0 引言

　　传统光网络主要依赖于强度调制/直接检测（IMDD）技术，尽管它结构简单、易于集成且成本低，但由于其采用简单的开关键控（OOK）调制格式和直接检测方式，导致频谱效率较低，难以满足未来流量激增的需求。因此，为了提高光网络的频谱效率和单波速率，基于相干光通信的第五代光纤通信系统受到了研究者的广泛关注。

　　信号在相干光通信系统传输过程中会受到多种物理损伤并不断累积，如光纤的损耗、色散和非线性效应，掺铒光纤放大器（EDFA）的放大自发辐射噪声，以及可重构光分插复用器（RODAM）的滤波损耗等。这些因素会导致光路传输质量（QoT）恶化。因此，为了保障光路传输的可靠性，需要在部署前预测物理层的光路QoT，并据此优化发射机的配置（如发射功率、调制格式等），以确保信号能够被正确接收。

    传统光路QoT预测方案依赖于对光信号传输过程的数理建模，例如，求解非线性薛定谔方程[1]或采用简化的分析模型[2-7]，用以预测接收端的光路QoT。然而，由于传输过程的复杂性和网络环境的非平稳性，准确预测光网络物理层的光路QoT成为一项挑战。一方面，求解非线性薛定谔方程通常采用分步傅里叶法，这种方法计算复杂度高，难以实现实时的光路QoT预测；另一方面，简化的分析模型虽然降低了计算复杂度，但预测精度较低，可能导致设计余量过大，降低了网络容量和增加了网络部署成本。因此，传统基于数理模型的光路QoT预测方案在平衡计算复杂度和预测精度方面存在困难。

　　相比之下，机器学习（ML）模型因其强大的数据拟合能力和快速计算的特点，为预测光路QoT提供了新的解决方案。ML模型能够克服传统数理模型在预测精度和计算复杂度方面的不足。然而，将ML应用于预测光路QoT却面临如下挑战：1）由于物理层参数的多样性，如何选择恰当的ML模型和输入特征以实现精准的端到端光路QoT预测；2）如何捕获复杂的光路间关系；3）如何在网络环境中获取充足的训练样本。

　　鉴于此，本文针对基于ML模型的光路QoT预测方案的三大挑战，介绍3种光路QoT智能预测技术。

2 结束语

　　本文详细介绍了单光路QoT智能预测、多光路QoT智能预测和跨拓扑光路QoT智能预测这3种技术的研究现状。尽管现有研究工作在精度方面取得了不错的成果，但在不同网络场景下的泛化能力仍有待提升。特别是在网络样本稀缺或部署监测设备困难的场景下，模型的预测精度往往会大幅下降。因此，如何在样本量有限的情况下提升光路QoT预测模型的精度，仍是一个亟待解决的关键问题。只有当ML的光路QoT预测技术在泛化性和准确性上取得突破，才能为光网络的智能化和高效传输提供坚实的支撑。