OFC2025：光网络中的六大关键AI/ML应用

  ICC讯  在OFC 2025上我们预计将听到最热门的话题之一是人工智能（AI）的出现及其对电信行业的影响。光网络中的人工智能应用对于增强数据传输性能和可靠性变得越来越重要。通过在光网络中利用AI/ML，网络运营商可以实现更高的数据速率、改进的可靠性和更低的运营成本。AI允许以传统方法无法达到的规模和速度管理复杂的网络。随着光网络技术的发展和数据需求的增长，AI的作用预计将进一步扩大，推动网络设计、操作和维护方面的创新。

  那么，光网络中可能的AI/ML应用有哪些呢？

  1. 网络设计、规划与优化

  - 流量预测：AI能够预测流量模式并主动调整带宽分配以满足需求，从而优化网络资源使用。

  - 路由优化：机器学习算法分析网络数据，以确定数据包传输的最有效路径，减少延迟和拥塞，推动自愈网络概念的发展。

  - 自配置网络：当添加新设备或检测到流量变化时，AI/ML使光网络能够进行自我配置。

  - 资源分配：人工智能和机器学习根据当前网络状况和需求，动态分配波长和带宽等网络资源，实现优化。

  2. 故障预测

  - 通过分析网络数据（历史和当前），AI可以预测组件何时可能失效，并在问题发生前安排维护，提高网络可靠性。

  3. 异常检测以实现主动恢复

  AI/ML系统可以监控网络中的异常情况，这可能指示即将发生的故障，从而允许预先服务恢复。

  4. 适应性传输系统

  - 调制格式调整：基于实时网络状况如信号质量和信道损伤，AI/ML可以选择最优的数据传输调制格式。

  - 功率水平优化：AI/ML算法调整光信号的功率水平，确保高效传输同时最小化干扰和串扰。

  5. 从真实网络中学习

  - 网络数据分析：AI/ML技术可以从光时域反射仪（OTDR）和光网络管理（ONM）原始数据中进行有建设性的数据解读。

  6. 传输质量（QoT）评估

  - QoT预测：AI模型根据各种网络参数预测新连接的传输质量，有助于确保符合服务水平协议(SLA)。

  从实际网络中学习：自动OTDR事件识别

  我们来深入了解一下从真实网络中学习的应用。光学专家分析 OTDR 轨迹，以识别光纤链路中的故障并确保传输质量。这是通过检查事件特征来实现的，这些特征表示特定设备故障或诸如光纤断裂、连接器故障或光纤弯曲等故障在轨迹中的位置。OTDR 系统的工作原理是在光纤的一端注入一个短激光脉冲，并在同一位置使用光电二极管测量后向散射和反射光。这个过程的结果称为 OTDR 轨迹，即光功率随光纤长度变化的图形表示。一个典型的例子如下图所示。

图1：带有多个事件的 OTDR 轨迹图示。文本注释描述了这些事件的根本原因。

  现在，借助最新的自动事件检测人工智能和机器学习算法，可以绕过耗时且繁琐的人工检查。该应用经过“训练”，能够理解和识别不同的事件模式，如下图所示。

图2：用于“训练”算法的可能模式。

  AI/ML事件识别是一个视觉识别过程：AI/ML能够发现数学 OTDR 分析无法找到的事件。这为用户提供了非常强大的分析能力，使其能够推断出光纤出现问题的位置，以便进行修复。

图3：AI/ML向用户描述 “事件” 的示例。

  简化光网络管理流程

  认知网络是专门为网络管理定制的一类AI应用，能够收集数据、从中学习、制定策略、做出决策并执行适当的行动。机器学习算法是这种方法的基石，提供关于网络行为的深入见解，使运营商能够为网络优化做出明智而高效的决策。这些原则同样适用于光网络，它们解锁了包括网络优化、主动网络恢复和网络状况增强分析在内的多种应用场景。虽然我们在将AI和ML整合到网络管理的早期阶段，但其潜力不可否认。AI和ML工具为网络运营商提供了宝贵的资产，承诺在网络效率和可靠性方面取得重大进展。

  欲了解更多信息，请参阅NCS 1000产品页面：https://www.cisco.com/site/us/en/products/networking/optical-networking/network-convergence-system-1000-series/index.html#~stickynav=4

  原文：Six Key AI/ML Applications for Optical Networking | OFC | https://www.ofcconference.org/en-us/home/news-and-press/ofc-blog/2025/six-key-ai-ml-applications-for-optical-networking/