JP7059699B2 - パラメータ解析方法、パラメータ解析プログラム、及びパラメータ解析装置 - Google Patents

Description

本件は、パラメータ解析方法、パラメータ解析プログラム、及びパラメータ解析装置に関する。

大容量のデータ伝送を実現する技術の１つとして、デジタルコヒーレント光伝送方式がある。デジタルコヒーレント光伝送方式では、例えば、送信器及び受信器に実装されたＤＳＰ（Digital Signal Processing）が、ＱＡＭ（Quadrature Amplitude Modulation）などの多値変調処理及びその復調処理などをそれぞれ実行する。

ＤＳＰには、多値変復調処理や波形等化などに関する多数のパラメータが設定される。このため、ＤＳＰに適切な通信設定を行うには、デジタルコヒーレント光伝送方式の光領域及び信号処理領域の両方の技術について熟練した知識及び経験が必要とされる。

近年、通信サービスを提供する電気通信事業者（通信キャリア）だけでなく、データセンタ間接続（DCI: Data Center Interconnect）を行うデータセンタ事業者や、ＩＴ（Information Technology）システムにより広域でビジネスを行う事業者が、デジタルコヒーレント光伝送方式を利用している。電気通信事業者以外の事業者は、安価な通信システムを実現するため、電気通信事業者が使用していない光ファイバ（いわゆるダークファイバ）によりネットワークを構成するケースが多い。

このため、知識及び経験が不十分な担当者が、デジタルコヒーレント光伝送方式の信号処理領域だけでなく、光領域にも関わり、不適切な通信設定を行って伝送品質を劣化させるおそれがある。これに対し、例えば特許文献１には、光コヒーレント受信器において位相再生のフィルタ係数を最適化する点が記載されている。

特表２０１２－５２８４９１号公報

しかし、ＤＳＰの通信設定に関するパラメータの組み合わせには、光信号の伝送処理において相関性を有するパラメータ同士の組み合わせが数多く存在し、その組み合わせの全てについて特許文献１の手法を適用することは現実的に困難である。そこで、伝送処理に対するパラメータの影響を解析するための数学的な等価挙動モデルを、実際の光信号を用いたトレーニングにより構築し、そのモデルを用いて通信設定における重要性の高いパラメータを特定する手法が考えられる。

しかし、光信号の特性は、光送受信器内の光学部品及び電気部品や光ファイバなどの種々の条件により決まるため、現実的な時間内にモデルを十分にトレーニングすることができず、その精度を向上させることが難しいという問題がある。なお、この問題は、デジタルコヒーレント光伝送方式に限定されず、他の光信号の伝送方式においても存在する。

そこで本件は、光信号の伝送処理に対する通信設定のパラメータの影響を解析するための高精度な数学的モデルを構築することができるモデルのトレーニング方法、パラメータ解析方法、パラメータ解析プログラム、及びパラメータ解析装置を提供することを目的とする。

１つの態様では、パラメータ解析方法は、光信号の特性に関する指標値を出力するモデルであって、信号処理装置が前記光信号を処理することにより算出する前記指標値を出力として、前記信号処理装置に設定される複数のパラメータが前記指標値に与える影響を解析するためのモデルをトレーニングする工程と、前記モデルのトレーニングに用いられる前記光信号の特性を変動させる工程と、前記モデルのトレーニングに用いられる前記複数のパラメータを生成する工程とを、コンピュータまたは電子回路が実行する方法である。

１つの態様では、パラメータ解析プログラムは、信号処理装置が処理した光信号の品質に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングし、前記モデルのトレーニングに用いられる前記複数のパラメータを生成し、前記モデルのトレーニングに用いられる前記光信号の特性を変動させる、処理を、コンピュータに実行させるプログラムである。

１つの態様では、パラメータ解析装置は、信号処理装置が処理した光信号の品質に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングするトレーニング部と、前記モデルのトレーニングに用いられる前記複数のパラメータを生成する生成部と、前記モデルのトレーニングに用いられる前記光信号の特性を変動させる変動発生部とを有する。

１つの側面として、光信号の伝送処理に対する通信設定のパラメータの影響を解析するための高精度なモデルを構築することができる。

パラメータ解析装置の一例を示す構成図である。 挙動モデル構築部の一例を示す構成図である。 簡単化された挙動モデルのイメージを示す図である。 偏光状態を変化させる変動発生部の構成の一例を示す。 光キャリア周波数の変化による周波数オフセットを変化させる変動発生部の構成の一例を示す図である。 トレーニングの完了前後の挙動モデルのＱ値（Quality factor）の推定値を示す図である。 パラメータ重要度の一例を示す図である。 挙動解析部の一例を示す構成図である。 キーパラメータの変化に対するＱ値の変化の一例を示す図である。 パラメータ解析装置の処理を示すフローチャートである。 挙動モデル構築部の他の例を示す構成図である。 挙動モデル構築部の他の例を示す構成図である。 ＤＳＰに平均化長を設定する動作の手順の一例を示すフローチャートである。 ＤＳＰにフィルタ長を設定する動作の手順の一例を示すフローチャートである。 挙動モデルのトレーニング方法の一例を示す図である。 外部測定器を用いる場合の挙動モデルのトレーニング方法の一例を示す図である。

図１は、パラメータ解析装置１の一例を示す構成図である。パラメータ解析装置１は、送信器２から光ファイバなどの伝送路９を介して光信号Ｓを受信する受信器３から信号データを取得し、信号データを用いたトレーニングにより数学的な挙動モデルを構築する。

送信器２は、例えばデジタルコヒーレント光伝送方式に従って光信号Ｓを受信器３に伝送する。送信器２は、例えばイーサネット（登録商標、以下同様）信号をＱＡＭなどの多値変調方式により変調し、さらに送信光をイーサネット信号に基づき光変調することにより偏波多重の光信号Ｓを生成する。受信器３は、フロントエンド３０、アナログ－デジタル変換器（ADC: Analog-to-Digital Converter）３１、及びＤＳＰ３２を有する。

フロントエンド３０は、光―電気変換器などを備え、光信号Ｓを電気的な信号データに変換してＡＤＣ３１に出力する。ＡＤＣ３１は、その信号データをアナログ信号からデジタル信号に変換してＤＳＰ３２とパラメータ解析装置１に出力する。

ＤＳＰ３２は、信号処理装置の一例であり、光信号Ｓの信号データの信号処理を行う。信号処理としては、伝送路９における波長分散及び非線形光学効果などの補償処理、光－電気変換の不完全性の補償処理、位相再生処理、及び復調処理などが挙げられる。

ＤＳＰ３２には、信号処理に関する各種のパラメータが不図示の通信設定の担当者（オペレータ）または不図示の設定装置から設定される（点線参照）。パラメータとしては、位相再生処理における位相のオフセット値の平均化長さや、不完全性の補償処理に用いられるフィルタの数及び次数などが挙げられる。

パラメータ解析装置１は、ＣＰＵ（Central Processing Unit）１０、ＲＯＭ（Read Only Memory）１１、ＲＡＭ（Random Access Memory）１２、ＨＤＤ（Hard Disk Drive）１３、ハードウェアインターフェース部（ＨＷ－ＩＦ）１４、入力装置１５、及び出力装置１６を有する。ＣＰＵ１０は、互いに信号の入出力ができるように、ＲＯＭ１１、ＲＡＭ１２、ＨＤＤ１３、ＨＷ－ＩＦ１４、入力装置１５、及び出力装置１６と、バス１９を介して接続されている。なお、ＣＰＵ１０はコンピュータの一例である。

ＲＯＭ１１は、ＣＰＵ１０を駆動するプログラムが格納されている。プログラムには、パラメータ解析方法を実行するパラメータ解析プログラムが含まれる。ＲＡＭ１２は、ＣＰＵ１０のワーキングメモリとして機能する。ＨＷ－ＩＦ１４は、例えばＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specified Integrated Circuit）などのハードウェアから構成され、受信器３のＡＤＣ３１から光信号Ｓの信号データが入力される。ＨＷ－ＩＦ１４は、光信号Ｓの信号データを、バス１９を介してＣＰＵ１０に出力する。

入力装置１５は、パラメータ解析装置１に情報を入力する装置である。入力装置１５としては、例えばキーボード、マウス、及びタッチパネルなどが挙げられる。入力装置１５は、入力された情報を、バス１９を介しＣＰＵ１０に出力する。

出力装置１６は、パラメータ解析装置１の情報を出力する装置である。出力装置１６としては、例えばディスプレイ、タッチパネル、及びプリンタなどが挙げられる。出力装置１６は、ＣＰＵ１０からバス１９を介して情報を取得して出力する。

ＣＰＵ１０は、ＲＯＭ１１からプログラムを読み込むと、機能として、信号データ取得部１００、挙動モデル構築部１０１、キーパラメータ抽出部１０２、挙動解析部１０３、及び出力処理部１０４が形成される。また、ＨＤＤ１３には、挙動モデル構築ＤＢ（データベース）１３１、パラメータ重要度ＤＢ１３２、キーパラメータＤＢ１３３、及び挙動解析結果ＤＢ１３４が格納される。なお、信号データ取得部１００、挙動モデル構築部１０１、キーパラメータ抽出部１０２、挙動解析部１０３、及び出力処理部１０４は、例えばＦＰＧＡやＡＳＩＣなどのハードウェアから構成された電子回路であってもよい。

信号データ取得部１００は、ＨＷ－ＩＦ１４を介して受信器３から信号データを取得する。信号データ取得部１００は、信号データを挙動モデル構築部１０１及び挙動解析部１０３に出力する。

挙動モデル構築部１０１は、信号データ及びＤＳＰ３２の通信設定のパラメータを用いて挙動モデルをトレーニングする。これにより、挙動モデルが構築される。

挙動モデルは、受信器３の挙動をトレーニングにより学習し、ＤＳＰ３２の通信設定のパラメータを入力とし、ＤＳＰ３２が処理した光信号ＳのＱ値を出力とする数学的なモデルの一例である。挙動モデルは、Ｑ値に対するＤＳＰ３２の通信設定の複数のパラメータが与える影響を解析するために用いられる。挙動モデル構築部１０１は、挙動モデルのトレーニングの結果として、挙動モデルを定義する各種の関数及び数値（以下、「トレーニング情報」と表記）を算出し、挙動モデル構築ＤＢ１３１に登録する。

図２は、挙動モデル構築部１０１の一例を示す構成図である。挙動モデル構築部１０１は、変動発生部４００と、ＤＳＰエミュレータ４０１と、モデルトレーニング部４０２と、ランダムパラメータ生成部４０３とを有する。

ランダムパラメータ生成部４０３は、生成部の一例であり、ＤＳＰ３２の通信設定の各パラメータを乱数により生成する。ランダムパラメータ生成部４０３は、パラメータをＤＳＰエミュレータ４０１及びモデルトレーニング部４０２に出力する。

ＤＳＰエミュレータ４０１は、ＤＳＰ３２の動作を模擬（エミュレーション）する機能を備える。ＤＳＰエミュレータ４０１は、変動発生部４００から入力された信号データをＤＳＰ３２と同様の機能により処理し、光信号ＳのＱ値をモデルトレーニング部４０２に出力する。Ｑ値は光信号Ｓの特性に関する指標値の一例であるが、指標値としては、Ｑ値に限定されず、光信号Ｓの受信側の推定誤り率（Bit error rate）や、受信限界ＯＳＮＲ（Optical Signal-to-Noise Ratio）までのマージン量などが用いられてもよい。

ＤＳＰエミュレータ４０１は、ランダムパラメータ生成部４０３から入力されたパラメータに基づいて信号データを処理し、処理の完了した信号データからＱ値を算出してモデルトレーニング部４０２に出力する。なお、ランダムパラメータ生成部４０３は、例えば一定の時間間隔でパラメータの数値をランダムに変化させる。

モデルトレーニング部４０２は、トレーニング部の一例であり、挙動モデルをトレーニングする。トレーニングには、出力データとしてのＱ値、入力データとしての通信設定のパラメータ及び信号データ、及び、Ｑ値を算出するための信号データが用いられる。

図３は、簡単化された挙動モデルのイメージを示す図である。挙動モデルは、例えば、符号Ｆで示される式「Ｑ値＝αＸ１＋βＸ２」により通信設定のパラメータＸ１，Ｘ２からＱ値を算出する。モデルトレーニング部４０２は、トレーニング情報として式Ｆの適切な係数α及びβを算出する。

再び図２を参照すると、モデルトレーニング部４０２は、トレーニングにより得たトレーニング情報を挙動モデル構築ＤＢ１３１に登録する。挙動モデルはトレーニング情報の蓄積により受信器３の挙動を学習する。

挙動モデルは、例えば、以下のような技術を用いて構築される。
・Support Vector Machine
・Logistic Regression
・Random Forest
・Principal Component Analysis
・ニューラルネットワーク（深層学習を用いないものを含む）
・深層ニューラルネットワーク

深層ニューラルネットワークとしては、例えば、全結合型深層ニューラルネットワーク、畳込み型深層ニューラルネットワーク、及び再帰型深層ニューラルネットワーク（LSTM（Long Short-Term Memory）ニューラルネットワークを含む）が挙げられる。これらの深層ニューラルネットワークには、スキップコネクション付きのもの、アテンション機構付きのもの、及びＤｒｏｐＯｕｔ利用推論機構付きのものを含む。

トレーニングには、光信号Ｓの信号データが用いられるが、光信号Ｓの特性は、送信器２や伝送路９などの種々の条件により決まるため、モデルトレーニング部４０２は、仮に、受信器３から取得された信号データをそのままトレーニングに用いた場合、挙動モデルを十分にトレーニングすることができない。より具体的には、受信器３から取得される信号データは、光信号Ｓの特性に偏りがあるものとなるため、挙動モデルは、所定の条件に限定された信号データが入力されたときは正確なＱ値を出力するが、その条件に該当しない信号データが入力されたときは不正確なＱ値を出力する。

偏りのある光信号Ｓの特性としては、例えば偏光状態及び光キャリア周波数が挙げられる。偏光状態及び光キャリア周波数は、通常、一定であるが、例えば偏光状態であれば、光ファイバの曲げ角の変化などの不確定な要素により急激な変化が生ずる。このような変化は、例えば１年に数回などの頻度で突発的に発生するが、この状況に、トレーニングが不十分な挙動モデルは対応できず、精度の低い解析しかできない。

そこで、変動発生部４００は、あえて信号データに突発的な変化を生じさせてモデルトレーニング部４０２に出力する。すなわち、変動発生部４００は、光信号Ｓの特性を変化させる。これにより、光信号Ｓの特性に関し、様々な条件に対応できる高精度な挙動モデルの構築が可能となる。以下に変動発生部４００の例を挙げる。

図４は、偏光状態を変化させる変動発生部４００の構成の一例を示す。変動発生部４００は、偏波回転発生器２００と、実数－複素数変換器２０１，２０２と、複素数－実数変換器２０３，２０４と、乗算器２０５ａ～２０５ｄと、加算器２０６，２０７とを有する。なお、変動発生部４００は、ソフトウェアにより構成されるが、ＦＰＧＡやＡＳＩＣなどの回路により構成されてもよい。

光信号Ｓの信号データには、例えば、Ｘ偏波の実数成分ｘＩ及び虚数成分ｘＱと、Ｙ偏波の実数成分ｙＩ及び虚数成分ｙＱとが含まれる。Ｘ偏波の実数成分ｘＩ及び虚数成分ｘＱは実数－複素数変換器２０１に入力され、Ｙ偏波の実数成分ｙＩ及び虚数成分ｙＱは実数－複素数変換器２０２に入力される。実数－複素数変換器２０１は実数成分ｘＩ及び虚数成分ｘＱを複素数の電界信号Ｅｘに変換し，実数－複素数変換器２０２は実数成分ｙＩ及び虚数成分ｙＱを複素数の電界信号Ｅｙに変換する。

電界信号Ｅｘは乗算器２０５ａ，２０５ｃに入力され、電界信号Ｅｙは乗算器２０５ｂ，２０５ｄに入力される。偏波回転発生器２００は、偏波を回転させるための演算パラメータａ１１，ａ１２，ａ２１，ａ２２を乗算器２０５ａ～２０５ｄにそれぞれ出力する。

ａ１１＝ｃｏｓωｔ ・・・（１）
ａ１２＝－ｓｉｎωｔ ・・・（２）
ａ２１＝ｓｉｎωｔ ・・・（３）
ａ２２＝ｃｏｓωｔ ・・・（４）

演算パラメータａ１１，ａ１２，ａ２１，ａ２２は、偏波回転を演算する行列の要素であり、上記の式（１）～（４）で表される。式（１）～（４）において、変数ωは偏波の回転速度であり、変数ｔは時間である。

乗算器２０５ａは、電界信号Ｅｘと演算パラメータａ１１を乗算して、その乗算で得た値を加算器２０６に出力する。乗算器２０５ｂは、電界信号Ｅｙと演算パラメータａ１２を乗算して、その乗算で得た値を加算器２０６に出力する。加算器２０６は、各乗算器２０５ａ，２０５ｂからの値同士を加算することにより電界信号Ｅｘ’を得て、複素数－実数変換器２０３に出力する。

乗算器２０５ｃは、電界信号Ｅｘと演算パラメータａ２１を乗算して、その乗算で得た値を加算器２０７に出力する。乗算器２０５ｄは、電界信号Ｅｙと演算パラメータａ２２を乗算して、その乗算で得た値を加算器２０７に出力する。加算器２０７は、各乗算器２０５ｃ，２０５ｄからの値同士を加算することにより電界信号Ｅｙ’を得て、複素数－実数変換器２０４に出力する。

これにより、偏波回転後の電界信号Ｅｘ’，Ｅｙ’は、符号Ｗで示されるように、電界信号Ｅｘ，Ｅｙを要素とする２行×１例の行列を、演算パラメータａ１１，ａ１２，ａ２１，ａ２２を要素とする２行×２例の行列に乗じた行列の要素となる。

複素数－実数変換器２０３は、電界信号Ｅｘ’をＸ偏波の実数成分ｘＩ’及び虚数成分ｘＱ’に変換し、複素数－実数変換器２０４は、電界信号Ｅｙ’をＹ偏波の実数成分ｙＩ’及び虚数成分ｙＱ’に変換する。

このようにして、変動発生部４００は光信号Ｓの偏波を回転させる。このため、挙動モデルは、光信号Ｓの偏波が回転したときでも、正確なＱ値を出力することができる。

図５は、光キャリア周波数の変化による周波数オフセットを変化させる変動発生部４００の構成の一例を示す図である。変動発生部４００は、乗算器３００～３０４と、加算器３０５，３０６と、正弦演算器３０７と、余弦演算器３０８と、ランダム周波数発生器３０９ａと、時刻生成器３０９ｂとを有する。なお、変動発生部４００は、ソフトウェアにより構成されるが、ＦＰＧＡやＡＳＩＣなどの回路により構成されてもよい。

光信号Ｓの信号データには、電解信号Ｅｉｎの実数成分（Ｉ成分）及び虚数成分（Ｑ成分）が含まれる。Ｉ成分は乗算器３０２，３０４に入力され、Ｑ成分は乗算器３０１，３０３に入力される。

また、ランダム周波数発生器３０９ａは、乱数の周波数ｆを発生させ、乗算器３００に出力する。時刻生成器３０９ｂは、刻み幅ΔＴごとに変化する時刻ｔ（＝ΔＴ，２×ΔＴ，３×ΔＴ，・・・）に定数２πを乗じた値２πｔを乗算器３００に出力する。乗算器３００は、周波数ｆと値２πｔの乗算値２πｆｔを正弦演算器３０７及び余弦演算器３０８に出力する。正弦演算器３０７は、入力値からｓｉｎ２πｆｔを演算して乗算器３０１，３０４に出力する。余弦演算器３０８は、入力値からｃｏｓ２πｆｔを演算して乗算器３０２，３０３に出力する。

乗算器３０１は、ｓｉｎ２πｆｔとＱ成分を乗算して加算器３０５に出力する。乗算器３０２は、ｃｏｓ２πｆｔとＩ成分を乗算して加算器３０５に出力する。加算器３０５は、乗算器３０２の乗算値から乗算器３０１の乗算値を減算して、周波数変動させた電解信号ＥｏｕｔのＩ成分として出力する。

乗算器３０４は、ｓｉｎ２πｆｔとＩ成分を乗算して加算器３０６に出力する。乗算器３０３は、ｃｏｓ２πｆｔとＱ成分を乗算して加算器３０６に出力する。加算器３０６は、乗算器３０４の乗算値と乗算器３０３の乗算値を加算して、電解信号ＥｏｕｔのＱ成分として出力する。

Ｅｏｕｔ＝Ｅｉｎ×ｅｘｐ（２πｆｔ） ・・・（５）

これにより、周波数変動させたデータ信号の電解信号Ｅｏｕｔは上記の式（５）から得られる。このように、変動発生部４００は、周波数の一例として、光信号Ｓの光キャリア周波数を変動させる。このため、挙動モデルは、光信号Ｓの光キャリア周波数が変動したときでも、正確なＱ値を出力することができる。なお、変動発生部４００は、偏波回転及び周波数変動以外でも、偏波依存損失（PDL: Polarization Dependent Loss）、周波数フィルタリング、偏波モード分散（PMD: Polarization Mode Dispersion）、相互位相変調（XPM: Cross Phase Modulation）、及び自己位相変調（SPM: Self Phase Modulation）などを発生させてもよい。

このように、挙動モデル構築部１０１は、挙動モデルをトレーニングすることにより受信器３の挙動を挙動モデルに学習させ、Ｑ値に対してＤＳＰ３２の通信設定のパラメータが与える影響を高精度に解析できる挙動モデルを構築する。

図６は、トレーニングの完了前後の挙動モデルのＱ値の推定値を示す図である。符号Ｇ１はトレーニング前の推定値のグラフを示し、符号Ｇ２はトレーニング後の推定値のグラフを示す。グラフＧ１，Ｇ２において、横軸はＱ値の真値（期待値）を示し、縦軸は推定値を示す。

グラフＧ１，Ｇ２を比較すると理解されるように、トレーニングが完了した挙動モデルは、実質的に真値に一致する推定値を出力する。このため、挙動モデルの解析の精度は、トレーニングにより向上する。

再び図１を参照すると、挙動モデル構築部１０１は、挙動モデルのトレーニングが完了すると、キーパラメータ抽出部にその旨を通知する。なお、トレーニングの完了は、例えば挙動モデル構築ＤＢ１３１の登録されたトレーニング情報の収束度を数学的に解析し、収束度が所定値に達したか否かにより判定される。キーパラメータ抽出部１０２は、挙動モデル構築部１０１からの通知に応じて動作を開始する。

キーパラメータ抽出部１０２は、抽出部の一例であり、トレーニングが完了した挙動モデルを用いて、ＤＳＰ３２の通信設定のパラメータから、Ｑ値に対する影響の度合いが所定値以上である１以上のパラメータを抽出する。例えば、キーパラメータ抽出部１０２は、挙動モデル構築ＤＢ１３１のトレーニング情報を検索することにより、パラメータごとの重要度（以下「パラメータ重要度」と表記）を、Ｑ値に対する影響の度合いとして算出する。パラメータ重要度は、例えば、図３に示されたパラメータＸ１,Ｘ２にそれぞれ対応する係数α，βの大きさにより判定される。

キーパラメータ抽出部１０２は、パラメータ重要度を各パラメータの識別番号（パラメータ番号）に対応付けてパラメータ重要度ＤＢ１３２に登録する。また、キーパラメータ抽出部１０２は、パラメータ重要度ＤＢ１３２に登録されたパラメータ重要度からキーパラメータを抽出して、そのパラメータ番号をキーパラメータＤＢ１３３に登録する。

図７は、パラメータ重要度の一例を示す図である。図７において、横軸は、パラメータ番号「１」～「５」を示し、縦軸は、パラメータ重要度を示す。キーパラメータ抽出部１０２は、一例として、キーパラメータの条件としてパラメータ重要度の閾値ＴＨを０．３に設定する。この場合、キーパラメータ抽出部１０２は、パラメータ重要度が０．３以上であるパラメータ番号「２」及び「４」のパラメータをキーパラメータとして抽出する。

再び図１を参照すると、キーパラメータ抽出部１０２は、キーパラメータの抽出が完了すると、その旨を挙動解析部１０３及び出力処理部１０４に通知する。出力処理部１０４は、その通知に応じてキーパラメータＤＢ１３３にアクセスし、キーパラメータを出力装置１６に出力する。出力装置１６は、例えばキーパラメータを画面に表示する。このため、通信設定の担当者は、デジタルコヒーレント光伝送方式に関して知識及び経験が不十分であっても、重要性の高いパラメータを特定することができる。

また、挙動解析部１０３は、キーパラメータ抽出部１０２からの通知に応じて動作を開始する。挙動解析部１０３は、キーパラメータＤＢ１３３にアクセスしてキーパラメータを取得する。挙動解析部１０３は、信号データ取得部１００から入力される信号データを用いて、キーパラメータが変化したときのＱ値の変化量を解析する。挙動解析部１０３は、解析結果を挙動解析結果ＤＢ１３４に登録し、さらに出力処理部１０４に出力する。出力処理部１０４は、解析結果を出力装置１６に出力し、出力装置１６は、例えば画面に解析結果を表示する。

図８は、挙動解析部１０３の一例を示す構成図である。挙動解析部１０３は、変動発生部５００と、ＤＳＰエミュレータ５０１と、キーパラメータスイープ部５０２とを有する。変動発生部５００は、挙動モデル構築部１０１の変動発生部４００と同一の機能を有する。また、ＤＳＰエミュレータ５０１は、挙動モデル構築部１０１のＤＳＰエミュレータ４０１と同一の機能を有する。なお、変動発生部４００，５００及びＤＳＰエミュレータ４０１，５０１は、それぞれ、共通の機能ブロックとして構成されてもよい。

キーパラメータスイープ部５０２は、キーパラメータを変化させてＤＳＰエミュレータ５０１に設定する。また、ＤＳＰエミュレータ５０１には、ＤＳＰ３２に設定されている現状のパラメータが設定される。ＤＳＰエミュレータ５０１は、キーパラメータの変化に応じたＱ値の変化量を出力する。

図９は、キーパラメータの変化に対するＱ値の変化の一例を示す図である。図９において、横軸はキーパラメータを示し、縦軸はＱ値を示す。Ｑ値は、一例として、キーパラメータの変化に対して放物線を描くように変化する。この解析結果から、Ｑ値がピークに近くなる値にキーパラメータを設定すればよいことがわかる。

このように、挙動解析部１０３は、抽出されたキーパラメータを変化させることにより、キーパラメータの変化に応じたＱ値の変化を解析する。このため、通信設定の担当者は、デジタルコヒーレント光伝送方式に関して知識及び経験が不十分であっても、Ｑ値に対しキーパラメータが与える影響を知ることができる。

図１０は、パラメータ解析装置１の処理を示すフローチャートである。信号データ取得部１００は、受信器３から信号データを取得する（ステップＳｔ１）。次に、変動発生部４００は、トレーニングに用いられる信号データの特性を変動させる（ステップＳｔ２）。

ランダムパラメータ生成部４０３は、トレーニングに用いられるパラメータを生成する（ステップＳｔ３）。生成されたパラメータはＤＳＰエミュレータ４０１に設定される。

次に、ＤＳＰエミュレータ４０１は、ＤＳＰ３２のエミュレーション処理を実行する（ステップＳｔ４）。ＤＳＰエミュレータ４０１は、信号データからＱ値を算出する。

次に、モデルトレーニング部４０２は、挙動モデルのトレーニングを行う（ステップＳｔ５）。次に、モデルトレーニング部４０２は、トレーニングが完了したか否かを判定する（ステップＳｔ６）。トレーニングが未完了である場合（ステップＳｔ６のＮｏ）、再びステップＳｔ１以降の各処理が実行される。

また、トレーニングが完了した場合（ステップＳｔ６のＹｅｓ）、キーパラメータ抽出部１０２は、トレーニングが完了した挙動モデルを用いて、ＤＳＰ３２の通信設定の複数のパラメータから１以上のキーパラメータを抽出する（ステップＳｔ７）。

次に、挙動解析部１０３は、キーパラメータを変化させることにより、キーパラメータの変化に応じたＱ値の変化を解析する（ステップＳｔ８）。次に、出力処理部１０４は、キーパラメータと解析結果を出力装置１６に出力する（ステップＳｔ９）。オペレータまたは設定装置は、出力装置１６に出力された解析結果に基づいてキーパラメータをＤＳＰ３２に設定する。このため、通信設定の担当者は、デジタルコヒーレント光伝送方式に関して知識及び経験が不十分であっても、ＤＳＰ３２に適切なキーパラメータを設定することができる。このようにして、パラメータ解析装置１の処理は実行される。

また、モデルトレーニング部４０２は、ＤＳＰエミュレータ４０１が信号データから算出したＱ値に応じて信号データの信頼性の重み付けを行い、重み付けの結果に基づきトレーニングを制御してもよい。

図１１は、挙動モデル構築部１０１の他の例を示す構成図である。図１１において、図２と共通する構成には同一の符号を付し、その説明は省略する。

本例において、挙動モデル構築部１０１には、データ信頼度決定部４０４が追加されている。ＤＳＰエミュレータ４０１は、信号データからＱ値を算出してデータ信頼度決定部４０４に出力する。データ信頼度決定部４０４は、重み付け処理部の一例であり、Ｑ値を信号データの信頼度とみなして、信号データに重み付けを行い、その結果をモデルトレーニング部４０２に通知する。

モデルトレーニング部４０２は、重み付けの結果に基づきトレーニングを制御する。このため、モデルトレーニング部４０２は、トレーニングの効率を向上することができる。

また、モデルトレーニング部４０２は、光信号Ｓの信号データと、受信器３のＤＳＰ３２に設定される各パラメータを用いて挙動モデルをトレーニングするが、さらに送信器２に設定される送信側パラメータを用いてトレーニングを行ってもよい。

図１２は、挙動モデル構築部１０１の他の例を示す構成図である。図１１において、図２と共通する構成には同一の符号を付し、その説明は省略する。

挙動モデル構築部１０１は、変動発生部４００と、ＤＳＰエミュレータ４０１ａと、モデルトレーニング部４０２ａと、ランダムパラメータ生成部４０３とを有する。ＤＳＰエミュレータ４０１ａ及びモデルトレーニング部４０２ａには、ランダムパラメータ生成部４０３が生成したＤＳＰ３２の各パラメータと信号データだけでなく、送信器２に設定される送信側パラメータも入力される。

パラメータ解析装置１は、例えば管理用ネットワークなどを介して送信器２から送信側パラメータを取得する。送信側パラメータとしては、例えば、送信器２のＤＳＰ（不図示）が行う光信号Ｓの予等化処理で用いられるフィルタ数及びフィルタの次数などが挙げられる。

ＤＳＰエミュレータ４０１ａは、信号データと、ＤＳＰ３２の各パラメータと、送信器２の送信側パラメータとから送信器２及び受信器３間の光信号Ｓの伝送処理をエミュレーションして、その結果から受信器３側のＱ値を算出する。モデルトレーニング部４０２ａは、信号データ、ＤＳＰ３２の各パラメータと、送信側パラメータとを用いて挙動モデルをトレーニングする。このとき、モデルトレーニング部４０２ａは、送信側パラメータ及びＤＳＰ３２の各パラメータを挙動モデルの入力とし、Ｑ値を挙動モデルの出力とする。

このように、パラメータ解析装置１は、挙動モデルのトレーニングに送信側パラメータを用いることにより、送信器２における伝送処理の各種の条件を考慮して高精度な挙動モデルを構築することができる。

次に、ＤＳＰ３２のパラメータとして、位相再生処理の平均化長と不完全性の補償処理のフィルタ長を例に挙げて、送信器２、受信器３、及びパラメータ解析装置１の全体的な動作の手順を説明する。

（位相再生処理の平均化長）
例えば、伝送路９が、分散係数の大きいＳＭＦ（Single Mode Fiber）などである場合、その非線形性による位相雑音が光信号Ｓに与える影響は小さい。しかし、伝送路９が、分散係数の小さいＮＺ－ＤＳＦ（Non-Zero Dispersion Fiber）などである場合、その非線形性による位相雑音が光信号Ｓに与える影響は大きい。

このような場合、ＤＳＰ３２に設定される位相再生処理の平均化長は短いほど、Ｑ値が大きくなる傾向があるが、Ｑ値は、受信器３におけるＯＳＮＲにも影響されるため、十分な知識及び経験がなければ平均化長をＤＳＰ３２に設定することは難しい。しかし、パラメータ解析装置１によれば、以下の動作により平均化長を容易に設定することが可能となる。

図１３は、ＤＳＰ３２に平均化長を設定する動作の手順の一例を示すフローチャートである。送信器２は光信号Ｓを送信する（ステップＳｔ１１）。光信号Ｓは伝送路９を伝送する（ステップＳｔ１２）。受信器３は光信号Ｓを受信する（ステップＳｔ１３）。

次に、受信器３は、フロントエンド３０及びＡＤＣ３１により光信号Ｓの信号データをパラメータ解析装置１に出力する（ステップＳｔ１４）。次に、パラメータ解析装置１は、信号データを用いてモデルトレーニング部４０２，４０２ａにより挙動モデルをトレーニングする（ステップＳｔ１５）。

次に、パラメータ解析装置１は、トレーニングが完了した挙動モデルを用いて、キーパラメータ抽出部１０２により平均化長をキーパラメータとして抽出する（ステップＳｔ１６）。次に、パラメータ解析装置１は、挙動解析部１０３により平均化長の変化に対するＱ値の変化量を解析する（ステップＳｔ１７）。

次に、パラメータ解析装置１は、その解析結果として、例えば図９に示されるようなグラフを出力装置１６の画面に出力する（ステップＳｔ１８）。次に、通信設定の担当者は、画面に出力された解析結果に基づき、ＤＳＰ３２に設定する平均化長を変更する（ステップＳｔ１９）。

このため、担当者は、光ファイバに関する知識及び経験が不十分であっても、解析結果を見れば、伝送路９が光信号Ｓに与える位相雑音の影響の大きさを把握し、ＯＳＮＲを確認する必要もなく、Ｑ値が改善するように平均化長を設定することができる。

（不完全性の補償処理のフィルタ長）
例えば、送信器２及び受信器３が、６４ＱＡＭや１２８ＱＡＭなどの多値度の高い多値変調方式により光信号Ｓの送受信処理を行う場合、受信器３における光信号ＳのＱ値は、送信器２及び受信器３内の光学系部品やアナログ系電気部品の不完全性に応じて変化する。このため、送信器２のＤＳＰ（不図示）と受信器３のＤＳＰ３２は、フィルタなどを用いて不完全性の補償処理を行う。

不完全性の補償量は、フィルタ長を長く設定することにより増加するが、フィルタ長が長くなるほど、送信器２のＤＳＰと受信器３のＤＳＰ３２の消費電力は増加するため、十分な知識及び経験がなければフィルタ長を設定することは難しい。しかし、パラメータ解析装置１によれば、以下の動作によりフィルタ長を容易に設定することが可能となる。

図１４は、ＤＳＰ３２にフィルタ長を設定する動作の手順の一例を示すフローチャートである。図１４において、図１３と共通する手順については同一の符号を付し、その説明は省略する。

パラメータ解析装置１は、トレーニングが完了した挙動モデルを用いて、キーパラメータ抽出部１０２によりフィルタ長をキーパラメータとして抽出する（ステップＳｔ１６ａ）。次に、パラメータ解析装置１は、挙動解析部１０３によりフィルタ長の変化に対するＱ値の変化量を解析する（ステップＳｔ１７ａ）。

次に、パラメータ解析装置１は、その解析結果として、例えば図９に示されるようなグラフを出力装置１６の画面に出力する（ステップＳｔ１８ａ）。次に、通信設定の担当者は、画面に出力された解析結果に基づき、ＤＳＰ３２に設定するフィルタ長を変更する（ステップＳｔ１９ａ）。

このため、担当者は、不完全性の補償処理に関する知識及び経験が不十分であっても、解析結果を見れば、フィルタ長に応じた消費電力が許容される範囲内において、Ｑ値が改善するようにフィルタ長を設定することができる。

（モデルのトレーニング方法）
次に、上述したパラメータ解析方法に用いられるモデルのトレーニング方法について述べる。このトレーニング方法は、図２に示された挙動モデル構築部１０１の構成により実行される。

図１５は、挙動モデルのトレーニング方法の一例を示す図である。図１５において、図２と共通する構成には同一の符号を付し、その説明は省略する。

変動発生部４００は、挙動モデルのトレーニングに用いられる信号データの特性を変動させる。モデルトレーニング部４０２は、変動発生部４００により特性が変動した信号データが入力され、その信号データを用いて挙動モデルをトレーニングする。挙動モデルは、上述したように、Ｑ値を出力するため、モデルトレーニング部４０２は、Ｑ値を含むトレーニング情報を出力する。

本例のトレーニング方法によると、トレーニングに用いられる光信号の特性が変動するため、パラメータ解析方法と同様に、高精度な挙動モデルを構築することができる。

上記の実施例において、モデルトレーニング部４０２は、ＤＳＰエミュレータ４０１が算出したＱ値を教師データ（教師ラベル）として挙動モデルのトレーニングを行うが、教師データは、これに限定されず、例えば外部測定装置が測定した各種の測定値とすることもできる。

図１６は、外部測定器８を用いる場合の挙動モデルのトレーニング方法の一例を示す図である。本例では、モデルトレーニング部４０２に代えて、外部測定器８から教師データとして測定値を取得するモデルトレーニング部４０２ｂが用いられる。

外部測定器８は、例えば管理用ネットワークを介してモデルトレーニング部４０２ｂに測定値を出力する。外部測定器８の測定値としては、例えば、光スペクトラムアナライザが検出したＯＳＮＲ、設定データベースの読み出しによる変調形式、及び波長分散量測定器が測定した波長分散量などが挙げられる。

本例においても、変動発生部４００は、光信号の特性を変動させた場合の信号データをモデルトレーニング部４０２ｂに出力するため、上記の実施例と同様に高精度な挙動モデルを構築することができる。

なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。

上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形して実施可能である。

なお、以上の説明に関して更に以下の付記を開示する。
（付記１） 光信号の特性に関する指標値を出力するモデルをトレーニングする工程と、
前記モデルのトレーニングに用いられる前記光信号の特性を変動させる工程とを、コンピュータまたは電子回路が実行することを特徴とするモデルのトレーニング方法。
（付記２） 前記特性を変動させる工程には、前記光信号の偏波を回転させることが含まれることを特徴とする付記１に記載のモデルのトレーニング方法。
（付記３） 前記特性を変動させる工程には、前記光信号の周波数を変化させることが含まれることを特徴とする付記１または２に記載のモデルのトレーニング方法。
（付記４） 付記１乃至３の何れかに記載のモデルのトレーニング方法を用いるパラメータ解析方法であって、
信号処理装置が前記光信号を処理することにより算出する前記指標値を出力として、前記信号処理装置に設定される複数のパラメータが前記指標値に与える影響を解析するためのモデルをトレーニングする工程と、
前記モデルのトレーニングに用いられる前記複数のパラメータを生成する工程とを、前記コンピュータまたは前記電子回路が実行することを特徴とするパラメータ解析方法。
（付記５） トレーニングが完了した前記モデルを用いて、前記複数のパラメータから前記影響の度合いが所定値以上である１以上のパラメータを抽出する工程を、さらに前記コンピュータまたは前記電子回路が実行することを特徴とする付記４に記載のパラメータ解析方法。
（付記６） 抽出された前記１以上のパラメータを変化させることにより、前記１以上のパラメータの変化に応じた前記指標値の変化を解析する工程を、さらに前記コンピュータまたは前記電子回路が実行することを特徴とする付記４または５に記載のパラメータ解析方法。
（付記７） 前記特性が変動する前記光信号から前記指標値を算出する工程と、
前記指標値に応じて前記光信号に重み付けを行う工程とを、さらに前記コンピュータまたは前記電子回路が実行し、
前記モデルをトレーニングする工程には、前記重み付けの結果に基づき前記モデルのトレーニングを制御することが含まれることを特徴とする付記４乃至６の何れかに記載のパラメータ解析方法。
（付記８） 前記モデルをトレーニングする工程には、前記光信号と、前記複数のパラメータと、前記信号処理装置に前記光信号を送信する送信装置に設定される送信側パラメータとを用いて前記モデルをトレーニングすることが含まれることを特徴とする付記４乃至７の何れかに記載のパラメータ解析方法。
（付記９） 信号処理装置が処理した光信号の特性に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングし、
前記モデルのトレーニングに用いられる前記複数のパラメータを生成し、
前記モデルのトレーニングに用いられる前記光信号の特性を変動させる、処理を、コンピュータに実行させることを特徴とするパラメータ解析プログラム。
（付記１０） 前記特性を変動させる処理には、前記光信号の偏波を回転させることが含まれることを特徴とする付記９に記載のパラメータ解析プログラム。
（付記１１） 前記特性を変動させる処理には、前記光信号の周波数を変化させることが含まれることを特徴とする付記９または１０に記載のパラメータ解析プログラム。
（付記１２） トレーニングが完了した前記モデルを用いて、前記複数のパラメータから前記影響の度合いが所定値以上である１以上のパラメータを抽出する処理を、さらに前記コンピュータに実行させることを特徴とする付記９乃至１１の何れかに記載のパラメータ解析プログラム。
（付記１３） 抽出された前記１以上のパラメータを変化させることにより、前記１以上のパラメータの変化に応じた前記指標値の変化を解析する処理を、さらに前記コンピュータに実行させることを特徴とする付記９乃至１２の何れかに記載のパラメータ解析プログラム。
（付記１４） 信号処理装置が処理した光信号の品質に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングするトレーニング部と、
前記モデルのトレーニングに用いられる前記複数のパラメータを生成する生成部と、
前記モデルのトレーニングに用いられる前記光信号の特性を変動させる変動発生部とを有することを特徴とするパラメータ解析装置。
（付記１５） 前記変動発生部は、前記光信号の偏波を回転させることを特徴とする付記１４に記載のパラメータ解析装置。
（付記１６） 前記変動発生部は、前記光信号の周波数を変化させることを特徴とする付記１４または１５に記載のパラメータ解析装置。
（付記１７） トレーニングが完了した前記モデルを用いて、前記複数のパラメータから前記影響の度合いが所定値以上である１以上のパラメータを抽出する抽出部を有することを特徴とする付記１４乃至１６の何れかに記載のパラメータ解析装置。
（付記１８） 抽出された前記１以上のパラメータを変化させることにより、前記１以上のパラメータの変化に応じた前記指標値の変化を解析する解析部を有することを特徴とする付記１７に記載のパラメータ解析装置。
（付記１９） 前記特性が変動する前記光信号から前記指標値を算出する算出部と、
前記指標値に応じて前記光信号に重み付けを行う重み付け処理部とを有し、
前記トレーニング部は、前記重み付けの結果に基づき前記モデルのトレーニングを制御することを特徴とする付記１４乃至１８の何れかに記載のパラメータ解析装置。
（付記２０） 前記トレーニング部は、前記光信号と、前記複数のパラメータと、前記信号処理装置に前記光信号を送信する送信装置に設定される送信側パラメータとを用いて前記モデルをトレーニングすることを特徴とする付記１４乃至１９の何れかに記載のパラメータ解析装置。

１ パラメータ解析装置
３ 受信器
１０ ＣＰＵ
３２ ＤＳＰ
１０１ 挙動モデル構築部
１０２ キーパラメータ抽出部
４００，５００ 変動発生部
４０１，５０１，４０１ａ，５０１ａ ＤＳＰエミュレータ
４０２，４０２ａ モデルトレーニング部
４０３ ランダムパラメータ生成部

Claims (9)

1. 光信号の特性に関する指標値を出力するモデルであって、信号処理装置が前記光信号を処理することにより算出する前記指標値を出力として、前記信号処理装置に設定される複数のパラメータが前記指標値に与える影響を解析するためのモデルをトレーニングする工程と、
   前記モデルのトレーニングに用いられる前記光信号の特性を変動させる工程と、
   前記モデルのトレーニングに用いられる前記複数のパラメータを生成する工程とを、コンピュータまたは電子回路が実行することを特徴とするパラメータ解析方法。
2. 前記特性を変動させる工程には、前記光信号の偏波を回転させることが含まれることを特徴とする請求項１に記載のパラメータ解析方法。
3. 前記特性を変動させる工程には、前記光信号の周波数を変化させることが含まれることを特徴とする請求項１または２に記載のパラメータ解析方法。
4. トレーニングが完了した前記モデルを用いて、前記複数のパラメータから前記影響の度合いが所定値以上である１以上のパラメータを抽出する工程を、さらに前記コンピュータまたは前記電子回路が実行することを特徴とする請求項１乃至３の何れかに記載のパラメータ解析方法。
5. 抽出された前記１以上のパラメータを変化させることにより、前記１以上のパラメータの変化に応じた前記指標値の変化を解析する工程を、さらに前記コンピュータまたは前記電子回路が実行することを特徴とする請求項４に記載のパラメータ解析方法。
6. 前記特性が変動する前記光信号から前記指標値を算出する工程と、
   前記指標値に応じて前記光信号に重み付けを行う工程とを、さらに前記コンピュータまたは前記電子回路が実行し、
   前記モデルをトレーニングする工程には、前記重み付けの結果に基づき前記モデルのトレーニングを制御することが含まれることを特徴とする請求項１乃至５の何れかに記載のパラメータ解析方法。
7. 前記モデルをトレーニングする工程には、前記光信号と、前記複数のパラメータと、前記信号処理装置に前記光信号を送信する送信装置に設定される送信側パラメータとを用いて前記モデルをトレーニングすることが含まれることを特徴とする請求項１乃至６の何れかに記載のパラメータ解析方法。
8. 信号処理装置が処理した光信号の品質に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングし、
   前記モデルのトレーニングに用いられる前記複数のパラメータを生成し、
   前記モデルのトレーニングに用いられる前記光信号の特性を変動させる、処理を、コンピュータに実行させることを特徴とするパラメータ解析プログラム。
9. 信号処理装置が処理した光信号の品質に関する指標値に対し、前記信号処理装置に設定される複数のパラメータが与える影響を解析するためのモデルをトレーニングするトレーニング部と、
   前記モデルのトレーニングに用いられる前記複数のパラメータを生成する生成部と、
   前記モデルのトレーニングに用いられる前記光信号の特性を変動させる変動発生部とを有することを特徴とするパラメータ解析装置。
   

Images