SDN控制器以及光通信设备的光信噪比预测方法技术

本发明专利技术公开了一种SDN控制器以及光通信设备的光信噪比预测方法，所述方法包括：采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的。应用本发明专利技术可以具有更低的预测误差，且可以大大降低神经网络模型的训练难度。

Optical signal to noise ratio prediction method for SDN controller and optical communication equipment

【技术实现步骤摘要】
SDN控制器以及光通信设备的光信噪比预测方法
本专利技术涉及光通信
，特别是指一种SDN控制器以及光通信设备的光信噪比预测方法。
技术介绍
随着互联网技术的蓬勃发展，光网络向着超高速大容量方向发展，网络规模日益庞大，光网络结构越来越复杂，网络中光路径不断延长，这必然导致网络中光信号传输受到各种物理层损伤的影响。光信号损伤造成端到端的误码率较高，不仅影响了传输质量，甚至导致阻塞率偏高。因此保障通信可靠性就非常重要。优化对光传输网络资源的配置及业务的部署，提升光传输网络的稳定性及可靠性。由于长距离传输导致的光域中功率损耗、光信号和色散等传输损伤的积累，光信号的传输质量将劣化，也许无法满足接收机对传输信号质量的要求，进而不能在光信号中解析出正确的相关信息。在光通信设备中，物理层最重要的参数就是光信噪比，其值的大小直接决定了业务能否正常运行，在接收机中光信噪比(OSNR)一旦不能满足要求，将会造成传输错误或失败、服务质量降低、传送消耗增加等问题。综上所述，准确高效的OSNR预测是十分必要的，因此需要设计有效的OSNR预测方法，以实现更加准确高效的性能监控，从而为保障通信的传输质量奠定基础。针对光通信设备OSNR预测主要有两大方向，一类是基于解析公式的先验知识方案，另一类是基于历史数据和机器学习算法的后验知识方案，基于解析公式的算法方案一般很难将OSNR的影响因素考虑完全，造成预测准确率降低，基于机器学习算法的方案存在缺乏训练集的问题，也会导致预测性能降低。事实上，目前在OSNR预测领域，人工智能算法占据半壁江山。但是，这些人工智能模型直接应用于实际场景难度较大，因为它们都需要大量的数据集进行模型的训练，但在实际场景中，有效的设备数据会很少，从而无法满足模型预测精度的要求。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种SDN控制器以及光通信设备的光信噪比预测方法，与现有基于解析公式的先验知识方案相比，可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；与现有的基于历史数据和机器学习算法的后验知识方案相比，训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。基于上述目的，本专利技术提供一种光通信设备的光信噪比预测方法，包括：采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。其中，所述神经网络模型具体根据如下方法预先训练得到：采集所述被测光通信设备的OSNR预测相关的历史网络状态信息；针对采集的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果；对于每组历史网络状态信息，将该组历史网络状态信息，以及对应的OSNR先验预测结果，组成一组输入数据；将对应于该组历史网络状态信息的实际OSNR检测结果，作为该组输入数据对应的标签数据；根据多组输入数据及其对应的标签数据生成所述训练集；将训练集中的各组输入数据依次输入神经网络模型，对神经网络模型进行训练：对于训练集中的每组输入数据，将该组输入数据输入到神经网络模型后，根据神经网络模型的输出与该组输入数据所对应的标签数据之间的差异，对神经网络模型的参数进行调整。本专利技术还提供一种SDN控制器，包括：数据获取模块，用于获取被测光通信设备的OSNR预测相关的当前网络状态信息；OSNR先验预测结果运算模块，用于针对所述被测光通信设备的OSNR预测相关的当前网络状态信息，基于先验知识的算法进行OSNR运算，得到OSNR先验预测结果；OSNR最终预测模块，用于将所述被测光通信设备的OSNR预测相关的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。本专利技术的技术方案中，采集被测光通信设备的OSNR预测相关的当前网络状态信息；针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。从而通过在基于后验知识的神经网络模型里引入先验知识，使得神经网络模型能有效地降低训练复杂度，从而与现有的解析学习模型相比，本专利技术的技术方案可以充分结合神经网络模型复杂问题的精准分析和预测能力，具有更低的预测误差；同时，与现有的神经网络学习模型相比，本专利技术的技术方案训练集数量要求更少、训练时间更短，可以大大降低神经网络模型的训练难度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种应用于光通信设备的光信噪比预测的神经网络模型的训练方法流程图；图2为本专利技术实施例提供的一种SDN网络的架构示意图；图3为本专利技术实施例提供的一种训练深度神经网络的示意图；图4为本专利技术实施例提供的一种光通信设备的光信噪比预测方法流程图；图5为本专利技术实施例提供的一种SDN控制器的内部结构框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。需要说明的是，除非另外定义，本专利技术实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。本文档来自技高网...

【技术保护点】
1.一种光通信设备的光信噪比预测方法，其特征在于，包括：/n采集被测光通信设备的OSNR预测相关的当前网络状态信息；/n针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；/n将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；/n其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。/n

【技术特征摘要】
1.一种光通信设备的光信噪比预测方法，其特征在于，包括：
采集被测光通信设备的OSNR预测相关的当前网络状态信息；
针对采集的当前网络状态信息，基于先验知识的算法进行OSNR运算；
将采集的当前网络状态信息，以及运算得到的OSNR先验预测结果输入到神经网络模型中，得到所述被测光通信设备的最终OSNR预测结果；
其中，所述神经网络模型是通过训练集预先训练得到的；其中，所述训练集是根据所述被测光通信设备的OSNR预测相关的历史网络状态信息，以及针对所述被测光通信设备的OSNR预测相关的历史网络状态信息，基于先验知识的算法进行OSNR运算得到的预测结果生成的。


2.根据权利要求1所述的方法，其特征在于，所述神经网络模型具体根据如下方法预先训练得到：
采集所述被测光通信设备的OSNR预测相关的历史网络状态信息；
针对采集的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果；
对于每组历史网络状态信息，将该组历史网络状态信息，以及对应的OSNR先验预测结果，组成一组输入数据；将对应于该组历史网络状态信息的实际OSNR检测结果，作为该组输入数据对应的标签数据；
根据多组输入数据及其对应的标签数据生成所述训练集；
将训练集中的各组输入数据依次输入神经网络模型，对神经网络模型进行训练：对于训练集中的每组输入数据，将该组输入数据输入到神经网络模型后，根据神经网络模型的输出与该组输入数据所对应的标签数据之间的差异，对神经网络模型的参数进行调整。


3.根据权利要求2所述的方法，其特征在于，所述采集所述被测光通信设备的OSNR预测相关的历史网络状态信息，具体为：
所述被测光通信设备将采集的OSNR预测相关的历史网络状态信息发送给SDN控制器。


4.根据权利要求3所述的方法，其特征在于，所述针对采集的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果，具体为：
所述SDN控制器针对所述被测光通信设备发送的每组历史网络状态信息，基于先验知识的算法进行OSNR运算，得到相应的OSNR先验预测结果。


5.根据权利要求4所述的方法，其特征在于，所述对神经网络模型进行训练，具体为：
所述SDN控制器对神经网络模型进行训练。


6.根据权利要求1-5任一所述的方法，其特征在于，所述采集被测光通信设备的OSNR预测相关的当前网络状态信息，具体为：
所...

【专利技术属性】
技术研发人员：王峰，李兴华，夏绪卫，闫振华，马梦轩，闫舒怡，邢祥栋，赵永利，
申请(专利权)人：国网宁夏电力有限公司电力科学研究院，北京邮电大学，
类型：发明
国别省市：宁夏;64