面向彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)的嵌入式光性能監(jiān)測(cè)系統(tǒng)

周唐磊曹領(lǐng)國(guó)畢巖峰王志國(guó)許恒迎白成林

(1.聊城大學(xué) 物理科學(xué)與信息工程學(xué)院，山東 聊城 252059；2.聊城大學(xué) 山東省光通信重點(diǎn)實(shí)驗(yàn)室，山東 聊城 252059)

0 引言

隨著以超高速光通信為基礎(chǔ)的5G 網(wǎng)絡(luò)、大數(shù)據(jù)分析、虛擬現(xiàn)實(shí)(Virtual Reality，VR)、物聯(lián)網(wǎng)(Internet of Things，IOT)、點(diǎn)對(duì)點(diǎn)(Peer-to-Peer，P2P)文件共享等數(shù)據(jù)服務(wù)的發(fā)展，全球數(shù)據(jù)流量呈指數(shù)級(jí)增長(zhǎng)。此外，據(jù)思科預(yù)測(cè)，全球網(wǎng)絡(luò)互連協(xié)議(Internet Protocol，IP)總流量將以平均24%的復(fù)合年增長(zhǎng)率增長(zhǎng)。由于流量需求的爆炸式增長(zhǎng)，超高速光通信的需求不斷增加。近年來(lái)彈性光網(wǎng)絡(luò)(Elastic Optical Network，EON)技術(shù)的出現(xiàn)，使收發(fā)機(jī)彈性可調(diào)，可實(shí)現(xiàn)高頻譜效率的自適應(yīng)帶寬分配[1，2]。彈性光網(wǎng)絡(luò)根據(jù)波分復(fù)用的信道特性，使不同的調(diào)制格式自適應(yīng)地給每個(gè)復(fù)用信道分配不同的帶寬。此外，它使用可重構(gòu)光分插復(fù)用器(ROADMs)、靈活的收發(fā)器和軟件定義網(wǎng)絡(luò)(Software Defined Network，SDN)控制器，最大程度上發(fā)揮彈性光網(wǎng)絡(luò)的信息傳輸能力。因此，需在彈性光網(wǎng)絡(luò)中監(jiān)控各種網(wǎng)絡(luò)性能參數(shù)，以優(yōu)化資源利用和分配足夠的系統(tǒng)余量。

為使光網(wǎng)絡(luò)朝著高速率、大容量、低成本、有彈性以及可重構(gòu)的方向發(fā)展，根據(jù)彈性光網(wǎng)絡(luò)能夠自適應(yīng)地將不同調(diào)制格式分配給不同用戶的特性，接收器應(yīng)該從接收信號(hào)端進(jìn)行調(diào)制格式(Modulation Format，MF)、光信噪比(Optical Signal-to-Noise Ratio，OSNR)等重要參數(shù)的識(shí)別，以正確恢復(fù)出原始信息。光性能監(jiān)測(cè)(Optical Performance Monitoring，OPM)成為開(kāi)發(fā)下一代具有超低延遲和自適應(yīng)性的自主光網(wǎng)絡(luò)的普遍需要[3]。下一代的彈性光網(wǎng)絡(luò)中，作為光性能監(jiān)測(cè)的先驗(yàn)知識(shí)，調(diào)制格式可能隨著網(wǎng)絡(luò)的變化動(dòng)態(tài)地改變，必須提前己知或從上層協(xié)議中獲得。但從上層協(xié)議獲取調(diào)制信息需要增加額外的通信，從而造成網(wǎng)絡(luò)臃腫。因此，實(shí)現(xiàn)彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)處的調(diào)制格式識(shí)別具有重要意義[4-10]。另一方面，高斯白噪聲的存在極大程度地限制高速率信號(hào)的傳輸性能。光信噪比常用來(lái)衡量信號(hào)受高斯白噪聲干擾的程度，靈活高效的光信噪比識(shí)別技術(shù)在保證信號(hào)正確、高速的傳輸中起到愈加重要的作用，因此必須在彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)處對(duì)信號(hào)的光信噪比值進(jìn)行實(shí)時(shí)且準(zhǔn)確地識(shí)別[11，12]。在彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)處的MF 和OSNR 識(shí)別是OPM中必不可少的一環(huán)[13-16]。如圖1所示，若在物理層中間節(jié)點(diǎn)部署嵌入式監(jiān)測(cè)系統(tǒng)，并將結(jié)果返回到彈性光網(wǎng)絡(luò)控制層，對(duì)于運(yùn)營(yíng)商進(jìn)行光鏈路路徑選擇、故障監(jiān)測(cè)等具有重要的實(shí)用價(jià)值[17]。

圖1 應(yīng)用于中間節(jié)點(diǎn)的光性能監(jiān)測(cè)系統(tǒng)示意圖

由于機(jī)器學(xué)習(xí)算法特征自提取、準(zhǔn)確率高、可靠性高等優(yōu)勢(shì)，基于機(jī)器學(xué)習(xí)(Machine Learning，ML)尤其是深度神經(jīng)網(wǎng)絡(luò)的OPM 技術(shù)已經(jīng)成為在可靠性、質(zhì)量和實(shí)現(xiàn)效率等許多方面的重要解決方案。如四川大學(xué)的付佳成等人結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和異步延時(shí)采樣技術(shù)，實(shí)現(xiàn)對(duì)調(diào)制格式和光信噪比的實(shí)時(shí)監(jiān)測(cè)[18]，但該技術(shù)在硬件資源有限的中間節(jié)點(diǎn)進(jìn)行OPM 時(shí)復(fù)雜度較高。因此，迫切需要開(kāi)發(fā)智能化、低成本、低功耗、高精度以及應(yīng)用范圍廣的光性能監(jiān)測(cè)系統(tǒng)?；谝陨闲枨?，本系統(tǒng)采用比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)復(fù)雜度更低的二值卷積神經(jīng)網(wǎng)絡(luò)(Binary-Convolutional Neural Network，B-CNN)算法和異步延時(shí)抽頭采樣(Asynchronous Delay-Tap Sampling，ADTS)技術(shù)，研究更加高效、準(zhǔn)確、低成本的光性能監(jiān)測(cè)系統(tǒng)。

1 原理

圖2給出了基于Acorn RISC Machine(ARM)架構(gòu)及B-CNN 和ADTS采樣技術(shù)的光性能監(jiān)測(cè)系統(tǒng)原理框圖。我們以在節(jié)點(diǎn)A 與節(jié)點(diǎn)B之間進(jìn)行光鏈路OPM 為例，首先將節(jié)點(diǎn)A、B之間的光信號(hào)經(jīng)光電檢測(cè)轉(zhuǎn)化為電信號(hào)；其次進(jìn)行模數(shù)轉(zhuǎn)換后，利用ADTS技術(shù)將電信號(hào)生成異步延時(shí)抽頭采樣圖(Asynchronous Delay-Tap Picture，ADTP)；再將ADTP送入到基于ARM 的嵌入式系統(tǒng)，由該系統(tǒng)結(jié)合B-CNN 及ADTP進(jìn)行調(diào)制格式識(shí)別和OSNR 估計(jì)。最后，將OPM 結(jié)果送入到彈性光網(wǎng)絡(luò)控制器。

圖2 基于二值卷積神經(jīng)網(wǎng)絡(luò)和異步延時(shí)抽頭采樣技術(shù)的光性能監(jiān)測(cè)系統(tǒng)原理框圖

此外，圖3為識(shí)別模塊的嵌入式平臺(tái)的硬件結(jié)構(gòu)圖。本系統(tǒng)使用的嵌入式平臺(tái)硬件包括64 位主頻1.5 GHz的ARM Cortex-A72芯片，4 GB內(nèi)存和低速模數(shù)轉(zhuǎn)換器。操作系統(tǒng)為L(zhǎng)inux系統(tǒng)，系統(tǒng)使用基于Python語(yǔ)言的Tensorflow、Keras深度學(xué)習(xí)框架搭建B-CNN。

圖3 識(shí)別模塊的嵌入式平臺(tái)硬件結(jié)構(gòu)圖及實(shí)物圖

1.1 異步延時(shí)抽頭采樣圖

在EON 的中間節(jié)點(diǎn)，首先將待監(jiān)測(cè)光信號(hào)送入光電探測(cè)器，實(shí)現(xiàn)光信號(hào)轉(zhuǎn)換為電信號(hào)之后，再使用一個(gè)3 dB耦合器將原信號(hào)分為功率相同的兩路信號(hào)[15]。

如圖4所示，分別以400 MHz的采樣頻率(Tsampling)對(duì)兩路信號(hào)進(jìn)行低速率下的異步采樣，得到兩路低速率采樣信號(hào)p i和q i。我們?cè)诘趇時(shí)刻處采樣得到的第一路信號(hào)p i和第二路信號(hào)q i組合成二維矩陣坐標(biāo)點(diǎn)(p i，q i)，需注意每組樣本對(duì)qi間隔需時(shí)延τ，即滿足

圖4 異步延時(shí)抽頭采樣原理

式中τ為時(shí)間延時(shí)，取值為1/4倍的符號(hào)周期。以第一個(gè)采樣點(diǎn)舉例來(lái)說(shuō)，第一路信號(hào)采得的第一個(gè)采樣點(diǎn)p1與第二路信號(hào)采得的第一個(gè)采樣點(diǎn)q1組合得到第一個(gè)采樣對(duì)(p1，q1)，它們之間的時(shí)間間隔為τ。如果對(duì)第i時(shí)刻不斷重復(fù)地進(jìn)行采樣，最終得到樣本集合(p i，q i)，以p i為x軸，q i為y軸畫出散點(diǎn)密度直方圖，最終得到異步延時(shí)抽頭采樣圖。

圖5給出了OSNR 為25 d B時(shí)，16QAM、32QAM和64QAM 的異步延時(shí)抽頭采樣圖。由圖5 可以看出，不同調(diào)制格式的ADTP沿對(duì)角線方向存在明顯差異，16QAM 的ADTP存在3個(gè)深淺程度不同的彩色團(tuán)簇，對(duì)于32QAM 則存在5個(gè)團(tuán)簇，64QAM 存在9個(gè)團(tuán)簇。由此，我們可以根據(jù)這些ADTP的差異來(lái)區(qū)分不同的調(diào)制格式。

圖5 OSNR 為25dB下16QAM，32QAM 和64QAM 的異步延時(shí)抽頭采樣圖

圖6給出了當(dāng)OSNR 從15 dB遞增至30 dB時(shí)，16QAM 信號(hào)的ADTP的變化。從圖6(a)可以看出，在低OSNR 下，ADTP的對(duì)角線的三個(gè)彩色團(tuán)簇幾乎連成一片，比較分散。隨著OSNR 的增加，16QAM 的三個(gè)彩色團(tuán)簇也越來(lái)越明顯(如圖6(b)～(d)所示)。因此，我們同樣可以根據(jù)這些ADTP的差異來(lái)區(qū)分不同的OSNR。

圖6 16QAM 不同光信噪比下的異步延時(shí)抽頭采樣圖

1.2 二值卷積神經(jīng)網(wǎng)絡(luò)模型

二值卷積神經(jīng)網(wǎng)絡(luò)是在浮點(diǎn)型(權(quán)重值和激活函數(shù)值存儲(chǔ)類型，32 bit)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，將其權(quán)重和激活函數(shù)的數(shù)值進(jìn)行二值化(＋1或－1，1 bit)得到的卷積神經(jīng)網(wǎng)絡(luò)。B-CNN 可用于嵌入式或移動(dòng)場(chǎng)景(例如手機(jī)端、可穿戴設(shè)備、自動(dòng)駕駛汽車等)。這些場(chǎng)景都沒(méi)有圖形處理器(Graphic Processing Unit，GPU)且計(jì)算能力和存儲(chǔ)容量相對(duì)較弱且限制較大，因此B-CNN 具有重要的實(shí)用研究?jī)r(jià)值[19]。

二值卷積神經(jīng)網(wǎng)絡(luò)降低復(fù)雜度的方式主要有兩方面:首先，將二值化后的權(quán)值代替原有的全精度權(quán)值來(lái)降低網(wǎng)絡(luò)在訓(xùn)練和識(shí)別階段的內(nèi)存占用；然后，利用二值化近似的輸入和權(quán)值，將每一層中計(jì)算量最大的乘法運(yùn)算轉(zhuǎn)換成加減法或位運(yùn)算。下面以卷積塊二值化為例，具體說(shuō)明本方案對(duì)全精度卷積神經(jīng)網(wǎng)絡(luò)二值化的簡(jiǎn)化過(guò)程。

首先，在前向傳播過(guò)程中，按式(2)所示對(duì)全精度卷積網(wǎng)絡(luò)的權(quán)值矩陣w中的每個(gè)參數(shù)進(jìn)行二值化得到

式中w為全精度卷積神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣中的權(quán)值，其中w∈R(c f*w f*h f)；w b為二值化后權(quán)值矩陣中的權(quán)值，w b∈{＋1，－1}(c f*w f*h f)，其中c f，w f及h f分別表示卷積核的通道數(shù)、寬度和長(zhǎng)度。

然后，在每層的前一層之前增加一個(gè)節(jié)點(diǎn)值為X b的二值化激活層來(lái)代替原本的線性整流函數(shù)(Rectified Linear Unit，ReLU)激活層，替代過(guò)程如

式中X bk為二值卷積神經(jīng)網(wǎng)絡(luò)第k層的輸入；L(X(k－1))為第k個(gè)二值化激活層的值，其中X bk∈{＋1，－1}(c*w*h)，c、w、h分別表示輸入圖像的通道數(shù)、寬度和長(zhǎng)度。

最后，需要在二值化卷積層將得到的節(jié)點(diǎn)值X b與權(quán)值w b進(jìn)行卷積運(yùn)算來(lái)降低計(jì)算復(fù)雜度，表達(dá)式如

式中L b(X b)為二值化網(wǎng)絡(luò)層的函數(shù)；?為卷積運(yùn)算。此外，我們還在卷積操作前添加歸一化層(Batch Normal)以防止二值化激活層在經(jīng)過(guò)最大池化層時(shí)出現(xiàn)太多的“1”。

具體的B-CNN 模型如圖7所示。該模型由2個(gè)卷積層，1層池化層和2個(gè)全連接層組成。首先將64*64*3的ADTP作為輸入特征，分別經(jīng)過(guò)一個(gè)卷積核大小為4*4，通道數(shù)為3和一個(gè)卷積核大小同樣為4*4的卷積層，通道數(shù)為64的卷積層；再通過(guò)最大池化層進(jìn)一步下采樣來(lái)減小數(shù)據(jù)量，提取有效特征值；然后經(jīng)過(guò)一個(gè)平坦層，將三維特征拉伸成一維向量，再利用兩個(gè)全連接層加強(qiáng)網(wǎng)絡(luò)的非線性擬合能力。最后，BCNN 輸出MF及OSNR 結(jié)果。

圖7 本系統(tǒng)的二值卷積神經(jīng)網(wǎng)絡(luò)模型

2 實(shí)驗(yàn)系統(tǒng)搭建及結(jié)果分析

我們使用實(shí)驗(yàn)系統(tǒng)搭建了如圖8所示的彈性光網(wǎng)絡(luò)光傳輸系統(tǒng)。首先，在發(fā)射機(jī)端利用65 GSa/s的任意波形發(fā)生器(AWG，Keysight M8195A)進(jìn)行比特-符號(hào)映射、脈沖整形和預(yù)失真等預(yù)處理，生成28 GBaud 16QAM、32QAM 和64QAM 的電信號(hào)。平方根升余弦(Square Root Raised Cosine，SRRC)濾波器的偽隨機(jī)二進(jìn)制序列和滾降因子分別設(shè)為215－1和0.75，發(fā)射激光器和相干接收本振激光器的中心波長(zhǎng)均為1 550 nm。其次，將傳輸?shù)腅ON 信號(hào)送入摻鉺光纖功率放大器進(jìn)行放大，將自發(fā)輻射噪聲源和光衰減器組合在一起調(diào)整光纖鏈路的信噪比。因?yàn)楦唠A的調(diào)制格式需要更大的OSNR 值，所以對(duì)這三種調(diào)制格式的信號(hào)采用不同的信噪比范圍，16QAM 的OSNR 范圍為15～30 dB，32QAM 的相應(yīng)范圍為20～35 dB，64QAM 的范圍為20～35 d B。然后，用1 nm 帶寬的光濾波器對(duì)信號(hào)進(jìn)行濾波，再經(jīng)過(guò)光電檢測(cè)器將光信號(hào)轉(zhuǎn)成電信號(hào)，經(jīng)過(guò)3 dB耦合器將電信號(hào)一分為二，第二路信號(hào)經(jīng)過(guò)延時(shí)τ，得到兩路電信號(hào)并生成ADTP，再將得到的ADTP送入B-CNN 模型進(jìn)行訓(xùn)練。最后，將訓(xùn)練好的網(wǎng)絡(luò)模型植入嵌入式平臺(tái)進(jìn)行調(diào)制格式以及光信噪比的識(shí)別，并將識(shí)別結(jié)果顯示到終端。

圖8 28 GBaud 彈性光網(wǎng)絡(luò)實(shí)驗(yàn)傳輸系統(tǒng)圖

本系統(tǒng)使用的數(shù)據(jù)集如下:調(diào)制格式識(shí)別任務(wù)共采用三種調(diào)制格式(16QAM，32QAM，64QAM)的數(shù)據(jù)集，數(shù)據(jù)集的OSNR 范圍為15～40 dB，OSNR 步長(zhǎng)為1 dB，每個(gè)OSNR 值有400組數(shù)據(jù)，因此每種調(diào)制格式有6 400個(gè)樣本。OSNR 識(shí)別任務(wù)一共有三種調(diào)制格式(16QAM，32QAM，64QAM)。每種調(diào)制格式下每個(gè)OSNR 的樣本數(shù)為400，可得樣本集總數(shù)為400×16×3＝19 200。然后，我們隨機(jī)打亂數(shù)據(jù)集，分別取總樣本數(shù)的70%作為訓(xùn)練集，其余30%作為測(cè)試集。每種格式都有一個(gè)特定的標(biāo)簽向量，標(biāo)簽的具體形式為一位有效編碼(One Hot)。此外，利用B-CNN 進(jìn)行訓(xùn)練及測(cè)試時(shí)，每經(jīng)過(guò)一次數(shù)據(jù)遍歷(epoch)取100個(gè)數(shù)據(jù)團(tuán)(batch)，每個(gè)數(shù)據(jù)團(tuán)尺寸(batch size)設(shè)置為64。最終，基于訓(xùn)練集得到的調(diào)制格式識(shí)別和OSNR 識(shí)別的迭代準(zhǔn)確率如圖9所示。

圖9 二值化卷積神經(jīng)網(wǎng)絡(luò)模型調(diào)制格式識(shí)別與光信噪比識(shí)別訓(xùn)練集迭代曲線

從圖9我們可以發(fā)現(xiàn)，本系統(tǒng)對(duì)三種調(diào)制格式(16QAM、32QAM、64QAM)進(jìn)行調(diào)制格式識(shí)別時(shí)，訓(xùn)練集準(zhǔn)確率曲線在前期(epoch1～epoch10)準(zhǔn)確率從48.1%上升到98.3%，上升較為快速；中期(epoch11～epoch16)識(shí)別準(zhǔn)確率穩(wěn)定在99%左右，趨于平緩；后期(epoch17～epoch20)穩(wěn)定在100%，經(jīng)過(guò)18次迭代之后調(diào)制格式識(shí)別的準(zhǔn)確率達(dá)到100%。而利用本系統(tǒng)進(jìn)行OSNR 識(shí)別時(shí)，經(jīng)過(guò)40次迭代之后，對(duì)于16QAM/32QAM/64QAM 三種信號(hào)的光信噪比識(shí)別準(zhǔn)確率分別達(dá)到99.3%、98.6%和97.4%，達(dá)到預(yù)期效果。

如圖10所示，我們利用測(cè)試集分別對(duì)B-CNN 與浮點(diǎn)型卷積神經(jīng)網(wǎng)絡(luò)(Float-Convolutional Neural Network，F(xiàn)-CNN)模型進(jìn)行了性能對(duì)比。結(jié)果表明:對(duì)于調(diào)制格式識(shí)別任務(wù)，B-CNN 模型與F-CNN 模型準(zhǔn)確率均為100%；對(duì)于OSNR 識(shí)別任務(wù)，利用F-CNN 進(jìn)行16QAM、32QAM 和64QAM 識(shí)別的準(zhǔn)確率分別為99.4%，99.1%和98.6%，而B(niǎo)-CNN 對(duì)于16QAM、32QAM 和64QAM 的準(zhǔn)確率分別可達(dá)99.1%，98.5%和97.4%，可以看出B-CNN 可取得與F-CNN 類似的識(shí)別精度。此外，圖10中紫色條框?yàn)槲墨I(xiàn)[18]給出的結(jié)果，其中星號(hào)表示文獻(xiàn)[18]未對(duì)這2種調(diào)制格式進(jìn)行OSNR 監(jiān)測(cè)。對(duì)于調(diào)制格式識(shí)別任務(wù)，可發(fā)現(xiàn)文獻(xiàn)[18]與我們方案的調(diào)制格式識(shí)別準(zhǔn)確率均可達(dá)到100%。對(duì)于OSNR 識(shí)別任務(wù)，文獻(xiàn)[18]對(duì)于100Gbps 16QAM 信號(hào)，在每個(gè)OSNR 取400張數(shù)據(jù)集條件下其OSNR 識(shí)別準(zhǔn)確率為99.69%。而本文所提出的“ARM＋B-CNN＋ADTP”方案，對(duì)于28 GBaud 16QAM 信號(hào)，每個(gè)OSNR 數(shù)據(jù)集為400張圖片時(shí)，得到的OSNR 識(shí)別準(zhǔn)確率為99.1%。

圖10 測(cè)試集數(shù)據(jù)對(duì)二值卷積神經(jīng)網(wǎng)絡(luò)和浮點(diǎn)型卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率對(duì)比

此外，表1給出了“ARM＋B-CNN＋ADTP”與“ARM＋F-CNN＋ADTP”的內(nèi)存占用對(duì)比，可以從側(cè)面反映系統(tǒng)復(fù)雜度情況。我們可以看出:在同一系統(tǒng)硬件平臺(tái)上，利用B-CNN 進(jìn)行OSNR 識(shí)別任務(wù)時(shí)內(nèi)存占用僅為5.6 MB，執(zhí)行時(shí)間僅為0.196 s；而F-CNN 的 內(nèi) 存 占 用 為19.2 MB，執(zhí) 行 時(shí) 間 為0.612 s。因此，與F-CNN 相比，B-CNN 模型內(nèi)存占用下降為原來(lái)的1/4，且執(zhí)行時(shí)間縮短為原來(lái)的1/3。在硬件資源有限的彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)進(jìn)行光性能監(jiān)測(cè)時(shí)，與文獻(xiàn)[18]中99.69%的OSNR 識(shí)別準(zhǔn)確率相比，B-CNN 方案的精度僅損失了0.59%，但復(fù)雜度大大降低。因此，我們這種基于B-CNN 和ADTS 技術(shù)的光性能監(jiān)測(cè)系統(tǒng)具有較高的實(shí)用價(jià)值。

表1 相同ARM 平臺(tái)下二值卷積神經(jīng)網(wǎng)絡(luò)與浮點(diǎn)型卷積神經(jīng)網(wǎng)絡(luò)復(fù)雜度對(duì)比

3 結(jié)論

本系統(tǒng)通過(guò)二值卷積神經(jīng)網(wǎng)絡(luò)和異步采樣技術(shù)，基于嵌入式平臺(tái)對(duì)調(diào)制格式、光信噪比等彈性光網(wǎng)絡(luò)的重要參數(shù)進(jìn)行識(shí)別，以達(dá)到在中間節(jié)點(diǎn)進(jìn)行光性能監(jiān)測(cè)的目的。實(shí)驗(yàn)結(jié)果表明，對(duì)于三種調(diào)制格式(16QAM、32QAM、64QAM)的信號(hào)，本系統(tǒng)進(jìn)行調(diào)制格式識(shí)別時(shí)準(zhǔn)確率均為100%，光信噪比識(shí)別準(zhǔn)確率分別為99.1%、98.5%和97.4%。與浮點(diǎn)型卷積神經(jīng)網(wǎng)絡(luò)相比，二值神經(jīng)網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率誤差損失低于1.3%的條件下，可實(shí)現(xiàn)內(nèi)存占用下降為它的1/4，且執(zhí)行時(shí)間縮短為它的1/3，更適合部署于資源有限的彈性光網(wǎng)絡(luò)中間節(jié)點(diǎn)。本系統(tǒng)證明了在嵌入式平臺(tái)上將ADTS技術(shù)和B-CNN 用于中間節(jié)點(diǎn)進(jìn)行鏈路監(jiān)測(cè)的可行性。在下一代彈性光網(wǎng)絡(luò)架構(gòu)中，本系統(tǒng)有利于解決對(duì)于大容量光通信傳輸系統(tǒng)進(jìn)行光性能監(jiān)測(cè)、維護(hù)及管理的實(shí)際問(wèn)題。