浏览全部资源
扫码关注微信
基于机器学习的OTN网络性能劣化预测
Machine Learning based OTN Network Performance Degradation Prediction
- 光通信研究 2025年第2期
- 作者机构：
1.烽火通信科技股份有限公司，武汉 430074
2.中国信息通信科技集团，武汉 430074
3.华中科技大学 电子信息与通信学院，武汉 430074
- 作者简介：
陈丽萍（1986-），女，湖北荆州人。高级工程师，硕士，主要研究方向为传送网管控和人工智能应用。
张鹏，高级工程师。E-mail：hustzhangpeng@hust.edu.cn
- 基金信息：湖北省重点研发计划资助项目(2024BAB029)
DOI：10.13756/j.gtxyj.2025.240047
中图分类号： TN929收稿：2024-04-22，
修回：2024-05-09，
纸质出版：2025-04-10
- 稿件说明：
移动端阅览
陈丽萍，廖亮，张鹏，等. 基于机器学习的OTN网络性能劣化预测[J].光通信研究，2025(2)：240047.
Chen L P, Liao L, Zhang P, et al. Machine Learning based OTN Network Performance Degradation Prediction[J]. Study on Optical Communications, 2025(2): 240047.
陈丽萍，廖亮，张鹏，等. 基于机器学习的OTN网络性能劣化预测[J].光通信研究，2025(2)：240047. DOI： 10.13756/j.gtxyj.2025.240047.
Chen L P, Liao L, Zhang P, et al. Machine Learning based OTN Network Performance Degradation Prediction[J]. Study on Optical Communications, 2025(2): 240047. DOI： 10.13756/j.gtxyj.2025.240047.
摘要
【目的】
2
文章旨在解决光传送网（OTN）网络性能劣化（即误码）预测难题。OTN误码类性能值依赖于OTN帧开销中的比特交叉奇偶校验（BIP）字节检测，并由网络管控系统周期性统计计算得出。在OTN网络正常运行的绝大多数情况下，误码类性能值保持为零，这无疑为传统方法及最新人工智能（AI）技术预测OTN误码相关性能带来了挑战。
【方法】
2
文章提出了一种利用OTN光层与电层之间对应关系进行误码概率预测的方法。首先，借助深度学习技术预测光信道误码率（BER）的变化趋势；随后，基于预测的光信道BER，运用文章所提机器学习模型进一步预测OTN误码概率。
【结果】
2
通过仿真实验验证，该方法的预测准确性超过90%。
【结论】
2
文章所提方案达到了工程化应用的要求，为OTN网络性能劣化预测提供了新的有效方法，并为OTN网络预测性维护提供了有力依据。
Abstract
【Objective】
2
This paper aims to address the challenge of predicting performance degradation (frame transmission errors) in Optical Transport Network (OTN). Frame error performance metrics in OTN rely on the detection of Bit Interleaved Parity (BIP) bytes in OTN frame overhead
which are periodically calculated by network management systems. In the vast majority of cases where the OTN network operates normally
the error-related performance values remain zero
which undoubtedly poses a challenge for both traditional methods and the Artificial Intelligence (AI) technologies in predicting OTN error-related performance.
【Methods】
2
This paper proposes a creative approach to predict error probability by leveraging the correspondence between the optical and electrical layers in OTN. Firstly
deep learning techniques are used to predict the trend of Bit Error Rates (BER) in optical channels. Subsequently
based on the predicted BER in optical channels
the proposed machine learning models are employed to further predict the frame error probability in OTN.
【Results】
2
Verified through simulation experiments
the prediction accuracy of this method exceeds 90%.
【Conclusion】
2
The proposed solution meets the requirements for engineering applications
providing a new and effective method for predicting performance degradation in OTN networks. It also provides a strong basis for predictive maintenance of OTN networks.
关键词
Keywords
references
Agrawal G P . Fiber-optic Communication Systems [M ] . New York, US : Wiley , 2010 .
杨猛 . 光传送网(OTN)技术应用阐述 [J ] . 移动信息 , 2023 , 45 ( 1 ): 68 - 70 .
Yang M . Discussion on the Application of Optical Transport Network (OTN) Technology [J ] . Mobile Information , 2023 , 45 ( 1 ): 68 - 70 .
张旭 , 邓庆林 , 陈鹏 , 等 . 基于Telemetry的OTN设备性能采集系统研究 [J ] . 光通信研究 , 2023 ( 6 ): 45 - 50 .
Zhang X , Deng Q L , Chen P , et al . Research on OTN Equipment Performance Collection System based on Telemetry Architecture [J ] . Study on Optical Communications , 2023 ( 6 ): 45 - 50 .
杨刚刚 , 邵珠贵 , 姜先荣 . 基于机器学习的OTN业务时延估算方法研究 [J ] . 光通信研究 , 2024 ( 6 ): 230114 .
Yang G G , Shao Z G , Jiang X R . Research on OTN Service Delay Estimation Method based on Machine Learning [J ] . Study on Optical Communications , 2024 ( 6 ): 230114 .
Musumeci F , Rottondi C , Corani G , et al . A Tutorial on Machine Learning for Failure Management in Optical Networks [J ] . Journal of Lightwave Technology , 2019 , 37 ( 16 ): 4125 - 4139 .
Vela A P , Ruiz M , Fresi F , et al . BER Degradation Detection and Failure Identification in Elastic Optical Networks [J ] . Journal of Lightwave Technology , 2017 , 35 ( 21 ): 4595 - 4604 .
ITU-T G.870/Y.1352-2004, Terms and Definition for Optical Transport Network (OTN) [S ] .
ITU-T G.798-2012, Characteristics of Optical Transport Network (OTN) Hierarchy Equipment Functional Blocks [S ] .
赵梓森 . 数字光纤通信系统原理 [M ] . 北京 : 科学出版社 , 1984 .
Zhao Z S . Principles of Digital Fiber Optic Communication Systems [M ] . Beijing, China : Science Press , 1984 .
Hamilton J D . Time Series Analysis [M ] . Princeton, New Jersey, US : Princeton University Press , 2020 .
Lipton Z C , Berkowitz J , Elkan C , et al . A Critical Review of Recurrent Neural Networks for Sequence Learning [EB/OL ] . ( 2015-10-17 ) [ 2024-04-22 ] . https://arxiv.org/abs/1506.00019v4 https://arxiv.org/abs/1506.00019v4 .
何舟 , 张鹏 , 肖泳 , 等 . 一种基于机器学习的光信道误码率预测方法 ：中国， 202311318561.1 [P ] . 2023-12-23 .
He Z , Zhang P , Xiao Y , et al . A Machine Learning-based Method for Predicting Optical Channel Bit Error Rate : China, 202311318561.1 [P ] . 2023-12-23 .
Zaremba W , Sutskever I , Vinyals O . Recurrent Neural Network Regularization [EB/OL ] . ( 2015-02-19 ) [ 2024-04-22 ] . https://arxiv.org/abs/1409.2329v5 https://arxiv.org/abs/1409.2329v5 .
Hochreiter S , Schmidhuber J . Long Short-term Memory [J ] . Neural Computation , 1997 , 9 : 1735 - 1780 .
Chung J , Gulcehre C , Cho K , et al . Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling [EB/OL ] . ( 2014-11-11 ) [ 2024-04-22 ] . https://arxiv.org/abs/1412.3555v1 https://arxiv.org/abs/1412.3555v1 .
周志华 . 机器学习 [M ] . 北京 : 清华大学出版社 , 2016 .
Zhou Z H . Machine Learning [M ] . Beijing, China : Tsinghua University Press , 2016 .
0
浏览量
170
下载量
0
CSCD
0
CNKI被引量
- 网络PDF下载
- Meta-XML下载
- BibTeX下载
- Endnote下载
- RefMan 下载
- NoteExpress下载
- NoteFirst下载
关联资源
相关文章
相关作者
相关机构
- 地址：武汉市江夏区高新四路6号烽火科技园4号楼3层 邮编：430205
- 技术支持由北京北大方正电子有限公司提供 鄂ICP备2022010197
鄂公网安备 42011202002092号 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
- 总访问量：305124 今日访问量：152