WO2023242904A1 - 異常区間推定方法、異常区間推定システム及び異常区間推定装置 - Google Patents

異常区間推定方法、異常区間推定システム及び異常区間推定装置 Download PDF

Info

Publication number
WO2023242904A1
WO2023242904A1 PCT/JP2022/023626 JP2022023626W WO2023242904A1 WO 2023242904 A1 WO2023242904 A1 WO 2023242904A1 JP 2022023626 W JP2022023626 W JP 2022023626W WO 2023242904 A1 WO2023242904 A1 WO 2023242904A1
Authority
WO
WIPO (PCT)
Prior art keywords
section
abnormality
optical
estimation
learning
Prior art date
Application number
PCT/JP2022/023626
Other languages
English (en)
French (fr)
Inventor
貴章 田中
伸悟 河合
哲郎 乾
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/023626 priority Critical patent/WO2023242904A1/ja
Publication of WO2023242904A1 publication Critical patent/WO2023242904A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for

Definitions

  • the present invention relates to an abnormal section estimation method, an abnormal section estimation system, and an abnormal section estimation device.
  • an OTDR Optical Time Domain Reflectometer
  • OTDR Optical Time Domain Reflectometer
  • OTDR can estimate the point where a fiber abnormality has occurred with high accuracy, it requires the use of a dedicated measuring device, which poses a problem in that it is not economical in actual operation.
  • Non-Patent Document 1 a technology has been proposed in which digital coherent optical communication signals are added to data communication and used to evaluate signal quality (for example, see Non-Patent Document 1).
  • it is determined whether or not bending of an optical fiber has occurred in an optical transmission path by learning the shape of a signal received by a digital coherent optical receiver using machine learning. .
  • machine learning parameters input to machine learning are arbitrary, but in Non-Patent Document 1, signal points on a complex plane of an optical signal before digital signal processing are used as input parameters.
  • this method can estimate whether an abnormality such as optical fiber bending has occurred, it cannot estimate the position where the abnormality has occurred.
  • Non-Patent Document 2 the profile of optical power in the distance direction of an optical transmission path is estimated using information used for decoding in digital signal processing performed in an optical receiver. This method can estimate the position of optical power attenuation that occurs in an optical transmission line without using special equipment.
  • Non-Patent Document 2 in order to estimate the position where an abnormality has occurred in the optical transmission line, a method using dedicated equipment and a method using digital signal processing technology are proposed. However, both require the use of expensive equipment or signal processing circuits. On the other hand, although the method using machine learning described above does not require the use of specialized equipment, when attempting to estimate an anomaly in a signal that includes the location of the anomaly, the estimation accuracy deteriorates as the number of labels to be estimated increases. It will happen.
  • the present invention aims to provide a technique that can highly accurately estimate the section in which an abnormality has occurred while suppressing the calculation load.
  • One aspect of the present invention is a method for estimating an abnormal section in a system in which an optical transmitter and an optical receiver are connected by an optical transmission line, wherein the optical transmission line extends from the optical transmitter to the optical receiver.
  • the signal data on the complex plane of the optical signal expressed in phase and amplitude is transmitted to the one or more monitoring points.
  • the abnormality section estimation method acquires the abnormality estimation result by inputting the signal data, and estimates the section in which the abnormality has occurred based on the obtained abnormality estimation result.
  • One aspect of the present invention provides an optical transmitter that transmits an optical signal, an optical receiver that receives the optical signal transmitted from the optical transmitter, and an optical receiver that connects the optical transmitter and the optical receiver.
  • An optical transmission path that is divided into a plurality of sections at one or more monitoring points from an optical transmitter to the optical receiver, and an optical signal expressed in phase and amplitude based on the optical signal transmitted from the optical transmitter.
  • one or more optical signal monitors that extract signal data on a complex plane of the optical signal at the one or more monitoring points; and outputting an abnormality estimation result for at least one of the plurality of sections using the signal data as input.
  • An abnormality occurs based on the abnormality estimation result obtained by inputting the signal data at the one or more monitoring points extracted by the optical signal monitor to the trained model that has been trained to
  • An abnormal section estimation system includes: an abnormal section estimating section that estimates a section where the abnormal section is present.
  • One aspect of the present invention is an abnormal section estimating device included in a system in which an optical transmitter and an optical receiver are connected by an optical transmission line, wherein the optical transmission line extends from the optical transmitter to the optical receiver.
  • the signal data on the complex plane of the optical signal which is divided into a plurality of sections at one or more monitoring points, and is expressed by the phase and amplitude obtained based on the optical signal transmitted from the optical transmitter, is input to the optical signal.
  • the abnormality area estimating device includes an abnormality area estimation unit that estimates an area in which an abnormality has occurred based on the abnormality estimation result obtained by inputting the signal data obtained by inputting the signal data.
  • FIG. 1 is a diagram illustrating a configuration example of an abnormal section estimation system in a first embodiment.
  • FIG. 3 is a diagram illustrating a configuration example of an optical signal monitor in the first embodiment.
  • FIG. 3 is a diagram illustrating a configuration example of an optical receiver in the first embodiment. It is a diagram showing an example of the configuration of a learning device in the first embodiment.
  • FIG. 3 is a diagram for explaining processing of the learning device in the first embodiment.
  • FIG. 3 is a diagram for explaining an abnormal section estimation method performed by the abnormal section estimating device in the first embodiment. It is a figure for explaining the 3rd estimation method performed by the abnormal section estimating part in a 1st embodiment.
  • FIG. 2 is a sequence diagram showing the flow of processing of the abnormal section estimation system in the first embodiment. It is a figure showing an example of composition of an abnormal section estimation system in a 2nd embodiment.
  • FIG. 7 is a diagram for explaining a learning method of a machine learning model in a third embodiment. It is a figure showing an example of composition of an abnormal section estimation system in a 3rd embodiment. It is a figure which shows the example of a structure of the abnormal area estimation system in 4th Embodiment.
  • FIG. 1 is a diagram showing a configuration example of an abnormal section estimation system 100 in the first embodiment.
  • the abnormal section estimation system 100 is a system for estimating a section in which an abnormality has occurred in an optical transmission line. Abnormalities in the optical transmission line include attenuation of optical power due to bending of the optical transmission line, etc., and decrease in optical signal-to-noise ratio (OSNR) due to malfunction of the optical amplifier.
  • OSNR optical signal-to-noise ratio
  • the abnormal section estimation system 100 includes an optical transmitter 10, an optical receiver 20, one or more combiners/branchers 30, a plurality of optical signal monitors 40, and an abnormal section estimation device 50. Any number of combiner/branchers 30 may be provided as long as it is one or more, and any number of optical signal monitors 40 may be provided as long as it is two or more.
  • FIG. 1 shows a configuration in which two combiner/branchers 30 (combiner/branchers 30-1 and 30-2) and three optical signal monitors 40 (optical signal monitors 40-1 to 40-3) are provided. .
  • optical transmitter 10 and the optical receiver 20 are connected by an optical transmission line 60 via multiplexers 30-1 and 30-2.
  • an optical amplifier may be inserted at any location in the optical transmission line 60.
  • the combiner/branchers 30-1 and 30-2 they will simply be referred to as the combiner/brancher 30.
  • optical signal monitors 40-1 to 40-3 they will simply be referred to as optical signal monitors 40.
  • the monitor point is a point where the optical signal propagating through the optical transmission line 60 is monitored.
  • the monitoring points are the positions where the combiner/branchers 30-1 and 30-2 are installed and the position of the optical receiver 20. Note that the monitoring points are not limited to the above.
  • the position where the combiner/brancher 30-1 is installed is also referred to as monitor point 1
  • the position where the combiner/brancher 30-2 is installed is also referred to as monitor point 2
  • the position of the optical receiver 20 is monitored. Also written as point 3.
  • the optical transmission line 60 is divided into a plurality of sections by the combiner/brancher 30. That is, the optical transmission line 60 is divided into a plurality of sections at one or more monitoring points from the optical transmitter 10 to the optical receiver 20.
  • the optical transmission line 60 is divided into different sections depending on the number of multiplexers 30. Each of these divided sections is a section to be estimated as an abnormality.
  • the section between the optical transmitter 10 and the coupler/brancher 30-1 will be referred to as an optical fiber section 1
  • the section between the coupler/brancher 30-1 and the coupler/brancher 30-2 will be referred to as an optical fiber section 2
  • the section between the combiner/brancher 30-2 and the optical receiver 20 is referred to as an optical fiber section 3.
  • the optical transmitter 10 transmits an optical signal.
  • the optical receiver 20 receives the optical signal transmitted from the optical transmitter 10.
  • the optical receiver 20 includes an optical signal monitor 40-3.
  • the combiner/brancher 30 branches the optical signal propagating through the optical transmission line 60.
  • the combiner/brancher 30-1 branches an optical signal propagating through the optical transmission line 60 to the optical signal monitor 40-1 and the optical transmission line 60.
  • the optical signal monitor 40 receives as input the optical signal branched by the combiner/brancher 30 or the optical signal propagated through the optical transmission line 60.
  • the optical signal monitor 40-1 acquires an optical signal at a monitoring point 1.
  • Optical signal monitor 40-2 acquires an optical signal at monitoring point 2.
  • the optical signal monitor 40-3 acquires an optical signal at the monitoring point 3.
  • the optical signal monitor 40 extracts a digitized optical signal using the input optical signal.
  • a digitized optical signal is signal data on a complex plane of an optical signal expressed by phase and amplitude.
  • a digitized optical signal is a constellation.
  • the digitized optical signal will be referred to as signal data.
  • the optical signal monitor 40 in the first embodiment inputs signal data into a learned model and obtains an abnormality estimation result of the optical fiber section.
  • the optical signal monitor 40 outputs the abnormality estimation result of the optical fiber section to the abnormal section estimating device 50.
  • a trained model is a model that has been trained to input signal data and output an abnormality estimation result for at least one of a plurality of sections.
  • the abnormality estimation result of the optical fiber section outputted by the trained model is, for example, normal, optical fiber section 1 abnormality, optical fiber section 2 abnormality, or optical fiber section 3 abnormality.
  • the abnormality estimation results for optical fiber sections output by the learned model shown here are just examples, and the estimation results output differ depending on the number of sections.
  • trained models trained by different learning methods are used for each optical signal monitor 40. A specific explanation will be given later.
  • the abnormal section estimating device 50 includes an abnormal section estimating section 51.
  • the abnormal section estimation unit 51 estimates the section in which the abnormality has occurred based on the abnormality estimation results of the optical fiber sections obtained from each optical signal monitor 40.
  • FIG. 2 is a diagram showing a configuration example of the optical signal monitor 40 in the first embodiment.
  • the optical signal monitor 40 includes a light receiving section 41 , a signal extracting section 42 , a trained model storage section 43 , and a section state estimating section 44 .
  • the light receiving section 41 receives an optical signal.
  • the signal extractor 42 extracts signal data from the optical signal received by the light receiver 41.
  • the trained model storage unit 43 receives signal data as input and stores a trained model that has been trained to output an abnormality estimation result for at least one of a plurality of intervals.
  • the section state estimating section 44 obtains the abnormality estimation result of the optical fiber section by inputting the signal data extracted by the signal extracting section 42 to the learned model.
  • Each section state estimation unit 44 estimates the state of the section from the optical transmitter 10 to any monitor point.
  • the section state estimation unit 44 provided in the optical signal monitor 40-1 estimates the state of the section (for example, optical fiber section 1) from the optical transmitter 10 to the monitoring point where the combiner/brancher 30-1 is located.
  • the section state estimation unit 44 provided in the optical signal monitor 40-2 calculates the state of the section (for example, optical fiber section 1 + optical fiber section 2) from the optical transmitter 10 to the monitoring point where the combiner/brancher 30-2 is located.
  • Estimate For example, the section state estimation unit 44 provided in the optical signal monitor 40-3 estimates the section (for example, optical fiber section 1 + optical fiber section 2 + optical fiber section 3) Estimate the state.
  • FIG. 3 is a diagram showing an example of the configuration of the optical receiver 20 in the first embodiment.
  • the optical signal monitor 40 (for example, optical signal monitor 40-3) provided in the optical receiver 20 generally operates by branching from the optical signal used for data communication.
  • the optical receiver 20 includes a decoding section 21 and an optical signal monitor 40-3.
  • the light receiving section 41-3 in the optical signal monitor 40-3 receives the optical signal. Of the received optical signals, the light receiving section 41-3 outputs a main signal to the decoding section 21, and outputs a monitoring optical signal to the signal extracting section 42-3.
  • the operations of the signal extraction unit 42-3, learned model storage unit 43-3, and section state estimation unit 44-3 are the same as the functional units with the same names shown in FIG. 2, so a description thereof will be omitted.
  • the decoding unit 21 restores the original main signal by performing digital signal processing on the input optical signal.
  • FIG. 4 is a diagram showing a configuration example of the learning device 70 in the first embodiment.
  • the learning device 70 includes a learning model storage section 71, a learning data input section 72, and a learning section 73.
  • the learning model storage unit 71 is configured using a storage device such as a magnetic storage device or a semiconductor storage device.
  • the learning model storage unit 71 stores a machine learning model (hereinafter referred to as "machine learning model") in advance.
  • a machine learning model is represented by, for example, a neural network.
  • a neural network is a circuit such as an electronic circuit, an electric circuit, an optical circuit, or an integrated circuit, and is a circuit that expresses a machine learning model.
  • the parameters of the neural network are preferably adjusted based on the loss, the parameters of the network being the parameters of the machine learning model it represents.
  • the network parameters are the parameters of the circuits that make up the network.
  • the learning data input unit 72 has a function of inputting learning data.
  • the learning data includes learning input data and learning reference data.
  • the learning input data is data to be learned.
  • the learning input data is signal data (constellation) extracted based on an optical signal obtained at a monitoring point.
  • the learning reference data is the so-called correct data in machine learning.
  • the learning reference data is numerical information that corresponds to a class label indicating whether something is normal or abnormal.
  • the learning reference data is digitized information corresponding to a class label indicating, for example, normal, optical fiber section 1 abnormality, optical fiber section 2 abnormality, and optical fiber section 3 abnormality.
  • data including a pair of at least one learning input data and one learning reference data will be referred to as learning data.
  • the learning unit 73 generates a learned model by learning the learning data output from the learning data input unit 72 based on the machine learning model.
  • the learning unit 73 generates a learned model by updating a predetermined machine learning model by machine learning until a predetermined termination condition is satisfied. Updating a machine learning model by machine learning means suitably adjusting the values of weight parameters in the machine learning model.
  • learning to satisfy A means that the values of parameters in the machine learning model are adjusted so as to satisfy A.
  • A represents a condition.
  • the machine learning model updated by the learning unit 73 is a machine learning model that identifies input data.
  • the learning device 70 may be provided in each optical signal monitor 40 or may be an external device.
  • each optical signal monitor 40 may transfer the signal data to the external device and acquire the learned model from the external device. Note that in the first embodiment, since a different trained model is used for each optical signal monitor 40, the optical signal monitor 40 cannot transfer signal data to a different learning device 70 to acquire a different trained model. preferable.
  • FIG. 5 is a diagram for explaining the processing of the learning device 70 in the first embodiment.
  • each optical signal monitor 40 is equipped with a learning device 70.
  • each optical signal monitor 40 has a learning mode and an estimation mode.
  • the learning mode is a mode in which learning is performed in the learning device 70.
  • the estimation mode is a mode in which an abnormality in a section is estimated using a learned model generated by learning by the learning device 70.
  • each optical signal monitor 40 When each optical signal monitor 40 is in the learning mode, the signal data extracted by the signal extraction unit 42 is not input to the section state estimation unit 44 but is input to the learning device 70. Thereby, the learning device 70 can perform learning using actual data. Note that even if each optical signal monitor 40 is not equipped with the learning device 70 (for example, when the learning device 70 is installed in an external device), each optical signal monitor 40 can switch between the learning mode and the estimation mode. may have.
  • FIG. 5 shows the relationship between learning input data and learning reference data for generating trained models used by each of the optical signal monitors 40-1 to 40-3.
  • the learning input data corresponding to the four states is signal data obtained when the optical transmission line 60 between the optical transmitter 10 and the optical receiver 20 is in a normal state, as shown in the first column of FIG.
  • normal learning data signal data obtained when an abnormality has occurred in optical fiber section 1
  • optical fiber section 1 abnormality learning data signal data obtained when an abnormality has occurred in optical fiber section 1
  • data for learning optical fiber section 2 anomaly Signal data obtained when an abnormality occurs in section 2
  • optical fiber section 3 abnormality learning data signals obtained when an abnormality occurs in optical fiber section 3 data
  • Each optical signal monitor 40 performs learning by setting learning reference data corresponding to the state observed at each monitoring point. For example, the optical signal monitor 40-1 does not observe any abnormal state in the optical fiber section 2 or the optical fiber section 3. Therefore, the learning device 70 provided in the optical signal monitor 40-1 performs learning by regarding the learning input data indicating an abnormality in the optical fiber section 2 or the optical fiber section 3 as normal data. For example, the learning device 70 provided in the optical signal monitor 40-1 is "normal" for each of normal learning data, optical fiber section 2 abnormality learning data, and optical fiber section 3 abnormality learning data.
  • the learning device 70 provided in the optical signal monitor 40-1 performs learning by regarding the optical fiber section 1 abnormality learning data as the optical fiber section 1 abnormality data.
  • the learning device 70 included in the optical signal monitor 40-1 performs learning by associating learning reference data indicating that "optical fiber section 1 is abnormal" with optical fiber section 1 abnormality learning data. conduct.
  • the optical signal monitor 40-2 does not observe any abnormal state in the optical fiber section 3. Therefore, the learning device 70 provided in the optical signal monitor 40-2 performs learning by regarding the learning input data indicating an abnormality in the optical fiber section 3 as normal data. For example, the learning device 70 provided in the optical signal monitor 40-2 associates learning reference data indicating "normal" with each of the normal learning data and the optical fiber section 3 abnormality learning data. and learn.
  • the learning device 70 provided in the optical signal monitor 40-2 performs learning by regarding the optical fiber section 1 abnormality learning data as the optical fiber section 1 abnormality data.
  • the learning device 70 included in the optical signal monitor 40-2 performs learning by associating learning reference data indicating that "optical fiber section 1 is abnormal" with optical fiber section 1 abnormality learning data. conduct.
  • the learning device 70 provided in the optical signal monitor 40-2 performs learning by regarding the optical fiber section 2 abnormality learning data as the optical fiber section 2 abnormality data.
  • the learning device 70 included in the optical signal monitor 40-2 performs learning by associating learning reference data indicating that "optical fiber section 2 is abnormal" with optical fiber section 2 abnormality learning data. conduct.
  • the optical signal monitor 40-3 can observe abnormal conditions in all sections. Therefore, the learning device 70 provided in the optical signal monitor 40-3 performs learning by regarding the normal learning data as normal data. For example, the learning device 70 included in the optical signal monitor 40-3 performs learning by associating learning reference data indicating "normal" with normal learning data. On the other hand, the learning device 70 provided in the optical signal monitor 40-3 performs learning by regarding the optical fiber section 1 abnormality learning data as the optical fiber section 1 abnormality data. For example, the learning device 70 provided in the optical signal monitor 40-3 performs learning by associating learning reference data indicating that "optical fiber section 1 is abnormal" with optical fiber section 1 abnormality learning data. conduct.
  • the learning device 70 provided in the optical signal monitor 40-3 performs learning by regarding the optical fiber section 2 abnormality learning data as optical fiber section 2 abnormality data.
  • the learning device 70 provided in the optical signal monitor 40-3 performs learning by associating learning reference data indicating that "optical fiber section 2 is abnormal" with optical fiber section 2 abnormality learning data. conduct.
  • the learning device 70 provided in the optical signal monitor 40-3 performs learning by regarding the optical fiber section 3 abnormality learning data as the optical fiber section 3 abnormality data.
  • the learning device 70 included in the optical signal monitor 40-3 performs learning by associating learning reference data indicating that "optical fiber section 3 is abnormal" with optical fiber section 3 abnormality learning data. conduct.
  • the optical signal monitor 40-3 can identify all four states, but the optical signal monitor 40-1 can only identify two states: normal and optical fiber section 1 abnormality.
  • each optical signal monitor 40 estimates an abnormality in a section using a different trained model.
  • Each of the optical signal monitors 40-1, 40-2, and 40-3 transmits estimation results obtained based on the optical signals received at each monitoring point to the abnormal section estimating device 50.
  • the abnormality estimation results output by each of the optical signal monitors 40-1, 40-2, and 40-3 include output layer values in addition to the estimation results.
  • FIG. 6 is a diagram for explaining a method of estimating an abnormal section performed by the abnormal section estimating device 50.
  • FIG. 6 shows the values of the output layer of each of the optical signal monitors 40-1 to 40-3 and the estimation results based on the values.
  • the upper part of FIG. 6 shows the values of the output layer output from the trained model (for example, the trained model stored in the optical signal monitor 40-1) corresponding to the monitor point 1 and the estimation results based thereon.
  • FIG. 6 shows the values of the output layer output from the learned model corresponding to the monitor point 2 (for example, the learned model stored in the optical signal monitor 40-2) and the estimation results based on the values.
  • the lower part of FIG. 6 shows the values of the output layer output from the learned model corresponding to the monitor point 3 (for example, the learned model stored in the optical signal monitor 40-3) and the estimation results based thereon.
  • the largest positive or negative value output for each label in the output layer of the neural network is adopted as the estimation result.
  • the abnormality in the optical fiber section 1 having the largest output layer value is output as the estimation result of the learned model corresponding to the monitor point 3.
  • the optical signal monitor 40-1 or 40-2 has state abnormalities that cannot be identified as described above, it is assumed here that these state abnormalities occur to the same extent as the "normal" state.
  • the estimation result of the optical signal monitor 40-1 is "normal", but it is assumed that there is a similar possibility that an abnormality has occurred in optical fiber section 2 or optical fiber section 3, and that these also occur. Added as estimation result.
  • the abnormal section estimating unit 51 sets the state with the largest number of labels as the overall estimation result among the estimation results obtained from all the optical signal monitors 40-1 to 40-3.
  • the estimation result is normal or abnormal in optical fiber section 3.
  • it can be considered that it cannot be estimated.
  • the abnormal section estimation unit 51 collects the output layer values from each optical signal monitor 40 and calculates the sum for each label. The label with the largest value is taken as the estimation result.
  • the values obtained by summing the labels of normal, optical fiber section 1 abnormal, optical fiber section 2 abnormal, and optical fiber section 3 abnormal at each optical signal monitor 40 are 1.9, 3.6, and 0, respectively. .6, 2.0. Therefore, the abnormal section estimation unit 51 takes the optical fiber section 1 abnormality having the largest value as the estimation result.
  • FIG. 7 is a diagram for explaining the third estimation method performed by the abnormal section estimation unit 51 in the first embodiment.
  • each optical signal monitor 40 does not estimate the section in which an abnormality has occurred as shown in FIG. 6, but instead, as shown in FIG.
  • Another method is to consider all states other than normal as abnormal, and to distinguish between only two states: normal and abnormal.
  • the learning method by the learning device 70 is different from the learning method using FIG. 5. This point will be explained.
  • four learning items indicating "normal”, “abnormal optical fiber section 1", “abnormal optical fiber section 2", and “abnormal optical fiber section 3" are used as reference data for learning. reference data must be used.
  • two learning reference data indicating "normal” or "abnormal” are used as the learning reference data.
  • the learning device 70 provided in the optical signal monitor 40-1 is "normal” for each of the normal learning data, the optical fiber section 2 abnormality learning data, and the optical fiber section 3 abnormality learning data. Learning is performed by associating learning reference data that indicates the
  • the learning device 70 provided in the optical signal monitor 40-1 performs learning by regarding the optical fiber section 1 abnormality learning data as abnormal data.
  • the learning device 70 provided in the optical signal monitor 40-1 performs learning by associating learning reference data indicating "abnormality" with optical fiber section 1 abnormality learning data.
  • the learning device 70 provided in the optical signal monitor 40-2 performs learning by regarding learning input data indicating an abnormality in the optical fiber section 3 as normal data.
  • the learning device 70 provided in the optical signal monitor 40-2 associates learning reference data indicating "normal” with each of the normal learning data and the optical fiber section 3 abnormality learning data. and learn.
  • the learning device 70 provided in the optical signal monitor 40-2 performs learning by regarding the optical fiber section 1 abnormality learning data and the optical fiber section 2 abnormality learning data as abnormal data.
  • the learning device 70 provided in the optical signal monitor 40-2 provides learning reference data indicating "abnormality" to the optical fiber section 1 abnormality learning data and the optical fiber section 2 abnormality learning data. Perform learning by mapping.
  • the learning device 70 provided in the optical signal monitor 40-3 performs learning by regarding the normal learning data as normal data.
  • the learning device 70 included in the optical signal monitor 40-3 performs learning by associating learning reference data indicating "normal” with normal learning data.
  • the learning device 70 provided in the optical signal monitor 40-3 regards the optical fiber section 1 abnormality learning data, the optical fiber section 2 abnormality learning data, and the optical fiber section 3 abnormality learning data as abnormal data. Learn.
  • the learning device 70 provided in the optical signal monitor 40-3 determines that the optical fiber section 1 abnormality learning data, the optical fiber section 2 abnormality learning data, and the optical fiber section 3 abnormality learning data are "abnormal". Learning is performed by associating learning reference data that indicates a certain fact.
  • each optical signal monitor 40 outputs an abnormality estimation result including an estimation result indicating either "normal” or "abnormal".
  • the abnormal section estimation unit 51 determines whether or not there is an abnormality in the optical fiber section 1 based on the abnormality estimation result output from the optical signal monitor 40-1. If the abnormality estimation result output from the optical signal monitor 40-1 includes "abnormality" as the estimation result, the abnormal section estimation unit 51 estimates that there is an abnormality in the optical fiber section 1. On the other hand, if the abnormality estimation result output from the optical signal monitor 40-1 includes "normal” as the estimation result, the abnormality section estimation unit 51 performs similar processing based on the abnormality estimation result of the optical signal monitor 40-2. Execute. Only when the abnormality estimation results of all the optical signal monitors 40 are estimated to be normal, the abnormal section estimation unit 51 determines that the section between the optical transmitter 10 and the optical receiver 20 is normal. Note that this method can be similarly applied to a case where there are four or more sections.
  • FIG. 8 is a flowchart showing the process flow of the third estimation method performed by the abnormal section estimating device 50 in the first embodiment.
  • the abnormal section estimation unit 51 of the abnormal section estimation device 50 determines whether an abnormality is indicated by the abnormality estimation result obtained from the optical signal monitor 40-1 (step S101). If the abnormality estimation result obtained from the optical signal monitor 40-1 indicates an abnormality (step S101-YES), the abnormal section estimation unit 51 estimates that there is an abnormality in the optical fiber section 1. On the other hand, if the abnormality estimation result obtained from the optical signal monitor 40-1 does not indicate an abnormality (it is "normal") (step S101-NO), the abnormal section estimation unit 51 obtains the abnormality estimation result from the optical signal monitor 40-2. It is determined whether an abnormality is indicated by the abnormality estimation result (step S103).
  • the abnormal section estimation unit 51 estimates that there is an abnormality in the optical fiber section 2 (step S104). On the other hand, if the abnormality estimation result obtained from the optical signal monitor 40-2 does not indicate an abnormality (it is "normal") (step S103-NO), the abnormal section estimation unit 51 obtains the abnormality estimation result from the optical signal monitor 40-3. It is determined whether an abnormality is indicated by the abnormality estimation result (step S105).
  • step S105-YES If the abnormality estimation result obtained from the optical signal monitor 40-3 indicates an abnormality (step S105-YES), the abnormal section estimation unit 51 estimates that there is an abnormality in the optical fiber section 3 (step S106). On the other hand, if the abnormality estimation result obtained from the optical signal monitor 40-3 does not indicate an abnormality (it is "normal") (step S105-NO), the abnormality section estimation unit 51 determines that all sections are normal. Estimate (step S107).
  • FIG. 9 is a sequence diagram showing the flow of processing of the abnormal section estimation system 100 in the first embodiment.
  • each optical signal monitor 40 stores a learned model.
  • the optical transmitter 10 transmits an optical signal (step S201).
  • the optical signal transmitted from the optical transmitter 10 propagates through the optical transmission line 60 and is input to the combiner/brancher 30-1.
  • the optical signal input to the combiner/brancher 30-1 is branched into two paths.
  • the optical signal branched by the combiner/brancher 30-1 is input to the optical signal monitor 40-1 and the combiner/brancher 30-2.
  • the light receiving unit 41-1 of the optical signal monitor 40-1 receives the optical signal branched by the combiner/brancher 30-1 (step S202).
  • the signal extractor 42-1 extracts signal data from the optical signal received by the light receiver 41-1 (step S203).
  • the signal extraction unit 42-1 outputs the extracted signal data to the section state estimation unit 44-1.
  • the interval state estimating unit 44-1 inputs the signal data output from the signal extracting unit 42-1 into the trained model stored in the trained model storage unit 43-1 to obtain an estimation result (step S204).
  • the section state estimation unit 44-1 outputs the obtained estimation result to the abnormal section estimation device 50 (step S205).
  • the optical signal input to the combiner/brancher 30-2 is branched into two paths.
  • the optical signal branched by the combiner/brancher 30-2 is input to the optical signal monitor 40-2 and the optical receiver 20.
  • the light receiving unit 41-2 of the optical signal monitor 40-2 receives the optical signal branched by the combiner/brancher 30-2 (step S206).
  • the signal extractor 42-2 extracts signal data from the optical signal received by the light receiver 41-2 (step S207).
  • the signal extraction unit 42-2 outputs the extracted signal data to the section state estimation unit 44-2.
  • the interval state estimation unit 44-2 inputs the signal data output from the signal extraction unit 42-2 into the trained model stored in the trained model storage unit 43-2 to obtain an estimation result (step S208).
  • the section state estimation unit 44-2 outputs the obtained estimation result to the abnormal section estimation device 50 (step S209).
  • the optical signal input to the optical receiver 20 is received by the light receiving section 41-3 of the optical signal monitor 40-3 (step S210).
  • the signal extractor 42-3 extracts signal data from the optical signal received by the light receiver 41-3 (step S211).
  • the signal extraction unit 42-3 outputs the extracted signal data to the section state estimation unit 44-3.
  • the interval state estimation unit 44-3 inputs the signal data output from the signal extraction unit 42-3 into the trained model stored in the trained model storage unit 43-3 to obtain an estimation result (step S212).
  • the section state estimation unit 44-3 outputs the obtained estimation result to the abnormal section estimation device 50 (step S213).
  • the abnormal section estimation unit 51 of the abnormal section estimating device 50 estimates an abnormal section based on the estimation results output from each optical signal monitor 40 (step S214). Specifically, the abnormal section estimation unit 51 estimates the abnormal section using the first estimation method, the second estimation method, and the third estimation method.
  • the optical transmission line 60 is divided into a plurality of sections at one or more monitoring points from the optical transmitter 10 to the optical receiver 20, A trained model that has been trained to extract signal data at one or more monitoring points based on the optical signal transmitted from the , and output an abnormality estimation result for at least one of the multiple sections using the signal data as input.
  • an abnormality estimation result is obtained by inputting signal data extracted at one or more monitoring points, and a section where an abnormality is occurring is estimated based on the obtained abnormality estimation result.
  • machine learning to each of the signal data acquired from the optical signal monitors 40 provided at multiple points on the optical transmission line 60, it is possible to eliminate the need for decoding by digital signal processing at the relay monitoring points.
  • the calculation load can be suppressed. Furthermore, by integrating the abnormality estimation results obtained at each monitoring point, it is possible to estimate with high accuracy the section in which an abnormality has occurred in the optical transmission line 60. Therefore, it becomes possible to estimate the section where the abnormality has occurred with high accuracy while suppressing the calculation load.
  • the estimation results at each monitor point obtained by inputting the signal data acquired from each optical signal monitor 40 into the trained model corresponding to each monitor point, and the value of the output layer. is used to estimate the section where the output layer value is the largest as the section where the abnormality has occurred.
  • the abnormal section estimation system 100 calculates the number of sections indicated by the estimation result at each monitor point obtained by inputting the signal data acquired from each optical signal monitor 40 into the trained model corresponding to each monitor point.
  • the largest section is estimated as the section where the abnormality occurred.
  • the signal data acquired from each optical signal monitor 40 is input into the learned model corresponding to each monitor point, and the abnormality in a specific section is estimated based on the estimation result at each monitor point.
  • the presence or absence is determined sequentially, and the section where it is determined that there is an abnormality is estimated as the section where the abnormality is occurring. This makes it possible to suppress the calculation load.
  • each optical signal monitor uses a learned model to obtain estimation results.
  • an abnormal section estimating device acquires signal data from each optical signal monitor and estimates an abnormal section.
  • FIG. 10 is a diagram showing a configuration example of an abnormal section estimation system 100a in the second embodiment.
  • the abnormal section estimation system 100a includes an optical transmitter 10, an optical receiver 20, one or more combiners/branchers 30, a plurality of optical signal monitors 40a, and an abnormal section estimation device 50a.
  • the abnormal section estimation system 100a differs in configuration from the abnormal section estimation system 100 in that it includes an optical signal monitor 40a and an abnormal section estimation device 50a instead of the optical signal monitor 40 and the abnormal section estimation device 50.
  • the rest of the configuration of the abnormal section estimation system 100a is the same as that of the abnormal section estimation system 100.
  • the optical signal monitor 40a and the abnormal section estimating device 50a will be described below.
  • the optical signal monitor 40a receives as input the optical signal branched by the combiner/brancher 30 or the optical signal propagated through the optical transmission line 60.
  • the optical signal monitor 40a extracts signal data using the input optical signal.
  • the optical signal monitor 40a outputs the extracted signal data to the abnormal section estimation device 50a. In this way, the optical signal monitor 40a does not perform estimation using a learned model. That is, the optical signal monitor 40a does not include the trained model storage section 43 and the section state estimation section 44.
  • the abnormal section estimation device 50a includes a trained model storage section 43, a section state estimation section 44, and an abnormal section estimation section 51.
  • the abnormal section estimating device 50a differs in configuration from the abnormal section estimating device 50 in that it additionally includes a learned model storage section 43 and a section state estimating section 44.
  • the rest of the configuration of the abnormal section estimating device 50a is the same as that of the abnormal section estimating device 50.
  • the learned model storage section 43 and section state estimation section 44 will be explained below.
  • the trained model storage unit 43 is configured to include trained model storage units 43-1, 43-2, and 43-3.
  • the trained model storage units 43-1, 43-2, and 43-3 are the same as the functional units with the same names in the first embodiment.
  • the learning device 70 may be included in the abnormal section estimation device 50a, or may be provided in the abnormal section estimation system 100a as an external device. Note that when the abnormal section estimating device 50a is equipped with the learning device 70, the abnormal section estimating device 50a has a learning mode and an estimation mode. Even if the abnormal section estimating device 50a is not equipped with the learning device 70 (for example, when the learning device 70 is installed in an external device), the abnormal section estimating device 50a has a learning mode and an estimation mode. You can leave it there.
  • the section state estimating section 44 includes section state estimating sections 44-1, 44-2, and 44-3.
  • the section state estimation units 44-1, 44-2, and 44-3 perform the same processing as the functional units with the same names in the first embodiment.
  • the abnormal section estimation device 50a includes the trained model storage section 43 and section state estimation section 44 that each optical signal monitor 40 was provided with in the first embodiment.
  • the abnormal section estimating device 50a does not need to perform estimation using a trained model in each optical signal monitor 40a. That is, each optical signal monitor 40a only needs to extract signal data from the optical signal and transmit the extracted signal data to the abnormal section estimating device 50a. Therefore, the functions provided in each optical signal monitor 40a can be reduced.
  • FIG. 11 is a diagram for explaining a learning method of a machine learning model in the third embodiment.
  • machine learning is performed by inputting data with the same label acquired from each monitoring point to the learning device 70 as one learning data. For example, signal data indicating a normal state obtained at monitor point 1, signal data indicating a normal state obtained at monitor point 2, and signal data indicating a normal state obtained at monitor point 3 are used.
  • the machine learning model is updated by machine learning by inputting the learning data together with the learning reference data "normal" to the machine learning model as one learning input data.
  • signal data indicating a state in which an abnormality has occurred in optical fiber section 1 obtained at monitor point 1 and signal data indicating a state in which an abnormality has occurred in optical fiber section 1 obtained at monitor point 2.
  • Machine learning is performed using the data and the signal data obtained at monitor point 3, which indicates a state in which an abnormality has occurred in optical fiber section 1, as one input data for learning, along with the learning reference data "Optical fiber section 1 abnormality".
  • the machine learning model is updated by machine learning by inputting it to the model as one piece of learning data.
  • signal data indicating that an abnormality has occurred in optical fiber section 2 obtained at monitor point 1 and signal data indicating that an abnormality has occurred in optical fiber section 2 obtained at monitor point 2.
  • Machine learning is performed using the data and the signal data obtained at monitor point 3, which indicates that an abnormality has occurred in optical fiber section 2, as one input data for learning, along with the learning reference data "abnormality of optical fiber section 2".
  • the machine learning model is updated by machine learning by inputting it to the model as one piece of learning data.
  • signal data indicating that an abnormality has occurred in optical fiber section 3 obtained at monitor point 1 and signal data indicating that an abnormality has occurred in optical fiber section 3 obtained at monitor point 2.
  • Machine learning is performed using the data and the signal data obtained at monitor point 3 that indicates a state where an abnormality has occurred in optical fiber section 3 as one input data for learning, along with the learning reference data "abnormality of optical fiber section 3".
  • the machine learning model is updated by machine learning by inputting it to the model as one piece of learning data.
  • one trained model that is trained to output an abnormality estimation result of the optical fiber section according to the signal data is generated.
  • FIG. 12 is a diagram showing a configuration example of an abnormal section estimation system 100b in the third embodiment.
  • the abnormal section estimation system 100b includes an optical transmitter 10, an optical receiver 20, one or more combiners/branchers 30, a plurality of optical signal monitors 40a, and an abnormal section estimation device 50b.
  • the abnormal section estimation system 100b differs in configuration from the abnormal section estimation system 100a in that it includes an abnormal section estimation device 50b instead of the abnormal section estimation device 50a.
  • the rest of the configuration of the abnormal section estimation system 100b is the same as that of the abnormal section estimation system 100a.
  • the abnormal section estimating device 50b will be explained below.
  • the abnormal section estimating device 50b includes a learned model storage section 43b and an abnormal section estimating section 51b.
  • One trained model is stored in the trained model storage unit 43b.
  • a trained model corresponding to each optical signal monitor 40, 40a was used to estimate the abnormal section, but in the third embodiment, one trained model is used for estimating the abnormal section. Used to estimate abnormal intervals.
  • One trained model stored in the trained model storage section 43b receives as input a set of signal data transmitted from each optical signal monitor 40a, and outputs an abnormality estimation result for the optical fiber section.
  • the abnormal section estimating unit 51b inputs the set of signal data transmitted from each optical signal monitor 40a to the learned model, and obtains the abnormality estimation result of the optical fiber section.
  • the abnormal section estimation unit 51b estimates an abnormal section based on the acquired abnormality estimation result of the optical fiber section.
  • a machine learning model is machined using a set of learning input data of the same state obtained at each monitoring point and learning reference data indicating the state. Update through learning to generate a trained model.
  • the abnormal interval estimating unit 51b acquires an abnormality estimation result by inputting each signal data extracted by each optical signal monitor 40a into a learned model as one signal data, and calculates an abnormal interval based on the obtained abnormality estimation result. Estimate. As a result, the abnormal section estimation unit 51b obtains abnormality estimation results using different trained models for each signal data extracted by each optical signal monitor 40a, and estimates the abnormal section based on each abnormality estimation result. You don't have to do it. Therefore, it becomes possible to reduce the processing load on the abnormal section estimating section 51b.
  • FIG. 13 is a diagram showing a configuration example of an abnormal section estimation system 100c in the fourth embodiment.
  • the abnormal section estimation system 100c includes a plurality of optical transmitters 10c-1 to 10c-N (N is an integer of 2 or more), a plurality of optical receivers 20c-1 to 20c-N, and combiners 30-1 to 30c-N. 30-2, multiple optical signal monitors 40-1-1 to 40-1-N, 40-2-1 to 40-2-N, 40-3-1 to 40-3-N, and abnormal section estimation It includes a device 50c and a plurality of optical multiplexers/demultiplexers 80-1 to 80-4.
  • the differences from the abnormal section estimation system 100 will be explained.
  • the plurality of optical transmitters 10c-1 to 10c-N transmit optical signals of different wavelengths ⁇ 1 to ⁇ N.
  • the plurality of optical receivers 20c-1 to 20c-N receive optical signals transmitted from the plurality of optical transmitters 10c-1 to 10c-N.
  • the plurality of optical receivers 20c-1 to 20c-N are equipped with different optical signal monitors 40-3-1 to 40-3-N.
  • the optical receiver 20c-1 includes an optical signal monitor 40-3-1.
  • Each optical signal monitor 40 receives as input the optical signal branched by the combiner/brancher 30 or the optical signal propagated through the optical transmission line 60. At each monitoring point, optical signal monitors 40 may be provided for the number of wavelengths. That is, each optical signal monitor 40 receives an optical signal of one wavelength. The processing performed by each optical signal monitor 40 is similar to that in the first embodiment. Each optical signal monitor 40 has the configuration shown in FIG.
  • the optical multiplexers/demultiplexers 80-1 to 80-4 multiplex or demultiplex optical signals.
  • the optical multiplexer/demultiplexer 80-1 multiplexes the optical signals transmitted from each optical transmitter 10c to generate a multiplexed signal, and outputs the generated multiplexed signal to the optical transmission line 60.
  • multiplexed signals are input to the optical multiplexers/demultiplexers 80-2 to 80-4.
  • the optical multiplexers/demultiplexers 80-2 to 80-4 demultiplex the input multiplexed signal for each wavelength.
  • the abnormal section estimating device 50c includes an abnormal section estimating section 51c.
  • the abnormal section estimation unit 51c estimates the section in which the abnormality has occurred based on the abnormality estimation results of the optical fiber sections obtained from each optical signal monitor 40.
  • the abnormal section estimation unit 51c estimates the state at each wavelength based on the abnormality estimation results of the optical fiber sections obtained from each optical signal monitor 40, and then integrates the estimation results for each wavelength to determine whether an abnormality has occurred. and estimate the interval.
  • the abnormal section estimation system 100c configured as described above can also be applied to a system that performs multiplex communication.
  • the abnormal section estimation system 100c is equipped with fan-in and fan-out equipment instead of the optical multiplexers/demultiplexers 80-1 to 80-4.
  • a fan-in device is provided in place of the optical multiplexer/demultiplexer 80-1
  • a fan-out device is provided in place of the optical multiplexer/demultiplexer 80-2 to 80-4.
  • the abnormal section estimating section 51c may be configured to estimate an abnormal section based on signal data obtained from each optical signal monitor 40, as in the third embodiment. When configured in this way, the abnormal section estimating section 51c first directly estimates each wavelength, and estimates the abnormal section from each estimation result.
  • the learned model storage section 43 and section state estimating section 44 may be included in the abnormal section estimating device 50c as in the second embodiment.
  • the abnormal interval estimating device 50a stores the learned model storage unit 43 and the interval state estimation unit 44 as the learned model storage units 43-1, . . . , 43-3N, the interval state estimation unit 44-1, . ⁇ Equipped with 44-3N.
  • the abnormal section estimating section 51c first estimates the section state for each wavelength using the same process as in the second embodiment, and estimates the abnormal section from each estimation result.
  • Some or all of the functional units of the abnormal section estimating devices 50, 50a, 50b, and 50c described above are configured by a processor such as a CPU (Central Processing Unit) using a non-volatile recording medium (non-temporary recording medium). It is realized as software by executing a program stored in a storage device and a storage unit. The program may be recorded on a computer-readable non-transitory recording medium.
  • Computer-readable non-temporary recording media include portable media such as flexible disks, magneto-optical disks, ROM (Read Only Memory), and CD-ROMs (Compact Disc Read Only Memory), and hard disks built into computer systems. It is a non-temporary recording medium such as a storage device such as.
  • Some or all of the functional units of the abnormal section estimation devices 50, 50a, 50b, and 50c described above are, for example, LSI (Large Scale Integrated Circuit), ASIC (Application Specific Integrated Circuit), PLD (Programmable Logic Device). Alternatively, it may be realized using hardware including an electronic circuit using an FPGA (Field Programmable Gate Array) or the like.
  • the present invention can be applied to a system using an optical transmission line connecting an optical transmitter and an optical receiver.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Optical Communication System (AREA)

Abstract

光送信器と光受信器が光伝送路で接続されているシステムにおける異常区間推定方法であって、光伝送路は、光送信器から光受信器までの１以上のモニタ地点で複数の区間に分割され、光送信器から送信された光信号に基づいて、位相と振幅で表現される光信号の複素平面上における信号データを、１以上のモニタ地点で抽出し、信号データを入力として複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、１以上のモニタ地点で抽出した信号データを入力することによって異常推定結果を取得し、取得した異常推定結果に基づいて異常が発生している区間を推定する異常区間推定方法。　

Description

異常区間推定方法、異常区間推定システム及び異常区間推定装置
　本発明は、異常区間推定方法、異常区間推定システム及び異常区間推定装置に関する。
　光ネットワークの保守運用においては、通信断が発生する前に、故障の予兆となる異常状態を早期に発見し、かつ異常状態の発生した箇所を特定することが重要である。従来、光ファイバ等の光伝送路の状態を測定する方法として、ＯＴＤＲ(Optical Time Domain Reflectometer)装置が用いられている。ＯＴＤＲでは、光パルスを光ファイバに入射して得られた反射光から、光ファイバの距離や、融着やコネクタ接続による損失などを推定することができる。ＯＴＤＲは、ファイバの異常が発生した地点を高い精度で推定することができる一方、専用の測定装置を使う必要があり実運用において経済的ではないという問題がある。
　一方、近年では、デジタルコヒーレント光通信の信号をデータ通信に加えて、信号品質の評価に使う技術が提案されている（例えば、非特許文献１参照）。非特許文献１に記載の技術では、デジタルコヒーレント光受信器で受信した信号の形状を機械学習で学習させることによって、光伝送路において光ファイバの曲げが発生しているか否かを判定している。これにより、ＯＴＤＲ等の専用機器を使わずに、データ通信に使うトランシーバから得られた情報のみにより光ファイバの曲げ発生の有無を識別することができる。この方法では、機械学習に入力するパラメータは任意であるが、非特許文献１ではデジタル信号処理を行う前の光信号の複素平面上での信号点を入力パラメータとして用いている。この方法は、光ファイバ曲げのような異常の発生の有無を推定することはできるが、異常が発生した位置を推定することはできない。
　非特許文献２では、光受信器にて行われるデジタル信号処理での復号に使われる情報を用いて、光伝送路の距離方向における光パワーのプロファイルを推定している。この方法は、専用の機器を使わずに、光伝送路で発生した光パワーの減衰の位置を推定することができる。
T. Tanaka, T. Inui, S. Kawai, S. Kuwabara, H. Nishizawa, "Monitoring and diagnostic technologies using deep neural networks for predictive optical network maintenance," Journal of Optical Communication and Networking, vol. 13, no. 10, pp. E13-E22, October 2021. T. Tanimura, S. Yoshida, S. Oda, K. Tajima, T. Hoshida, "Advanced data-analytics-based fiber-longitudinal monitoring for optical transport networks," 2020 European Conference on Optical Communications (ECOC), Dec. 2020.
　非特許文献２に記載の方法では、光伝送路において異常が発生した位置を推定するためには、専用機器を用いる方法と、デジタル信号処理技術によって推定する方法が提案されている。しかしながら、いずれも高価な機器または信号処理回路を用いる必要がある。一方で、上述した機械学習を用いる方法は、専用機器を用いる必要はないものの、異常発生の位置を含んだ信号の異常を推定しようとすると、推定するラベル数の増加に伴う推定精度の劣化が発生してしまう。
　上記事情に鑑み、本発明は、計算負荷を抑制しつつ、高精度に異常の発生した区間を推定することができる技術の提供を目的としている。
　本発明の一態様は、光送信器と光受信器が光伝送路で接続されているシステムにおける異常区間推定方法であって、前記光伝送路は、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割され、前記光送信器から送信された光信号に基づいて、位相と振幅で表現される前記光信号の複素平面上における信号データを、前記１以上のモニタ地点で抽出し、前記信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記１以上のモニタ地点で抽出した前記信号データを入力することによって前記異常推定結果を取得し、取得した前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定方法である。
　本発明の一態様は、光信号を送信する光送信器と、前記光送信器から送信された前記光信号を受信する光受信器と、前記光送信器と前記光受信器を接続し、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割される光伝送路と、前記光送信器から送信された光信号に基づいて、位相と振幅で表現される前記光信号の複素平面上における信号データを、前記１以上のモニタ地点で抽出する１以上の光信号モニタと、前記信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記光信号モニタによって抽出された前記１以上のモニタ地点における前記信号データを入力することによって得られた前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定部と、を備える異常区間推定システムである。
　本発明の一態様は、光送信器と光受信器が光伝送路で接続されているシステムが備える異常区間推定装置であって、前記光伝送路は、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割され、前記光送信器から送信された光信号に基づいて得られる位相と振幅で表現される前記光信号の複素平面上における信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記１以上のモニタ地点で前記信号データを抽出する１以上の光信号モニタで得られた前記信号データを入力することによって得られた前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定部、を備える異常区間推定装置である。
　本発明により、計算負荷を抑制しつつ、高精度に異常の発生した区間を推定することが可能となる。
第１の実施形態における異常区間推定システムの構成例を示す図である。 第１の実施形態における光信号モニタの構成例を示す図である。 第１の実施形態における光受信器の構成例を示す図である。 第１の実施形態における学習装置の構成例を示す図である。 第１の実施形態における学習装置の処理を説明するための図である。 第１の実施形態における異常区間推定装置が行う異常区間の推定方法を説明するための図である。 第１の実施形態における異常区間推定部が行う第３の推定方法を説明するための図である。 第１の実施形態における異常区間推定装置が行う第３の推定方法の処理の流れを示すフローチャートである。 第１の実施形態における異常区間推定システムの処理の流れを示すシーケンス図である。 第２の実施形態における異常区間推定システムの構成例を示す図である。 第３の実施形態における機械学習モデルの学習方法を説明するための図である。 第３の実施形態における異常区間推定システムの構成例を示す図である。 第４の実施形態における異常区間推定システムの構成例を示す図である。
　以下、本発明の一実施形態を、図面を参照しながら説明する。
（第１の実施形態）
　図１は、第１の実施形態における異常区間推定システム１００の構成例を示す図である。異常区間推定システム１００は、光伝送路における異常が発生した区間を推定するシステムである。光伝送路における異常には、光伝送路の曲げ等による光パワーの減衰、光増幅器の不具合などによる光信号雑音比（ＯＳＮＲ：Optical Signal-to-Noise Ratio）の低下等が含まれる。
　異常区間推定システム１００は、光送信器１０と、光受信器２０と、１台以上の合分岐器３０と、複数の光信号モニタ４０と、異常区間推定装置５０とを備える。合分岐器３０は１台以上であれば何台備えられてもよく、光信号モニタ４０は２台以上であれば何台備えられてもよい。図１では、合分岐器３０が２台（合分岐器３０－１及び３０－２）、光信号モニタ４０が３台（光信号モニタ４０－１～４０－３）備えられる構成を示している。
　光送信器１０と光受信器２０とは、合分岐器３０－１及び３０－２を介して光伝送路６０で接続される。なお、光伝送路６０には、任意の箇所に光増幅器が挿入されていてもよい。以下、合分岐器３０－１及び３０－２について特に区別しない場合には、単に合分岐器３０と記載する。以下、光信号モニタ４０－１～４０－３について特に区別しない場合には、単に光信号モニタ４０と記載する。
　光送信器１０から光受信器２０までの間には、１以上のモニタ地点が設けられる。モニタ地点は、光伝送路６０を伝搬している光信号をモニタする地点である。図１に示す例では、モニタ地点は、合分岐器３０－１及び３０－２が設置されている位置と、光受信器２０の位置である。なお、モニタ地点は上記に限定されない。以下、合分岐器３０－１が設置されている位置をモニタ地点１とも記載し、合分岐器３０－２が設置されている位置をモニタ地点２とも記載し、光受信器２０の位置をモニタ地点３とも記載する。
　図１に示すように、光伝送路６０は、合分岐器３０により複数の区間に分割される。すなわち、光伝送路６０は、光送信器１０から光受信器２０までの１以上のモニタ地点で複数の区間に分割される。光伝送路６０は、合分岐器３０の台数に応じて分割される区間が異なる。この分割された各区間が異常の推定対象となる区間である。以下、光送信器１０と合分岐器３０－１との間の区間を光ファイバ区間１とし、合分岐器３０－１と合分岐器３０－２との間の区間を光ファイバ区間２とし、合分岐器３０－２と光受信器２０との間の区間を光ファイバ区間３とする。
　光送信器１０は、光信号を送信する。
　光受信器２０は、光送信器１０から送信された光信号を受信する。光受信器２０は、光信号モニタ４０－３を備える。
　合分岐器３０は、光伝送路６０を伝搬している光信号を分岐する。例えば、合分岐器３０－１は、光伝送路６０を伝搬している光信号を、光信号モニタ４０－１と、光伝送路６０に分岐する。
　光信号モニタ４０は、合分岐器３０により分岐された光信号、又は、光伝送路６０を伝搬した光信号を入力とする。例えば、光信号モニタ４０－１は、モニタ地点１において光信号を取得する。光信号モニタ４０－２は、モニタ地点２において光信号を取得する。光信号モニタ４０－３は、モニタ地点３において光信号を取得する。光信号モニタ４０は、入力された光信号を用いてデジタル化された光信号を抽出する。
　デジタル化された光信号とは、位相と振幅で表現される光信号の複素平面上での信号データである。例えば、デジタル化された光信号は、コンスタレーションである。以下、デジタル化された光信号を信号データと記載する。第１の実施形態における光信号モニタ４０は、信号データを、学習済みモデルに入力して光ファイバ区間の異常推定結果を取得する。光信号モニタ４０は、光ファイバ区間の異常推定結果を異常区間推定装置５０に出力する。
　学習済みモデルは、信号データを入力として、複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習されたモデルである。学習済みモデルが出力する光ファイバ区間の異常推定結果は、例えば正常、光ファイバ区間１の異常、光ファイバ区間２の異常、光ファイバ区間３の異常のいずれかである。なお、ここで示す学習済みモデルが出力する光ファイバ区間の異常推定結果は、一例であり、区間の数に応じて出力される推定結果も異なる。さらに、第１の実施形態では、光信号モニタ４０毎に異なる学習方法により学習された学習済みモデルが用いられる。具体的な説明は後述する。
　異常区間推定装置５０は、異常区間推定部５１を備える。異常区間推定部５１は、各光信号モニタ４０から得られる光ファイバ区間の異常推定結果に基づいて、異常が発生している区間を推定する。
　図２は、第１の実施形態における光信号モニタ４０の構成例を示す図である。光信号モニタ４０は、受光部４１と、信号抽出部４２と、学習済みモデル記憶部４３と、区間状態推定部４４とを備える。受光部４１は、光信号を受光する。信号抽出部４２は、受光部４１により受光された光信号から信号データを抽出する。
　学習済みモデル記憶部４３は、信号データを入力として、複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルを記憶する。
　区間状態推定部４４は、信号抽出部４２によって抽出された信号データを学習済みモデルに入力することによって光ファイバ区間の異常推定結果を取得する。各区間状態推定部４４は、光送信器１０からいずれかのモニタ地点までの区間の状態を推定する。例えば、光信号モニタ４０－１に備えられる区間状態推定部４４は、光送信器１０から合分岐器３０－１が位置するモニタ地点まで区間（例えば、光ファイバ区間１）の状態を推定する。例えば、光信号モニタ４０－２に備えられる区間状態推定部４４は、光送信器１０から合分岐器３０－２が位置するモニタ地点まで区間（例えば、光ファイバ区間１＋光ファイバ区間２）の状態を推定する。例えば、光信号モニタ４０－３に備えられる区間状態推定部４４は、光送信器１０から合分岐器３０－３が位置するモニタ地点まで区間（例えば、光ファイバ区間１＋光ファイバ区間２＋光ファイバ区間３）の状態を推定する。
　図３は、第１の実施形態における光受信器２０の構成例を示す図である。光信号モニタ４０が光受信器２０に備えられる場合について説明する。光受信器２０に備えられる光信号モニタ４０（例えば、光信号モニタ４０－３）は、一般にはデータ通信が行われる光信号から分岐して動作する。光受信器２０は、復号部２１と、光信号モニタ４０－３とを備える。光信号モニタ４０－３における受光部４１－３は、光信号を受講する。受光部４１－３は、受光した光信号のうち、主信号を復号部２１に出力し、モニタ用の光信号を信号抽出部４２－３に出力する。
　信号抽出部４２－３、学習済みモデル記憶部４３－３及び区間状態推定部４４－３の動作は、図２に示す同名の機能部と同じであるため説明を省略する。復号部２１は、入力された光信号に対してデジタル信号処理を行うことによって、元の主信号を復元する。
　図４は、第１の実施形態における学習装置７０の構成例を示す図である。学習装置７０は、学習モデル記憶部７１と、学習データ入力部７２と、学習部７３とを備える。学習モデル記憶部７１は、磁気記憶装置や半導体記憶装置などの記憶装置を用いて構成される。学習モデル記憶部７１は、機械学習のモデル（以下「機械学習モデル」という。）を予め記憶している。機械学習モデルは、例えばニューラルネットワークで表される。ニューラルネットワークとは、電子回路、電気回路、光回路、集積回路等の回路であって機械学習モデルを表現する回路である。ニューラルネットワークのパラメータは、損失に基づいて好適に調整される、ネットワークのパラメータは、表現する機械学習モデルのパラメータである。ネットワークのパラメータは、ネットワークを構成する回路のパラメータである。
　学習データ入力部７２は、学習データを入力する機能を有する。学習データには、学習用入力データと学習用参照データとが含まれる。学習用入力データは、学習対象となるデータである。例えば、学習用入力データは、モニタ地点で得られた光信号に基づいて抽出された信号データ（コンスタレーション）である。
　学習用参照データは、機械学習におけるいわゆる正解データである。学習用参照データは、正常であるか異常であるかを示すクラスラベルに相当する情報を数値化したものである。学習用参照データは、例えば正常、光ファイバ区間１異常、光ファイバ区間２異常、光ファイバ区間３異常を示すクラスラベルに相当する情報を数値化したものである。以下、少なくとも１つの学習用入力データと１つの学習用参照データとの対を含むデータを学習データという。
　学習部７３は、学習データ入力部７２から出力される学習データを機械学習モデルに基づいて学習することにより学習済みモデルを生成する。学習部７３は、所定の終了条件が満たされるまで所定の機械学習モデルを機械学習によって更新することで、学習済みモデルを生成する。機械学習モデルを機械学習によって更新するとは、機械学習モデルにおける重みのパラメータの値を好適に調整することを意味する。以下の説明において、Ａであるように学習するとは、機械学習モデルにおけるパラメータの値がＡを満たすように調整されることを意味する。Ａは条件を表す。学習部７３が更新する機械学習モデルは、入力されたデータを識別する機械学習のモデルである。
　学習装置７０は、各光信号モニタ４０に備えられていてもよいし、外部の装置であってもよい。学習装置７０が外部の装置である場合、各光信号モニタ４０は、信号データを外部の装置に転送し、外部の装置から学習済みモデルを取得してもよい。なお、第１の実施形態では、光信号モニタ４０毎に異なる学習済みモデルが用いられるため、光信号モニタ４０は、異なる学習装置７０に信号データを転送して異なる学習済みモデルを取得することが好ましい。
　次に、第１の実施形態における学習装置７０の処理について詳細に説明する。図５は、第１の実施形態における学習装置７０の処理を説明するための図である。ここでは、各光信号モニタ４０に学習装置７０が備えられるものとして説明する。なお、各光信号モニタ４０に学習装置７０が備えられる場合、各光信号モニタ４０は学習モードと、推定モードとを有する。学習モードは、学習装置７０において学習を行うモードである。推定モードは、学習装置７０による学習で生成される学習済みモデルを用いて区間の異常を推定するモードである。
　各光信号モニタ４０が学習モードである場合、信号抽出部４２により抽出された信号データは、区間状態推定部４４には入力されず、学習装置７０に入力される。これにより、学習装置７０は、実データを用いて学習を行うことができる。なお、各光信号モニタ４０に学習装置７０が備えられない場合（例えば、学習装置７０が外部の装置に備えられる場合）であっても、各光信号モニタ４０は学習モードと、推定モードとを有していてもよい。図５には、各光信号モニタ４０－１～４０－３が用いる学習済みモデルを生成するための学習用入力データと、学習用参照データとの関係が示されている。
　図１に示すように、光伝送路６０が３つの区間に分類された場合、正常な状態と、光ファイバ区間１に異常が発生した状態と、光ファイバ区間２に異常が発生した状態と、光ファイバ区間３に異常が発生した状態の計４種類の状態がある。そのため、４つの状態に対応した学習用入力データを用意する必要がある。４つの状態に対応した学習用入力データは、図５の第１列に示すように、光送信器１０と光受信器２０との間の光伝送路６０が正常な状態で得られた信号データ（以下「正常学習用データ」という。）と、光ファイバ区間１に異常が発生している状態で得られた信号データ（以下「光ファイバ区間１異常学習用データ」という。）と、光ファイバ区間２に異常が発生している状態で得られた信号データ（以下「光ファイバ区間２異常学習用データ」という。）と、光ファイバ区間３に異常が発生している状態で得られた信号データ（以下「光ファイバ区間３異常学習用データ」という。）である。
　各光信号モニタ４０は、各モニタ地点で観測される状態に対応した学習用参照データを設定して学習を行う。例えば、光信号モニタ４０－１では、光ファイバ区間２又は光ファイバ区間３の異常状態は観測されない。そのため、光信号モニタ４０－１に備えられる学習装置７０は、光ファイバ区間２又は光ファイバ区間３の異常を示す学習用入力データを正常データであるとみなして学習を行う。例えば、光信号モニタ４０－１に備えられる学習装置７０は、正常学習用データと、光ファイバ区間２異常学習用データと、光ファイバ区間３異常学習用データそれぞれに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。一方、光信号モニタ４０－１に備えられる学習装置７０は、光ファイバ区間１異常学習用データを光ファイバ区間１異常データであるとみなして学習を行う。例えば、光信号モニタ４０－１に備えられる学習装置７０は、光ファイバ区間１異常学習用データに対して、「光ファイバ区間１異常」であることを示す学習用参照データを対応付けて学習を行う。
　同様に、光信号モニタ４０－２では、光ファイバ区間３の異常状態は観測されない。そのため、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間３の異常を示す学習用入力データを正常データであるとみなして学習を行う。例えば、光信号モニタ４０－２に備えられる学習装置７０は、正常学習用データと、光ファイバ区間３異常学習用データそれぞれに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。
　一方、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間１異常学習用データを光ファイバ区間１異常データであるとみなして学習を行う。例えば、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間１異常学習用データに対して、「光ファイバ区間１異常」であることを示す学習用参照データを対応付けて学習を行う。さらに、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間２異常学習用データを光ファイバ区間２異常データであるとみなして学習を行う。例えば、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間２異常学習用データに対して、「光ファイバ区間２異常」であることを示す学習用参照データを対応付けて学習を行う。
　同様に、光信号モニタ４０－３では、全ての区間の異常状態が観測できる。そのため、光信号モニタ４０－３に備えられる学習装置７０は、正常学習用データを正常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、正常学習用データに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。一方、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間１異常学習用データを光ファイバ区間１異常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間１異常学習用データに対して、「光ファイバ区間１異常」であることを示す学習用参照データを対応付けて学習を行う。
　さらに、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間２異常学習用データを光ファイバ区間２異常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間２異常学習用データに対して、「光ファイバ区間２異常」であることを示す学習用参照データを対応付けて学習を行う。さらに、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間３異常学習用データを光ファイバ区間３異常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間３異常学習用データに対して、「光ファイバ区間３異常」であることを示す学習用参照データを対応付けて学習を行う。
　このように、同じ学習用入力データであっても、光信号モニタ４０がモニタするモニタ位置によって学習用参照データを変えて学習を行う。そして、光信号モニタ４０がモニタするモニタ位置によって識別可能な状態数も異なることに留意する必要がある。例えば、光信号モニタ４０－３では、４つの状態全てを識別可能であるが、光信号モニタ４０－１では正常と光ファイバ区間１異常の２つの状態のみを識別可能である。
　以上の処理により生成された学習済みモデルが各光信号モニタ４０に記憶される。このように、各光信号モニタ４０は、異なる学習済みモデルを用いて区間の異常を推定する。光信号モニタ４０－１，４０－２及び４０－３それぞれは、各モニタ地点で受信した光信号に基づいて得られる推定結果を異常区間推定装置５０に送信する。各光信号モニタ４０－１，４０－２及び４０－３が出力する異常推定結果には、推定結果に加えて出力層の値も含まれる。
　次に、異常区間推定装置５０が各光信号モニタ４０から得られた異常推定結果に基づいて異常区間を推定する方法について説明する。図６は、異常区間推定装置５０が行う異常区間の推定方法を説明するための図である。図６には、各光信号モニタ４０－１～４０－３の出力層の値とそれに基づいた推定結果を示している。図６の上段は、モニタ地点１に対応する学習済みモデル（例えば、光信号モニタ４０－１に記憶されている学習済みモデル）から出力された出力層の値とそれに基づいた推定結果を示す。図６の中段は、モニタ地点２に対応する学習済みモデル（例えば、光信号モニタ４０－２に記憶されている学習済みモデル）から出力された出力層の値とそれに基づいた推定結果を示す。図６の下段は、モニタ地点３に対応する学習済みモデル（例えば、光信号モニタ４０－３に記憶されている学習済みモデル）から出力された出力層の値とそれに基づいた推定結果を示す。
　一般に、単一のニューラルネットワークによる推定では、ニューラルネットワークの出力層でラベル毎に出力される正または負の数値のうち最も大きい値を推定結果として採用する。例えば、モニタ地点３に対応する学習済みモデルでは、出力層の値の最も大きい光ファイバ区間１の異常を、モニタ地点３に対応する学習済みモデルの推定結果として出力する。光信号モニタ４０－１又は４０－２は、上述したように識別ができない状態異常が存在するが、ここではこれらの状態異常は「正常」状態と同程度に発生するものとみなす。例えば、図６で光信号モニタ４０－１の推定結果は「正常」となるが、光ファイバ区間２又は光ファイバ区間３で異常が発生している可能性も同程度にあるとみなし、これらも推定結果として加味する。
　異常区間推定装置５０の異常区間推定部５１において、異常区間を推定する第１の推定方法として、推定結果を多数決によって決定する方法がある。第１の推定方法では、異常区間推定部５１は、光信号モニタ４０－１～４０－３全てから得られた推定結果のうち、最もラベル数の大きい状態を全体の推定結果とする。図６の例では、正常または光ファイバ区間３の異常が推定結果となる。又は、一意に推定する必要がある場合には、推定不能とみなすこともできる。
　第２の推定方法として、出力層の値を用いた判定方法がある。異常区間推定部５１は、出力層の値を各光信号モニタ４０から収集し、ラベル毎に和をとる。これが最も大きい値となったラベルを推定結果とする。図６の例では、正常、光ファイバ区間１異常、光ファイバ区間２異常、光ファイバ区間３異常のラベルを各光信号モニタ４０で和をとった値はそれぞれ１．９、３．６、０．６、２．０となる。そこで、異常区間推定部５１は、最も値の大きい光ファイバ区間１異常を推定結果とする。
　第３の推定方法として、推定結果から特定の区間における異常の有無を逐次的に判定することにより異常発生区間を推定する判定方法がある。第３の推定方法について図７及び図８を用いて説明する。図７は、第１の実施形態における異常区間推定部５１が行う第３の推定方法を説明するための図である。第３の推定方法は、図６のように各光信号モニタ４０が、異常が発生した区間を推定するのではなく、図７のように、各光信号モニタ４０が異常発生区間を識別せずに、正常以外の状態を全て異常とみなし、正常と異常の２つの状態のみを識別する方法である。
　第３の推定方法を行う場合、学習装置７０による学習方法が、図５を用いた学習方法と異なる。この点について説明する。図５を用いた学習方法では、学習用参照データとして、「正常」、「光ファイバ区間１異常」、「光ファイバ区間２異常」、「光ファイバ区間３異常」であることを示す４つの学習用参照データを用いる必要がある。それに対して、第３の推定方法を行う場合の学習装置７０による学習方法では、学習用参照データとして、「正常」又は「異常」であることを示す２つの学習用参照データを用いる。
　例えば、光信号モニタ４０－１に備えられる学習装置７０は、正常学習用データと、光ファイバ区間２異常学習用データと、光ファイバ区間３異常学習用データそれぞれに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。一方、光信号モニタ４０－１に備えられる学習装置７０は、光ファイバ区間１異常学習用データを異常データであるとみなして学習を行う。例えば、光信号モニタ４０－１に備えられる学習装置７０は、光ファイバ区間１異常学習用データに対して、「異常」であることを示す学習用参照データを対応付けて学習を行う。
　同様に、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間３の異常を示す学習用入力データを正常データであるとみなして学習を行う。例えば、光信号モニタ４０－２に備えられる学習装置７０は、正常学習用データと、光ファイバ区間３異常学習用データそれぞれに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。
　一方、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間１異常学習用データ及び光ファイバ区間２異常学習用データを異常データであるとみなして学習を行う。例えば、光信号モニタ４０－２に備えられる学習装置７０は、光ファイバ区間１異常学習用データ及び光ファイバ区間２異常学習用データに対して、「異常」であることを示す学習用参照データを対応付けて学習を行う。
　同様に、光信号モニタ４０－３に備えられる学習装置７０は、正常学習用データを正常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、正常学習用データに対して、「正常」であることを示す学習用参照データを対応付けて学習を行う。一方、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間１異常学習用データ、光ファイバ区間２異常学習用データ及び光ファイバ区間３異常学習用データを異常データであるとみなして学習を行う。例えば、光信号モニタ４０－３に備えられる学習装置７０は、光ファイバ区間１異常学習用データ、光ファイバ区間２異常学習用データ及び光ファイバ区間３異常学習用データに対して、「異常」であることを示す学習用参照データを対応付けて学習を行う。
　このように、第３の推定方法を行う場合には、推定結果が「正常」と「異常」の２つの状態のいずれかを出力するように学習済みモデルが生成される。識別する値を２値のみに限定すると、３値以上を推定する学習済みモデルよりもラベルの粒度が粗くなり推定精度が低下する一方で、機械学習モデルの学習が容易になる。各光信号モニタ４０からは、「正常」又は「異常」のいずれかを示す推定結果を含む異常推定結果が出力される。
　異常区間推定部５１は、光ファイバ区間１に異常があるか否かを光信号モニタ４０－１から出力された異常推定結果に基づいて判定する。光信号モニタ４０－１から出力された異常推定結果で「異常」が推定結果として含まれる場合、異常区間推定部５１は光ファイバ区間１に異常があると推定する。一方、光信号モニタ４０－１から出力された異常推定結果で「正常」が推定結果として含まれる場合、異常区間推定部５１は同様の処理を光信号モニタ４０－２の異常推定結果に基づいて実行する。全ての光信号モニタ４０の異常推定結果で正常と推定された場合に限り、異常区間推定部５１は光送信器１０と光受信器２０との間の区間を正常と判定する。なお、区間が４つ以上の場合も同様に適用可能である。
　図８は、第１の実施形態における異常区間推定装置５０が行う第３の推定方法の処理の流れを示すフローチャートである。
　異常区間推定装置５０の異常区間推定部５１は、光信号モニタ４０－１から得られる異常推定結果で異常が示されているか否かを判定する（ステップＳ１０１）。光信号モニタ４０－１から得られる異常推定結果で異常が示されている場合（ステップＳ１０１－ＹＥＳ）、異常区間推定部５１は光ファイバ区間１に異常ありと推定する。一方、光信号モニタ４０－１から得られる異常推定結果で異常が示されていない（「正常」である）場合（ステップＳ１０１－ＮＯ）、異常区間推定部５１は光信号モニタ４０－２から得られる異常推定結果で異常が示されているか否かを判定する（ステップＳ１０３）。
　光信号モニタ４０－２から得られる異常推定結果で異常が示されている場合（ステップＳ１０３－ＹＥＳ）、異常区間推定部５１は光ファイバ区間２に異常ありと推定する（ステップＳ１０４）。一方、光信号モニタ４０－２から得られる異常推定結果で異常が示されていない（「正常」である）場合（ステップＳ１０３－ＮＯ）、異常区間推定部５１は光信号モニタ４０－３から得られる異常推定結果で異常が示されているか否かを判定する（ステップＳ１０５）。
　光信号モニタ４０－３から得られる異常推定結果で異常が示されている場合（ステップＳ１０５－ＹＥＳ）、異常区間推定部５１は光ファイバ区間３に異常ありと推定する（ステップＳ１０６）。一方、光信号モニタ４０－３から得られる異常推定結果で異常が示されていない（「正常」である）場合（ステップＳ１０５－ＮＯ）、異常区間推定部５１は全ての区間で正常であると推定する（ステップＳ１０７）。
　図９は、第１の実施形態における異常区間推定システム１００の処理の流れを示すシーケンス図である。なお、図９の説明では、各光信号モニタ４０には学習済みモデルが記憶されているものとする。
　光送信器１０は、光信号を送信する（ステップＳ２０１）。光送信器１０から送信された光信号は、光伝送路６０を伝搬して合分岐器３０－１に入力される。合分岐器３０－１に入力された光信号は、２つの経路に分岐される。合分岐器３０－１によって分岐された光信号は、光信号モニタ４０－１及び合分岐器３０－２に入力される。
　光信号モニタ４０－１の受光部４１－１は、合分岐器３０－１によって分岐された光信号を受光する（ステップＳ２０２）。信号抽出部４２－１は、受光部４１－１によって受光された光信号から信号データを抽出する（ステップＳ２０３）。信号抽出部４２－１は、抽出した信号データを区間状態推定部４４－１に出力する。区間状態推定部４４－１は、信号抽出部４２－１から出力された信号データを、学習済みモデル記憶部４３－１に記憶されている学習済みモデルに入力して推定結果を取得する（ステップＳ２０４）。区間状態推定部４４－１は、取得した推定結果を異常区間推定装置５０に出力する（ステップＳ２０５）。
　合分岐器３０－２に入力された光信号は、２つの経路に分岐される。合分岐器３０－２によって分岐された光信号は、光信号モニタ４０－２及び光受信器２０に入力される。光信号モニタ４０－２の受光部４１－２は、合分岐器３０－２によって分岐された光信号を受光する（ステップＳ２０６）。信号抽出部４２－２は、受光部４１－２によって受光された光信号から信号データを抽出する（ステップＳ２０７）。信号抽出部４２－２は、抽出した信号データを区間状態推定部４４－２に出力する。区間状態推定部４４－２は、信号抽出部４２－２から出力された信号データを、学習済みモデル記憶部４３－２に記憶されている学習済みモデルに入力して推定結果を取得する（ステップＳ２０８）。区間状態推定部４４－２は、取得した推定結果を異常区間推定装置５０に出力する（ステップＳ２０９）。
　光受信器２０に入力された光信号は、光信号モニタ４０－３の受光部４１－３で光信号を受光される（ステップＳ２１０）。信号抽出部４２－３は、受光部４１－３によって受光された光信号から信号データを抽出する（ステップＳ２１１）。信号抽出部４２－３は、抽出した信号データを区間状態推定部４４－３に出力する。区間状態推定部４４－３は、信号抽出部４２－３から出力された信号データを、学習済みモデル記憶部４３－３に記憶されている学習済みモデルに入力して推定結果を取得する（ステップＳ２１２）。区間状態推定部４４－３は、取得した推定結果を異常区間推定装置５０に出力する（ステップＳ２１３）。
　異常区間推定装置５０の異常区間推定部５１は、各光信号モニタ４０から出力された推定結果に基づいて異常区間を推定する（ステップＳ２１４）。具体的には、異常区間推定部５１は、第１の推定方法、第２の推定方法及び第３の推定方法の推定方法によって異常区間を推定する。
　以上のように構成される異常区間推定システム１００によれば、光伝送路６０が、光送信器１０から光受信器２０までの１以上のモニタ地点で複数の区間に分割され、光送信器１０から送信された光信号に基づいて信号データを１以上のモニタ地点で抽出し、信号データを入力として複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、１以上のモニタ地点で抽出した信号データを入力することによって異常推定結果を取得し、取得した異常推定結果に基づいて異常が発生している区間を推定する。このように、光伝送路６０の複数地点に設けられた光信号モニタ４０から取得した信号データの各々に機械学習を適用することにより、中継のモニタ地点ではデジタル信号処理による復号を必要とすることないため計算負荷を抑制することができる。さらに、各モニタ地点で得られた異常推定結果を統合することにより、光伝送路６０で異常の発生した区間を高い精度で推定することができる。そのため、計算負荷を抑制しつつ、異常の発生した区間を高精度に推定することが可能になる。
　さらに、異常区間推定システム１００では、各光信号モニタ４０から取得した信号データを各モニタ地点に対応する学習済みモデルに入力することで得られた各モニタ地点における推定結果と、出力層の値とを用いて、出力層の値が最も大きい値となった区間を異常が発生した区間として推定する。これにより、複数のモニタ地点で得られた結果を加味して異常区間の推定ができる。そのため、異常区間の推定精度を向上させることが可能になる。
　さらに、異常区間推定システム１００では、各光信号モニタ４０から取得した信号データを各モニタ地点に対応する学習済みモデルに入力することで得られた各モニタ地点における推定結果で示される区間の数が最も大きい区間を異常が発生した区間として推定する。これにより、複数のモニタ地点で得られた結果を加味して異常区間の推定ができる。そのため、異常区間の推定精度を向上させることが可能になる。
　さらに、異常区間推定システム１００では、各光信号モニタ４０から取得した信号データを各モニタ地点に対応する学習済みモデルに入力することで得られた各モニタ地点における推定結果から特定の区間における異常の有無を逐次的に判定し、異常があると判定された区間を異常が発生している区間として推定する。これにより、計算負荷を抑制することが可能になる。
（第２の実施形態）
　第１の実施形態では、各光信号モニタにおいて学習済みモデルを用いて推定結果を取得する構成を示した。第２の実施形態では、異常区間推定装置が、各光信号モニタから信号データを取得して異常区間を推定する構成について説明する。
　図１０は、第２の実施形態における異常区間推定システム１００ａの構成例を示す図である。異常区間推定システム１００ａは、光送信器１０と、光受信器２０と、１台以上の合分岐器３０と、複数の光信号モニタ４０ａと、異常区間推定装置５０ａとを備える。異常区間推定システム１００ａは、光信号モニタ４０及び異常区間推定装置５０に代えて光信号モニタ４０ａ及び異常区間推定装置５０ａを備える点で異常区間推定システム１００と構成が異なる。異常区間推定システム１００ａのその他の構成については異常区間推定システム１００と同様である。以下、光信号モニタ４０ａ及び異常区間推定装置５０ａについて説明する。
　光信号モニタ４０ａは、合分岐器３０により分岐された光信号、又は、光伝送路６０を伝搬した光信号を入力とする。光信号モニタ４０ａは、入力された光信号を用いて信号データを抽出する。光信号モニタ４０ａは、抽出した信号データを異常区間推定装置５０ａに出力する。このように、光信号モニタ４０ａは、学習済みモデルを用いた推定を行わない。すなわち、光信号モニタ４０ａは、学習済みモデル記憶部４３及び区間状態推定部４４を備えない。
　異常区間推定装置５０ａは、学習済みモデル記憶部４３と、区間状態推定部４４と、異常区間推定部５１とを備える。異常区間推定装置５０ａは、学習済みモデル記憶部４３及び区間状態推定部４４を新たに備える点で異常区間推定装置５０と構成が異なる。異常区間推定装置５０ａのその他の構成については異常区間推定装置５０と同様である。以下、学習済みモデル記憶部４３及び区間状態推定部４４について説明する。
　学習済みモデル記憶部４３は、学習済みモデル記憶部４３－１，４３－２，４３－３を含んで構成される。学習済みモデル記憶部４３－１，４３－２，４３－３は、第１の実施形態における同名の機能部と同じである。なお、第２の実施形態において、学習装置７０は異常区間推定装置５０ａに備えられてもよいし、外部の装置として異常区間推定システム１００ａに備えられてもよい。なお、異常区間推定装置５０ａに学習装置７０が備えられる場合、異常区間推定装置５０ａは学習モードと、推定モードとを有する。異常区間推定装置５０ａに学習装置７０が備えられない場合（例えば、学習装置７０が外部の装置に備えられる場合）であっても、異常区間推定装置５０ａは学習モードと、推定モードとを有していてもよい。
　区間状態推定部４４は、区間状態推定部４４－１，４４－２，４４－３を含んで構成される。区間状態推定部４４－１，４４－２，４４－３は、第１の実施形態における同名の機能部と同様の処理を行う。
　以上のように構成された異常区間推定システム１００ａによれば、第１の実施形態と同様の効果を得ることができる。さらに、異常区間推定システム１００ａでは、異常区間推定装置５０ａが、第１の実施形態において各光信号モニタ４０が備えていた学習済みモデル記憶部４３及び区間状態推定部４４を備える。異常区間推定装置５０ａは、これにより、各光信号モニタ４０ａで学習済みモデルを用いた推定を行う必要がない。すなわち、各光信号モニタ４０ａは、光信号から信号データを抽出し、抽出した信号データを異常区間推定装置５０ａに送信するだけでよい。従って、各光信号モニタ４０ａが備える機能を削減することができる。
（第３の実施形態）
　第３の実施形態では、各光信号モニタから取得した信号データを用いて、単一の機械学習モデルの学習と、単一の学習済みモデルを用いた推定を行う構成について説明する。
　図１１は、第３の実施形態における機械学習モデルの学習方法を説明するための図である。図１１に示すように、第３の実施形態では、学習装置７０に対して、各モニタ地点から取得した同一ラベルのデータを１つの学習データとして入力して機械学習を行う。例えば、モニタ地点１で取得された正常の状態を示す信号データと、モニタ地点２で取得された正常の状態を示す信号データと、モニタ地点３で取得された正常の状態を示す信号データとを１つの学習用入力データとして、学習用参照データ“正常”とともに機械学習モデルに１つの学習データとして入力して機械学習モデルを機械学習によって更新する。
　同様に、モニタ地点１で取得された光ファイバ区間１に異常が発生している状態を示す信号データと、モニタ地点２で取得された光ファイバ区間１に異常が発生している状態を示す信号データと、モニタ地点３で取得された光ファイバ区間１に異常が発生している状態を示す信号データとを１つの学習用入力データとして、学習用参照データ“光ファイバ区間１異常”とともに機械学習モデルに１つの学習データとして入力して機械学習モデルを機械学習によって更新する。
　同様に、モニタ地点１で取得された光ファイバ区間２に異常が発生している状態を示す信号データと、モニタ地点２で取得された光ファイバ区間２に異常が発生している状態を示す信号データと、モニタ地点３で取得された光ファイバ区間２に異常が発生している状態を示す信号データとを１つの学習用入力データとして、学習用参照データ“光ファイバ区間２異常”とともに機械学習モデルに１つの学習データとして入力して機械学習モデルを機械学習によって更新する。
　同様に、モニタ地点１で取得された光ファイバ区間３に異常が発生している状態を示す信号データと、モニタ地点２で取得された光ファイバ区間３に異常が発生している状態を示す信号データと、モニタ地点３で取得された光ファイバ区間３に異常が発生している状態を示す信号データとを１つの学習用入力データとして、学習用参照データ“光ファイバ区間３異常”とともに機械学習モデルに１つの学習データとして入力して機械学習モデルを機械学習によって更新する。
　上述した処理により、信号データに応じた光ファイバ区間の異常推定結果を出力するように学習された１つの学習済みモデルが生成される。
　図１２は、第３の実施形態における異常区間推定システム１００ｂの構成例を示す図である。異常区間推定システム１００ｂは、光送信器１０と、光受信器２０と、１台以上の合分岐器３０と、複数の光信号モニタ４０ａと、異常区間推定装置５０ｂとを備える。異常区間推定システム１００ｂは、異常区間推定装置５０ａに代えて異常区間推定装置５０ｂを備える点で異常区間推定システム１００ａと構成が異なる。異常区間推定システム１００ｂのその他の構成については異常区間推定システム１００ａと同様である。以下、異常区間推定装置５０ｂについて説明する。
　異常区間推定装置５０ｂは、学習済みモデル記憶部４３ｂと、異常区間推定部５１ｂとを備える。学習済みモデル記憶部４３ｂには、１つの学習済みモデルが記憶される。第１の実施形態及び第２の実施形態では、各光信号モニタ４０，４０ａに対応する学習済みモデルが異常区間の推定に用いられていたが、第３の実施形態では１つの学習済みモデルが異常区間の推定に用いられる。学習済みモデル記憶部４３ｂに記憶されている１つの学習済みモデルは、各光信号モニタ４０ａから送信される信号データの組を入力として、光ファイバ区間の異常推定結果を出力する。
　異常区間推定部５１ｂは、各光信号モニタ４０ａから送信される信号データの組を学習済みモデルに入力して、光ファイバ区間の異常推定結果を取得する。異常区間推定部５１ｂは、取得した光ファイバ区間の異常推定結果に基づいて異常区間を推定する。
　以上のように構成された異常区間推定システム１００ｂによれば、各モニタ地点で得られる同一状態の学習用入力データの組と、その状態を示す学習用参照データとを用いて機械学習モデルを機械学習により更新して学習済みモデルを生成する。異常区間推定部５１ｂは、各光信号モニタ４０ａで抽出された各信号データを１つの信号データとして学習済みモデルに入力することによって異常推定結果を取得し、取得した異常推定結果に基づいて異常区間を推定する。これにより、異常区間推定部５１ｂは、各光信号モニタ４０ａで抽出された信号データ毎に、異なる学習済みモデルを用いて異常推定結果を取得し、各異常推定結果を踏まえて異常区間の推定を行わなくてよい。そのため、異常区間推定部５１ｂの処理負荷を軽減することが可能になる。
（第４の実施形態）
　第４の実施形態では、光信号を多重した多重通信が行われるシステムに適用する場合の構成について説明する。なお、ここでいう多重通信には、波長多重通信、空間多重通信等が含まれる。以下の説明では、一例として波長多重通信が行われるシステムに適用する場合の構成について説明する。
　図１３は、第４の実施形態における異常区間推定システム１００ｃの構成例を示す図である。異常区間推定システム１００ｃは、複数の光送信器１０ｃ－１～１０ｃ－Ｎ（Ｎは２以上の整数）と、複数の光受信器２０ｃ－１～２０ｃ－Ｎと、合分岐器３０－１～３０－２と、複数の光信号モニタ４０－１－１～４０－１－Ｎ，４０－２－１～４０－２－Ｎ，４０－３－１～４０－３－Ｎと、異常区間推定装置５０ｃと、複数の光合分波器８０－１～８０－４とを備える。以下、異常区間推定システム１００との相違点について説明する。
　複数の光送信器１０ｃ－１～１０ｃ－Ｎは、異なる波長λ１～λＮの光信号を送信する。
　複数の光受信器２０ｃ－１～２０ｃ－Ｎは、複数の光送信器１０ｃ－１～１０ｃ－Ｎから送信された光信号を受信する。複数の光受信器２０ｃ－１～２０ｃ－Ｎは、異なる光信号モニタ４０－３－１～４０－３－Ｎを備える。例えば、光受信器２０ｃ－１は、光信号モニタ４０－３－１を備える。
　各光信号モニタ４０は、合分岐器３０により分岐された光信号、又は、光伝送路６０を伝搬した光信号を入力とする。各モニタ地点において、光信号モニタ４０は波長数分備えられてもよい。すなわち、各光信号モニタ４０には、１波長の光信号が入力されることになる。各光信号モニタ４０が行う処理は、第１の実施形態と同様である。各光信号モニタ４０は、図２に示す構成を備える。
　光合分波器８０－１～８０－４は、光信号を合波又は分波する。例えば、光合分波器８０－１は、各光送信器１０ｃから送信された光信号を合波して多重信号を生成し、生成した多重信号を光伝送路６０に出力する。例えば、光合分波器８０－２～８０－４には、多重信号が入力される。光合分波器８０－２～８０－４は、入力された多重信号を波長毎に分波する。
　異常区間推定装置５０ｃは、異常区間推定部５１ｃを備える。異常区間推定部５１ｃは、各光信号モニタ４０から得られる光ファイバ区間の異常推定結果に基づいて、異常が発生している区間を推定する。異常区間推定部５１ｃは、各光信号モニタ４０から得られる光ファイバ区間の異常推定結果に基づいて、各波長での状態推定を行った後に、波長ごとの推定結果を統合して異常発生の有無および区間の推定を行う。
　以上のように構成された異常区間推定システム１００ｃによれば、多重通信を行うシステムにも適用することができる。
（第４の実施形態における変形例１）
　多重通信として、空間多重通信が用いられる場合には、異常区間推定システム１００ｃは、光合分波器８０－１～８０－４に代えて、ファンイン、ファンアウトの機器が備えられる。例えば、光合分波器８０－１に代えてファンインの機器が備えられ、光合分波器８０－２～８０－４に代えてファンアウトの機器が備えられる。これにより、各モニタ地点で１以上の推定結果を得ることができ、これに基づいた推定が可能となる。
（第４の実施形態における変形例２）
　各光信号モニタ４０において、異常区間推定部５１ｃは、第３の実施形態のように各光信号モニタ４０から得られた信号データに基づいて異常区間の推定を行うように構成されてもよい。このように構成される場合、異常区間推定部５１ｃでは、まず波長毎に直接推定し、各々の推定結果から異常区間の推定を行う。
（第４の実施形態における変形例３）
　第４の実施形態の構成において、第２の実施形態のように、学習済みモデル記憶部４３及び区間状態推定部４４が、異常区間推定装置５０ｃに備えられてもよい。この場合、多重数をＮとすると、学習済みモデル記憶部４３及び区間状態推定部４４の数がそれぞれＮ倍になる。例えば、異常区間推定装置５０ａは、学習済みモデル記憶部４３及び区間状態推定部４４を、学習済みモデル記憶部４３－１、・・・、４３－３Ｎ、区間状態推定部４４－１、・・・、４４－３Ｎ備える。具体的な処理は、異常区間推定部５１ｃでは、まず波長毎に第２の実施形態と同様の処理で区間状態を推定し、各々の推定結果から異常区間の推定を行う。
　上述した異常区間推定装置５０，５０ａ，５０ｂ，５０ｃの各機能部のうちの一部又は全部は、ＣＰＵ（Central Processing Unit）等のプロセッサが、不揮発性の記録媒体（非一時的記録媒体）を有する記憶装置と記憶部とに記憶されたプログラムを実行することにより、ソフトウェアとして実現される。プログラムは、コンピュータ読み取り可能な非一時的記録媒体に記録されてもよい。コンピュータ読み取り可能な非一時的記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置などの非一時的記録媒体である。
　上述した異常区間推定装置５０，５０ａ，５０ｂ，５０ｃの各機能部のうちの一部又は全部は、例えば、ＬＳＩ（Large Scale Integrated circuit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）又はＦＰＧＡ（Field Programmable Gate Array）等を用いた電子回路（electronic circuit又はcircuitry）を含むハードウェアを用いて実現されてもよい。
　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　本発明は、光送信器と光受信器とを接続する光伝送路を用いたシステムに適用できる。
１０…光送信器，　２０…光受信器，　２１…復号部，　３０、３０－１、３０－２…合分岐器，　４０、４０－１、４０－２、４０－３、４０ａ－１、４０ａ－２、４０ａ－３…光信号モニタ，　４１…受光部，　４２…信号抽出部，　４３、４３ｂ…学習済みモデル記憶部，　４４…区間状態推定部，　５０、５０ａ、５０ｂ…異常区間推定装置，　５１、５１ｂ…異常区間推定部，　６０…光伝送路，　７０…学習装置，　７１…学習モデル記憶部，　７２…学習データ入力部，　８０、８０－１、８０－２、８０－３、８０－４…光合分波器，　１００、１００ａ、１００ｂ、１００ｃ…異常区間推定システム

Claims (8)

  1. 　光送信器と光受信器が光伝送路で接続されているシステムにおける異常区間推定方法であって、
    　前記光伝送路は、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割され、
    　前記光送信器から送信された光信号に基づいて、位相と振幅で表現される前記光信号の複素平面上における信号データを、前記１以上のモニタ地点で抽出し、
    　前記信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記１以上のモニタ地点で抽出した前記信号データを入力することによって前記異常推定結果を取得し、
    　取得した前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定方法。
  2. 　前記学習済みモデルは、モニタ地点それぞれに対応付けられており、モニタ地点それぞれで観測可能な区間の異常を異常推定結果として出力可能に学習された複数の学習済みモデルであって、
    　前記異常推定結果には、推定結果と、前記推定結果に応じた出力層の値とが含まれ、
    　前記出力層の値を前記推定結果毎に合算し、合算した値が最も大きい推定結果で示される区間を異常が発生している区間として推定する、
    　請求項１に記載の異常区間推定方法。
  3. 　前記学習済みモデルは、モニタ地点それぞれに対応付けられており、モニタ地点それぞれで観測可能な区間の異常を異常推定結果として出力可能に学習された複数の学習済みモデルであって、
    　前記異常推定結果には、推定結果と、前記推定結果に応じた出力層の値とが含まれ、
    　前記推定結果で示される数が最も多い区間を異常が発生している区間として推定する、
    　請求項１に記載の異常区間推定方法。
  4. 　前記学習済みモデルは、モニタ地点それぞれに対応付けられており、モニタ地点それぞれで観測可能な区間の異常を異常推定結果として出力可能に学習された複数の学習済みモデルであって、
    　前記異常推定結果には、推定結果と、前記推定結果に応じた出力層の値とが含まれ、
    　前記推定結果から特定の区間における異常の有無を逐次的に判定し、異常があると判定された区間を異常が発生している区間として推定する、
    　請求項１に記載の異常区間推定方法。
  5. 　前記学習済みモデルは、各モニタ地点で抽出された同一状態の複数の信号データを１つの信号データとして入力して、前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習され、
    　各モニタ地点で抽出した各信号データを１つの信号データとして、前記学習済みモデルに入力することによって前記異常推定結果を取得する、
    　請求項１に記載の異常区間推定方法。
  6. 　前記光信号は、多重された光信号である、
    　請求項１から５のいずれか一項に記載の異常区間推定方法。
  7. 　光信号を送信する光送信器と、
    　前記光送信器から送信された前記光信号を受信する光受信器と、
    　前記光送信器と前記光受信器を接続し、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割される光伝送路と、
    　前記光送信器から送信された光信号に基づいて、位相と振幅で表現される前記光信号の複素平面上における信号データを、前記１以上のモニタ地点で抽出する１以上の光信号モニタと、
    　前記信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記光信号モニタによって抽出された前記１以上のモニタ地点における前記信号データを入力することによって得られた前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定部と、
    　を備える異常区間推定システム。
  8. 　光送信器と光受信器が光伝送路で接続されているシステムが備える異常区間推定装置であって、
    　前記光伝送路は、前記光送信器から前記光受信器までの１以上のモニタ地点で複数の区間に分割され、
    　前記光送信器から送信された光信号に基づいて得られる位相と振幅で表現される前記光信号の複素平面上における信号データを入力として前記複数の区間の少なくともいずれかの区間の異常推定結果を出力するように学習された学習済みモデルに対して、前記１以上のモニタ地点で前記信号データを抽出する１以上の光信号モニタで得られた前記信号データを入力することによって得られた前記異常推定結果に基づいて異常が発生している区間を推定する異常区間推定部、
    　を備える異常区間推定装置。
PCT/JP2022/023626 2022-06-13 2022-06-13 異常区間推定方法、異常区間推定システム及び異常区間推定装置 WO2023242904A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023626 WO2023242904A1 (ja) 2022-06-13 2022-06-13 異常区間推定方法、異常区間推定システム及び異常区間推定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023626 WO2023242904A1 (ja) 2022-06-13 2022-06-13 異常区間推定方法、異常区間推定システム及び異常区間推定装置

Publications (1)

Publication Number Publication Date
WO2023242904A1 true WO2023242904A1 (ja) 2023-12-21

Family

ID=89192596

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/023626 WO2023242904A1 (ja) 2022-06-13 2022-06-13 異常区間推定方法、異常区間推定システム及び異常区間推定装置

Country Status (1)

Country Link
WO (1) WO2023242904A1 (ja)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071602A (ja) * 2004-09-06 2006-03-16 Anritsu Corp 光線路異常診断装置及び診断方法
JP2007093348A (ja) * 2005-09-28 2007-04-12 Chugoku Electric Power Co Inc:The 光ファイバの伝送損失表示装置及び方法
JP2018157440A (ja) * 2017-03-17 2018-10-04 日本電信電話株式会社 端局装置及び帯域割当方法
WO2020022310A1 (ja) * 2018-07-27 2020-01-30 日本電気株式会社 監視装置および監視方法
JP2020098373A (ja) * 2018-12-17 2020-06-25 富士通株式会社 異常検出装置、異常検出プログラム、及び、異常検出方法
JP2021162304A (ja) * 2020-03-30 2021-10-11 東日本電信電話株式会社 光ケーブルの異常区間判定装置
WO2022024248A1 (ja) * 2020-07-29 2022-02-03 日本電信電話株式会社 故障個所特定装置、故障個所特定方法、および、故障個所特定プログラム
WO2022107296A1 (ja) * 2020-11-19 2022-05-27 日本電信電話株式会社 推定装置、推定方法、および、推定プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071602A (ja) * 2004-09-06 2006-03-16 Anritsu Corp 光線路異常診断装置及び診断方法
JP2007093348A (ja) * 2005-09-28 2007-04-12 Chugoku Electric Power Co Inc:The 光ファイバの伝送損失表示装置及び方法
JP2018157440A (ja) * 2017-03-17 2018-10-04 日本電信電話株式会社 端局装置及び帯域割当方法
WO2020022310A1 (ja) * 2018-07-27 2020-01-30 日本電気株式会社 監視装置および監視方法
JP2020098373A (ja) * 2018-12-17 2020-06-25 富士通株式会社 異常検出装置、異常検出プログラム、及び、異常検出方法
JP2021162304A (ja) * 2020-03-30 2021-10-11 東日本電信電話株式会社 光ケーブルの異常区間判定装置
WO2022024248A1 (ja) * 2020-07-29 2022-02-03 日本電信電話株式会社 故障個所特定装置、故障個所特定方法、および、故障個所特定プログラム
WO2022107296A1 (ja) * 2020-11-19 2022-05-27 日本電信電話株式会社 推定装置、推定方法、および、推定プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANAKA TAKAFUMI; INUI TETSURO; KAWAI SHINGO; KUWABARA SEIKI; NISHIZAWA HIDEKI: "Monitoring and diagnostic technologies usingdeep neural networks for predictive optical network maintenance [Invited]", JOURNAL OF OPTICAL COMMUNICATIONS AND NETWORKING, IEEE, USA, vol. 13, no. 10, 1 October 2021 (2021-10-01), USA, XP011856332, ISSN: 1943-0620, DOI: 10.1364/JOCN.424428 *

Similar Documents

Publication Publication Date Title
JP7201793B2 (ja) 光リンク障害識別方法、装置およびシステム
EP1241820B9 (en) Method and apparatus for measuring and estimating optical signal to noise ratio in photonic networks
JP5200159B2 (ja) 光伝送監視装置
JP2008005340A (ja) 通信装置、回線診断方法、プログラム、記録媒体
US10187173B2 (en) Wavelength selective switch and optical signal transmission system
US11528080B2 (en) Optical transmission system and failure diagnosis method for optical transmission system
US11728889B2 (en) Optical transmitting apparatus and transmission characteristics estimation method
EP1746754A1 (en) Method for operating a switched optical network
JP5731631B2 (ja) 光リフレクトメトリを用いたシステムの監視
WO2023242904A1 (ja) 異常区間推定方法、異常区間推定システム及び異常区間推定装置
US20090269057A1 (en) Wavelength route selection system and wavelength route selection method
US20180019815A1 (en) Method and device for estimating transmission quality of optical path
US11342990B2 (en) State estimating device and communication system
JP5435223B2 (ja) 波長分割多重伝送装置およびその信号光監視方法
JP4012418B2 (ja) 光波長分割多重信号監視装置および方法、並びに光信号品質監視装置および光信号波形測定装置
US20230101899A1 (en) Optical communication system, failure analysis apparatus, and failure analysis methodof optical communication system
JP4663587B2 (ja) 劣化要因を測定する方法および装置
Date et al. Silent failure localization on optical transport system
JP2001217775A (ja) 光受信器，光送信器，光増幅中継器及び光信号監視システム
WO2023058141A1 (ja) 通信システム、通信方法及びプログラム
JP2023073596A (ja) 異常発生箇所判定装置、異常発生箇所判定方法及びプログラム
Onodera et al. Real-Time Detection of Optical Cross-Talk for Autonomous Network Diagnosis
WO2024047699A1 (ja) 光線路監視システム、光線路監視装置及び光線路監視方法
WO2024034082A1 (ja) 故障予測装置、故障予測方法、および、故障予測プログラム
JP6846024B2 (ja) モード多重光信号の測定装置、光受信装置及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22946724

Country of ref document: EP

Kind code of ref document: A1