本文设计了一种**基于人工智能（AI）的异构光网络仿真平台**，旨在解决异构光网络中AI算法泛化能力弱、多厂商数据采集难以及统一管理测试复杂的问题。

以下是该论文的核心内容简要总结：

**1. 核心创新点：分层架构与协同调用**

*   **分层解耦设计**：平台采用物理资源层、数据处理层、算法引擎层和应用服务层的四层架构，实现了网络设备与AI算法的解耦，具备良好的可扩展性。

*   **跨语言高效协同**：针对Java后端（Spring Cloud）与Python AI引擎（Django）的语言隔离问题，设计了基于标准RESTful接口的协同调用架构，既保留了Java在高并发业务管控上的优势，又发挥了Python在AI模型集成上的灵活性。

*   **协议适配屏蔽差异**：通过协议适配服务，利用SNMP、NETCONF、gRPC等主流工业协议解析引擎，将多厂商异构设备的底层数据统一转换为标准JSON格式，实现了全域数据的统一采集与指令下发。

**2. 关键技术实现**

*   **AI算法模块化封装**：将AI算法库分为分析类（如CNN、Transformer）、预测类（如LSTM、TCN）和优化类（如SAC、GNN），并设计了接口对接、模型训练、存储与推理4个标准化模块，支持新型算法的快速接入与验证。

*   **工程化难题攻克**：针对数据漂移问题，引入迁移学习（如LMMD）与集成学习机制；针对多目标优化冲突，采用权重系数法动态平衡传输延迟、负载均衡等指标。

**3. 典型场景验证结果**

*   **跨工况故障诊断**：利用凯斯西储大学轴承数据集模拟异构环境下的数据漂移。结果显示，基于领域自适应的LMMD模型在跨工况下的平均诊断准确率达**98.2%**，显著优于传统CNN模型的73.9%，验证了平台在评估AI模型泛化能力方面的有效性。

*   **异构光网络拓扑优化**：选用Soft Actor-Critic（SAC）算法进行路由优化。平台支持用户可视化配置网络拓扑与超参数，实现了从模型训练到最优路由策略生成的全流程自动化，显著提升了网络规划效率。

**4. 研究结论与应用前景**

*   该平台能够逼真模拟导致数据漂移的复杂异构环境和多工况条件，为验证和评估AI模型在真实动态环境中的鲁棒性提供了高效、可靠的实验环境。

*   研究成果有望加速AI技术在异构光网络智能运维、故障预测及资源优化等领域的创新应用落地，对推动光通信与人工智能的深度融合具有重要价值。