数据如何传播自动化光路监控
隔秒24000千兆字节数据上传到互联网近50全标准笔记本硬盘很大一部分数据来自脸书和Twitter等社交媒体网站,为保持数据量在数据中心和终端用户间移动所作的技术努力意义重大。
许多终端用户现在使用无线技术,如4G连接互联网流信息,但基础基础设施大都由互连光电缆网络组成。电缆遍历无遗 大捆绑 沉入洋底
AI学习光纤传播方程并实现光网络自动测试
有线通信的长处是大量数据可快速传输并比无线通信内在安全性更高光纤传输能力继续提高,但开发、维护和扩大电缆网是一项代价高昂的任务。多光纤难以获取和偏僻位置,安装时性能必须仔细检查
NTT实验室Takeo Sasai专家建模内密覆盖世界的光纤电缆广度发生之事以人工智能帮助解析光电缆问题的方法,
信息光线
fibre光电缆以光形式传递信息待发送信息分解为线端小光脉冲并重解码
构造光电缆有不同方式最优处理短或远程数据传输光线有两种特性在两种情况下都至关重要-损耗和散射损耗数个原因 — — 因错联或损耗信号强度减退或甚至纤维破损散射是信号随时间推移的`传播'方式,可能发生于光信号不同颜色以不同速度移动或不同模式以不同速度传播纤维
微量损失是可以容忍的,但如果损耗率太高,纤维将不再可靠传递信息安装纤维时 — — 过程复杂而昂贵 — — 损耗和散射特征通常会测试以确保信号畅通无阻挑战在于测试过程需要专家工程师和专家设备,如分布分析器和光时域反射计测试设备向纤维注入数组样本光脉冲模拟信号并测量返回时间和属性
Sasai认为比较容易检验纤维质量,并允许对纤维条件进行持续监控目前,如果光纤疑似问题,工程师将不得不带像OTDR这样的测试设备现场执行诊断测量时间耗耗成本高 但也有可能是Sasai自动化方法的过去
数据洞察力
光纤源源不断传递信息,Sasai新方法自用这些数据作为诊断工具使用机器学习算法,Sasai可识别接收数据集中反映信号穿透纤维行程损耗和散射的具体模式
分析法之所以有效,是因为我们有一个方程可用理解并描述光透光纤维传播方式,即非线性Schrödinger方程NLSE数学结构与神经网络非常相似-计算系统由数法或神经元组成,用不同方式连接用网表示关系
中立网络应模仿大脑工作方式并广泛用于机器学习,因为它们能捕捉到中子或处理点之间的复杂关系常时,这些模式和关系对人很难发现,神经网络数据处理分析也可以自动化化Sasai创建网络学习NLSE, 利用方程和神经网络之间的相似结构使用接收数据计算信号损耗和散射,
NLSE使用神经网络的理由是,这些网络通常无法用分析解决,但需要数字方法多迭以求近似求解NLSE使用的一种数值方法被称为数字反向转换,它涉及复杂数组操作,包括线性(分布式)操作块和非线性(相位旋转)操作块归并(见图1).相位旋转是光通信性能的主要限制之一,但可通过谨慎处理数字反向转换补偿。
中性网络和NLSE相似性意味着所有最优数字反向转换步骤所需的系数都可以从传输和接收数据中获取从这些系数所学值中,可以分辨光功率和分布于纤维的每一点
流程完全自动化并确知数据反正传播,自动诊断可作为一种持续监控方法设置,不需要额外设备做额外测量Sasai对光电缆状态监控的可能性感到兴奋,因为这将允许预测故障发生前的故障并预告问题以确保网络更加稳定
这将使网络建设和监测更容易化,以确保网络更稳定
预测和建模
sai诊断不需要OTDR等附加设备,因为接收数据集间接含有纤维损耗和散射信息使用NLSE,给输入值和一套纤维条件,有可能预测输出信号应像什么当输出为已知时,有可能使用这些关系来计算产生信号的纤维条件必须是什么
结合从NSLE获取的光学传播知识神经网学习能力后,便有可能整理信息,例如哪一区域纤维正遭受高损耗,并可能点出哪些结构工程需要执行和哪些纤维问题大
Sasai方法为维护光纤网络开辟了许多新可能性,而光纤网络将越来越重要,而在一个日益连通的世界中,通过推送速度更快互联网连接将变得日益重要。即使是新无线传输技术如5G的推广,也需要光纤电缆扩展连接杆状机和其他设备
光电缆捆绑出奇强,但易发生物理损耗和纤维误接,特别是附近有建设工程时。完全在线监控电缆将使快速诊断问题成为现实,而无需呼唤工程师或甚至可能咨询工程师
个人响应
未来光纤装置会变得常见吗?
并使用实际安装的纤维网络演示这种监控技术光纤连接像当前局域网电缆,我们可以使用这些电缆建立连接,只需插入笔记本电脑内即可