沈綱祥

（蘇州大學(xué)蘇州市先進(jìn)光通信網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 蘇州 215006）

1 引言

人工智能（AI,artificial intelligence）技術(shù)很早就被應(yīng)用于諸多領(lǐng)域，然而很多年來(lái)這一技術(shù)并未獲得高度關(guān)注，直至AlphaGo 戰(zhàn)勝中韓兩國(guó)圍棋高手后，它才開始成為研究熱點(diǎn)，研究者們嘗試將AI 技術(shù)應(yīng)用于不同的領(lǐng)域，其中也包括光通信網(wǎng)絡(luò)。近兩年，美國(guó)光通信會(huì)議（OFC,optical fiber communication）和歐洲光通信會(huì)議（ECOC,European conference of optical communication）上，至少有16 個(gè)會(huì)議專題聚焦于AI 或機(jī)器學(xué)習(xí)（ML,machine learning）技術(shù)。本文將AI 技術(shù)和ML 技術(shù)看作同一類技術(shù)，同時(shí)，盡管AI 技術(shù)涵蓋很廣，本文中所指的AI 技術(shù)主要是神經(jīng)網(wǎng)絡(luò)類技術(shù)。

AI 技術(shù)受到廣泛關(guān)注主要有以下兩方面的原因。首先，AI 技術(shù)比較容易入門和使用。它采用黑盒子的方式對(duì)系統(tǒng)進(jìn)行建模，通過(guò)大量的樣本學(xué)習(xí)，讓黑盒子自己去連接神經(jīng)元，分配神經(jīng)元間的連接權(quán)重，而不要求使用者了解神經(jīng)元間為何這樣連接和被分配當(dāng)前的權(quán)重。使用者只需提供足夠多的學(xué)習(xí)樣本，增加神經(jīng)元的個(gè)數(shù)和隱藏層的層數(shù)，就可以提高AI 技術(shù)的預(yù)測(cè)精度。其次，AI 技術(shù)在AlphaGo 事件后幾乎已被神化，幾乎人人都知道“人工智能”這一詞匯，而在學(xué)術(shù)圈，貼上AI 標(biāo)簽的論文似乎也更容易發(fā)表，所以這也導(dǎo)致了目前的一個(gè)現(xiàn)象，即對(duì)于所有問(wèn)題，不管是否適合，幾乎都采用AI 技術(shù)進(jìn)行建模求解。

AI 技術(shù)對(duì)一些問(wèn)題的求解是十分成功的，如前面所提的圍棋和一些圖像語(yǔ)音識(shí)別場(chǎng)景，但是不能因某一領(lǐng)域或某些問(wèn)題的成功求解，而將AI 當(dāng)成一種“萬(wàn)能方法”。本文針對(duì)當(dāng)前AI 技術(shù)在光通信網(wǎng)絡(luò)中的應(yīng)用進(jìn)行探討，包括AI 技術(shù)在光通信網(wǎng)絡(luò)中的適用性，并對(duì)使用AI 技術(shù)的潛在風(fēng)險(xiǎn)提出一些應(yīng)對(duì)策略。

2 光通信網(wǎng)絡(luò)中AI 技術(shù)的應(yīng)用

AI 技術(shù)已廣泛應(yīng)用于光通信網(wǎng)絡(luò)，文獻(xiàn)[1-2]中可以找到大量這方面的研究。本文介紹AI 技術(shù)在光通信網(wǎng)絡(luò)中的幾種代表性的應(yīng)用。1)在接收端，采用結(jié)合AI 技術(shù)的數(shù)字信號(hào)處理方法，可以有效地提高光信號(hào)檢測(cè)靈敏度，改善光纖傳輸系統(tǒng)的性能，提高網(wǎng)絡(luò)的頻譜使用效率[3-5]。2)在光網(wǎng)絡(luò)中，存在大量端到端光通道，分別以這些光通道的相關(guān)參數(shù)（包括傳輸速率、調(diào)制格式、所經(jīng)過(guò)的光纖鏈路數(shù)、光放大器個(gè)數(shù)及增益等）和它們?cè)诮邮斩藱z測(cè)到的信號(hào)傳輸質(zhì)量（QoT,quality of transmission）作為輸入和輸出，通過(guò)大量學(xué)習(xí)，可以實(shí)現(xiàn)對(duì)光網(wǎng)絡(luò)中不同端對(duì)端光通道QoT 的預(yù)測(cè)；其中，QoT經(jīng)常表示為光通道的信噪比（OSNR,optical signal to noise ratio），其精準(zhǔn)預(yù)測(cè)可以降低光通道OSNR 余量的配置，從而提高網(wǎng)絡(luò)的頻譜使用效率[6-8]。3)通過(guò)不斷學(xué)習(xí)光網(wǎng)絡(luò)中的故障事件，分別以故障和故障原因作為輸入和輸出，實(shí)現(xiàn)對(duì)故障原因的精準(zhǔn)分析和對(duì)未來(lái)故障的預(yù)警[9-11]。4)結(jié)合網(wǎng)絡(luò)安全的需求，AI技術(shù)也可用于預(yù)警和識(shí)別光層的網(wǎng)絡(luò)攻擊[12-13]。

針對(duì)以上幾種代表性的應(yīng)用，本文將其分類為決策性AI 應(yīng)用和輔助性AI 應(yīng)用。決策性應(yīng)用是指整個(gè)系統(tǒng)的運(yùn)行直接依賴于AI 技術(shù)，AI 預(yù)測(cè)的失效可能導(dǎo)致系統(tǒng)的癱瘓，造成嚴(yán)重后果。在上述代表性應(yīng)用中，1)和2)均可被歸為決策性AI 應(yīng)用。例如，對(duì)于光通道QoT 的預(yù)測(cè)，盡管在大多數(shù)情形下，AI 技術(shù)可以較精準(zhǔn)地預(yù)測(cè)光通道的QoT，但如果在某一時(shí)刻其預(yù)測(cè)失效，將導(dǎo)致相應(yīng)的光通道不能被實(shí)際建立，或者建立的光通道達(dá)不到用戶的傳輸要求，就違背了通信服務(wù)水平協(xié)議（SLA,service level agreement）。對(duì)于骨干網(wǎng)絡(luò)中的高速光通道，SLA 違背的后果往往比較嚴(yán)重，可能會(huì)引起巨額的商業(yè)賠償。所以，對(duì)于決策性AI 的應(yīng)用，網(wǎng)絡(luò)運(yùn)營(yíng)商和設(shè)備生產(chǎn)商一般都比較謹(jǐn)慎。到目前為止，尚未發(fā)現(xiàn)有網(wǎng)絡(luò)運(yùn)營(yíng)商在其現(xiàn)網(wǎng)中采用基于AI 技術(shù)的光通道QoT 預(yù)測(cè)。

輔助性AI 應(yīng)用是指采用AI 技術(shù)進(jìn)行日常網(wǎng)絡(luò)維護(hù)和潛在故障的預(yù)測(cè)，這類預(yù)測(cè)的失敗不會(huì)造成系統(tǒng)的癱瘓或嚴(yán)重的經(jīng)濟(jì)損失，其類似于購(gòu)物網(wǎng)站的商品推介，推介錯(cuò)誤只是減少了有效推介的機(jī)會(huì)，而不會(huì)造成任何損失。前面所提的代表性應(yīng)用3)和4)均可被歸為輔助性AI 應(yīng)用。例如，可采用AI 技術(shù)對(duì)網(wǎng)絡(luò)未來(lái)故障開展預(yù)測(cè)，如果預(yù)測(cè)準(zhǔn)確，可以提高網(wǎng)絡(luò)的穩(wěn)健性；如果預(yù)測(cè)失敗，也不會(huì)造成損失。因?yàn)槠渲皇且环N提醒或預(yù)警，網(wǎng)管人員會(huì)對(duì)此類預(yù)警信息進(jìn)行核實(shí)，如果預(yù)測(cè)正確，會(huì)采取相應(yīng)的措施；如果預(yù)警錯(cuò)誤，則將其忽略，不會(huì)影響網(wǎng)絡(luò)的正常運(yùn)行。

3 光通信網(wǎng)絡(luò)中AI 應(yīng)用的潛在風(fēng)險(xiǎn)

以“黑盒子”為代表的AI 技術(shù)易學(xué)易用，目前屬于研究熱點(diǎn)。AI 技術(shù)可以很好地解決一些問(wèn)題（如圍棋、圖像語(yǔ)音識(shí)別等），但它并非萬(wàn)能，對(duì)于其他的一些問(wèn)題，過(guò)度使用AI 技術(shù)反而會(huì)引入弊端和風(fēng)險(xiǎn)。本節(jié)將結(jié)合光通信網(wǎng)絡(luò)，介紹幾種AI技術(shù)可能帶來(lái)的弊端和風(fēng)險(xiǎn)。

3.1 造成方法創(chuàng)新和背后機(jī)理分析的懈怠

AI 技術(shù)將同一種“黑盒子”方法不斷地套用到不同的應(yīng)用場(chǎng)景，導(dǎo)致對(duì)方法創(chuàng)新和背后機(jī)理分析的懈怠。一個(gè)很典型的例子如下。由于AI 技術(shù)（如深度學(xué)習(xí)）可以有效地識(shí)別一些圖像模式，有研究者把這一技術(shù)應(yīng)用到對(duì)人體不同部位病變的識(shí)別?；谙嗤姆椒ê土鞒蹋粩嗟厥褂貌煌娜梭w部位圖片，這樣可以形成大量的所謂“研究成果”和學(xué)位論文。顯然，從培養(yǎng)學(xué)生和科研的角度，學(xué)生在項(xiàng)目中實(shí)際獲得的研究技能和專業(yè)素養(yǎng)的提升是很少的，而實(shí)際工作只是收集相關(guān)的圖片數(shù)據(jù)和編寫少量Python 代碼，最后將訓(xùn)練任務(wù)交由圖形處理器（GPU,graphics processing unit）來(lái)完成，沒(méi)有針對(duì)具體的研究問(wèn)題在方法機(jī)理上進(jìn)行深入的思考和有效的創(chuàng)新，也不能掌握（事實(shí)上目前也無(wú)法掌握）黑盒子里究竟發(fā)生了什么，這顯然不利于創(chuàng)新能力的培養(yǎng)。

3.2 巨大開放的光通信網(wǎng)絡(luò)系統(tǒng)使AI 技術(shù)很難精準(zhǔn)預(yù)測(cè)

圍棋棋盤中的19 條橫線加上19 條豎線形成了一個(gè)閉合的信息（狀態(tài)）空間，圍棋的規(guī)則是固定的，外界因素不會(huì)改變這一信息空間的大小，是一種完全信息的博弈。光通信網(wǎng)絡(luò)系統(tǒng)是一個(gè)開放系統(tǒng)（或不完全信息系統(tǒng)），它的開放性決定了AI 技術(shù)學(xué)習(xí)（狀態(tài)）空間的無(wú)限性。很多論文中報(bào)道的AI 技術(shù)很可能只是學(xué)習(xí)了光通信網(wǎng)絡(luò)整個(gè)開放空間中的某一小部分[6-8]，這一部分可能只對(duì)應(yīng)于某一常規(guī)場(chǎng)景，而當(dāng)實(shí)際應(yīng)用場(chǎng)景偏離常規(guī)場(chǎng)景時(shí)，前面學(xué)習(xí)獲得的AI 參數(shù)就會(huì)失效，導(dǎo)致AI 預(yù)測(cè)模型出錯(cuò)。下面給出幾個(gè)典型的例子。

1)5G 核心網(wǎng)

以下是一個(gè)典型的實(shí)例。AI 技術(shù)被某設(shè)備生產(chǎn)商應(yīng)用于5G 核心網(wǎng)，在對(duì)國(guó)內(nèi)5G 核心網(wǎng)全面多參數(shù)AI 學(xué)習(xí)后，獲得一套較為精準(zhǔn)的網(wǎng)絡(luò)性能預(yù)測(cè)模型，然而將這一系統(tǒng)直接應(yīng)用于歐洲某城市5G核心網(wǎng)時(shí)，模型不能正常工作，不能有效地預(yù)測(cè)并提升5G 核心網(wǎng)的性能。這是一個(gè)典型的由于系統(tǒng)學(xué)習(xí)空間不封閉（或不完全信息系統(tǒng)）而導(dǎo)致的預(yù)測(cè)模型失敗的例子，中國(guó)城市和歐洲城市的5G 核心網(wǎng)環(huán)境是不同的，2 個(gè)城市分別對(duì)應(yīng)于開放空間中2 個(gè)不同的子空間，所以在中國(guó)城市學(xué)習(xí)的5G核心網(wǎng)參數(shù)不能保證在歐洲城市也有效。

2)光通道QoT 的預(yù)測(cè)

在光通信網(wǎng)絡(luò)中，對(duì)于光通道信號(hào)傳輸質(zhì)量的預(yù)測(cè)，也存在光通信網(wǎng)絡(luò)學(xué)習(xí)空間巨大和開放性的問(wèn)題。對(duì)于QoT 的預(yù)測(cè)，通常是以網(wǎng)絡(luò)中光通道的相關(guān)參數(shù)（包括傳輸速率、調(diào)制格式、所經(jīng)過(guò)的光纖鏈路數(shù)、光放大器個(gè)數(shù)及增益等）和它們?cè)诮邮斩藱z測(cè)到的QoT 分別作為輸入和輸出，通過(guò)大量學(xué)習(xí)，實(shí)現(xiàn)對(duì)光網(wǎng)絡(luò)中不同端對(duì)端光通道QoT 的預(yù)測(cè)。盡管可以在實(shí)驗(yàn)室中收集幾千個(gè)光通道測(cè)試樣本（事實(shí)上，現(xiàn)在很多發(fā)表的論文使用的數(shù)據(jù)量要遠(yuǎn)小于這一量級(jí)），然后采用這些樣本進(jìn)行訓(xùn)練學(xué)習(xí)，獲得相應(yīng)的預(yù)測(cè)參數(shù)，從論文發(fā)表的角度，這一過(guò)程是完整的，實(shí)驗(yàn)室獲得的樣本形成了一個(gè)子空間，采用這一空間中的樣本獲得的預(yù)測(cè)模型能有效地預(yù)測(cè)相同空間中的其他樣本。然而，對(duì)于一個(gè)巨大開放的光通信網(wǎng)絡(luò)狀態(tài)空間，上述方法獲得的實(shí)驗(yàn)室樣本量仍過(guò)小，很難代表光網(wǎng)絡(luò)開放環(huán)境下的全天候狀態(tài)數(shù)據(jù)。因此，一個(gè)重要問(wèn)題是，能否使用這些實(shí)驗(yàn)室中獲得的模型參數(shù)去預(yù)測(cè)實(shí)際開放光網(wǎng)絡(luò)中光通道的QoT？顯然，這是很具挑戰(zhàn)性的，失敗的概率會(huì)很高。原因可以通過(guò)以下例子來(lái)分析。

以一條建立在廣州和沈陽(yáng)之間的光通道為例（如圖1 所示）。它經(jīng)過(guò)多個(gè)不同的光纖鏈路段，這些鏈路段有的通過(guò)地下管道鋪設(shè)，有的露天布設(shè)，同時(shí)考慮不同地區(qū)和不同季節(jié)的溫差，以及露天光纖段的擺動(dòng)（例如由于大風(fēng)造成露天光纜的擺動(dòng)會(huì)嚴(yán)重影響光纖通信系統(tǒng)的正常工作）。這一實(shí)際網(wǎng)絡(luò)場(chǎng)景顯然比實(shí)驗(yàn)室中的場(chǎng)景要復(fù)雜得多，其信息狀態(tài)空間比實(shí)驗(yàn)室場(chǎng)景大得多。如果采用實(shí)驗(yàn)室子空間中學(xué)習(xí)獲得的模型去預(yù)測(cè)這一光通道的QoT，其精準(zhǔn)度顯然是不能保證的。此外，還需要進(jìn)一步考慮一些突發(fā)事件，如某段光纜被拖拽，或者某段光纜管道出現(xiàn)雨水倒灌、某一地段發(fā)生地震等，這些都可能導(dǎo)致網(wǎng)絡(luò)信息狀態(tài)空間發(fā)生變化。所以，擁有多個(gè)節(jié)點(diǎn)、多條鏈路的光通信網(wǎng)絡(luò)的信息狀態(tài)空間是不封閉且時(shí)變的，幾乎是無(wú)限大的，是一個(gè)不完全信息系統(tǒng)。針對(duì)此類系統(tǒng)，要通過(guò)幾千個(gè)靜態(tài)信道的狀態(tài)樣本來(lái)學(xué)習(xí)獲取一個(gè)統(tǒng)一精準(zhǔn)的AI預(yù)測(cè)模型顯然是相當(dāng)困難的，幾乎不可能實(shí)現(xiàn)。

圖1 建立在廣州和沈陽(yáng)之間的光通道

3)網(wǎng)絡(luò)故障和動(dòng)態(tài)性

AI 技術(shù)的模型訓(xùn)練通?；谡＞W(wǎng)絡(luò)場(chǎng)景，所采集的樣本也是在網(wǎng)絡(luò)正常運(yùn)行下的樣本。當(dāng)網(wǎng)絡(luò)發(fā)生故障時(shí)，其對(duì)應(yīng)的場(chǎng)景會(huì)發(fā)生偏離，導(dǎo)致其對(duì)應(yīng)的狀態(tài)信息空間發(fā)生變化，這從另一側(cè)面說(shuō)明了光通信網(wǎng)絡(luò)是一個(gè)不完全信息系統(tǒng)，此時(shí)如果繼續(xù)采用正常場(chǎng)景下獲得的模型對(duì)新場(chǎng)景進(jìn)行預(yù)測(cè)，就會(huì)面臨預(yù)測(cè)失敗的風(fēng)險(xiǎn)。對(duì)于第2 節(jié)中提到的應(yīng)用場(chǎng)景2)，目前大多數(shù)的光通道QoT 預(yù)測(cè)模型在學(xué)習(xí)時(shí)均未考慮網(wǎng)絡(luò)發(fā)生老化和部分故障時(shí)的情形。然而，在實(shí)際光網(wǎng)絡(luò)中，存在光放大器的泵浦光源逐漸老化、泵浦功率逐漸衰竭等問(wèn)題。所以，一個(gè)完整可靠的QoT 預(yù)測(cè)模型需要覆蓋此類老化情形，然而這一過(guò)程是十分復(fù)雜的，因?yàn)槠鋵?duì)應(yīng)的學(xué)習(xí)樣本很難產(chǎn)生和收集，所需的學(xué)習(xí)時(shí)間也相當(dāng)冗長(zhǎng)。

此外，現(xiàn)有的很多光通道QoT 預(yù)測(cè)模型也未考慮光網(wǎng)絡(luò)的動(dòng)態(tài)特性，如新的光通道業(yè)務(wù)的建立和老業(yè)務(wù)的釋放等。在光纖通信系統(tǒng)中，任何光通道的建立或釋放都會(huì)影響與其同纖的其他光通道。考慮到光網(wǎng)絡(luò)中存在大量的光通道，不同光通道同纖的組合幾乎是無(wú)窮的，這使光通道QoT 模型訓(xùn)練過(guò)程很難對(duì)這些組合進(jìn)行全覆蓋，所以也很難保證所得預(yù)測(cè)模型的精準(zhǔn)性。事實(shí)上，目前大多數(shù)研究只采用了最多幾百條靜態(tài)光通道的訓(xùn)練樣本[6]，而面對(duì)一個(gè)包含幾十個(gè)甚至上百個(gè)節(jié)點(diǎn)的光網(wǎng)絡(luò)，這一規(guī)模的訓(xùn)練樣本顯然是不夠的。

盡管AI 具有不斷學(xué)習(xí)進(jìn)化的能力，理論上可以應(yīng)對(duì)由于網(wǎng)絡(luò)故障和動(dòng)態(tài)性造成的樣本不完整性和結(jié)果適應(yīng)性差等問(wèn)題，但這要求在網(wǎng)絡(luò)環(huán)境發(fā)生變化后，系統(tǒng)能立即擁有足夠多的新環(huán)境學(xué)習(xí)樣本，且系統(tǒng)的學(xué)習(xí)必須足夠快，能在新環(huán)境下立即完成學(xué)習(xí)。然而，在未進(jìn)入未知新環(huán)境前或剛進(jìn)入新環(huán)境時(shí)，短時(shí)間內(nèi)獲取大量新環(huán)境下的學(xué)習(xí)樣本顯然是比較困難的。為解決這一少樣本或無(wú)樣本的問(wèn)題，可以通過(guò)專家決策的方法為學(xué)習(xí)提供先驗(yàn)知識(shí)，但這些先驗(yàn)知識(shí)或虛擬樣本不是系統(tǒng)實(shí)際產(chǎn)生的，有時(shí)并不能精確反映系統(tǒng)的實(shí)際行為，所以基于此訓(xùn)練的模型也不能保證其預(yù)測(cè)結(jié)果的精準(zhǔn)性。

3.3 AI 技術(shù)可能面臨網(wǎng)絡(luò)安全的威脅

AI 技術(shù)的基礎(chǔ)是概率統(tǒng)計(jì)，主要依賴大量的樣本學(xué)習(xí)來(lái)形成一套用于預(yù)測(cè)的系統(tǒng)參數(shù)。這一特性可能在某些場(chǎng)合下給網(wǎng)絡(luò)攻擊提供可乘之機(jī)，對(duì)網(wǎng)絡(luò)安全形成威脅。例如，一個(gè)用戶可以通過(guò)為訓(xùn)練系統(tǒng)提供大量假的或者不是最優(yōu)的網(wǎng)絡(luò)樣本，使學(xué)習(xí)后獲得的系統(tǒng)參數(shù)偏離實(shí)際的最優(yōu)參數(shù)。盡管對(duì)于這一用戶來(lái)說(shuō)，這樣做的代價(jià)是其不能獲得最優(yōu)的網(wǎng)絡(luò)性能，但其可以惡意控制或影響整個(gè)網(wǎng)絡(luò)中的資源分配決策和其他用戶的網(wǎng)絡(luò)性能。事實(shí)上，在某些網(wǎng)絡(luò)排名系統(tǒng)中，很早就有用戶利用這一統(tǒng)計(jì)學(xué)方面的漏洞，來(lái)提高某些商品或網(wǎng)站排名和推薦機(jī)會(huì)。目前，專門針對(duì)AI 技術(shù)的網(wǎng)絡(luò)攻擊尚很少被提及和關(guān)注，但這并不表示此類攻擊在不久的將來(lái)不會(huì)出現(xiàn)。

4 光通信網(wǎng)絡(luò)中AI 應(yīng)用的一些建議

AI 技術(shù)對(duì)光通信網(wǎng)絡(luò)的規(guī)劃和運(yùn)營(yíng)是有幫助的，但不是萬(wàn)能的。針對(duì)其在應(yīng)用中可能存在的一些風(fēng)險(xiǎn)，本節(jié)建設(shè)性地提出了以下幾點(diǎn)建議。

首先，AI 技術(shù)在光通信網(wǎng)絡(luò)應(yīng)用中比較適合于輔助性的預(yù)測(cè)場(chǎng)景，如網(wǎng)絡(luò)中某些信號(hào)的出現(xiàn)預(yù)示著可能會(huì)在某些位置出現(xiàn)網(wǎng)絡(luò)故障，因此可以進(jìn)行預(yù)警，對(duì)網(wǎng)絡(luò)和傳輸系統(tǒng)進(jìn)行提前干預(yù)，防止故障的發(fā)生。只要保證大部分預(yù)警是正確的，即使存在少量的預(yù)警錯(cuò)誤，也不會(huì)給網(wǎng)管人員造成很大的負(fù)擔(dān)，這一智能性將極大地提高網(wǎng)絡(luò)的可靠性，改善網(wǎng)絡(luò)資源的使用效率，并提高用戶的使用體驗(yàn)。

其次，由于光通信網(wǎng)絡(luò)的巨大規(guī)模和高度的開放性，對(duì)于涉及SLA 的決策性應(yīng)用場(chǎng)景，AI 技術(shù)應(yīng)避免將整個(gè)光通信網(wǎng)絡(luò)看成一個(gè)巨大的“黑盒子”來(lái)學(xué)習(xí)，盡管該類方法對(duì)于進(jìn)行方法性探究是可行的，但在實(shí)際工程性應(yīng)用中，存在著巨大的風(fēng)險(xiǎn)。這是因?yàn)?，光通信網(wǎng)絡(luò)狀態(tài)空間的開放性和突發(fā)事件的不確定性決定了AI 技術(shù)的預(yù)測(cè)能力不可能保證全覆蓋，一定會(huì)出現(xiàn)某些失效場(chǎng)景，造成SLA 的違背，進(jìn)而導(dǎo)致巨額的經(jīng)濟(jì)賠償，相對(duì)于這一賠償和后續(xù)造成的損失，AI 技術(shù)給光通信網(wǎng)絡(luò)帶來(lái)的效率提升和成本節(jié)省可能可以忽略。

第三，面對(duì)開放的光通信網(wǎng)絡(luò)狀態(tài)空間，一個(gè)比較有效的策略是采用基于單元器件或設(shè)備的單元化小空間AI 建模，并基于獲得的AI 單元參數(shù)，進(jìn)一步結(jié)合傳統(tǒng)的經(jīng)典方法進(jìn)行網(wǎng)絡(luò)建模和規(guī)劃。這一結(jié)合能有效地解決基于全網(wǎng)AI 技術(shù)建模下?tīng)顟B(tài)空間開放性的難題?？s小的子系統(tǒng)狀態(tài)空間能有效降低AI 技術(shù)失效的風(fēng)險(xiǎn)，同時(shí)，由于采用了傳統(tǒng)的網(wǎng)絡(luò)建模和規(guī)劃方法，能有效規(guī)避在AI 技術(shù)下全網(wǎng)黑盒子的弊端，當(dāng)出現(xiàn)失效時(shí)，仍可以很快地通過(guò)傳統(tǒng)的建模和規(guī)劃方法，宏觀地確定實(shí)際失效的位置和對(duì)應(yīng)的“小盒子”。

本文結(jié)合3.2 節(jié)提到的光通道QoT 預(yù)測(cè)問(wèn)題，給出了一個(gè)基于小盒子縮小狀態(tài)空間的光通道QoT 估算例子，如圖2 所示。圖2 給出了一個(gè)完整的光通信網(wǎng)絡(luò)模型。左邊方框中光發(fā)射機(jī)作為信號(hào)源，是光通道的起點(diǎn)。光通道經(jīng)過(guò)多條光纖鏈路，每條鏈路上放置多個(gè)光信號(hào)放大器，對(duì)光信號(hào)進(jìn)行周期性的放大。光通道也會(huì)經(jīng)過(guò)全光交換節(jié)點(diǎn)（ROADM,reconfigurable optical add/drop multiplexer）進(jìn)行光纖鏈路的切換。最后，經(jīng)過(guò)多條鏈路、多個(gè)光信號(hào)放大器、多個(gè)全光交換節(jié)點(diǎn)后，光通道到達(dá)目的節(jié)點(diǎn)，其信號(hào)被光接收機(jī)接收。整個(gè)系統(tǒng)中的器件或子系統(tǒng)包含光發(fā)射機(jī)、光接收機(jī)、光信號(hào)放大器、全光交換節(jié)點(diǎn)等。在單元化AI 建模方法下，首先對(duì)光網(wǎng)絡(luò)系統(tǒng)中的每個(gè)子系統(tǒng)盒子（如光發(fā)射機(jī)[14]、光接收機(jī)[15]、光信號(hào)放大器[16-17]、ROADM[18]等）進(jìn)行基于AI 技術(shù)的訓(xùn)練和預(yù)測(cè)，然后，在獲得相關(guān)AI 預(yù)測(cè)模型后，對(duì)跨越整個(gè)網(wǎng)絡(luò)的光通道進(jìn)行基于傳統(tǒng)高斯噪聲信道模型[19]建模估算。由于每個(gè)器件或子系統(tǒng)都處于一個(gè)相對(duì)封閉的環(huán)境，如光收發(fā)機(jī)、光交換機(jī)和光信號(hào)放大器均可能被置于機(jī)房?jī)?nèi)，環(huán)境溫度恒定，外界干擾較少，使AI 技術(shù)的應(yīng)用場(chǎng)景更接近于實(shí)驗(yàn)室環(huán)境，從而保證了其相對(duì)封閉性。同時(shí)，由于每個(gè)器件或子系統(tǒng)相對(duì)獨(dú)立，涉及的特征量較少，其狀態(tài)空間相對(duì)較小，在封閉且較小的狀態(tài)空間下，可以使用較少的訓(xùn)練樣本獲得較高精度的預(yù)測(cè)模型，極大地改善AI 技術(shù)的適用性和實(shí)用性。另一方面，由于采用了經(jīng)典的高斯噪聲信道QoT 估算模型，存在堅(jiān)實(shí)的物理理論指引，因此整個(gè)系統(tǒng)不再是一個(gè)“大而黑”的盒子，當(dāng)網(wǎng)絡(luò)出現(xiàn)問(wèn)題時(shí)，可以通過(guò)分析估算模型快速確定問(wèn)題的根源。

圖2 小系統(tǒng)AI 模型和經(jīng)典高斯噪聲信道模型相結(jié)合的光通道QoT 估算

第四，盡管采用AI 技術(shù)進(jìn)行更高精度的網(wǎng)絡(luò)性能預(yù)測(cè)可以提高網(wǎng)絡(luò)資源使用效率、降低網(wǎng)絡(luò)成本，但這是以損害網(wǎng)絡(luò)可用性或生存性為代價(jià)的。傳統(tǒng)的光網(wǎng)絡(luò)建模和規(guī)劃通常為了保證足夠高的網(wǎng)絡(luò)可用性（如99.999%），留足各方面的余量。例如，在評(píng)估光通道所需的QoT 時(shí)，通常為了支持某種調(diào)制格式和頻譜效率，會(huì)全面地考慮各種OSNR損傷并留足余量，以保證光網(wǎng)絡(luò)在20～30 年之后還能正常工作。而AI 技術(shù)想通過(guò)大量的樣本學(xué)習(xí)來(lái)獲得一個(gè)更加精確的信道QoT 評(píng)估模型，以此降低傳統(tǒng)方法下需要的余量。但是由于光通信網(wǎng)絡(luò)狀態(tài)空間的開放性，這種降低OSNR 余量的方法可能會(huì)使網(wǎng)絡(luò)可用性[20]受損，而對(duì)于AI 技術(shù)的使用到底會(huì)多大程度影響網(wǎng)絡(luò)可用性，是否會(huì)造成SLA 的違背，目前尚沒(méi)有明確答案，也沒(méi)有精確的評(píng)估方法。其原因在于，AI 技術(shù)是一個(gè)黑盒子技術(shù)，里面設(shè)置的參數(shù)和實(shí)際網(wǎng)絡(luò)參數(shù)沒(méi)有一一對(duì)應(yīng)關(guān)系，可解釋性較差。所以，在使用AI 技術(shù)的同時(shí)，評(píng)估光通信網(wǎng)絡(luò)的可用性是十分必要的，只有在未違背網(wǎng)絡(luò)可用性要求下，使用AI 技術(shù)才有實(shí)際意義，然而這方面的研究目前尚為空白。

第五，針對(duì)AI 預(yù)測(cè)模型失效的情形，需要建立一種專門的網(wǎng)絡(luò)保護(hù)機(jī)制，即當(dāng)由于AI 預(yù)測(cè)模型失效而出現(xiàn)網(wǎng)絡(luò)癱瘓時(shí)，存在一種機(jī)制能及時(shí)地恢復(fù)網(wǎng)絡(luò)業(yè)務(wù)。這種業(yè)務(wù)的恢復(fù)機(jī)制和傳統(tǒng)的網(wǎng)絡(luò)發(fā)生故障時(shí)的業(yè)務(wù)恢復(fù)[21]十分類似。例如，對(duì)于點(diǎn)對(duì)點(diǎn)的光通道業(yè)務(wù)，可以使用AI 技術(shù)建立一條工作光通道，同時(shí)采用基于傳統(tǒng)的非AI 技術(shù)預(yù)留一條保護(hù)光通道。這里保護(hù)光通道需留足OSNR 余量，所以其頻譜資源使用效率可能會(huì)低于工作光通道，但當(dāng)工作光通道由于基于AI 預(yù)測(cè)模型的配置失效時(shí)，可以通過(guò)保護(hù)切換將業(yè)務(wù)從工作光通道快速地切換到保護(hù)光通道上，這時(shí)由于保護(hù)光通道留足了OSNR 余量，能正常工作，從而保證了用戶的網(wǎng)絡(luò)業(yè)務(wù)不受影響。目前，針對(duì)AI 預(yù)測(cè)模型失效的保護(hù)研究仍為空白，需要進(jìn)一步針對(duì)不同的AI 應(yīng)用場(chǎng)景提出不同的網(wǎng)絡(luò)保護(hù)和恢復(fù)機(jī)制。

第六，由于AI 預(yù)測(cè)模型是通過(guò)對(duì)大量的樣本或統(tǒng)計(jì)概率的方式學(xué)習(xí)而獲得的，因此此類系統(tǒng)可能會(huì)遭受惡意假樣本的攻擊，攻擊會(huì)影響系統(tǒng)的預(yù)測(cè)精度。此外，也可能面臨更為精準(zhǔn)或細(xì)化的攻擊，如專門針對(duì)AI 系統(tǒng)中某一特征值、神經(jīng)元函數(shù)或權(quán)重值的攻擊。盡管目前尚未看到此類攻擊的報(bào)道，但未雨綢繆，需要盡早考慮相應(yīng)的應(yīng)對(duì)策略和防范措施。

5 結(jié)束語(yǔ)

本文針對(duì)基于AI 技術(shù)的光通信網(wǎng)絡(luò)這一當(dāng)前研究熱點(diǎn)進(jìn)行了系統(tǒng)性的探討，認(rèn)為AI 技術(shù)更適合于一些輔助性的預(yù)測(cè)場(chǎng)景，將其應(yīng)用于涉及SLA的場(chǎng)景時(shí)，需要進(jìn)行深入的論證并開展風(fēng)險(xiǎn)評(píng)估。對(duì)AI 技術(shù)在光通信網(wǎng)絡(luò)中的應(yīng)用提出了一些建議，主要包括通過(guò)盡量減小系統(tǒng)狀態(tài)空間的大小，以規(guī)避整個(gè)光網(wǎng)絡(luò)巨型空間的開放性，同時(shí)為避開“黑盒子”弊端，基于小系統(tǒng)的AI 建模仍需與傳統(tǒng)的經(jīng)典網(wǎng)絡(luò)建模和規(guī)劃方法相結(jié)合。針對(duì)AI 技術(shù)的可能失效和受攻擊等問(wèn)題，提出了專門的網(wǎng)絡(luò)保護(hù)思想。本文涉及的觀點(diǎn)是開放的，從不同的角度提供一些新的思路和啟示。同時(shí)，盡管本文主要針對(duì)光通信網(wǎng)絡(luò)，其中的一些思想和方法也可應(yīng)用于其他領(lǐng)域，期待與讀者進(jìn)一步交流探討。