CN115460481A - 用于通信的光线路终端、方法、装置和计算机可读存储介质 - Google Patents

Abstract

本公开涉及用于通信的光线路终端、方法、装置和计算机可读存储介质。提供了一种光线路终端，包括至少一个处理器和至少一个存储器，该至少一个存储器包括计算机程序代码。该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该光线路终端：从光网络单元接收第一前导码信号；基于接收到的第一前导码信号，将光网络单元分类到多个光网络单元类别中的一个光网络单元类别；基于接收到的第一前导码信号，验证与多个光网络单元类别中的一个光网络单元类别相关联的均衡器的性能；以及，如果该均衡器的性能能够满足性能要求，使用该均衡器来与光网络单元进行通信。

Description

用于通信的光线路终端、方法、装置和计算机可读存储介质

技术领域

本发明涉及通信，并且具体地涉及在无源光网络(PON)系统中的光网络单元(ONU)与光线路终端(OLT)之间的通信。

背景技术

在PON系统的通信过程中，由于来自不同光网络单元的信号可能会经受到因不同信道条件，诸如，传输距离、传输带宽、传输干扰等，之间的差异而引起的线性损耗和非线性损耗，因此光线路终端需要利用均衡器针对来自接入到该光线路终端的不同光网络单元的信号进行补偿，从而使来自不同光网络单元的信号满足通信所需的性能要求。

从满足性能要求的角度看，最理想的方式是针对每个光网络单元生成专用的均衡器来补偿特定于光网络单元的信号损耗。从光线路终端的资源代价的角度看，最理想的方式是针对所有光网络单元生成一个全局均衡器，以补偿来自接入到该光线路终端的所有光网络单元的信号。

然而，这两种实现均可能导致其固有的问题，需要寻找一种在性能与资源代价之间得到折衷的、生成均衡器的新解决方案。

发明内容

根据本公开的第一方面，提供了一种光线路终端，包括：至少一个处理器和至少一个存储器，该至少一个存储器包括计算机程序代码。该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该光线路终端：从光网络单元接收第一前导码信号；基于接收到的第一前导码信号，将光网络单元分类到多个光网络单元类别中的一个光网络单元类别；基于接收到的第一前导码信号，验证与多个光网络单元类别中的一个光网络单元类别相关联的均衡器的性能；以及，如果该均衡器的性能能够满足性能要求，使用该均衡器来与光网络单元进行通信。

根据本公开的第二方面，提供了一种在光线路终端处实现的方法，包括：从光网络单元接收第一前导码信号；基于接收到的第一前导码信号，将光网络单元分类到多个光网络单元类别中的一个光网络单元类别；基于接收到的第一前导码信号，验证与多个光网络单元类别中的一个光网络单元类别相关联的均衡器的性能；以及，如果该均衡器的性能能够满足性能要求，使用该均衡器来与光网络单元进行通信。

根据本公开的第三方面，提供了一种用于光线路终端的装置，包括：用于从光网络单元接收第一前导码信号的部件；用于基于接收到的所述第一前导码信号来将所述光网络单元分类到多个光网络单元类别中的一个光网络单元类别的部件；用于基于接收到的所述第一前导码信号来验证与所述多个光网络单元类别中的所述一个光网络单元类别相关联的均衡器的性能的部件；用于如果所述均衡器的所述性能能够满足性能要求则使用所述均衡器来与所述光网络单元进行通信的部件。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有程序代码，该程序代码被配置为在被执行时使装置执行根据上述第一方面的方法。

附图说明

结合附图并参考以下详细说明，本公开各实现方式的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实现方式。在附图中：

图1a和图1b图示了根据本公开的在PON系统中的光线路终端与光网络单元之间的连接配置的场景；

图2图示了根据本公开的单个全局均衡器随光网络单元的多样性增加而性能变化的图；

图3图示了根据本公开的实施例可以在其中被实现的场景图；

图4图示了根据本公开的实施例的ONU和OLT之间的交互过程；

图5图示了根据本公开的某些实施例的描述不同光网络单元的差异性的示意图；

图6示出了根据本公开的某些实施例的用于训练ONU聚类器的过程；

图7示出了根据本公开的某些实施例的更新阈值差异的过程；

图8图示了根据本公开的某些实施例的基于深度学习神经网络模型所训练的、基于聚类的多个均衡器与全局均衡器之间的性能差异；

图9至图10分别图示了根据本公开的聚类模型的聚类示意图以及对应的性能比较图。

图11图示了根据本公开的实施例的在OLT处实现的方法的流程图；以及

图12图示了适合于实现本公开的实施例的装置1200的示意图。

在本公开中，相同和相似的附图标记标识相同和相似的元素。

具体实施方式

下面将参照附图更详细地描述本公开的优选实现。虽然附图中显示了本公开的优选实现，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实现所限制。相反，提供这些实现是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实现”和“一个实现”表示“至少一个示例实现”。术语“另一实现”表示“至少一个另外的实现”。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。

当前，为了对抗来自光网络单元(ONU)的信号因非理想信道条件而受到的线性和/或非线性损耗，需要在光线路终端(OLT)处使用均衡器来补偿信号以尽可能恢复该信号。在此过程中，由于来自不同ONU的不同信号所经受的信道条件不同，因此对这些信号的补偿也相应的不同。

从性能角度看，针对每个ONU生成与该ONU相关联的一个专用的均衡器是最理想的。因为，该专用均衡器可以仅针对来自该ONU的信号所经历的信道条件进行补偿，从而实现最符合来自该ONU的信号的特性的补偿方式。进而，来自该ONU的信号能够被更好地恢复。

图1a描绘了针对一个ONU存在一个专有均衡器的连接场景100。在场景100中，描绘了N个光网络单元(ONU)101-1、ONU 101-2和ONU 101-N，被统称为ONU 101，以及这些ONU101被连接到的光线路终端(OLT)110。在该场景中，OLT具有用于N个ONU的N个均衡器111-1、111-2和111-N，被统称为均衡器111，多个均衡器111中每个均衡器与N个ONU中的一个ONU唯一地相关联。然而，在这种情况下，在OLT侧需要大量的资源来维护N个均衡器。

随着诸如机器学习的人工智能技术的兴起，基于神经网络所训练的全局均衡器被采用以用于所连接的所有ONU。

图1b描绘了针对所有ONU存在一个全局均衡器161的连接场景150。在图1b中，存在用于所有ONU 101的、OLT 160中基于神经网络所训练的一个全局均衡器161。均衡器161可以基于来自有限数目的ONU的训练数据而被得出。采用一个全局均衡器可以减小OLT所需消耗的资源。然而，在这种情况下，随着光网络单元的多样性的增加，该一个全局均衡器161的性能会随之降低。

图2图示了单个全局均衡器的性能随光网络单元的多样性增加而变化的示图。出于清楚地目的，参考图1b来描述图2。图2的横坐标表示ONU 101与OLT 160之间的光纤长度的多样性，纵坐标表示来自连接到全局均衡器161的所有ONU的信号的误比特率(BER)。在该示例中，作为示例，仅考虑了光纤长度的多样性，并且也仅使用误比特率作为针对均衡器的性能度量，本领域技术人员可以容易地想到其他用于衡量均衡器的性能度量，例如信噪比，误码率等。可以看出，在仅存在一个全局均衡器161的情况下，随着ONU的多样性的增加，均衡器恢复信号的性能随之下降。在极端情况下，当ONU的多样性大量增加时，全局均衡器可能不再能够满足ONU所需的通信性能要求。

如上文所述，针对ONU单元的均衡器布置的两种实现均存在其固有缺陷，“一对一(即，针对每个ONU存在一个专用的均衡器)”的均衡器布置将消耗OLT的大量资源，而针对所有ONU布置一个全局均衡器将可能导致均衡器的性能无法完全满足所有ONU的通信性能要求。

本公开的实施例提供了一种新的均衡器布置方式。根据该布置方式，根据来自各个ONU的前导码信号，将连接到OLT的ONU划分成多个ONU类别。例如，来自被分类到不同光网络单元类别的光网络单元的多个前导码信号之间的差异大于或等于阈值差异(也就是说，相同ONU类别中的ONU的前导码信号之间的差异更小)。例如，OLT可以基于接收到的前导码信号与相对应的已知前导码信号的差异来将ONU分类到相应的类别中。

这样，每当新的ONU被连接到OLT时，OLT基于来自该OLT的前导码信号，可以将该ONU分类到对应的一个ONU类别，并验证与该ONU类别相关联的均衡器的性能。如果验证该均衡器的性能满足性能要求，确定由该均衡器与该ONU进行通信。在一个示例中，如果确定均衡器的性能无法满足性能要求，可以调整均衡器，以提高均衡器的性能来满足性能要求。

这使得与ONU类别相关联的均衡器能够实现更高的性能水平，即，可以更好的满足ONU所需的通信要求。另外，被连接到OLT的所有的ONU可以被分类到有限的、较少数目的ONU类别中，同时均衡器的数目可以与ONU类别的数目相对应，这有效地减少了OLT所需维护的均衡器的总数目。

图3图示了根据本公开的实施例可以在其中被实现的场景图300。

在场景300中，包括ONU 301、ONU 301-2、ONU 301-3、……、ONU 301-K、ONU 301-(K+1)、……、ONU 301-L、……、ONU 301-N(也被统称为ONU 301)，分别标记为ONU 1、ONU 2、ONU 3、……、ONU K、ONU K+1、……、ONU L、……、ONU N。这里，K、L和N表示正整数，其中K>3，(K+1)<L<N。在根据本公开的非限制性的示例中，N个ONU被分配到M个ONU类别中，上文中的K、L、M和N均为正整数。例如，以下三个ONU被分类到相同的一个ONU类别中：ONU 301-1、ONU301-2和ONU 301-3。以下(L-K)个ONU ONU 301-(K+1)、……和ONU 301-L被分类到另一ONU类别中，同理，ONU 101-N被分类到又一ONU类别中。

在场景300中，还包括OLT 310，均衡器321-1、321-2、……、321-M(也可以统称为“均衡器321”)，分别标记为均衡器1、均衡器2……均衡器M，作为示例，M为大于2的正整数。该M个均衡器与上文所述的M个ONU类别相关联。

在此示例中，M个均衡器通过神经网络模型来实现320，该神经网络模型320基于针对来自ONU的历史信号的统计数据以及新接收到的实时信号两者来调整均衡器。

在场景300中，OLT 310还包括训练数据存储库330，训练数据存储库330可以存储来自ONU的信号。神经网络模型可以从训练数据存储库330获取训练数据以用于训练均衡器。

应当理解，均衡器使用神经网络模型来实现仅仅是示例，而非限制。在某些实施例中，可以使用硬件逻辑组件来实现均衡器321也是可行的。

根据本公开的实施例，OLT 310从某个ONU 301-1接收前导码信号，并基于该前导码信号而将该ONU 301-1分类到M个ONU类别的一个类别中。例如，将ONU 301-1分类到ONU1、ONU 2和ONU 3所在的类别中。进而，OLT 310基于接收到的前导码信号确定与该类别相关联的均衡器321-1(即，均衡器1)是否能够满足该激活的ONU的性能要求。如果均衡器1能够满足性能要求，则利用均衡器1与该激活的ONU进行通信。

在某些实施例中，如果均衡器1无法满足性能要求，则OLT 310可以利用从ONU接收到的前导码信号来对均衡器1进行更新。例如，OLT 310可以向ONU 301-1发送针对其他前导码信号的请求。相应地，OLT 310可以从ONU接收其他的前导码信号。进而，OLT 310基于接收到的前导码信号和其他前导码信号来调整均衡器。

图4图示了根据本公开的实施例的ONU和OLT之间的交互过程400。下文结合图3所示的场景300来描述图4的过程400。

如图4所示，根据本公开的实施例，OLT 310从ONU 301接收(401)前导码信号(称为“第一前导码”)。第一前导码对于OLT与ONU 301是已知的。在某些实施例中，在OLT310与ONU301之间可以预先已知一组“前导码信号”。例如，前导码信号可以被预先定义或由OLT310来配置。作为示例，在由OLT 310配置的情况下，当新的ONU 301被激活时，该ONU 301进入初始状态并且通过侦听OLT的下游业务(例如，Burst_Profile PLOAM消息)来收集关于前导码信号的信息，并且存储由OLT定义的所有前导码模式。作为示例，前导码信号也可以称为“前导数据”，其实现为PON上行链路脉冲前导码。在某些实施例中，前导码信号也可以采取其他形式，例如，来自ONU的上游消息中的字节序列而不是脉冲前导码。

OLT 310基于从ONU 301接收到的第一前导码信号，将ONU 301分类(403)到多个ONU类别中的一个ONU类别。在某些实施例中，OLT 310可以基于接收到的第一前导码信号和与第一前导码信号相对应的已知前导码信号之间的失真情况，来将ONU 301分类到一个ONU类别中。

在某些实施例中，OLT 310可以通过计算接收到的第一前导码信号与用于ONU类别的参考前导码信号之间的差异，来将ONU 301分类到一个ONU类别中。仅作为示例，可以针对每个ONU类别设置一个参考前导码。在该示例中，OLT 310基于计算该参考前导码与从ONU301接收到的、对应于参考前导码信号的前导码信号之间的差异，来决定是否将ONU 301分配到关联于参考前导码的ONU类别中。例如，当接收到的前导码信号与参考前导码之间的距离大于预设的阈值时，则不会将该ONU 301分配到该类别中，否则就将该ONE301分类到该类别中。

在某些实施例中，除了基于接收到的第一前导码信号，OLT 310还可以基于针对来自ONU 301的历史信号，来分类不同的ONU。例如，OLT 310可以对来自不同ONU的历史前导码信号进行统计，并基于该历史前导码信号对ONU进行聚类，同时得出特定于ONU类别的前导码信号的相关参数范围，当从ONU 301接收到的前导码信号落在特定于某个ONU类别的相关参数范围中时，OLT 310可以将ONU 301分类到该ONU类别中。

在某些实施例中，OLT 310基于接收到的第一前导码信号，优先将光网络单元101分类到多个光网络单元类别中的已启用的光网络单元类别中。这样，可以使OLT 310所需要同时维护的均衡器的数目尽可能保持最小。

OLT 310基于前导码信号，验证(405)与ONU被分类到的ONU类别相关联的均衡器的性能。作为示例，在某些实施例中，用于衡量均衡器的性能可以包括均衡后的、来自ONU 301前导码信号的BER。在某些实施例中，也可以采用其他方式来衡量均衡器的性能。例如，可以是均衡后的、来自ONU 301的前导码信号的信噪比。在另一示例中，还可以是均衡后的、来自ONU 301的前导码信号的波形失真情况。

在验证(405)均衡器321的性能之后，如果OLT 310确定均衡器的性能满足性能要求，则使用(407)均衡器321来与光网络单元进行通信。作为示例，OLT 310可以执行ONU 301的常规激活流程的后续操作。例如，可以继续进行测距以及进行ONU 301注册等。

在某些实施例中，在验证均衡器的性能之后，如果OLT 310确定均衡器的性能不满足性能要求，则可以由OLT 310向ONU 301发送(409)针对前导码信号(称为“第二前导码”)的请求。该请求可以是在ONU 301激活期间由OLT 310发送的序列号授权消息。例如，当OLT301尝试发现新的ONU 310并通过发出序列号授权来开启静默窗口时，新激活的ONU 301将该消息识别为前导码信号请求。在这种情况下，序列号授权帧中的“突发包属性”(Burstprofile)字段规定ONU应使用哪个前导码信号。

响应于接收到针对第二前导码信号的请求，OLT 310从ONU 301接收(411)第二前导码信号。该第二前导码信号可以是如上文所商定的一组前导码信号中的其他前导码信号，也可以是有OLT 310动态配置的前导码信号。

OLT 310可以利用接收到的第一前导码信号和第二前导码信号，来调整均衡器，以提高均衡器的性能。在示例中，将接收到的第一前导码信号和第二前导码信号作为实时的训练样本训练神经网络模型，来迭代地调整均衡器。在某些实施例中，还可以基于实时数据与已知数据的差异，来针对性地直接调整均衡器的参数设置。

为了进一步提高均衡器的性能，在某些实施例中，OLT 310可以向ONU 301发送多个请求并且相应地接收到多个前导码信号。OLT310可以使用接收到的这些前导码信号来调整均衡器的性能。

备选地，在某些实施例中，如果现有的均衡器无法被直接调整以满足ONU 101的性能要求，OLT 310也可以针对ONU 301生成能够满足该性能要求的临时均衡器，以用于与ONU101通信。同时，OLT310可以基于接收到的第一前导码信号和第二前导码信号以及历史信号(例如，已经接收到的前导码信号)的统计数据，利用神经网络模型320在后台继续调整与ONU 301所属类别相关联的均衡器321。

在某些实施例中，如果连接到OLT 310的ONU 101中的、性能要求没有被满足的ONU的数目高于阈值数目，则OLT 310可以基于已经接收到的信号来更新多个均衡器321-1、……321-M。该信号可以是OLT 310接收到的任意信号。例如，在均衡器321使用深度学习神经网络模型来实现的情况下，OLT 310可以基于已经接收到的前导码信号、数据信号、控制信号以及OLT 310接收到的任何其他信号，使用神经网络模型(例如，深度学习神经网络模型)来更新这些均衡器。

在某些实施例中，可以根据实际连接情况设置阈值输入，例如，将阈值输入设置为ONU 101的数目的10％，即，被连接到OLT 310的ONU101中的、性能要求没有被满足的ONU的数目高于ONU 101数目的10％时，OLT可以利用神经网络模型来将均衡器更新为经调整后的均衡器。在某些实施例中，也可以由网络维护方根据先验知识预设一个阈值数目，进而根据使用情况进行调整。

这样，OLT 310可以在保证所维护的均衡器的数目最小的情况下，使均衡器更好的满足ONU 101所需的性能要求。

图4所示的交互过程400可以被集成在标准ONU激活流程中(诸如，ITU-T G.hspseries标准中所规定的流程)。例如，当有新激活的ONU 301-1遵循ITU G.hsp series标准而向OLT 320进行接入注册时，如上述交互过程400所示的过程可以直接被集成到ITU-TG.hsp series标准的接入注册过程中进行操作。

如上文所述，来自不同的ONU的信号可能会经受因不同信道条件或不同信号特性之间的差异而引起的线性损耗和非线性损耗。仅作为示例，不同的ONU所传输的相同前导码信号之间的差异(即，因受到特定于ONU的损耗而产生)可以表征不同的ONU之间的差异。在某些实施例中，不同的ONU所传输的前导码信号与相对应的已知前导码信号之间的差异也可以反映ONU的差异。这样，OLT 310可以根据来自不同的ONU的信号之间的差异性来对ONU聚类。

在聚类的过程中，可以基于约束条件将所有ONU聚类成有限数目的类别。在某些实施例中，约束条件可以是来自这两个ONU的前导码信号之间的“距离”。在示例中，在聚类的过程的同时，继续搜索更优的约束条件，例如，利用训练数据来验证聚类的性能，并基于验证结果来调整约束条件。以下参照图5到图10来讨论聚类的示例过程。

图5图示了根据本公开的某些实施例的描述不同光网络单元的差异性的示意图。

在图5中，仅作为示例，示出了ONU 301、ONU 301-2、ONU301-3、……、ONU 301-K、ONU 301-(K+1)、……、ONU 301-L、……、ONU 301-N中ONU的前导码信号之间的距离与阈值差异之间的关系。

如图5所示，距离501(标记为“距离1”)表示来自ONU 301-1、ONU 301-2和ONU 301-K的前导码信号之间的距离，可以被用于表示这三个ONU之间的差异。距离2 503表示来自ONU 301-K和ONU301-(K+1)的样本之间的距离，可以被用来表示这两个ONU之间的差异。同理，距离3 505可以被用来表示ONU K+1与ONU L之间的差异，距离4 507可以被用来表示ONUK+1与ONU 301-N之间的差异。

在某些实施例中，可以通过计算来自两个ONU的相同前导码之间的距离来确定两个ONU的差异。在一个示例中，可以基于两个前导码信号的采样数据，来计算来自这两个ONU的两个前导码信号的余弦距离来确定这两个ONU的差异。例如，通过以下公式来计算均具有n个采样数据的两个前导码信号之间的余弦距离。

其中xk表示来自一个ONU的前导码的第k个采样数据，yl表示来自另一个ONU的前导码的第l个采样数据。在某些实施例中，采样数据的总数目n可以根据需要而任意地设置。

在某些实施例中，ONU的聚类可以基于接收到的前导码信号和已有数据来进行，并且随后确定用于对ONU聚类的阈值差异。如图5中所示，ONU可以基于彼此之间的差异以及阈值差异而被聚类，并且该阈值差异基于所聚类的ONU类别的性能而被迭代地搜索。

应当理解，采用针对来自ONU的前导码信号之间的余弦距离来表示不同ONU的差异，仅仅是示例而非限制。在某些实施例中，也可以使用其他类型的距离来衡量不同ONU的差异，例如，欧几里得距离、贝叶斯距离、互信息等。

根据本公开的实施例，例如，可以使来自同一个ONU类别中的ONU的训练信号之间满足特定的距离约束条件。在该示例中，对于该ONU类别，具有k组ONU的训练信号，并且该k组训练信号需要满足以下公式。

max_j＝1max_i＝1kdist(xi，yj)＜ε (2)

其中xi和yj是指k组训练信号中任两组训练样本信号。因此，在该示例中，公式(2)实际上意味着，针对k种ONU的训练信号，ONU之间的距离中的最大的距离小于阈值差异ε。

在某些实施例中，也可以采用其他公式来约束ONU类别。例如，使来自同一ONU类别的ONU的训练信号之间的距离小于预定的欧几里得距离，或者小于贝叶斯距离等。

一旦确定了ONU的类别，就可以组合训练数据来训练所聚类的ONU类别。在示例中，训练数据可以包括：从ONU接收到的前导码信号、所存储的来自ONU的前导码信号以及针对来自ONU的前导码信号的统计信息。在某些实施例中，在该训练过程中，提出了组合实时信号和统计信息两者来训练所聚类的ONU类别。该方式额外地利用了针对训练信号的统计信息，并因此在多样性/差异增加时，能够比常规的联合模型有更好的性能。

图6示出了根据本公开的某些实施例的用于训练ONU聚类器的过程600。在此示例中，聚类器使用深度学习神经网络模型610来实现。

在图6中，OLT 310利用神经网络作为均衡器，恢复N个ONU301-1、ONU 301-2、……、ONU 301-(N-1)和ONU 301-N的信号。可以利用针对来自ONU的历史前导码信号的统计数据和新接收到的前导码信号两者来训练深度学习神经网络模型610，并利用从所训练神经网络模型中输出的信号620来评估所训练的ONU类别的性能。

根据本公开的实施例，使用基于训练聚类的模型实现了在减少均衡器的总数目情况下，满足多样性ONU的性能要求。因此，在性能与效率之间得到了折衷。

随着ONU多样性的持续增加，用于对ONU聚类的当前阈值差异可能不完全地适合于对新加入的所有ONU进行聚类，因此，需要结合新加入的ONU来调整用于聚类的阈值差异。

图7示出了根据本公开的某些实施例的更新阈值差异的过程700。

如图7所示，在框701，获得基于当前阈值差异的聚类器的初始模型。在703，准备训练数据，并且训练该初始聚类模型。在框705，从训练数据中选择K个训练数据来评估所训练的聚类模型。在框707，基于一组约束，确定所训练的聚类模型是否满足性能要求。如果满足性能要求，则进行到709，定义该聚类模型并在OLT侧使用该模型。如果不能满足性能要求，则返回到701。

图8图示了根据本公开的某些实施例的基于深度学习神经网络模型所训练的、基于聚类的多个均衡器与全局均衡器之间的性能差异。如图8所示，随着ONU与OLT之间的光纤长度多样性的增加，基于深度学习神经网络模型所训练的均衡器的BER性能显著优于全局均衡器。

图9和图10分别图示了根据本公开的聚类模型的聚类示意图以及对应的性能比较图。

在图9中，三个空间维度分别体现光纤长度、光纤带宽和ONU所发送信号的波长的差异性。如图9所示，利用神经网络模型，将ONU聚类成第一类别(Cluster-1)901和第二类别(Cluster-2)903。这两个ONU类别分别与所训练的两个均衡器相关联。在图9中，还示出了由全局均衡器来与所有ONU 911组成的一个类别进行通信。

在图10中，示出了按照图9所示的不同类别的ONU在与相关联的均衡器进行通信时的BER分布情况，以及所有ONU与全局均衡器的BER分布情况。可以看出，基于神经网络模型对ONU进行聚类，并通过调整与ONU类别相关联的均衡器来与ONU进行通信，可以显著地使BER分布降低并集中化。

图11示出了根据本公开的实施例的在OLT处实现的方法的流程图。

如图11所示，在框1110，OLT 310从ONU 101接收第一前导码信号。在框1120，OLT310基于接收到的第一前导码信号，将ONU 101分类到多个光网络单元类别中的一个光网络单元类别。在框1130，OLT 310基于接收到的第一前导码信号，验证与多个光网络单元类别中的一个光网络单元类别相关联的均衡器111的性能。如果均衡器111的性能能够满足性能要求，使用该均衡器111来与ONU 101进行通信。

在某些实施例中，如果均衡器111的性能无法满足性能要求，则OLT 310向ONU 101发送针对第二前导码信号的请求。OLT 310从ONU 101接收第二前导码信号，并且基于接收到的第一前导码信号和第二前导码信号，调整均衡器111以提高均衡器111的性能。

在某些实施例中，如果OLT 310确定调整后的均衡器的性能无法满足所述性能要求，则针对光网络单元101配置能够满足所述性能要求的临时均衡器，以满足性能要求。

在某些实施例中，来自被分类到多个光网络单元类别的多个光网络单元的多个前导码信号之间的差异大于或等于阈值差异。

在某些实施例中，OLT 310基于接收到的第一前导码信号和第二前导码信号，来更新阈值差异。

在某些实施例中，OLT 310基于接收到的第一前导码信号，优先将光网络单元分类到多个光网络单元类别中的已启用光网络单元类别中。

在某些实施例中，OLT 310具有与多个光网络单元类别相关联的多个均衡器。

在某些实施例中，如果被连接到所述光线路终端的光网络单元中的、性能要求没有被满足的光网络单元的数目高于阈值数目，基于已经接收到的信号，使用所述深度学习神经网络模型来更新所述多个均衡器。

应当理解，上文参考图3到图10所描述的所有特征均适用于方法1100，在此不再赘述。

图12图示了适合于实现本公开的实施例的装置1200的示意图。装置1200可以实现为光线路终端310或其一部分。

如图所示，装置1200包括处理器1210。处理器1210控制装置1200的操作和功能。例如，在某些示例实施例中，处理器1210可以借助于与其耦合的存储器1220中所存储的指令1230来执行各种操作。存储器1220可以是适用于本地技术环境的任何合适的类型，并且可以利用任何合适的数据存储技术来实现，包括但不限于基于半导体的存储器件、磁存储器件和系统、光存储器件和系统。尽管图10中仅仅示出了一个存储器单元，但是在装置1200中可以有多个物理不同的存储器单元。

处理器1210可以是适用于本地技术环境的任何合适的类型，并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)以及基于控制器的多核控制器架构中的一个或多个。装置1200也可以包括多个处理器1210。处理器1210与收发器1240耦合。收发器1240可以借助于光纤、电缆和/或其他部件来实现信息的接收和发送。处理器1010可以通过执行指令使得上文参考图11描述的方法1100能够实现。

装置1200可以独立于图3中所示的神经网络模型320、接训练数据库330，或者可以与神经网络模型320和训练数据存储库330被集成在一起。作为备选，装置1200可以分布式地布置在神经网络模型320或数据存储库330中的一个或多个上，或者可以部分布置在神经网络模型320或数据存储库330的一个或多个上，并且部分布置在单独的其他设备上。上文参考图4到图10所描述的所有特征均适用于装置1200，在此不再赘述。

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。当本公开的示例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。

作为示例，本公开的示例实施例可以在机器可执行指令的上下文中被描述，机器可执行指令诸如包括在目标的真实或者虚拟处理器上的器件中执行的程序模块中。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。在各示例实施例中，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。用于程序模块的机器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计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。

在本公开的上下文中，机器可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器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示例实施例的描述。本说明书中在分开的示例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示例实施例中。反之，在单个示例实施例的上下文中描述的各种特征也可以分离地在多个示例实施例或在任意合适的子组合中实施。

前述描述通过非限制性示例提供了对本发明的示例性实施例的完整且信息丰富的描述。然而，鉴于前述描述，在结合附图和所附权利要求阅读时，各种修改和改编对于相关领域的技术人员来说可能变得显而易见。然而，本发明的教导的所有这种修改和类似的修改仍将落入所附权利要求所限定的本发明的范围内。实际上，存在又一实施例，其包括一个或多个实施例与先前讨论的任何其他实施例的组合。

Claims (22)

1.一种光线路终端，包括：

至少一个处理器；以及

至少一个存储器，包括计算机程序代码，

所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使所述光线路终端：

从光网络单元接收第一前导码信号；

基于接收到的所述第一前导码信号，将所述光网络单元分类到多个光网络单元类别中的一个光网络单元类别；

基于接收到的所述第一前导码信号，验证与所述多个光网络单元类别中的所述一个光网络单元类别相关联的均衡器的性能；以及

如果所述均衡器的所述性能能够满足性能要求，使用所述均衡器来与所述光网络单元进行通信。

2.根据权利要求1所述的光线路终端，其中所述至少一个存储器和计算机程序代码还被配置为与所述至少一个处理器一起使所述光线路终端：

如果所述均衡器的所述性能无法满足所述性能要求，向所述光网络单元发送针对第二前导码信号的请求；

从所述光网络单元接收所述第二前导码信号；以及

基于接收到的所述第一前导码信号和所述第二前导码信号，调整所述均衡器，以提高所述均衡器的所述性能。

3.根据权利要求2所述的光线路终端，其中所述至少一个存储器和计算机程序代码还被配置为与所述至少一个处理器一起使所述光线路终端：

如果确定调整后的所述均衡器的所述性能无法满足所述性能要求，针对所述光网络单元配置能够满足所述性能要求的临时均衡器，以满足所述性能要求。

4.根据权利要求2所述所述的光线路终端，其中来自被分类到所述多个光网络单元类别的多个光网络单元的多个前导码信号之间的差异大于或等于阈值差异，并且所述至少一个存储器和计算机程序代码还被配置为与所述至少一个处理器一起使所述光线路终端：

基于接收到的所述第一前导码信号和所述第二前导码信号，来更新所述阈值差异。

5.根据权利要求1所述的光线路终端，其中所述至少一个存储器和计算机程序代码还被配置为与所述至少一个处理器一起使所述光线路终端通过以下方式来将所述光网络单元分类到所述多个光网络单元类别中的所述一个光网络单元类别：

基于接收到的所述第一前导码信号，优先将所述光网络单元分类到所述多个光网络单元类别中的已启用光网络单元类别中。

6.根据权利要求1所述的光线路终端，其中所述光线路终端具有与所述多个光网络单元类别相关联的多个均衡器。

7.根据权利要求6所述的光线路终端，其中所述至少一个存储器和计算机程序代码还被配置为与所述至少一个处理器一起使所述光线路终端：

如果连接到所述光线路终端的光网络单元中的、性能要求没有被满足的光网络单元的数目高于阈值数目，基于已经接收到的信号，使用所述深度学习神经网络模型来更新所述多个均衡器。

8.一种在光线路终端处实现的方法，包括：

从光网络单元接收第一前导码信号；

基于接收到的所述第一前导码信号，将所述光网络单元分类到多个光网络单元类别中的一个光网络单元类别；

基于接收到的所述第一前导码信号，验证与所述多个光网络单元类别中的所述一个光网络单元类别相关联的均衡器的性能；以及

如果所述均衡器的所述性能能够满足性能要求，使用所述均衡器来与所述光网络单元进行通信。

9.根据权利要求8所述的方法，还包括：

如果所述均衡器的所述性能无法满足所述性能要求，向所述光网络单元发送针对第二前导码信号的请求；

从所述光网络单元接收所述第二前导码信号；以及

基于接收到的所述第一前导码信号和所述第二前导码信号，调整所述均衡器，以提高所述均衡器的所述性能。

10.根据权利要求9所述的方法，还包括：

如果确定调整后的所述均衡器的所述性能无法满足所述性能要求，针对所述光网络单元配置能够满足所述性能要求的临时均衡器，以满足所述性能要求。

11.根据权利要求9所述的方法，其中来自被分类到所述多个光网络单元类别的多个光网络单元的多个前导码信号之间的差异大于或等于阈值差异，并且所述方法还包括：

基于接收到的所述第一前导码信号和所述第二前导码信号，来更新所述阈值差异。

12.根据权利要求8所述的方法，还包括：

基于接收到的所述第一前导码信号，优先将所述光网络单元分类到所述多个光网络单元类别中的已启用光网络单元类别中。

13.根据权利要求8所述的方法，其中所述光线路终端具有与所述多个光网络单元类别相关联的多个均衡器。

14.根据权利要求13所述的方法，还包括：

如果被连接到所述光线路终端的光网络单元中的、性能要求没有被满足的光网络单元的数目高于阈值数目，基于已经接收到的信号，使用所述深度学习神经网络模型来更新所述多个均衡器。

15.一种用于光线路终端的装置，包括：

用于从光网络单元接收第一前导码信号的部件；

用于基于接收到的所述第一前导码信号来将所述光网络单元分类到多个光网络单元类别中的一个光网络单元类别的部件；

用于基于接收到的所述第一前导码信号来验证与所述多个光网络单元类别中的所述一个光网络单元类别相关联的均衡器的性能的部件；

用于如果所述均衡器的所述性能能够满足性能要求则使用所述均衡器来与所述光网络单元进行通信的部件。

16.根据权利要求15所述的装置，还包括：

用于如果所述均衡器的所述性能无法满足所述性能要求则向所述光网络单元发送针对第二前导码信号的请求的部件；

用于从所述光网络单元接收所述第二前导码信号的部件；以及

用于基于接收到的所述第一前导码信号和所述第二前导码信号来调整所述均衡器、以提高所述均衡器的所述性能的部件。

17.根据权利要求16所述的装置，还包括：

用于如果确定调整后的所述均衡器的所述性能无法满足所述性能要求则针对所述光网络单元配置能够满足所述性能要求的临时均衡器的部件，以满足所述性能要求。

18.根据权利要求16所述的装置，其中来自被分类到所述多个光网络单元类别的多个光网络单元的多个前导码信号之间的差异大于或等于阈值差异，并且还包括：

用于基于接收到的所述第一前导码信号和所述第二前导码信号来更新所述阈值差异的部件。

19.根据权利要求15所述的装置，还包括：

用于基于接收到的所述第一前导码信号、优先将所述光网络单元分类到所述多个光网络单元类别中的已启用光网络单元类别中的部件。

20.根据权利要求15所述的装置，其中所述光线路终端具有与所述多个光网络单元类别相关联的多个均衡器。

21.根据权利要求20所述的装置，还包括：

用于如果被连接到所述光线路终端的光网络单元中的、性能要求没有被满足的光网络单元的数目高于阈值数目，基于已经接收到的信号，使用所述深度学习神经网络模型来更新所述多个均衡器的部件。

22.一种计算机可读存储介质，其上存储有程序代码，所述程序代码被配置为在被执行时使装置执行根据权利要求1-7中任一项所述的方法。

Images