一种面向光网络传输质量回归估计的主动学习方法技术

本发明专利技术公开了一种面向光网络传输质量回归估计的主动学习方法，基于预测不确定性感知构建信息量估计模型，通过预测模型对特定配置参数对应GSNR估计值的概率分布，计算信息熵以筛选信息量更大，更具代表性的样本，迭代地选择对GSNR的精确估计最有价值的样本扩展数据集，以尽可能少的样本表征更全面的数据集信息，提高模型的泛化性能。本发明专利技术的方法在可监测GSNR实例的光路数量受限的条件下，可以用尽可能少的训练样本实现更精确的QoT估计，有效提升了小样本条件下QoT估计模型的预测精度，降低了达到目标性能所需的光路实例，有效减少了光网络资源的浪费。了光网络资源的浪费。了光网络资源的浪费。

【技术实现步骤摘要】
一种面向光网络传输质量回归估计的主动学习方法


[0001]本专利技术涉及网络传输
，尤其涉及一种面向光网络传输质量回归估计的主动学习方法。

技术介绍

[0002]在现代光网络中，相干传输的广泛采用，为光路部署提供了大量更加灵活的配置参数，为了评估有效的光路配置方案以及优化光网络的设计和规划，进一步增加光网络的容量以及降低部署成本，在光路部署之前，快速准确地估计光路传输质量(Quality of Transmission,QoT)的能力至关重要。
[0003]传统的光路传输质量估计方法主要包括复杂分析模型(例如分布傅里叶法)和近似模型(例如高斯噪声模型)。前者可以捕获不同的物理层损伤，准确性强但计算量大，不兼容实时预测难以扩展到大型网络拓扑和动态的网络操作；后者尽管计算速度快但其准确率较低，需要保守地设置余量来弥补预测的不确定性，资源利用率低。
[0004]为了克服上述缺陷，机器学习被提出作为QoT估计的替代方法，辅助光网络有效优化设计和规划。目前绝大多数基于ML的定量估计工具采用离线监督学习，它通过在已部署光路现场测量采集历史数据(例如广义光信噪比GSNR、误码率BER等)训练数据集，来估计未建立光路的传输质量。
[0005]然而在实际部署网络中，特别是网络部署的早期阶段，训练样本数量受到很多实际因素的限制，例如在某些节点上缺少性能监视器，或者在网络处于早期部署阶段时缺少可供监测的光路，导致数据集中仅有局部网络的少量数据。局部小样本数据造成的分布偏移会使得模型学到的知识出现偏差，损坏模型的泛化性能，从而引起预测模型的准确性降低。
[0006]因此，如何补全完整的数据集是提升预测模型可靠性的关键。通常情况下，获得被监控光路的数据会引入额外的成本，导致资源的浪费，例如建立探测光路需要占用专用的传输设备和光谱资源。因此，如何通过尽可能少的标注样本获取更全面的数据集信息，提高模型的泛化性能，实现精准的QoT估计是亟待解决的问题。

技术实现思路

[0007]本专利技术针对上述技术问题，提供一种面向光网络传输质量回归估计的主动学习方法，以QoT回归估计为出发点，在特征空间中探索信息量最大的实例扩展数据集，提高回归模型对QoT的预测精度，以提升网络运营商的资源与成本效益。
[0008]为了实现上述目的，本专利技术提供如下技术方案：
[0009]本专利技术提供一种面向光网络传输质量回归估计的主动学习方法，包括以下步骤：
[0010]步骤1、采集QoT相关数据；
[0011]步骤2、根据当前网络可配置的光路特征参数，建立未标记样本池U；
[0012]步骤3、基于已有已标注数据建立训练集T；
[0013]步骤4、以MSE为目标函数，基于步骤3中训练集对模型进行训练，得到QoT估计模型M；
[0014]步骤5、验证QoT估计模型M是否达到目标精度，如果达到即获得最终QoT估计模型，否则进入步骤6；
[0015]步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型A；
[0016]步骤7、利用预测不确定性感知模型A感知未标记样本池U中样本的预测不确定性，输出预测概率分布DT；
[0017]步骤8、计算预测概率分布DT的信息熵，筛选信息量最大的光路配置参数MP；
[0018]步骤9、根据信息量最大的光路配置参数MP部署对应探测光路，测量信息量最大的光路配置参数MP下真实的GNSR值；
[0019]步骤10、将信息量最大的光路配置参数MP和相应的GSNR值添加进训练集T，返回步骤3进行再训练，循环上述操作直到模型达到目标的预测精度，即停止循环，获取最终的QoT估计模型。
[0020]其中，步骤4中QoT估计模型采用人工神经网络架构，以光路总长度、最大链路长度、传输功率、光路经过的链路数和跳数五个特征表征的光路信息作为模型输入，预测未建立光路的GSNR。
[0021]QoT估计模型的预测方法为：将模型输出的预测结果看作一个随机变量，假设该变量服从概率分布P
GSNR
(x)，模型对GSNR的估计值为分布P
GSNR
(x)的一个采样点，通过计算P
GSNR
(x)的信息熵，感知某种配置参数下模型预测的不确定性，衡量该样本信息量的大小。
[0022]所述概率分布P
GSNR
(x)服从高斯分布N～(μ，σ)，将神经网络的最后一层改为输出两个值，分别对应该分布的均值μ和方差σ2，通过计算输出高斯分布的熵H，评估样本的信息量，高斯分布信息熵计算公式如式(1)所示：
[0023][0024]步骤6中以NLL为目标函数的计算公式如式(2)所示：
[0025][0026]其中，假设QoT数据集D包括N个样本，x表示用来表征光路的5个特征，即光路总长度，最大链路长度，传输功率，光路经过的链路数和跳数，y表示在实际网络中对该光路GSNR的测量值。模型输出的概率分布为p
θ
(y|x)其中θ表示神经网络的参数，μ
θ
(x)，分别表示上述概率分布的均值和方差，constant表示在公式末尾添加一个常量。
[0027]步骤3中的训练集采用集成学习模型，将多个基本模型组成一个均匀加权的混合模型，其输出混合成一个高斯分布。
[0028]集成学习模型的构建流程为：每次迭代对小样本训练集进行随机拆分成n个子集，每次训练从n个子集中随机抽取m个子集进行训练，训练k次生成k个参数不同的人工神经网络模型，每个人工神经网络模型输出均服从N～(μ，σ)，k个模型的k个输出混合为高斯分布N
～(μ，σ)。
[0029]与现有技术相比，本专利技术的有益效果为：
[0030]本专利技术提供的面向光网络传输质量回归估计的主动学习方法，基于预测不确定性感知构建信息量估计模型，通过预测模型对特定配置参数对应GSNR估计值的概率分布，计算信息熵以筛选信息量更大，更具代表性的样本，迭代地选择对GSNR的精确估计最有价值的样本扩展数据集，以尽可能少的样本表征更全面的数据集信息，提高模型的泛化性能。
[0031]本专利技术的方法在可监测GSNR实例的光路数量受限的条件下，可以用尽可能少的训练样本实现更精确的QoT估计，有效提升了小样本条件下QoT估计模型的预测精度，降低了达到目标性能所需的光路实例，有效减少了光网络资源的浪费。
附图说明
[0032]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例提供的面向光网络传输质量回归估计的主动学习方法的流程图。
[0034]图2为本专利技术实施例提供的集成学习模型结构图。
具体实施方式
[0035]为了更好地理解本技术方案，下面结合附图对本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向光网络传输质量回归估计的主动学习方法，其特征在于，包括以下步骤：步骤1、采集QoT相关数据；步骤2、根据当前网络可配置的光路特征参数，建立未标记样本池；步骤3、基于已有已标注数据建立训练集；步骤4、以MSE为目标函数，基于步骤3中训练集对模型进行训练，得到QoT估计模型；步骤5、验证QoT估计模型是否达到目标精度，如果达到即获得最终QoT估计模型，否则进入步骤6；步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型；步骤7、利用预测不确定性感知模型感知未标记样本池中样本的预测不确定性，输出预测概率分布；步骤8、计算预测概率分布的信息熵，筛选信息量最大的光路配置参数；步骤9、根据信息量最大的光路配置参数部署对应探测光路，测量信息量最大的光路配置参数下真实的GNSR值；步骤10、将信息量最大的光路配置参数和相应的GSNR值添加进训练集，返回步骤3进行再训练，循环上述操作直到模型达到目标的预测精度，即停止循环，获取最终的QoT估计模型。2.根据权利要求1所述的面向光网络传输质量回归估计的主动学习方法，其特征在于，步骤4中QoT估计模型采用人工神经网络架构，以光路总长度、最大链路长度、传输功率、光路经过的链路数和跳数五个特征表征的光路信息作为模型输入，预测未建立光路的GSNR。3.根据权利要求2所述的面向光网络传输质量回归估计的主动学习方法，其特征在于，QoT估计模型的预测方法为：将模型输出的预测结果看作一个随机变量，假设该变量服从概率分布P
GSNR
(x)，模型对GSNR的估计值为分布P
GSNR
(X)的一个采样点，通过计算P
GSNR
...

【专利技术属性】
技术研发人员：谷志群，纪越峰，张佳玮，李铮，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：