基于改進GAN的光信道傳輸質量預測算法

才迪　劉鶴

關鍵詞：光信道傳輸質量預測；Q因子；mWGAN-GP

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2023）12-0001-03

0 引言

隨著無線通信需求不斷增長，5G可以提供可擴展和靈活的網絡技術，實現萬物互聯[1-2]。5G技術旨在應對各種領域不同的新穎行業需求，如智慧城市、智能電網等[3]。對于任何5G需求，都需要具有自動網絡重構功能的動態光網絡。隨著軟件定義網絡和網絡功能虛擬化的不斷創新，光網絡在網絡功能和光網絡控制平面上正朝著自動化和靈活性方向發展。然而，這些變化都伴隨著更動態的網絡流量。因此，在光信道層面重新配置光網絡是應對大流量變化的必要手段。目前，有很多基于信噪比和Q因子來預測傳輸質量的研究[4]。例如，Yu等人[5]實現了基于人工神經網絡的傳輸質量預測，并在不同的調制格式、傳輸距離和光纖類型中進行了驗證。Mata等人[6]開發了一種新穎的傳輸質量預測模型，使用支持向量機對光連接質量進行分類。該模型可以在保證傳輸質量預測精度的同時，減少必要的計算時間。Tanimura等人[7]給出了一個基于卷積神經網絡的光學性能監視器來預測信噪比。孫曉川等人[8]提出了基于集成學習的多層感知機（MLP， Multilayer Perceptron） 模型EL-MLP來進行廣域光骨干網多信道傳輸質量預測。為了提高Q因子預測精度，研究了基于改進GAN的光信道傳輸質量預測。

GAN作為一種生成訓練數據的有效工具，它可以通過對抗性程序對這些生成數據進行評估，以改善預測結果[9]。然而，GAN的明顯缺點是訓練不穩定。為了實現訓練穩定、樣本質量高、易收斂的優點，本研究通過使用一種以具有梯度懲罰的wasserstein生成對抗網絡（Wasserstein Generative Adversarial Network withGradient Penalty，WGAN-GP） 為基礎的模型[10]，建立了多因素預測模型mWGAN-GP。

1 網絡模型

基于WGAN-GP模型提出基于多因素預測的模型mWGAN-GP。mWGAN-GP 結構示意圖如圖1 所示，將多因素數據X 輸入生成器網絡G，輸出生成數據Q'，Q'與真實Q經過鑒別器網絡進行對比，經過不斷訓練，使得生成器G生成的數據不斷逼近真實數據，最終使判別器無法判斷生成的數據真偽。

2 仿真實驗對比及分析

2.1 數據集介紹

實驗分析的數據來自2015年2月—2016年4月微軟北美的光學骨干網，微軟的光主干網包括光交叉連接、廣域網段和光信道，通?？捎糜谘芯抗馔ǖ赖臅r間行為，信號的質量，通道之間的相關性。其中，Q因子根據信噪比可以預測傳輸質量。Q因子的值越高，意味著信號質量越好。因此，實驗采用Q因子作為光通信質量的度量標準。其影響因素包括發射功率、色度色散和偏振模色散等。

2.2 模型評估指標

本實驗使用均方根誤差（RMSE） ，以便對所有模型進行性能評價。它判斷實際值和預測值之間的差異。

2.3 模型訓練

在mWGAN-GP模型中使用了三層門控循環網絡（Gate Recurrent Unit，GRU） 作為生成器。這三個GRU中神經元的數量分別為1 024、512和256。使用卷積神經網絡作為鑒別器，包括3層一維卷積層，分別有32、64和128個神經元。在mWGAN-GP中，優化器是Adam算法，初始學習率為0.000 09。在該數據集上對模型進行了200個epoch的訓練，批量大小設為128。

2.4 結果分析

訓練模型結束后，對測試集數據進行預測，并將Q因子預測數據與真實數據對比，對比圖如圖2所示。

從圖2可得，預測值與真實值分布基本相同。

為體現模型的綜合性能，分別使用長短期記憶網絡（Long Short-Term Memory，LSTM） 、EL-MLP兩種模型與該模型進行實驗對比，對比效果圖如圖3所示。

同時，計算各模型預測值的均方根誤差，誤差實驗結果如表1所示。

從表1可知，WGAN-GP的RMSE為0.008 5，ELMLP為0.016 1，LSTM 的為0.160 5。結果表明，mWGAN-GP模型對Q因子數據預測具有良好的實用性。mWGAN-GP的RMSE比其他方法要小，說明該模型在預測傳輸質量方面的性能優于其他方法。此外，從統計分析的角度來分析mWGAN-GP模型，如使用QQPlot圖和散點圖來評估模型預測性能。

QQPlot圖用于識別真實和預測的Q因子數據是否服從給定的分布，考慮樣本分位數和理論分位數。QQPlot圖中兩條線的偏差較大，說明兩個Q因子數據來自不同的分布。散點圖可以以簡潔直觀的方式將Q因子數據可視化。當繪制在相同的坐標軸上時，它提供了比較實際Q因子數據集和預測Q因子數據集之間趨勢的平均值。此外，它還通過更高的數據點密度感知識別異常值。

圖4顯示了光通信傳輸質量預測任務中評估模型輸出的QQPlot圖對比曲線。預測值線和真實值線位置相近，說明兩個Q因子序列來自同一個分布族。可以清楚地看到，基于實時數據，mWGAN-GP仍然可以保持良好的預測能力。

Q因子序列在不同區域的預測值和真實值散點圖如圖5所示。散點圖中的黑線表示與真實值的精確匹配。結果表明，更多的預測點集中在mWGAN-GP模型的基準線上。

3 結束語

實驗主要研究了光傳輸網絡性能的神經網絡建模中的多變量輸入問題。作為光通信系統，Q因子的動態性主要取決于其影響因素。與現有研究不同，提出了一種新的光通信傳輸質量預測模型，融合了光通信因素與多因素預測之間的相關性。實驗結果表明，該模型與其他先進的神經網絡模型相比，具有更好的非線性逼近能力。未來將重點研究mWGAN-GP在多因素模式下的模型擴展及其在邊緣計算領域的應用。