[发明专利]一种基于样本迁移筛选的光路传输质量预测方法

说明书

本发明公开了一种基于样本迁移筛选的光路传输质量预测方法，利用目标域的未标记样本对源域样本进行筛选，包括以下步骤：S1、筛选源域数据：采用孤立森林算法完成样本分类得到相似样本；S2、训练预训练模型：将得到的相似样本对人工神经网络进行训练，得到预训练模型；S3、微调预训练模型：迁移预训练模型中的一层或几层，将其加入到新的神经网络中，并冻结其参数；利用来自于目标域的少量样本对新的神经网络进行训练，最终得到适用于目标域的QoT预测模型。本发明融合了机器学习中的孤立森林算法，在目标网络可供训练的样本数量较少的情况下，有效提升了迁移学习QoT估计方法的精度，从而降低了所需部署的网络余量，是一种新颖的迁移学习QoT估计方案。

技术领域

本发明涉及网络传输技术领域，尤其涉及一种基于样本迁移筛选的光路传输质量预测方法。

背景技术

在对网络资源进行部署时，为了确保在整个网络生命周期内传输的可靠性，需要在光路部署时为其预留一定的余量。然而，网络余量的增加会造成网络资源的浪费，致使资源利用率降低。因此，在光路部署前，需要对传输质量(QoT)进行准确估计，以减少部署的余量，提高网络资源利用率。

目前，机器学习作为一种以网络数据为基础的智能技术，可有效提升光路QoT预测的性能。然而，在实际的光网络中，训练样本的采集往往存在诸多的障碍，例如在某些节点上性能监视器的缺少、网络部署初期可供监测的光路数量不足等等，因此所获得的训练样本数量难以支撑模型的训练。因此，目前基于机器学习的智能预测模型的准确度面临挑战。

传统的机器学习方法是在假设系统的测试数据与训练数据表现出相同的特征空间与分布的情况下，对模型进行训练的。但是，由于光传输系统中包含的不同特性(例如，传输距离、光纤类型、调制格式、发射功率等)，针对某个系统的训练好的模型可能不适用于另外一个采用相同的机器学习方法的模型。而为了这样的新系统再配置建立新模型，就需要大量的训练数据。为了解决这一问题，引入了迁移学习方法。

迁移学习是一种近年来得到大量应用的机器学习框架，其通过将之前的任务中学习到的知识迁移到具有较少的训练数据的新的任务中，从而提升学习性能和训练速度。迁移学习的基本过程如图1所示，通常，由大量样本训练的前一个任务所处的域被称之为源域(source domain)，仅具有少量样本的新任务所处的域被称之为目标域(target domain)。而当源域任务与目标域任务相同时，迁移学习就与传统的机器学习问题没有区别。

在采用迁移学习方法之后，从一个光传输系统中所学到的知识就可以迁移到另外一个新部署的光传输系统中，从而利用目标域的少量的额外训练数据实现QoT估计工具的快速部署。为了缓解训练样本较少的问题，结合迁移学习的QoT估计方法开始得到广泛的研究。该方法的基本思路就是将来自另一个网络的知识迁移到本网络，从而在本网络中可供采集的样本数量较少的情况下，也能完成机器学习QoT估计模型的训练。

目前常用的迁移学习QoT估计方案主要分为两类，一类是基于人工神经网络(ANN)的模型层面的迁移，另一类是针对光路样本的样本层面的迁移。

模型迁移方法的基本思想就是利用来自源域的大量样本预先训练出一个预训练模型，在QoT估计中，该模型通常为神经网络模型。在迁移过程中，将该神经网络隐藏层的一层或几层迁移到新的针对目标域的神经网络中去，并冻结这些层的参数，使之不参与训练。这些冻结层(frozen layer)就成为了源域网络知识的携带者，将来自于源域的知识迁移到了目标域。

在QoT估计问题中，尽管标记样本的获取可能存在困难，但是未标记样本的获取往往是比较容易的，尽管这些未标记样本不能直接参与机器学习模型的训练，但是在迁移学习方法中却起着很大的作用。