基于改進(jìn)GAN的光信道傳輸質(zhì)量預(yù)測算法

才迪　劉鶴

關(guān)鍵詞：光信道傳輸質(zhì)量預(yù)測；Q因子；mWGAN-GP

中圖分類號：TP18 文獻(xiàn)標(biāo)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(kuò)展和靈活的網(wǎng)絡(luò)技術(shù)，實現(xiàn)萬物互聯(lián)[1-2]。5G技術(shù)旨在應(yīng)對各種領(lǐng)域不同的新穎行業(yè)需求，如智慧城市、智能電網(wǎng)等[3]。對于任何5G需求，都需要具有自動網(wǎng)絡(luò)重構(gòu)功能的動態(tài)光網(wǎng)絡(luò)。隨著軟件定義網(wǎng)絡(luò)和網(wǎng)絡(luò)功能虛擬化的不斷創(chuàng)新，光網(wǎng)絡(luò)在網(wǎng)絡(luò)功能和光網(wǎng)絡(luò)控制平面上正朝著自動化和靈活性方向發(fā)展。然而，這些變化都伴隨著更動態(tài)的網(wǎng)絡(luò)流量。因此，在光信道層面重新配置光網(wǎng)絡(luò)是應(yīng)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(yù)測傳輸質(zhì)量的研究[4]。例如，Yu等人[5]實現(xiàn)了基于人工神經(jīng)網(wǎng)絡(luò)的傳輸質(zhì)量預(yù)測，并在不同的調(diào)制格式、傳輸距離和光纖類型中進(jìn)行了驗證。Mata等人[6]開發(fā)了一種新穎的傳輸質(zhì)量預(yù)測模型，使用支持向量機(jī)對光連接質(zhì)量進(jìn)行分類。該模型可以在保證傳輸質(zhì)量預(yù)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(jīng)網(wǎng)絡(luò)的光學(xué)性能監(jiān)視器來預(yù)測信噪比。孫曉川等人[8]提出了基于集成學(xué)習(xí)的多層感知機(jī)（MLP， Multilayer Perceptron） 模型EL-MLP來進(jìn)行廣域光骨干網(wǎng)多信道傳輸質(zhì)量預(yù)測。為了提高Q因子預(yù)測精度，研究了基于改進(jìn)GAN的光信道傳輸質(zhì)量預(yù)測。

GAN作為一種生成訓(xùn)練數(shù)據(jù)的有效工具，它可以通過對抗性程序?qū)@些生成數(shù)據(jù)進(jìn)行評估，以改善預(yù)測結(jié)果[9]。然而，GAN的明顯缺點(diǎn)是訓(xùn)練不穩(wěn)定。為了實現(xiàn)訓(xùn)練穩(wěn)定、樣本質(zhì)量高、易收斂的優(yōu)點(diǎn)，本研究通過使用一種以具有梯度懲罰的wasserstein生成對抗網(wǎng)絡(luò)（Wasserstein Generative Adversarial Network withGradient Penalty，WGAN-GP） 為基礎(chǔ)的模型[10]，建立了多因素預(yù)測模型mWGAN-GP。

1 網(wǎng)絡(luò)模型

基于WGAN-GP模型提出基于多因素預(yù)測的模型mWGAN-GP。mWGAN-GP 結(jié)構(gòu)示意圖如圖1 所示，將多因素數(shù)據(jù)X 輸入生成器網(wǎng)絡(luò)G，輸出生成數(shù)據(jù)Q'，Q'與真實Q經(jīng)過鑒別器網(wǎng)絡(luò)進(jìn)行對比，經(jīng)過不斷訓(xùn)練，使得生成器G生成的數(shù)據(jù)不斷逼近真實數(shù)據(jù)，最終使判別器無法判斷生成的數(shù)據(jù)真?zhèn)巍?/p>

2 仿真實驗對比及分析

2.1 數(shù)據(jù)集介紹

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

2.2 模型評估指標(biāo)

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

2.3 模型訓(xùn)練

在mWGAN-GP模型中使用了三層門控循環(huán)網(wǎng)絡(luò)（Gate Recurrent Unit，GRU） 作為生成器。這三個GRU中神經(jīng)元的數(shù)量分別為1 024、512和256。使用卷積神經(jīng)網(wǎng)絡(luò)作為鑒別器，包括3層一維卷積層，分別有32、64和128個神經(jīng)元。在mWGAN-GP中，優(yōu)化器是Adam算法，初始學(xué)習(xí)率為0.000 09。在該數(shù)據(jù)集上對模型進(jìn)行了200個epoch的訓(xùn)練，批量大小設(shè)為128。

2.4 結(jié)果分析

訓(xùn)練模型結(jié)束后，對測試集數(shù)據(jù)進(jìn)行預(yù)測，并將Q因子預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比，對比圖如圖2所示。

從圖2可得，預(yù)測值與真實值分布基本相同。

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

同時，計算各模型預(yù)測值的均方根誤差，誤差實驗結(jié)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(jié)果表明，mWGAN-GP模型對Q因子數(shù)據(jù)預(yù)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(yù)測傳輸質(zhì)量方面的性能優(yōu)于其他方法。此外，從統(tǒng)計分析的角度來分析mWGAN-GP模型，如使用QQPlot圖和散點(diǎn)圖來評估模型預(yù)測性能。

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

圖4顯示了光通信傳輸質(zhì)量預(yù)測任務(wù)中評估模型輸出的QQPlot圖對比曲線。預(yù)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?？梢郧宄乜吹?，基于實時數(shù)據(jù)，mWGAN-GP仍然可以保持良好的預(yù)測能力。

Q因子序列在不同區(qū)域的預(yù)測值和真實值散點(diǎn)圖如圖5所示。散點(diǎn)圖中的黑線表示與真實值的精確匹配。結(jié)果表明，更多的預(yù)測點(diǎn)集中在mWGAN-GP模型的基準(zhǔn)線上。

3 結(jié)束語

實驗主要研究了光傳輸網(wǎng)絡(luò)性能的神經(jīng)網(wǎng)絡(luò)建模中的多變量輸入問題。作為光通信系統(tǒng)，Q因子的動態(tài)性主要取決于其影響因素。與現(xiàn)有研究不同，提出了一種新的光通信傳輸質(zhì)量預(yù)測模型，融合了光通信因素與多因素預(yù)測之間的相關(guān)性。實驗結(jié)果表明，該模型與其他先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型相比，具有更好的非線性逼近能力。未來將重點(diǎn)研究mWGAN-GP在多因素模式下的模型擴(kuò)展及其在邊緣計算領(lǐng)域的應(yīng)用。