CN113424465A - 基于快速误码率(ber)统计数据的光学性能监控 - Google Patents
基于快速误码率(ber)统计数据的光学性能监控 Download PDFInfo
- Publication number
- CN113424465A CN113424465A CN202080012671.3A CN202080012671A CN113424465A CN 113424465 A CN113424465 A CN 113424465A CN 202080012671 A CN202080012671 A CN 202080012671A CN 113424465 A CN113424465 A CN 113424465A
- Authority
- CN
- China
- Prior art keywords
- linear
- error rate
- bit error
- noise
- ber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/40—Transceivers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/58—Compensation for non-linear transmitter output
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Optical Communication System (AREA)
Abstract
一种用于监控基于光纤的通信网络(100)的性能,特别是用于确定有贡献的线性和非线性噪声分量的方法、收发器(227a,227b)和***。该方法包括以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率(BER),在时间段上生成与计算的快速误码率相关联的误码率(BER)分布数据,对误码率(BER)分布数据应用统计测量以提取误码率(BER)分布数据的统计属性数据,处理提取的统计属性数据以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量,并且根据分别确定的非线性噪声分量和线性噪声分量改变与要传输的光信号相关联的发射功率。
Description
相关申请的交叉引用
本申请要求2020年3月25日提交的美国专利申请No.16/829,744的权益,该申请要求2019年4月12日提交的美国临时申请No.62/833,232的权益,这两个申请的标题均为“基于快速(FAST)误码率(BER)统计的光学性能监控”,其全部内容通过引用结合于此。
技术领域
本公开一般涉及光网络领域,尤其涉及监控基于光纤的通信网络的性能。
背景技术
在解决高数据吞吐量需求中,基于光纤的通信网络,诸如,例如密集波分复用(DWDM)网络,配置为组合并同时沿着光纤高速传输在不同波长下工作的多个光信号。这种DWDM网络包含了各种无源和有源处理元件,以有助于承载信息的多个光信号的传送。然而,这些元件中的一些以及光纤本身的物理特性能够引入某些噪声贡献,这些噪声贡献影响通过网络传播的光信号的质量。
光信号的质量通常通过光信噪比(OSNR)量化,光信噪比是性能测量度量,其确定在光信号传播通过网络后的接收的光信号功率与接收的噪声功率之比。其他常用的性能测量的度量包括误码率(BER)和符号错误率(SER)。这些度量表示在特定时间段期间检测到的接收的比特/符号错误的数量与接收的比特/符号的总数量之比。
光纤通信***通常采用OSNR监视和BER/BER测量技术以确定影响性能的总噪声贡献的总影响。然而,对噪声的组成分量的监控在检测和分析组成噪声分量的特定来源中可能是有利的。
发明内容
本公开的一个目的是提供一种用于监控基于光纤的通信网络的性能的方法,特别是用于确定对总噪声水平有贡献的线性和非线性噪声分量。该方法以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率,在时间段上生成与计算的快速误码率相关联的误码率分布数据,对误码率分布数据应用统计测量以提取误码率分布数据的统计属性数据,处理提取的统计属性数据以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量,并且根据分别确定的非线性噪声分量和线性噪声分量改变与要传输的光信号相关联的发射功率。
根据该目的,本公开的一个方面提供的采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
根据该目的,本公开的一个方面提供的时间段在10至50分钟之间。
本公开的另一方面提供了对误码率分布数据应用的统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
本公开的另一方面提供了对提取的统计属性数据的处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
本公开的另一个目的是提供一种包括性能监视器的光相干检测收发器,其中,性能监视器配置为以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率,在时间段上生成与计算的快速误码率相关联的误码率分布数据,将对误码率分布数据应用统计测量以提取误码率分布数据的统计属性数据,处理提取的统计属性数据以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量,并且收发器配置为根据分别确定的非线性噪声分量和线性噪声分量改变与要传输的光信号相关联的发射功率。
根据本公开的其他方面,光学相干检测收发器,其中采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
根据本公开的其他方面,光学相干检测收发器,其中时间段在10至50分钟之间。
根据本公开的其他方面,光学相干检测收发器,其中对误码率分布数据应用的统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
根据本公开的其他方面,光学相干检测收发器,其中对提取的统计属性数据的处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
根据本公开的其他方面,光学相干检测收发器,其中对提取的统计属性数据的处理通过多层感知器(MLP)ANN技术执行,该技术进行操作以对统计属性数据之间的非线性关系进行建模,并预测非线性噪声分量和线性噪声分量的噪信比(NSR)。
本公开的另一个目的是提供一种包括至少一个光学相干检测收发器的光纤通信网络,其中所述至少一个光学相干检测收发器配置为通过光纤通信网络发送和接收光信号,所述至少一个光学相干检测收发器包括性能监视器,其中所述性能监视器配置为以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率,在时间段内生成与计算的快速误码率相关联的误码率分布数据,对误码率分布数据应用统计测量以提取误码率分布数据的统计属性数据,处理提取的统计属性数据以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量,并且所述至少一个光学相干检测收发器配置为根据分别确定的非线性噪声分量和线性噪声分量改变与要传输的光学信号相关联的发射功率。
根据本公开的其他方面,光纤通信网络,其中采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
根据本公开的其他方面,光纤通信网络,其中时间段在10至50分钟之间。
根据本公开的其他方面,光纤通信网络,其中对误码率分布数据应用的统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
根据本公开的其他方面,其中对提取的统计属性数据的处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
根据本公开的其他方面,光纤通信网络,其中对提取的统计属性数据的处理通过多层感知器(MLP)ANN技术执行,该技术进行操作以对统计属性数据之间的非线性关系进行建模,并预测非线性噪声分量和线性噪声分量的噪信比(NSR)。
附图说明
结合附图,从以下详细描述中,本公开的特征和优点将变得显而易见,其中:
图1(现有技术)描述了光网络的框图;
图2描述了两个可重新配置的光分插复用器(ROADM)之间的链路的框图;
图3示出了根据本公开的各种实施例的在每个光学相干检测收发器中使用的性能监视器的高级别功能框图;
图4描绘了根据本公开的各种实施例的用于某些光纤通信场景的快速(FAST)误码率(BER)分布数据直方图;
图5描绘了根据本公开的各种实施例的光纤通信场景的示例性FAST BER分布数据直方图;
图6描绘了根据本公开的各种实施例的预测线性和非线性噪声贡献的代表性ANN处理技术;
图7A1-7B2图示了ANN预测的线性和非线性噪声贡献与实际测量的线性和非线性噪声贡献之间的误差;
图8A、8B分别图示了ANN预测的线性和非线性噪声值与实际测量的线性和非线性噪声值之间的归一化百分比误差;
图8C图示了ANN预测的线性和非线性值的绝对百分比误差;以及
图9描绘了根据本公开的各种实施例的针对用于监控基于光纤的通信网络的性能的方法的功能流程图。
应当理解,在整个附图和相应的描述中,相同的特征由相同的附图标记标识。此外,还应当理解,附图和随后的描述仅用于说明的目的,并且这种公开并不旨在限制权利要求的范围。
具体实施方式
本公开涉及一种在光通信***内执行信道监测的方法和***。本公开的方法和***使用双频导频音。双频率中的一个是从低频带或范围中选择的,而另一个是从高频带或范围中选择的。在一实施例中,低频带在30MHz和60MHz之间,高频带在125MHz和155MHz之间。使用双频导频音有助于***减轻光通信***内的不利操作条件。
如本文所用,术语“大约”或“近似”是指与标称值相差+/-10%。应当理解,这种变化总是包括在这里提供的给定值中,无论它是否被特别提及。
除非另有定义,本文使用的所有技术和科学术语具有与所述实施例所属领域的普通技术人员通常理解的相同含义。
本公开涉及一种用于监控基于光纤的通信网络的性能的方法和***。具体而言,涉及检测和分析噪声分量的特定源以提高基于光纤的网络的性能的过程。
现在参考附图,图1描绘了传统的基于光纤的通信网络100的框图。如图所示,光纤网络100通常包括多个节点。每个节点可以包括光分插复用器,诸如,举例来讲,包含至少一个波长选择开关(WSS)的可重新配置的光分插复用器(ROADM)10。
光网络100可以包含一个或多个激光源以及多个光放大器,例如掺铒光纤放大器(EDFA),用于放大光信号。光网络100可以进一步采用一个或多个光网络元件和模块(其可以包括有源和无源元件/模块中的一者或二者),诸如,例如,光学滤波器、WSS、阵列波导光栅和其他合适的组件。然而,出于简单和易处理的目的,图1中省略了这些元件。
图2描绘了高速密集波分复用(DWDM)光纤通信网络的两个ROADM 10a、10b之间的链路部分200的更详细视图。ROADM 10a、10b分别通信地耦合到光相干检测收发器227a、227b,光相干检测收发器227a、227b又可以分别包括发射器Tx 220a和接收器Rx 225a、220b以及发射器Tx 220b和接收器Rx 225b。ROADM 10a、10b配置为发送、接收和处理一个或多个DWDM信号202、204。
链路200还包括多个光放大器12,诸如,例如,EDFA。光放大器12可以通过光纤段互连,光纤段包括例如用于中等跨度距离的标准单模光纤(SSMF)或用于较长跨度距离的大有效面积光纤(LEAF)。
通过链路部分200传播的光信号的质量通常由OSNR值度量来量化。OSNR可以表示为给定带宽内接收的光信号功率与接收的噪声功率之比:
其中,Pi是第i个光通道中的光信号功率,Bm是等效噪声带宽,Ni是Bm内引入的噪声功率,Br是参考光带宽。
通过链路部分200传播的光信号的另一个通常应用的性能测量度量是误码率(BER)和符号错误率(SER)中的至少一个的测量,其指示在特定时间段期间检测到的接收的比特/符号错误的数量与接收的比特/符号的总数量之比。对于一个给定的调制星座,在SER和BER之间有一个比例因子关系(例如,成形16QAM的星座,SER大约是BER的3.7倍)。BER/SER通常在超过1秒的采样时间间隔上平均,一般延长5、10、15分钟等,以报告各个采样时间间隔的平均BER/SER、最小BER/SER和最大BER/SER。
关于光信号性能,如上所述,光纤网络处理元件连同光纤本身的特性能够引入影响通过网络传播的光信号质量的某些噪声贡献。特别地,光放大器可能显著地将噪声引入光信道信号。这种噪声与放大器自发辐射(ASE)有关,并导致影响光链路的OSNR和BER/SER度量的总光链路噪声。
光纤非线性(FNL)噪声是总光链路噪声的另一个重要的有贡献的因素。FNL噪声源于相干光纤光通信***经历的光纤非线性,诸如自相位调制(SPM)和交叉相位调制(XPM)。SPM引起由信号通道本身的属性导致的非线性效应,而XPM引起由相邻信号通道导致的非线性效应。由SPM/XPM导致的FNL噪声表现为ASE噪声,并且经常被错误地描述为ASE噪声,从而进一步影响光链路的OSNR。
如上所述,在测量和管理传播光信号的质量的努力中,光纤通信***采用基于总光链路噪声确定OSNR和BER/BER性能度量值的监控技术。换句话说,传统的OSNR和BER/SER监控技术进行操作以量化对总光链路噪声有贡献的成分ASE和FNL噪声分量的总效应。然而,这种传统技术并不监视、测量或区分ASE噪声和FNL噪声分量各自对OSNR和BER/SER性能度量的影响。
应当理解,检测、量化和将FNL噪声的效应从ASE噪声贡献分离的能力,在确定改善光纤网络和相关操作元件的性能的操作和配置措施方面提供了相当大的好处。例如,量化FNL噪声的效应将在确定信道功率优化、故障定位、最佳***参数配置等方面提供有用的信息。
如上所述,由传统光相干检测收发器计算的典型BER/SER测量值在时间窗≥1秒上平均,以产生代表总链路噪声的性能统计。然而,这些BER/SER统计数据并没有提供任何关于FNL噪声行为的有用信息以区分OSNR上的FNL噪声效应和ASE噪声效应。
这样来说,本公开的各种实施例针对用于监控基于光纤的通信网络的性能的方法和***,该方法和***区分FNL噪声和ASE噪声对总链路噪声的贡献。
图3示出了根据本公开的各种实施例的在每个光学相干检测收发器227a和227b中使用的性能监视器240的高级别功能框图。在某些实施例中,光学相干检测收发器227b可以配置为接收由光学相干检测收发器227a发送的光学信号。光相干检测收发器227b可以将接收的光信号提供给性能监视器240用于进一步处理,以便测量和管理接收的光信号的质量。这样,性能监视器240可以配置为以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的FAST BER。在某些实施例中,采样时间间隔可以在1纳秒(nsec)和100微秒(μsec)之间。
在某些实施例中,性能监视器240可以配置为在某个时间段上观察计算的FASTBER。作为非限制性示例,性能监视器240可以以1微秒的采样间隔计算接收的光信号的FASTBER,性能监视器240可以观察接下来15分钟的FAST BER。应当理解,性能监视器观察FASTBER的时间段可以从10分钟到50分钟变化。在观察FAST BER的时间段上,性能监视器240可以生成代表FAST BER的更高分辨率的分布数据和相关联的分布曲线直方图。已经通过实验观察到,通过将与BER计算相关联的采样时间间隔大大减少到纳秒或微秒,这种加速的BER/SER计算(在此统称为“FAST BER”)产生了包含指示ASE和FNL噪声贡献的有用信息的更详细的统计数据和更高分辨率的分布。举例来说,50纳秒的采样时间间隔将在1秒内产生2000万次BER/SER测量,提供了统计上稳健的、更高分辨率的BER/SER分布曲线。
图4示出了根据本公开的各种实施例,针对三种相同配置的光纤通信实验场景,通过FAST BER计算生成的BER分布直方图。具体来说,光纤通信场景配置包含:光纤链路,包含15个光纤段,每个光纤段包括跨越80公里距离的单模光纤(SMF);包括16QAM星座的信号格式;以及全负载***,该***占用C波段中的80个信道,测试信号工作在信道40。此外,FASTBER计算包括37.6纳秒的采样时间间隔,服务于1280个传输符号,以34千兆位/秒操作,以提供327,680个BER测量。要注意的是,在实时应用中,总测量时间段可以容易地达到几秒或几分钟,使得测量的数量可以达到更大的数量级,以提供更详细的FAST BER分布曲线。
回到图4,图4A1-4A3、图4B1-4B3和图4C1-4C3分别描绘了作为0.0dBm、2.0dBm和4.0dBm的光纤通信场景配置中引入的光信号发射功率电平的函数的2×10-2、3×10-2和3.5×10-2的目标平均BER的FAST BER分布直方图。
如图所示,对于0.0dBm的光信号发射功率电平的情况,图4A1、4B1、4C1分别表明,对于光纤通信场景配置的2×10-2、3×10-2和3.5×10-2的每个目标平均BER,FAST BER计算提供了基本上符合理论泊松概率分布模型的分布(由实线表示)。这些结果证明,在相对较低的光信号功率水平下,FNL噪声相对较小,它不会显著影响FAST BER分布。因此,在0.0dBm的功率水平下,与泊松分布模型的任何微小偏差都直接归因于ASE噪声贡献,FNL噪声的贡献很小。
与之相比,图4A2、4B2、4C2和图4A3、4B3、4C3分别示出了当光信号发射功率电平增加到2.0dBm和4.0dBm时的FAST BER分布直方图。所描绘的FAST BER分布表明,对于每个目标BER(例如,2×10-2、3×10-2和3.5×10-2),随着光信号发射功率的增加,产生与泊松模型显著不对称的偏斜偏差。具体来说,FAST BER分布呈现出明显的偏斜,密集的尾部。这些结果证明,在可观的光信号发射功率水平下,光纤的非线性特性受到光信号功率水平的影响,其起着诱导FNL噪声贡献的作用。并且,在纳秒/微秒的时间间隔窗口,这些FNL噪声贡献呈现为偏斜、密集的分布尾部。
因此,根据本公开的各种实施例,可以利用FAST BER分布的特征提供关于光纤网络的ASE和FNL噪声贡献的信息。例如,图示的分布表明,对于相同的目标BER,总链路噪声是相同的,因此随着光发射功率的增加,ASE对FNL噪声贡献的比率是变化的。此外,图示的分布还表明,对于相同的发射功率,FNL噪声贡献是相同的,但是ASE噪声贡献是变化的。此外,图示的分布还表明,随着光学发射功率的增加,误差计数分布中存在显著差异,特别是对于右分布尾部。可以分析和处理这些指示的分布特征中的每一个,以提取单独量化ASE和FNL噪声贡献的信息。
具体而言,根据本公开的各种实施例,可以将一个或多个统计测量应用于分布特征,以提取指示噪声贡献的数据。在某些实施例中,性能监视器240可以配置为对FAST BER分布数据应用各种统计和计算操作,以提取FAST BER分布数据的统计属性数据。
具体而言,图5示出了根据本公开的各种实施例的代表性FAST BER分布直方图。为了简单起见,图示的分布直方图描绘了FAST BER计算的分布数据(由星形图指示)以及叠加的参考线,该参考线指示可以应用于分布数据的各种统计度量,诸如,例如,分布数据的拟合分布曲线包络、平均值、中值和众数。此外,如图5中所列,可以另外应用其他统计度量,诸如,例如,标准偏差、偏斜度、皮尔逊系数、不对称性、与泊松模型的偏差、尾斜率等。应当理解,根据所公开的实施例,应用于BER分布的所指示的统计测量并不旨在以任何方式进行限制。
从FAST BER分布中提取的测量统计数据然后可以由性能监视器240进行处理,以确定和量化ASE和FNL噪声贡献。根据所公开的实施例,这种处理可以包括人工神经网络技术(ANN)、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术、经验公式估计技术等。还应当理解,根据所公开的实施例,应用于所测量的统计数据的所指示的处理技术并不旨在以任何方式进行限制。
图6示出了根据本公开的实施例的代表性ANN处理技术500,其基于从BER分布数据中提取的测量统计数据确定和量化单个ASE和FNL噪声贡献。在所描述的实施例中,处理技术500被设计为多层感知器(MLP)ANN,其进行操作以对从BER分布数据中提取的测量统计数据和估计/预测的噪信比(NSR)(即,OSNR的倒数)之间的非线性关系进行建模。
一般的MLP ANN架构由包含操作节点的至少三层构成:输入层,一个或多个隐藏层,和输出层。隐藏层配置为学习输入数据(例如,在这种情况下,测量的BER统计数据)和输出信息(例如,在这种情况下,估计/预测的NSR)之间的非线性关系特征。这样,隐藏层的节点被表征为执行诸如,例如,高斯函数、逻辑函数、双曲函数等非线性激活函数的人工神经元,,其基于所接收的节点数据、预定义的加权因子和偏置值执行计算。一个隐藏层的人工神经元将计算值传送给执行类似计算的后续隐藏层的神经元,直到最终估计值(例如,在这种情况下,预测的NSR)被转发到输出层节点。
在图示的实施例中,MLP ANN 500配置有两个隐藏层(例如,g(a1 i),g(a2 i)),每个隐藏层包括三个节点(例如,i=1,2,3)并配置有包括两个节点(例如,a3 1,a3 2)的输出层。如图所示,MLP ANN 500的输入被提供有表示BER分布数据的平均值和不对称性的测量统计数据。MLP ANN 500通过在整个隐藏层中应用非线性激活函数和相关联的加权因子,处理输入的测量统计数据。为了训练MLP ANN,上述光纤通信模拟试验场景条件中的每一个都被处理了20次,并且FAST BER被用以提取表示可归因于非线性FNL噪声的预测NSR和可归因于线性ASE噪声的预测NSR的信息。
图7A1图示了作为实际测量的非线性OSNR的函数的非线性FNL噪声贡献的MLP ANN500预测值,而图7A2图示量化了ANN 500预测的非线性FNL噪声贡献值与实际测量的非线性FNL噪声贡献值之间的误差。因此,测量非线性OSNR时的噪声贡献是FNL噪声。类似地,图7B1图示了作为实际测量的线性OSNR的函数的线性ASE噪声贡献的MLP神经网络500预测值,而图7B2图示了ANN 500预测的线性ASE噪声贡献值与实际测量的线性ASE噪声贡献值之间的误差。因此,测量线性OSNR时的噪声贡献是ASE噪声。
图7A2的量化预测误差图表明,ANN 500预测的非线性FNL噪声贡献值和实际测量的非线性FNL噪声贡献值之间的误差基本上被限制在大约2.0dB的可接受范围内。以类似的方式,图7B2的量化预测误差图表明,ANN 500预测的线性ASE噪声贡献值和实际测量的线性ASE噪声贡献值之间的误差基本上被限制在大约小于0.5dB的可接受范围内。
在这样做时,图7A2、7B2的量化预测误差图证实了ANN 500预测的非线性FNL和ASE线性噪声贡献值与实际测量的非线性FNL和线性ASE噪声贡献值之间的基本一致。
沿着类似的路线,图8A图示了归因于非线性FNL噪声的预测ANN 500 NSR值和归因于FNL噪声的实际测量NSR值之间的归一化百分比误差。图8B图示了归因于线性ASE噪声的预测ANN 500 NSR值和归因于ASE噪声的实际测量NSR值之间的归一化百分比误差。如图8A、8B所示,预测的ANN 500 NSR值和实际测量的NSR值之间的归一化百分比误差在大约8%的可接受容限内。
图8C图示了ANN 500预测的线性和非线性值的平均绝对百分比误差。平均绝对百分比误差量化了常规BER对OSNR(BO)分布曲线的线性和非线性噪声值与归一化到总噪声的ANN 500预测的分布曲线之间的差异。应当理解,这种准确性的度量比绝对误差更有意义,特别是当噪声分量之一显著小于其他噪声分量时。如图所示,常规分布曲线和ANN 500分布曲线之间基本一致,因为平均绝对百分比误差表明方差小于4%。
回到图3,性能监视器240可以分别确定ASE噪声和FNL噪声分量对OSNR和BER/SER性能度量的影响。如前所述,随着进入光纤的光信号发射功率的增加,ASE噪声分量减少,但FNL噪声分量增加。在某些实施例中,光相干检测收发器227a和227b可以根据单独确定的ASE噪声分量和FNL噪声分量改变光信号发射功率。光信号发射功率的改变可以包括但不限于增加、减少、重置等。诸如,例如,如果所确定的FNL噪声分量太高,光相干检测收发器227a和227b可以降低光信号发射功率。
在本公开的某些非限制性实施例中,基于分别确定的ASE噪声和FNL噪声分量对OSNR和BER/BER性能度量的影响,性能监视器240可以更有效地估计工作噪声容限。在这样做时,性能监视器240可以进一步配置为估计相应光链路的健康状况,诸如光链路的稳健性。在某些实施例中,如果一些光链路的健康状况低于某个阈值,则性能监视器240可以配置为将高优先级业务数据重新路由到具有较高工作噪声容限的另一链路,使用具有低工作噪声容限的链路承载低优先级业务数据。
图9描绘了根据本公开的各种实施例的示出了针对监控基于光纤的通信网络的性能的过程800的流程图。过程800开始于任务块802,其中性能监视器240以小于或等于100微秒(μsecs)的采样时间间隔计算接收的光信号的FAST BER。如上所述,FAST BER计算是通过将采样时间间隔减少到小于100微秒的数量级来实现的,具体地,减少到纳秒到微秒的数量级,诸如从10、20、30纳秒左右到10、20、30微秒左右,使得FAST BER产生多于传统BER测量的、数量显著增加的BER测量数据,以提供更详细的误差统计和更高分辨率的分布数据。
在过程800的任务块804,性能监视器240操作以在时间段上生成与计算的快速误码率相关联的误码率分布数据。详细的分布曲线将证明某些信息特征,这些信息特征可用于揭示ASE和FNL噪声贡献。接着,在任务块806,性能监视器240将感兴趣的统计测量应用于分布曲线,以提取统计数据属性。如上所述和图5所示,给定表现性能特征的详细分布曲线,可以应用各种统计测量,诸如,例如,均值、中值、众数标准偏差、偏斜度、皮尔逊系数、不对称性、与泊松模型的偏差、尾斜率等,以从分布曲线中提取相关统计数据属性。
在任务块808,性能监视器240处理提取的分布曲线的相关统计数据属性,以确定和量化ASE和FNL噪声对总链路噪声的贡献。如前所讨论的,对提取的统计数据属性的处理可以包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术、经验公式估计技术等。这些处理技术可以配置为识别对NSR水平有贡献的ASE和FNL噪声分量。
最后,在任务块810,光学相干检测收发器227a和227b中的至少一个根据单独确定的非线性噪声分量和线性噪声分量改变与要传输的光学信号相关联的发射功率。诸如,例如,如果所确定的FNL噪声分量太高,光相干检测收发器227a和227b可以降低光信号发射功率。
因此,根据所公开的实施例,基于光纤的通信网络性能的有效监控和优化可以通过应用FAST BER和统计测量技术分别检测和量化ASE噪声和FNL噪声的贡献来实现。这种对FNL和ASE噪声贡献的单独检测使得有机会优化提高光纤网络的性能的操作和配置参数。尽管与要传输的光信号相关联的发射功率可以根据单独确定的FNL噪声分量和ASE噪声分量而改变,但是应当理解,单独确定的FNL噪声分量和ASE噪声分量信息可以用于各种其他有形应用和相关的特定***要求。
应当理解,所公开的方法的操作和功能可以通过基于硬件、基于软件、基于固件的元件中的至少一个来实现。这些操作的替代方案不以任何方式限制本公开的范围。特别地,性能监视器240和过程800可以包括由计算机实现的一系列操作、可操作地与存储器连接的处理器,或机器,这些操作可以存储为由机器、处理器或计算机可读的一系列指令,并且可以存储在非暂时性的有形介质上。
还应当理解,尽管已经参照具体特征、结构和实施例描述了这里提出的原理和实施方式,但是很明显,在不脱离这些公开的情况下,可以进行各种修改和组合。因此,说明书和附图被简单地视为由所附权利要求限定的发明实施例和原理的说明,并且被预期覆盖落入本公开范围内的任何和所有修改、变化、组合或等同物。
Claims (18)
1.一种光学相干检测收发器,包括:
性能监视器,其中所述性能监视器配置为:
以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率;
在时间段上生成与所述计算的快速误码率相关联的误码率分布数据;
对所述误码率分布数据应用统计测量,以提取所述误码率分布数据的统计属性数据;
处理所述提取的统计属性数据,以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量;以及
收发器,配置为根据所述分别确定的非线性噪声分量和线性噪声分量改变与要传输的光信号相关联的发射功率。
2.根据权利要求1所述的光学相干检测收发器,其中,所述采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
3.根据权利要求1至2中任一项所述的光学相干检测收发器,其中,所述时间段在10至50分钟之间。
4.根据权利要求1至3中任一项所述的光学相干检测收发器,其中,对所述误码率分布数据应用的所述统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
5.根据权利要求1至4中任一项所述的光学相干检测收发器,其中对所述提取的统计属性数据的所述处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
6.根据权利要求5所述的光学相干检测收发器,其中,对所述提取的统计属性数据的所述处理通过多层感知器(MLP)ANN技术执行,所述MLP ANN技术进行操作以对所述统计属性数据之间的非线性关系进行建模,并预测所述非线性噪声分量和线性噪声分量的噪信比(NSR)。
7.一种用于监控基于光纤的通信网络的性能的方法,包括:
以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率;
在时间段上生成与所述计算的快速误码率相关联的误码率分布数据;
对所述误码率分布数据应用统计测量,以提取所述误码率分布数据的统计属性数据;
处理所述提取的统计属性数据,以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量;以及
根据分别确定的所述非线性噪声分量和线性噪声分量,改变与要传输的光信号相关联的发射功率。
8.根据权利要求7所述的方法,其中所述采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
9.根据权利要求7至8中任一项所述的方法,其中所述时间段在10至50分钟之间。
10.根据权利要求7至9中任一项所述的方法,其中,对所述误码率分布数据应用的所述统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
11.根据权利要求7至10中任一项所述的方法,其中对所述提取的统计属性数据的所述处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
12.根据权利要求11所述的方法,其中对所述提取的统计属性数据的所述处理通过多层感知器(MLP)ANN技术执行,所述MLP ANN技术进行操作以对所述统计属性数据之间的非线性关系进行建模,并预测所述非线性噪声分量和线性噪声分量的噪信比(NSR)。
13.一种光纤通信网络,包括:
至少一个光学相干检测收发器,其中,
所述至少一个光学相干检测收发器配置为通过所述光纤通信网络发送和接收光信号;
所述至少一个光学相干检测收发器包括:
性能监视器,其中所述性能监视器配置为:
以小于或等于100微秒(μsec)的采样时间间隔计算接收的光信号的快速误码率;
在时间段上生成与所述计算的快速误码率相关联的误码率分布数据;
对所述误码率分布数据应用统计测量,以提取所述误码率分布数据的统计属性数据;
处理所述提取的统计属性数据,以分别确定对总噪声水平有贡献的非线性噪声分量和线性噪声分量;以及
所述至少一个光学相干检测收发器配置为根据分别确定的非线性噪声分量和线性噪声分量改变与要传输的光学信号相关联的发射功率。
14.根据权利要求13所述的光纤通信网络,其中所述采样时间间隔在1纳秒(nsec)和100微秒(μsec)之间。
15.根据权利要求13至14中任一项所述的光纤通信网络,其中所述时间段在10至50分钟之间。
16.根据权利要求13至15中任一项所述的光纤通信网络,其中对所述误码率分布数据应用的所述统计测量包括拟合分布曲线包络、平均值、中值、众数值、标准偏差值、偏斜度值、皮尔逊系数值、不对称性表征值、泊松偏差值和分布数据尾斜率值中的至少一个。
17.根据权利要求13至16中任一项所述的光纤通信网络,其中对所述提取的统计属性数据的所述处理包括人工神经网络(ANN)技术、线性/非线性回归分析技术、支持向量回归技术、随机森林技术、非线性曲线拟合技术和经验公式估计技术中的至少一种。
18.根据权利要求17所述的光纤通信网络,其中,对所述提取的统计属性数据的所述处理通过多层感知器(MLP)ANN技术执行,所述MLP ANN技术进行操作以对所述统计属性数据之间的非线性关系进行建模,并预测所述非线性噪声分量和线性噪声分量的噪信比(NSR)。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962833232P | 2019-04-12 | 2019-04-12 | |
US62/833,232 | 2019-04-12 | ||
US16/829,744 US10965371B2 (en) | 2019-04-12 | 2020-03-25 | Optical performance monitoring based on fast bit error rate (BER) statistics |
US16/829,744 | 2020-03-25 | ||
PCT/CN2020/084501 WO2020207501A1 (en) | 2019-04-12 | 2020-04-13 | Optical performance monitoring based on fast bit error rate (ber) statistics |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113424465A true CN113424465A (zh) | 2021-09-21 |
CN113424465B CN113424465B (zh) | 2022-06-14 |
Family
ID=72748275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080012671.3A Active CN113424465B (zh) | 2019-04-12 | 2020-04-13 | 基于快速误码率(ber)统计数据的光学性能监控 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10965371B2 (zh) |
EP (1) | EP3939180A4 (zh) |
JP (1) | JP7278411B2 (zh) |
CN (1) | CN113424465B (zh) |
WO (1) | WO2020207501A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3758258B1 (en) * | 2019-06-27 | 2023-04-12 | Viavi Solutions Inc. | Measuring linear and non-linear transmission perturbations in optical transmission systems |
US11451998B1 (en) * | 2019-07-11 | 2022-09-20 | Meta Platforms, Inc. | Systems and methods for communication system resource contention monitoring |
CN116722918B (zh) * | 2023-08-08 | 2023-10-27 | 深圳市星华时代科技有限公司 | 基于光纤链路组建的光信号数据网络通信*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511135A (zh) * | 2011-02-17 | 2012-06-20 | 华为技术有限公司 | 路径时延差评估器、路径时延差补偿器和相干接收机 |
CN105308867A (zh) * | 2013-06-19 | 2016-02-03 | 三菱电机株式会社 | 用于对数据进行调制以进行光通信的方法和*** |
US20160233963A1 (en) * | 2013-09-09 | 2016-08-11 | Ciena Corporation | Reduced complexity nonlinear compensation |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6583903B1 (en) * | 2000-03-02 | 2003-06-24 | Worldcom, Inc. | Method and system for controlling polarization mode dispersion |
US20020149812A1 (en) * | 2001-04-17 | 2002-10-17 | Junhua Hong | Method and procedures for system test and verification of optical networks using noise injection/loading |
AUPR818901A0 (en) * | 2001-10-10 | 2001-11-01 | Vpisystems | Optical error simulation system |
US7986878B2 (en) * | 2008-02-05 | 2011-07-26 | Opnext Subsystems, Inc. | Adjustable bit rate optical transmission using programmable signal modulation |
CN101686085B (zh) * | 2008-09-27 | 2012-11-28 | 富士通株式会社 | 光相干接收机及其性能监测装置和方法 |
US8000254B2 (en) * | 2008-12-23 | 2011-08-16 | General Instruments Corporation | Methods and system for determining a dominant impairment of an impaired communication channel |
JP5278001B2 (ja) * | 2009-01-29 | 2013-09-04 | 富士通株式会社 | 光通信システムおよび光受信器 |
EP2230782A1 (en) * | 2009-03-19 | 2010-09-22 | Alcatel Lucent | Monitoring of non-linear distortions in a fiber-optic transmission system |
JP5375519B2 (ja) | 2009-10-26 | 2013-12-25 | 富士通株式会社 | 非線形歪検出回路、光受信機、光伝送システム、および非線形歪検出方法 |
US8913899B2 (en) * | 2010-12-07 | 2014-12-16 | Alcatel Lucent | Distribution of optical power in an optical transport system |
US8861636B2 (en) | 2011-07-22 | 2014-10-14 | Infinera Corporation | Coherent detection using coherent decoding and interleaving |
US8768178B2 (en) * | 2011-09-15 | 2014-07-01 | Opnext Subsystems, Inc. | Automatic gain control for high-speed coherent optical receivers |
US20130170829A1 (en) * | 2011-12-30 | 2013-07-04 | Opnext Subsystems, Inc. | Optical Coherent Receiver Optimization |
US8989596B2 (en) * | 2012-03-06 | 2015-03-24 | Northrop Grumman Systems Corporation | Multiple sensor optical communication systems and methods |
US8897655B2 (en) * | 2012-06-18 | 2014-11-25 | Alcatel Lucent | Adaptive constellations and decision regions for an optical transport system |
EP2975787B1 (en) * | 2014-07-16 | 2018-10-03 | ZTE Corporation | Adaptive post digital filter and inter-symbol interference equalizer for optical communication |
JP6409493B2 (ja) | 2014-10-20 | 2018-10-24 | 日本電気株式会社 | 受信信号処理装置及び受信信号処理方法 |
US9374171B2 (en) * | 2014-10-29 | 2016-06-21 | Alcatel Lucent | Reduction of effects of signal-signal beat interference in optical transport systems |
CN106533998B (zh) | 2015-09-15 | 2020-03-06 | 富士通株式会社 | 非线性特性的确定方法、装置和*** |
US10404367B2 (en) * | 2016-01-06 | 2019-09-03 | B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University | Low resolution ADC-DSP optimization based on non-uniform quantization and MLSE for data centers interconnects |
CN107566120B (zh) | 2017-09-28 | 2020-08-04 | 上海交通大学 | 本地本振连续变量量子密钥分发方法及*** |
US10826606B1 (en) * | 2018-08-14 | 2020-11-03 | Leidos, Inc. | Quantum detection and tracking of pulsed optical signals |
-
2020
- 2020-03-25 US US16/829,744 patent/US10965371B2/en active Active
- 2020-04-13 JP JP2021560075A patent/JP7278411B2/ja active Active
- 2020-04-13 EP EP20787195.5A patent/EP3939180A4/en active Pending
- 2020-04-13 CN CN202080012671.3A patent/CN113424465B/zh active Active
- 2020-04-13 WO PCT/CN2020/084501 patent/WO2020207501A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511135A (zh) * | 2011-02-17 | 2012-06-20 | 华为技术有限公司 | 路径时延差评估器、路径时延差补偿器和相干接收机 |
CN105308867A (zh) * | 2013-06-19 | 2016-02-03 | 三菱电机株式会社 | 用于对数据进行调制以进行光通信的方法和*** |
US20160233963A1 (en) * | 2013-09-09 | 2016-08-11 | Ciena Corporation | Reduced complexity nonlinear compensation |
Also Published As
Publication number | Publication date |
---|---|
WO2020207501A8 (en) | 2021-09-23 |
EP3939180A1 (en) | 2022-01-19 |
US20200328807A1 (en) | 2020-10-15 |
US10965371B2 (en) | 2021-03-30 |
JP7278411B2 (ja) | 2023-05-19 |
JP2022526847A (ja) | 2022-05-26 |
CN113424465B (zh) | 2022-06-14 |
EP3939180A4 (en) | 2022-05-11 |
WO2020207501A1 (en) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113424465B (zh) | 基于快速误码率(ber)统计数据的光学性能监控 | |
Pointurier | Machine learning techniques for quality of transmission estimation in optical networks | |
Kashi et al. | Nonlinear signal-to-noise ratio estimation in coherent optical fiber transmission systems using artificial neural networks | |
EP3874624B1 (en) | Handling band spectrum failures in a c+l band photonic line system | |
EP3832907B1 (en) | Method and apparatus for establishing data model | |
EP3909153A1 (en) | Optical fiber characterization using a nonlinear skirt measurement | |
Meng et al. | Field trial of Gaussian process learning of function-agnostic channel performance under uncertainty | |
US20080131116A1 (en) | Optical power measurement apparatus and optical power measurement method | |
US8412039B2 (en) | Method for estimating bandwidth limiting effects in high frequency transmission communication systems | |
US20180337727A1 (en) | Device and method for measuring optical signal-to-noise ratio | |
JP2008521304A (ja) | 光信号の監視装置及び方法 | |
Salehiomran et al. | Linear and nonlinear noise monitoring in coherent systems using fast BER measurement and neural networks | |
Jiang et al. | Machine learning based EDFA channel in-band gain ripple modeling | |
CN112585890B (zh) | 使用低功率间隙和导频音监测光网络的性能 | |
Kashi et al. | Artificial neural networks for fiber nonlinear noise estimation | |
Hu et al. | A novel cost-effective and distributed in-band OSNR monitoring method using Gaussian process regression | |
JP6387461B2 (ja) | 光伝送のための伝送品質の推定器を作り出すための方法 | |
US9621277B2 (en) | Pre-distortion of an optical signal with frequency division multiplexed sub-carriers | |
Salehiomran et al. | Fast BER distribution and neural networks for joint monitoring of linear and nonlinear noise-to-signal ratios | |
Lippiatt et al. | Machine-learning-based optical performance monitoring using carrier phase recovery | |
Li et al. | Which features most impact: prediction of ANN-based lightpath quality of transmission? | |
Zhang et al. | QoT estimation for unestablished lightpaths using artificial neural networks | |
Girard-Jollet et al. | Estimating network components PDL using performance statistical measurements | |
EP4346122A1 (en) | Optical signal-to-noise ratio measurement method and apparatus, and computer storage medium | |
Wang et al. | Global Power Analyses in Super C Band WDM Transmissions System Based on Parameter Estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |