機器學習在光通信網絡性能監(jiān)測中的研究綜述

張德聰

（中國電子科技集團公司第二十九研究所，四川成都 610036）

0 引言

隨著社會信息化程度的提高，3D 網絡游戲、遠程教育、視頻會議等高帶寬業(yè)務不斷涌現(xiàn)，越來越多的用戶與設備連接到網絡中，網絡帶寬的需求持續(xù)快速增長。據思科公司發(fā)布的2018-2023 年度互聯(lián)網報告數(shù)據顯示，到2023 年全球互聯(lián)網用戶預計增長至53 億，聯(lián)網設備數(shù)預計增長至293 億，全球平均寬帶速度預計增長至110.4Mbps［1］。在可預見的將來，通信系統(tǒng)傳輸容量加速增長的趨勢不會放緩，光通信網絡正朝著高帶寬、低延遲、高可靠性的方向發(fā)展。為此，許多先進的網絡傳輸方案、調制格式以及新型復用技術被引入到光通信網絡中，但這些技術在提升網絡性能的同時極大地增加了網絡復雜度，對網絡的運行與管理帶來巨大挑戰(zhàn)。光學性能監(jiān)測（Optical Performance Monitoring，OPM）是針對光網絡的物理狀態(tài)和光信號的傳輸質量進行的物理監(jiān)測，其實質是對光信號進行測量并從中提取評價光通信系統(tǒng)性能的相關參數(shù)，可有效反映網絡傳輸性能、識別損傷類型并采取有效措施改善網絡性能［2］。此外，智能光通信網絡需要具有自適應功能，即能根據不同的鏈路條件和服務需求靈活改變調制格式、符號率、編碼類型等，這也要求接收機具有OPM 的功能。因此，OPM 將成為未來光通信網絡的重要使能技術。

傳統(tǒng)的OPM 技術主要借助數(shù)理統(tǒng)計和信號特征實現(xiàn)性能監(jiān)測與格式識別。數(shù)理統(tǒng)計方法可有效實現(xiàn)最佳參數(shù)估計，但需要知曉信道參數(shù)或描述信道的數(shù)學模型。信號特征的選取需要較長的試錯過程，以決定哪些特征最適合描述不同的信道損傷或調制格式。傳統(tǒng)的OPM 技術很難同時獨立監(jiān)控多種傳輸損傷，不同損傷的影響亦很難單獨分析。隨著網絡復雜度的增加，傳統(tǒng)的OPM 技術已難以準確描述信道模型，監(jiān)測精度有限。

近年來，機器學習（含深度學習）技術憑借其強大的認知能力獲得各領域的關注。機器學習模擬生物的認知過程，通過感知反饋信息分析行為結果，利用經驗調整行為活動并重新組織己有的知識結構，使之能不斷改善自身性能。機器學習被認為是極具潛力的提升光網絡智能的方法，在OPM 中使用機器學習技術可以實現(xiàn)網絡狀態(tài)信息的實時利用。基于機器學習的OPM 通過不斷調整的模型構建主動網絡，這些模型可以預測故障發(fā)生的概率，并在運行參數(shù)不斷變化時推薦合適的解決方案，因此可以保證網絡穩(wěn)定可靠地運行。基于機器學習的OPM 還可以處理大量可調參數(shù)，如調制格式、信號功率、符號速率、自適應編碼率、自適應信道帶寬等，更好地實現(xiàn)資源利用，為光通信網絡提供卓越的傳輸效率、靈活性和可重構性。與其他數(shù)據傳輸網絡一樣，光網絡也很容易受到不可預測因素的影響以及針對性的有害攻擊，或未經授權獲取傳輸數(shù)據，但OPM 可以提供關于光參數(shù)的連續(xù)信息，任何攻擊都會引起這些參數(shù)之間的關系發(fā)生變化，機器學習可有效識別和檢測這些變化，進而提高網絡安全性。

基于以上優(yōu)勢，機器學習受到光通信和光網絡領域研究人員的廣泛關注，并逐漸被應用到OPM 中，取得了一些研究成果。本文首先簡單介紹傳統(tǒng)的OPM 方案，然后綜述機器學習技術在OPM 中的應用，最后對未來的研究方向提出建議。

1 傳統(tǒng)OPM 技術

常見的光網絡性能參數(shù)包括自發(fā)輻射放大器噪聲（Amplifier Spontaneous Emission Noise，ASE）、色度色散（Chromatic Dispersion，CD）、偏振模色散（Polarization Mode Dispersion，PMD）、差分群時延（Differential Group Delay，DGD）、光纖非線性效應、時間啁啾、濾波器失真、線性串擾等［3］。在過去幾十年中，OPM 技術主要用于ASE 噪聲（通常用光信噪比（Optical Signal-to-Noise Ratio，OSNR）定義）和CD 的監(jiān)測。

1.1 傳統(tǒng)OSNR 監(jiān)測方案

OSNR 是應用最多的用于表征信號傳輸質量的參數(shù)，其定義為信道內信號光功率與特定帶寬內噪聲功率的比值。早期的OSNR 監(jiān)控主要采用帶外噪聲功率測量方法，操作簡單且傳輸業(yè)務不受影響。隨著波分復用（Wavelength Division Multiplexing，WDM）網絡的普及，單信道速率提高，信道間隔變窄，使得信號光譜展寬重疊，噪聲光譜被破壞，在這種情況下帶外測量方案難以準確測量OSNR。因此，帶內測試被提出，常用方案包括偏振相干法、干涉技術、異步采樣技術、統(tǒng)計矩法等。偏振相干法主要利用激光信號高度偏振而噪聲非偏振的特性，兩個偏振中僅有一個偏振攜帶信號，另一個用于噪聲測量，接收到的信號被分成兩個正交的部分以測量OSNR［4-6］。但當鏈路中存在PMD 時，攜帶噪聲的偏振會與信號混合而導致OSNR 測量不準確。干涉技術［7-9］主要使用延遲干涉儀監(jiān)測OSNR，其基本原理為接收信號中的信號和噪聲具有不同的相干特性，接收到的光信號（包括信號和噪聲）是通過相長干涉測量，ASE 噪聲是通過相消干涉測量。該技術不受PMD、CD的影響，但在實際應用中延時的精度不易實現(xiàn)，且干涉相消無法完全消除噪聲功率，因此監(jiān)測結果存在誤差，容易受環(huán)境干擾，需要精確的波長控制。異步幅度直方圖（Asynchronous Amplitude Histogram，AAH）于1998 年被提出［10］，其利用采樣信號的概率分布特性監(jiān)測OSNR，估計Q因子和誤比特率（Bit Error Rate，BER）［11-12］。隨后，異步延時采樣技術于2006 年被提出［13］，其原理是使用兩個間隔一定時延的采樣器在一個比特周期內采集兩個樣點，分別將兩個樣點的幅值作為橫、縱坐標得到二維延時采樣相圖，通過分析二維相圖的統(tǒng)計平均值和方差測量OSNR。該技術可以監(jiān)測大范圍的OSNR，但相圖對PMD 和CD 敏感，會導致OSNR 測量不準確。統(tǒng)計矩法［14-16］利用信號數(shù)據統(tǒng)計信息與OSNR 的關系計算該指標，原理為計算接收信號的二階矩和四階矩，再根據二階矩、四階矩與信號功率、噪聲功率的關系推導出OSNR 值。該技術對頻偏和相位噪聲不敏感，其性能受限于使用的均衡器。此外，信號的累積分布函數(shù)（Cumulative Distribution Function，CDF）也被用于OSNR 的監(jiān)測中［17］。

1.2 傳統(tǒng)CD 監(jiān)測方案

早期主要通過檢測光信號的相位監(jiān)測CD 損傷，具體操作為在發(fā)射端插入載波或射頻信號，其在傳輸鏈路中會受到CD 的影響，通過在接收端觀察信號的時鐘相位可以監(jiān)測CD 損傷［18］。但該類方案需要修改發(fā)射機結構，增加了系統(tǒng)成本。基于殘留邊帶（Vestigial Side Band，VSB）濾波的時鐘分量技術也可以用于CD 的監(jiān)測，其工作原理為從接收到的雙邊帶信號中分析上下邊帶之間的相位差以實現(xiàn)CD 的監(jiān)測［19］。該方案不需要修改發(fā)射機，但監(jiān)測范圍有限，且對于WDM 系統(tǒng)的要求較高。此外，異步延時采樣技術也可用于CD 的監(jiān)測，其原理與OSNR 監(jiān)測相同。

2 基于機器學習的OPM 方案

機器學習（含深度學習）是人工智能的一個分支，主要研究各種算法。當獲得足夠多的訓練數(shù)據時，其可以學習輸入與輸出的關系，而不用明確闡明其關系。目前機器學習在圖像處理、醫(yī)療診斷和光通信網絡的性能監(jiān)控等方面得到了廣泛應用。

根據學習方式可將機器學習分為四大類，分別為監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習。監(jiān)督學習的本質為分類，即從標簽數(shù)據中學習其內在結構與規(guī)律，其中輸入數(shù)據被稱為訓練數(shù)據，每組訓練數(shù)據有明確的標識，被稱為標簽。監(jiān)督學習將標簽與模型輸出進行比較，根據誤差不斷調整模型，直至符合預期。無監(jiān)督學習的本質為聚類，即從無標簽數(shù)據中挖掘其內在結構與規(guī)律。半監(jiān)督學習是以少量有標簽數(shù)據結合大量無標簽數(shù)據，通過學習數(shù)據規(guī)律合理組織數(shù)據進行預測。強化學習是從交互中學習，嘗試發(fā)現(xiàn)行為與收益的關系，試錯和延遲收益是其典型特征［20］。

利用機器學習進行光通信性能監(jiān)測需要建立相應的學習模型：首先通過光電信號采樣建立數(shù)據集；然后抽取包含損傷信息的信號特征，如眼圖、星座圖、異步延遲抽頭直方圖（Asynchronous Delay Tap Histogram，ADTP）、異步幅度直方圖、振幅直方圖等，這些特征被用于離線訓練機器學習模型，然后執(zhí)行損傷估計與性能監(jiān)測。以卷積神經網絡（Convolutional Neural Network，CNN）為例，訓練數(shù)據進入輸入層后，在卷積、激活函數(shù)與池化函數(shù)等共同作用下，通過前向傳輸在輸出層得到結果。輸出結果與樣本標簽通過損失函數(shù)度量誤差，通過反向傳播更新模型參數(shù)，使下一次輸出與標簽更吻合，即模型可在訓練過程中得到優(yōu)化。一旦離線訓練完成，建立的模型便可用于進行專門的在線損傷估計與性能監(jiān)測。

2.1 基于傳統(tǒng)機器學習的性能監(jiān)測方案

傳統(tǒng)的機器學習算法包括決策樹、隨機森林、邏輯回歸、支持向量機（Support Vector Machine，SVM）、樸素貝葉斯、k 最近鄰、k 均值、人工神經網絡（Artificial Neural Network，ANN）、主成分分析和獨立成分分析等。

2.1.1 基于SVM 的性能監(jiān)測方案

SVM 在小樣本、非線性及高維模式識別中表現(xiàn)出諸多優(yōu)勢。在深度學習方法廣泛應用前，SVM 是使用最廣泛的分類算法，其主要原理為將線性不可分的低維空間轉換到線性可分的高維空間，使得兩類數(shù)據離分割超平面越遠越好，支持向量即離分割超平面最近的點，具體如圖1 所示。基于該思想，文獻［21］從眼圖中提取特征參數(shù)，利用SVM模型確定損傷類型，其中特征參數(shù)為一組正交多項式，可表征信號中是否包含色散、偏振模色散和串擾3 種損傷。采用10Gbps OOK 信號的傳輸實驗對該方案進行驗證，結果表明其識別精度超過95%，但該方案僅能確定損傷類型，無法確定具體的損傷程度。文獻［22］將SVM 算法引入到相干檢測系統(tǒng)中，通過異步采樣接收到的信號構建二維I路和Q 路直方圖（2D-IQH），利用2D-IQH 直方圖特征建立基于SVM 的回歸模型，用于監(jiān)測OSNR、CD、DGD 和相位噪聲（Phase Noise，PN）。該方案采用非線性降維的t-SNE 算法進行損傷的分離研究，有助于可視化復雜的高維信號，從而探究不同損傷類型的分離條件。采用12.5Gbps DPQPSK 信號的傳輸實驗對該方案進行可行性驗證，得出OSNR 的監(jiān)測范圍為9～19dB，CD 范圍為200～1 600ps/nm，DGD范圍為10～70ps，PN 范圍為10KHz 至1MHz。該方案具有較高的監(jiān)測準確度，但需要I 路和Q 路樣本建立特征參數(shù)。

Fig.1 Schematic diagram of SVM圖1 支持向量機示意圖

2.1.2 基于ANN 的性能監(jiān)測方案

ANN 模仿人類神經網絡的行為特征，通過調整內部大量節(jié)點之間相互連接的關系，進行分布式并行信息處理，結構如圖2 所示。ANN 具有較強的非線性函數(shù)逼近能力，是處理非線性系統(tǒng)的有力工具。目前基于機器學習的OPM 技術大多采用ANN 作為機器學習算法檢測光網絡損傷，這些方案的主要區(qū)別在于用于訓練ANN 算法的特征以及抽取這些特征的方法不同。

Fig.2 Schematic diagram of ANN圖2 人工神經網絡示意圖

例如，文獻［23-24］中用于訓練ANN 模型的特征來自同步采樣后的眼圖，包括Q 值、閉合度、均方根、抖動和交叉幅度，可用于監(jiān)測OSNR、CD 和DGD。其中文獻［24］通過仿真10Gbps NRZ-OOK 和40Gbps RZ-DPSK 信號對該類方案進行驗證，結果顯示OSNR 的監(jiān)測范圍為18～30dB，CD 的監(jiān)測范圍為100～700ps/nm，DGD 的監(jiān)測范圍為0～35ps。該類方案能監(jiān)測多種損傷，但其要求精確的時鐘恢復，因此成本較高，難以在高速傳輸網絡，尤其是網絡中間節(jié)點中使用。為克服精確的時鐘恢復問題，文獻［25-27］采用異步采樣方法重構眼圖，從眼圖中提取特征參數(shù)用于ANN 的訓練。其中文獻［25］中模型抽取的特征包括Q 值、眼高、交叉幅度和均方根抖動，用于監(jiān)測40Gbps RZ-OOK 傳輸實驗中 的OSNR、CD 和DGD，其中OSNR 的監(jiān)測范圍為22.5～37.5dB，CD 的監(jiān)測范圍為4～28ps/nm，DGD 的監(jiān)測范圍為1～7ps。文獻［26］采用多層ANN 算法監(jiān)測56Gbps 4-PAM信號的OSNR、CD 和DGD，訓練參數(shù)來自重構眼圖的眼高、交叉幅度和抖動值，得到OSNR 的監(jiān)測范圍為26～42dB，CD的監(jiān)測范圍為0～400ps/nm，DGD 的監(jiān)測范圍為0～8ps，仿真結果顯示OSNR、CD 和DGD 的均方根誤差（RMSE）分別為0.21dB、6.79ps/nm、0.8ps。文獻［25-26］中的方案均不要求時鐘恢復，但要求額外的軟件同步。文獻［27］采用異步幅度直方圖特征監(jiān)測損傷，通過仿真40Gbps RZ-DQPSK 和NRZ-16QAM 的信號進行驗證，得到OSNR 的監(jiān)測范圍為10～30dB，CD 的監(jiān)測范圍為0～400ps/nm，DGD 的監(jiān)測范圍為0～10ps。仿真結果顯示，RZ-DQPSK（16-QAM）對于OSNR、CD 和DGD 的RMSE 分別為0.43（0.2）dB、9.82（9.66）ps/nm、0.92（0.65）ps。該方案中直方圖提供了采樣信號的統(tǒng)計特性，不需要時鐘恢復，也不要額外的同步電路，但當信號受到嚴重色散和群時延影響時難以區(qū)分損傷類型，監(jiān)測結果有較大誤差。文獻［28］提出利用經驗矩定義的特征訓練ANN 模型，對檢測到的信號進行異步采樣，然后計算經驗矩陣。通過監(jiān)測40/56Gbps RZ-DQPSK 和40GbpsRZDPSK 傳輸中的OSNR、CD 和DGD 對該方案進行驗證，得到OSNR 的監(jiān)測范圍為10～26dB，CD 的監(jiān)測范圍為-500～500 ps/nm，DGD 的監(jiān)測范圍為0～14ps。仿真結果表明，針對40/56Gbps RZ-DQPSK 傳輸信號，OSNR、CD 和DGD 監(jiān)測結果的RMSE 分別為0.1（0.1）dB、27.3（29）ps/nm、0.94（1.3）ps；針對40Gbps RZ-DPSK 傳輸信號，OSNR、CD 和DGD 監(jiān)測結果的RMSE 分別為0.1dB、17ps/nm、1ps。

為提取更多關于監(jiān)測信號的統(tǒng)計特征，文獻［29-32］均采用二維信息作為特征代替前文提到的一維直方圖，其中二維直方圖信息主要通過ADTS（Audio Data Transport Stream）實現(xiàn)。在ADTS 中，信號的幅度通過兩個時鐘對信號進行采樣獲得，這兩個時鐘之間的固定延遲時間稱為延遲抽頭，兩個采樣器產生x 和y 兩個序列，分別作為橫、縱坐標，輸出為ADTS 圖。其中，文獻［29］通過仿真10Gbps NRZ-OOK 信號監(jiān)測OSNR、CD 和DGD 進行驗證實驗，得出OSNR 的監(jiān)測范圍為18～30dB，CD 為100～500ps/nm，DGD為5～35ps。該方案擴展了監(jiān)測范圍，但由于使用了兩個采樣時鐘，成本相對較高。文獻［30］提出一種新結構，即在異步延遲抽頭采樣前使用光學干涉儀加兩個平衡探測器，以獲得傳輸過程中的相位變化，為高階調制格式的信號提供更優(yōu)異的監(jiān)測結果。通過監(jiān)測高速100Gbps QPSK 信號的OSNR、CD 和DGD 證實了該方法的可行性，其中OSNR的監(jiān)測范圍為16～28dB，CD 為0～50ps/nm，DGD 為0～10ps，以上3種損傷的RMSE值分別為1.27dB、2.22ps/nm 和0.91ps。然而，該方案需要額外的硬件，提高了系統(tǒng)成本。文獻［31］采用參數(shù)異步眼圖作為信號特征，通過兩個分支檢測信號，其中分支一直接對信號進行采樣，分支二在信號采樣后通過一個微分器，從而捕獲信號因受CD 和DGD影響而產生的脈沖展寬信息。兩個分支的輸出以二維圖表示，該二維圖分為6 個分區(qū)，每個分區(qū)可以提取到不同的特征參數(shù)，如信號均值和標準差等。該方案具有較好的監(jiān)測性能，但由于需要微分器和兩個采樣器，增加了系統(tǒng)成本。文獻［32］將ANN 模型用于相干檢測系統(tǒng)中，通過異步采樣構建I 路和Q 路的信號二維星座圖。星座圖被劃分為4 個象限，其中象限Q1 和Q3 被用于提取特征。通過監(jiān)測40Gbps RZ-QPSK 信號的OSNR、CD 和DGD，得出OSNR 的監(jiān)測范圍為14～30dB，CD 為20～180ps/nm，DGD 為2～18ps，仿真結果顯示OSNR、CD 和DGD 的RMSE 分別為0.77dB、18.7ps/nm、1.17dB。

2.1.3 基于其他機器學習模型的性能監(jiān)測方案

2014 年，馬來西亞理科大學團隊基于主成分分析和統(tǒng)計距離測量的模式識別技術進行OSNR、CD 和DGD 的監(jiān)測，并同時識別接收信號的比特率和調制格式［33］。2015年，丹麥理工大學團隊提出利用機器學習中的貝葉斯濾波和期望最大參數(shù)估計方法估計激光器幅度和相位噪聲的特征［34］。

2.2 基于深度學習的性能監(jiān)測方案

深度學習可以看作是機器學習的一部分，其通過多層非線性變換對高復雜性數(shù)據進行建模，也被定義為使用深度神經網絡為工具的機器學習算法，主要包括深度神經網絡（Deep Neural Network，DNN）、CNN、循環(huán)神經網絡（Recurrent Neural Network，RNN）、深度置信網絡等。

2.2.1 基于DNN 的性能監(jiān)測方案

DNN 算法假定空間維度所有位置都存在內在關聯(lián)，前一層的神經元與后一層兩兩連接，在訓練階段每次誤差回傳時全部參數(shù)均得到更新，具有參數(shù)量大、表征力強、運算復雜度高的特性。基于以上思想，文獻［35］提出利用DNN（即ML-ANN）模型監(jiān)測OSNR，監(jiān)測范圍為7.5～27dB，用于訓練的特征為兩個偏振方向上的IQ 數(shù)據。利用14/16Gbaud DP-QPSK 和14/16 Gbaud 64-QAM 信號對該方案進行驗證，結果顯示OSNR 的平均絕對值誤差（MAE）小于0.5dB。傳統(tǒng)的DNN 算法在監(jiān)測參數(shù)改變時需要重新訓練模型，消耗大量時間。基于此，文獻［36］采用遷移學習輔助DNN 算法的方案對OSNR 進行監(jiān)測，遷移學習基于先驗知識調整神經元權值，而不是隨機初始化參數(shù)，減少了模型訓練時間。通過56/28Gbps QPSK 信號傳輸實驗對該方案進行驗證，得到OSNR 的監(jiān)測范圍為5～30dB，殘余色散范圍為0～600ps/nm，光學發(fā)射功率范圍為-6～8dBm，其中OSNR 的RMSE 值小于0.1dB。該方案可在大范圍內實現(xiàn)高精度的OSNR 監(jiān)測，但僅限于OSNR 監(jiān)測。

2.2.2 基于CNN 的性能監(jiān)測方案

CNN 假定空間維度局部區(qū)域具有內在關聯(lián)，而與較遠區(qū)域無關聯(lián)，后一層神經元僅基于前一層中對應的局部區(qū)域，因此可大幅度縮減參數(shù)量并提升時效性，可以認為DNN 是CNN 的一般形式。CNN 為目前使用最多的深度學習架構［20］，圖3 為其常用結構。基于此，文獻［37］中提出利用CNN 對10Gbps NRZ-OOK 信號進行OSNR 和CD 的聯(lián)合監(jiān)測，輸入CNN 的特征為采用ADTS 方法提取的二維直方圖，仿真實驗得到的OSNR 和CD 監(jiān)測范圍分別為10～40dB和0～2 000ps/nm，相關系數(shù)為0.995。文獻［38］中提出基于CNN 的智能眼圖分析儀，同時實現(xiàn)了調制格式識別與OSNR 估計。

Fig.3 Schematic diagram of CNN圖3 CNN 結構示意圖

2.2.3 基于RNN 的性能監(jiān)測方案

RNN 假定時間維度存在相序性，神經元除向后傳遞信息外，還可在下一時刻作用于自身。RNN 適用于處理時序數(shù)據，也可用于預測、推理等，在具體實現(xiàn)時通常采用長短時記憶單元（LSTM）［20］。圖4 為單個LSTM 的神經網絡結構，其是遞歸神經網絡的一種，具有反饋連接，可以實現(xiàn)信息在網絡中的臨時存儲，有利于提取信號的時序特征。基于此，文獻［39］中利用異步原始數(shù)據訓練LSTM-RNN 模型，監(jiān)測28/35 Gbaud DP-16-QAM/64-QAM 和5/10Gbaud DP-16-QAM/64-QAM 信號傳輸中的OSNR 和CD，仿真結果表明OSNR 的監(jiān)測范圍為15～30dB，CD 為1360～2040ps/nm。該方案可在大色散情況下同時監(jiān)測OSNR 和CD，且不需要預處理訓練特征，但對內存的需要較高，增加了系統(tǒng)成本。文獻［40］采用LSTM-RNN 算法同步監(jiān)測OSNR 和非線性噪聲功率（NL-NP），采用1 024 長度的FFT 進行訓練，仿真28Gbaud 符號速率下不同的調制格式（QPSK、16-QAM 和64-QAM），光功率（-3～3dBm）和傳輸長度（100～1000km）。結果表明，該算法的OSNR 監(jiān)測功能在存在光纖非線性的情況下穩(wěn)定性較好。

Fig.4 Schematic diagram of LSTM圖4 LSTM 示意圖

3 結語

萬物互聯(lián)時代的到來對于光通信網絡的傳輸質量、可靠性、靈活性等提出了更高要求。OPM 被認為是未來光通信網絡得以智能、高效、可靠傳輸?shù)闹匾鼓芗夹g。機器學習借助網絡數(shù)據可以高效準確地實現(xiàn)預測、估計與分類功能，因此基于機器學習的OPM 受到廣泛關注。從選取特征方面看，當前研究主要分為時域特征、頻域特征以及圖像特征3 類，并以時域特征為主。時域特征又包含異步特征和同步特征，其中典型的異步特征為眼圖數(shù)據、AAH、ADTS、異步星座圖等，同步特征主要包括眼圖、AH、CDF、功率分布、斯托克斯空間等。每種機器學習技術都有其優(yōu)勢和缺點，具體選擇何種模型主要根據實際問題決定。基于機器學習的OPM 研究處于起步階段，目前仍存在一些問題：①目前OPM 算法主要針對單載波系統(tǒng)，多用于監(jiān)測OSNR、CD 和PMD 等參數(shù)，但在采用中繼放大的遠距離傳輸系統(tǒng)以及波分復用系統(tǒng)中，除了線性效應，還存在四波混頻、自相位調制和交叉相位調制等效應。如何選取有效的特征表征該類損傷參數(shù)是一個難點，也是一個重要的研究方向。②深度學習能有效解決復雜的非線性問題，但隨之而來的是需要實時處理的復雜度問題。目前幾乎所有的機器學習方案都采用離線訓練，而在實際光通信網絡中，設備器件和數(shù)據流業(yè)務會隨時改變。因此，實用的機器學習方案需要實時訓練并快速收斂，這也成為其走向實用化道路的一個重點和難點。③性能監(jiān)測節(jié)點會大規(guī)模地鋪設在網絡中，因此OPM 的成本問題直接關乎其是否能真正應用到實際網絡中。采用異步采樣和直接檢測的接收機更具成本優(yōu)勢，但在直接檢測系統(tǒng)中，如何以低帶寬、低成本的器件實現(xiàn)高階調制格式信號的多損傷檢測將會是一個難點。

光通信網絡正在持續(xù)高速發(fā)展，從網絡結構到物理層信號損傷，都將會越來越復雜，網絡對OPM 的需求也會越來越迫切，甚至成為強制性要求。基于機器學習的OPM 技術尚處于初始階段，有大量值得研究和討論的重要問題，對這些問題進行研究既可為未來光通信網絡的演進鋪平道路，也能為其在更多場景中的應用提供研究思路與技術支持。