模拟和建模C + L + S多带光学传输对OCATA时域数字双胞胎的模拟和建模

科学领域:

• 光学通信是指光学通信.
• 网络工程 网络工程
• 机器学习 机器学习

背景情况:

• C+L+S多带 (MB) 光传输对于增加光传输网络容量以满足不断增长的流量需求至关重要.
• 准确的传输质量 (QoT) 估计工具对于规划和运行MB光网络至关重要.
• 现有的方法,如分步里叶法 (SSFM),对于实时QoT估计,计算密集.

研究的目的:

• 开发快速准确的机器学习 (ML) 模型,用于在MB光传输中估计QoT.
• 将这些ML模型集成到光学层数字双胞胎 (DT) 解决方案中,用于网络自动化.
• 为了比较不同的ML方法来预测光信号传播和QoT精度.

主要方法:

• 使用了交互图像 (RK4IP) 中的第四阶Runge-Kutta方法,用于高效的信号传播建模的自适应步骤大小.
• 使用RK4IP生成的数据集用于训练基于神经网络的ML模型.
• 开发并比较了两个ML建模方法,用于在数字双胞胎中进行时间域光学信号预测.

主要成果:

• RK4IP方法的准确性与SSFM相当,但计算时间显著减少,使MB光传输模拟成为可能.
• 开发的ML模型准确地预测了光学信号在时间域中的传播.
• 该研究的重点是比较拟议的ML方法的一般和QoT估计准确性.

结论:

• 对于MB光网络,使用集成到数字生中的ML模型可以实现快速而准确的QoT估计.
• RK4IP方法为模拟复杂的MB光学传输效应提供了有效的替代方案,例如通道间刺激拉曼散射 (ISRS).
• 基于机器学习的信号预测有助于自动化网络操作,包括连接提供和故障管理.