[发明专利]一种基于深度学习的数据中心光通信色散估计与管理方法

说明书

本发明公开了一种基于深度学习的数据中心光通信色散估计与管理方法，基于人工神经网络的均衡器分为两个阶段，第一阶段采用光信道的脉冲响应数据对人工神经网络进行训练，对人工神经网络的模型参数进行优化，建立人工神经网络的非线性响应模型；第二阶段采用训练的人工神经网络均衡器对光信道的传输数据进行处理，实现对光信道色散的估计与补偿。按照数据中心的光网络方案进行了仿真实验，结果显示，基于人工神经网络的均衡器提高了光通信的光信噪比，并且延长了光通信的传输距离。

技术领域

本发明涉及一种基于深度学习的数据中心光通信色散估计与管理方法。

背景技术

随着云计算的发展，数据中心的规模迅速增长，光网络是目前数据中心的主要通信方式。光纤存在色散现象，导致光波的传播过程中产生线性或者非线性的失真。在相干光通信系统中可使用线性均衡器对色散进行直接补偿，但在直接检测系统中无法采用线性均衡器方案，因为在直接检测系统的检测过程中，丢失了符号的相位信息，所以色散现象导致明显的误差。在所有的均衡器技术中，MLSE(最大似然接收机)具有最优的均衡化性能，但其对于每个符号的计算成本与符号间干扰成比例关系，导致MLSE无法适用于高速符号传输的场景。数据中心的传输距离大多为几千米～几十千米，并且传输速度高于10Gbps，因此数据中心需要增加调制技术与数字信号处理技术。数据中心的光网络一般使用直接调制激光器与直接检测接收器，随着数据传输比特率的提高，此类网络的传输距离主要受限于光通信的色散问题。为了实现与MLSE均衡器接近的均衡化性能，同时实现较低的计算成本，设计了基于ANN(人工神经网络)模型的均衡化方案。ANN是由大量处理单元互联组成的非线性、自适应信息处理系统，利用ANN的学习能力，实现对光通信色散问题的预测与补偿。

最大似然估计是光通信色散最准确的估计算法，但是最大似然估计对于每个符号的计算成本与符号间干扰成正比关系，高速光通信的情况下，光通信符号间的干扰极大，所以最大似然估计对于高速光通信的计算复杂度极高、实用性低。云计算的数据中心光速率一般高于10Gbps，这种情况下最大似然估计的计算成本极大。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学习的数据中心光通信色散估计与管理方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于深度学习的数据中心光通信色散估计与管理方法，其特征在于，采用以下步骤：

S1、采用光信道的脉冲响应数据对ANN进行训练，对ANN的模型参数进行优化，建立ANN的非线性响应模型；

S2、采用训练的ANN均衡器对光信道的传输数据进行处理，实现对光信道色散的估计与补偿。

进一步地，步骤S1中，建立光通信系统模型，短距离光通信模型主要由发送模块、光信道与接收模块组成；发送模块由直接调制激光器或者外调制激光器组成；假设发送器的噪声为高斯白噪声，那么广义的发送模块输出为：

式中a_k为独立同分布的输入符号，N为发送的符号总数量，T^-1为符号率，F(t)为脉冲波形；DML的F(t)定义为：

式中P(t)为输出能量的分布，相位(t)等于DML频率啁啾的结果，将(t)定义为积分形式^[6]：

式中α为线性因子，K_v为绝热啁啾系数，(3)式的第一项与第二项分别表示瞬态啁啾与绝热啁啾；EML的F(t)定义为：

假设光信道为线性单模光纤(SMF)，其传输函数为：