利用XGBoost辅助的误比特率（BER）估计技术，实现相干通信系统中高效的信号质量监控

《Optical Fiber Technology》：XGBoost-assisted BER estimation for efficient signal quality monitoring in coherent communication systems

　　

Daya Shankar Verma | Dhirendra Kumar Jha

计算机科学与工程系，印度信息技术学院兰契分校，贾坎德邦 835217，印度

摘要

随着光通信系统的持续发展，对自驱动设备的需求比以往任何时候都更为迫切。预测比特错误率（BER）对于传输系统的有效设计来说是一个复杂的问题。传统的估计方法通常涉及繁琐、单调且计算成本高昂的程序。随后提出了一些基于机器学习的技术来跟踪通信系统的BER。本文介绍了一种基于梯度提升的BER预测方案，该方案使用了极端梯度提升（XGBoost）、分类提升（CatBoost）和Light梯度提升机（LightGBM）。在不同光信噪比、发射功率、激光线宽和传输距离下记录的星座图通过离线预处理阶段转换为幅度直方图。这些直方图作为提升模型的输入，使得16QAM、32QAM和64QAM等调制格式的BER估计既快速又准确。使用平均绝对误差（MAE）和决定系数等指标进行评估表明，所提出的XGBoost框架在广泛的传输条件下始终优于CatBoost和LightGBM，提供了更准确和可靠的BER预测。这项研究对所建议的BER估计方法进行了全面而精确的说明，使其成为未来先进光性能监控系统发展的有用工具。

引言

光通信系统中对更高数据吞吐量的需求主要源于数据密集型应用的快速增长。这些应用包括大规模云平台、沉浸式VR、高清视频流媒体以及需要大量带宽的各种其他技术[1]、[2]。过去十年中，全球互联网流量激增，这一趋势与网络技术的进步密切相关。为了满足这一巨大的带宽需求，服务提供商被迫不断升级和扩展现有的传输基础设施，以确保能够提供可靠的高速连接[3]、[4]。在高容量下运行的光纤链路面临多种传输损伤，这些损伤增加了比特错误的可能性。这些问题包括色散、非线性失真和累积噪声。由于系统性能取决于优化许多相互作用的参数，因此准确计算比特错误对于可靠的数据传输至关重要[5]、[6]。因此，在部署光网络之前找到比特错误率（BER）以设计出实用且成本效益高的系统至关重要。传统上，工程师使用数值和分析模型来估计BER并通过整合物理层效应来优化配置。

科学家们探索了许多估计光系统中BER的方法，包括蒙特卡洛模拟[7]、[8]和直接错误计数[9]。虽然这些方法对于QPSK等简单格式来说是可靠的，但它们消耗大量数据且运行成本高昂。另一方面，分析性的BER方程[7]仅在理想的线性环境中准确，完全忽略了实际光纤链路中的主要非线性效应。常用的Q因子方法在WDM设计中尝试在考虑色散的情况下近似BER[10]、[11]。但由于该模型依赖于高斯近似，它无法正确处理现代WDM系统的复杂故障机制[12]。所有这些都指向一个关键问题：随着光系统变得越来越复杂，传统的BER预测技术很快变得无用或不准确。此外，由于所需的重复计算带来的巨大计算负担——尤其是优化过程——使得这些方法在操作大规模网络时完全不切实际。

深度学习（DL）最近在复杂的光性能监控（OPM）任务中证明了其有效性，包括信道状态预测[13]、[14]、OSNR估计[15]、[16]、调制格式识别[17]、[18]、[19]、[20]、[21]以及网络规划[22]。除了DL之外，传统的机器学习（ML）技术也被广泛用于光通信系统和光无线通信系统的性能分析和设计优化[23]、[24]、[25]。尽管取得了这些成功，DL模型仍面临主要的实际障碍：它们需要庞大的数据集、强大的计算能力和较长的训练时间，这通常使它们不适用于实时光系统。相比之下，提升算法（BAs）[26]、[27]在数据有限或仅部分可用时表现出色。提升技术（如XGBoost、CatBoost和LightGBM）通过迭代组合简单模型构建强大的集成模型，通常比标准DL实现更高的准确性和更好的泛化能力。它们的主要优点是训练速度快、设置简单，并且能够很好地处理困难的数据点，使其非常适合需要快速、准确结果且数据受限的光网络环境。

本文介绍了一种利用梯度提升方法的快速且高度准确的OPM BER估计方案。该方案在采用16QAM、32QAM和64QAM等调制格式的相干光系统上进行了模拟。通过将星座图的幅度直方图（AHs）作为输入，无需复杂的、资源密集型的数字信号处理（DSP）步骤即可实现有效的BER预测。模型使用来自光传输测试的数据进行训练，其效率通过决定系数和平均绝对误差（MAE）进行评估。与CatBoost和LightGBM相比，所提出的基于XGBoost的系统展示了更高的可靠性和鲁棒性。结果提供了关于选择正确模型、优化超参数和生成数据集的宝贵见解，这将有助于设计和改进使用更高阶调制的未来光通信系统。

章节片段

初步介绍

XGBoost是一种监督学习技术，因其在校正和分类任务中的强大性能而广受认可[28]。其基本概念是结合多个弱学习器来创建一个强学习器，从而利用多个弱学习器的优势获得最佳的模型效率。XGBoost目标函数中的损失函数包含一个正则化项，其目的是最小化损失并管理框架的复杂性

传输设置

图1展示了应用于光通信设置中的XGBoost算法的结构。过程从发射器开始，发射器包含一个长度为$2^{18}-1$' role="presentation">$2^{18}-1$' role="presentation">$2^{18}-1$将数据输入到同相/正交（IQ）驱动器中。连续波（CW）激光源为该IQ驱动器提供功率，从而生成包括16QAM、32QAM和64QAM在内的各种调制格式。为了进行受控测试，光学

数值结果与讨论

为了系统地确定最佳超参数值，采用了基于网格搜索的调整方法并结合了交叉验证。关键超参数（包括n_estimators、max_depth、subsample和colsample_bytree）在预定义的范围内变化，并使用MAE和R²指标评估它们的性能。最终参数的选择基于在预测准确性和泛化能力之间实现最佳平衡。

结论

在本文中，对XGBoost、CatBoost和LightGBM的超参数进行了简单而有效的修改，以创建一个有效的BER预测方案。在所测试的算法中，XGBoost在调整变量后产生了最佳的可靠性和精度，其BER估计值与实际值最为接近。该框架在学习和

CRediT作者贡献声明

Daya Shankar Verma：可视化、方法论、形式分析、数据整理、概念化。Dhirendra Kumar Jha：写作——审阅与编辑、撰写原始草稿、验证、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。