数字孪生技术在光网络中的应用与问题.docxVIP

摘要：当前，光网络已呈现出网络环境复杂化和管控系统智能化的发展趋势。光网络的智能管控离不开对网络的准确感知，数字孪生技术通过在网络系统中应用大 量感知单元，结合网络先验模型，对网络运行状态和性能进行实时精确的“映射”，从而在数字世界得到真实网络的精确“映像”，使得对真实网络进行准确分析、自动 控制和性能优化成为可能。数据采集是光网络数字孪生系统的重要一环，一旦出现问题，将严重制约系统性能。针对这些问题进行初步分析与建模，并对当前以及潜在的 解决方案进行讨论与研究。 关键词：全光网，数字孪生，机器学习，网络感知 0 引言 5G技术的成熟与落地使人们对于下一代移动通信技术有了更高的性能期许和要求。随着移动通信对带宽、时延等需求的不断提升，以及移动通信蜂窝和单基站覆盖范 围的不断变小，光通信网络的重要地位在6G时代将得到更为突出的体现，其性能上限也将成为制约整个信息网络能力进一步提升的重大瓶颈。智能化是当前光网络发展的 一大趋势[1]。随着人工智能技术的发展和应用领域的增多，将机器学习和光网络的智能管控相结合无疑是一个绝佳的选择。与此同时，数字孪生技术也取得了极大的发 展和进步。数字孪生技术利用采集到的大量数据，对一系列物理实体建模并模拟其行为，将实体光网络映射到数字世界，同时利用机器学习算法对数据进行分析和挖掘， 进而实现对实体光网络更好的管控。 1 数字孪生技术及其应用 数字孪生技术 数字孪生是物理系统（及其相关环境和进程）的虚拟表示，通过物理系统和虚拟系统之间的信息交换进行更新[2]，它的正常运作建立在对所研究的对象精准感知的 基础之上。 数字孪生在不同领域中都有着广泛的应用，例如大型建筑或海上钻井平台的物理结构可以通过数字孪生进行改进[3]；制造业中的产品从设计到制作再到成品，这之 间的所有步骤都可以在数字孪生的辅助下进行[4]；汽车具有复杂的工作系统以及协同机制，相应的设计难度非常大，而数字孪生的引入可以在汽车设计的过程中，既提 高车辆性能，又提高生产效率[5]；数字孪生还有助于设计和规划结构复杂、用途多样的太阳能农场[6]；在城市规划领域，数字孪生可以实时显示3D空间数据[7]；在医 院，得益于数字孪生，患者可以获得更为优质的医疗保健服务，医生们则可以根据传感器生成的数据来追踪患者的各项健康指标，进而做出更精准的判断[8]；在科研院 所，科研人员可以利用数字孪生系统生成的大量数据进行更为全面和深入的研究，并据此对试验进行优化，实现更高效的方案设计。 数字孪生技术在光通信网络的研究和发展过程中也逐渐显露出巨大作用。研究人员会在不同节点装配上不同功能的感知模块，如传感器、光性能监测（Optical Performance Monitoring，OPM）模块，由这些模块生成的关于光网络性能与运行状态的数据，会被传送至数据处理系统中用于完善数字孪生所建立的模型[9]，数字孪生系统也可以借助机器学习算法，基于模型进行模拟仿真、性能研究并生成可行的优化方案。这些工作的最终目标是挖掘虚拟网络模型所反映出的实体网络各研究对象之间 的深层次联系，并将之应用于对实体网络的管理和控制。 数字孪生与机器学习在光网络中的应用与潜在问题 近年来针对光网络的不同分层均有相应的感知技术被提出，并与机器学习技术相结合，开启初步的应用（见图1）。例如，物理层（光链路物理损伤估计、光放大器 控制、物理层安全分析等）[10]、链路层（光开关状态感知、端口状态感知等）[11]、网络层（资源利用率分析、丢包率监测、跨域路由计算等）[12]。这些技术能够在 特定的场景中给光网络带来一定程度的性能提升，但是它们大多仅工作在单一的场景下，采集特定的数据，优化单个的指标，适用性和扩展性受限。然而，光网络各层级 之间紧密联系，隐含很强的关联性。因此，由于很少或没有考虑到其他优化目标，这些相互独立的感知技术往往难以实现整体网络性能的优化，甚至会出现为优化一个指 标而牺牲其他指标性能的情况。其根本原因在于这些独立的感知技术作用在“低维度”，或它们所依赖的感知数据本身就是“低维度”的，如同“盲人摸象”，无法获 得“高维度”的数字孪生并重现完整的真实网络，自然也就难以避免“顾此失彼”的局部优化，遑论实现全局优化。 另一个值得关注的问题在于机器学习是一种“垃圾进，垃圾出”（Garbage In，Garbage Out）的技术，为了发挥其真正效力，需要有高质量的数据集对其进行支 撑。但是，在实际的数据采集过程中，感知模块的性能差异以及感知数据的传送、存储和处理能力均会限制真实网络数据采样的一致性和实时性，进而破