0 引言
　　 传统的光网络性能研究侧重于计算网络层参数，这些参数仅基于网络的可用容量和流量负载[1]。然而，在透明光网络的情况下，光路是否被阻塞不再仅仅由网络层因素决定，它还受物理层因素（如传输质量（QoT））的影响[2-5]。因此，必须在透明光网络中部署新光路之前预测其QoT。通常的QoT涉及的物理层参数包括光信噪比（OSNR）、误码率（BER）和Q因子。目前，QoT预测技术可分为两大类[6]：一大类是不使用机器学习的传统技术；另一大类是使用基于机器学习分类器的技术。其中，第一类技术还包括2种方式：一种是采用分析模型[7-9]来估计物理层损伤并提供准确的结果，计算复杂性高；另一种是近似公式法[10]，计算速度快，但结果预测精度不高，且近似公式经常引入高余量导致未充分利用网络资源。基于机器学习分类器的技术与传统技术相比具有许多优点，可满足高精度和实时要求，它们还可以自动预测未建立光路的QoT [11-17]。文献[17]中，作者使用了3种分类器：K最近邻（KNN）、随机森林（RF）以及支持向量机 （SVM），分别达到81.75％、96.32％和99.15％的分类准确度。文献[6]中，作者采用了RF二进制分类器来预测未建立光路的BER将超过系统阈值的概率。在上述2篇文献中，都是采用高斯噪声（GN）模型来生成训练集和测试集数据。然而，由于GN模型中非线性噪声的估计并不准确，从训练数据获得的分类器性能可能与实际情况存在较大误差。因此，本文提出一种基于机器学习分类器的QoT预测技术，通过求解波分复用 （WDM） 传输方程来获得人工合成数据以进行进一步的训练和测试。

3 结束语
　   本文分析了用于预测未建立光路的QoT的3种常用的监督学习分类器。通过比较了KNN、LR和SVM这3种分类器在3种不同数据集情况下的性能可知，当训练数据集由WDM传输方程产生的数据组成时，KNN、LR和SVM的分类准确率是分别为97.87％、89.63％和99.17％；而当训练数据集由GN模型生成的数据组成时，分类准确率分别为81.76％、82.5％和86.85％。因此，由WDM传输方程数据训练得到的分类器会比GN模型数据训练得到的分类器更加可靠。3种分类器的真正优先级应该是SVM>KNN>LR。未来的工作包括使用优化方法来减小KB大小并使用实际网络收集的BER数据来训练分类器。