设备组合，所述设备组合包括所述目标设备和产生所述干扰信号的干扰设备；以及

基于所述分布特性，从所述多个第二设备中确定所述干扰设备。

11.根据权利要求10所述的第一设备，其中所述第一设备被使得通过以下来确定所述分布特性：

将所述幅度变化范围划分成多个区间；以及

确定所述混合信号的所述幅度在所述多个区间内的分布。

12.根据权利要求11所述的第一设备，其中所述第一设备被使得通过以下来确定所述分布：

获得所述混合信号的多个样本；

确定所述多个样本的幅度与所述多个区间之间的对应关系；以及

基于所述对应关系，确定与所述多个区间中的每个区间相对应的样本数目。

13.根据权利要求11所述的第一设备，其中所述第一设备被使得通过以下来将所述幅度变化范围划分成多个区间：

将所述幅度变化范围划分为大小相同的、预定数目个区间。

14.根据权利要求10所述的第一设备，其中所述第一设备被使得通过以下来确定所述分布特性：

根据检测所述干扰设备的指示，确定所述分布特性。

15.根据权利要求10所述的第一设备，其中所述第一设备被使得通过以下来确定所述干扰设备：

获取设备识别模型，所述设备识别模型表征信号的分布特性与第二设备的设备组合之间的关联性；以及

通过将所述分布特性应用于所述设备识别模型，从所述多个第二设备中确定所述干扰设备。

16.根据权利要求15所述的第一设备，其中所述第一设备被使得通过以下来获取所述设备识别模型：

从所述多个第二设备中的第一测试设备和第二测试设备分别接收第一信号和第二信号；

通过将所述第一信号与所述第二信号混合来生成仿真混合信号；

确定所述仿真混合信号的幅度在所述幅度变化范围内的仿真分布特性；以及

基于所述仿真分布特性、所述第一测试设备和所述第二测试设备的标识符，来训练所述设备识别模型。

17.根据权利要求16所述的第一设备，其中所述第一设备被使得通过以下来接收所述第一信号和所述第二信号：

在所述第一设备和所述多个第二设备正常操作期间接收所述第一信号和所述第二信号。

18.根据权利要求10-17中任一项所述的第一设备，其中所述第一设备包括光线路终端，并且所述第二设备包括光网络单元。

19.一种用于通信的装置，包括：

用于在第一设备处接收混合信号的部件，所述混合信号包括来自多个第二设备中的目标设备的目标信号和来自所述多个第二设备的干扰信号；

用于确定所述混合信号的幅度在幅度变化范围内的分布特性的部件，其中所述分布特性指示由所述多个第二设备中的至少两个第二设备组成的不同设备组合中的设备组合，所述设备组合包括所述目标设备和产生所述干扰信号的干扰设备；以及

用于基于所述分布特性，从所述多个第二设备中确定所述干扰设备的部件。

20.一种计算机可读介质，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1-9中任一项所述的方法。