近日，中國移動研究院在50GE QSFP28光模塊研究領域取得突破，成功在器件層面嵌入智能化能力，通過對光模塊功率數據執行高精度采集和AI分析運算，可實時精準分類檢測設備掉電、光纖中斷、尾纖脫落、光纖彎折和連接器松動等5類基礎故障，檢測精度超95.6%，為光網絡智能化運營提供了全新解決方案。相關研究成果“AI-Embedded Optical Modules with Millisecond-Granularity Power Analysis for Autonomous Metro Transport Network and Field Trial”發表于光通信領域國際權威SCI期刊《Journal of Lightwave and Technology》（影響因子4.8）。
論文首頁
智能化在光網絡大數據層面已開展光網絡健康狀態預測、智能網絡節能等相關研究。隨人工智能技術的發展，光網絡智能化研究正從系統層面進一步深入到光器件層面。光模塊作為光網絡的基礎器件，全球年部署量超過兩千萬只，廣泛應用于數據中心、城域網、骨干網等場景。如果將智能化能力融入光模塊，可將智能觸角延伸至光網絡的“神經末梢”，開創“模塊即探針”的光網絡智能化運營新模式。
光模塊由于全球高度標準化，其封裝形態固定，將智能化嵌入光模塊面臨物理空間約束、內部處理器可存儲數據量和實時處理能力有限等多重挑戰。中國移動研究院通過光模塊功能設計和自研AI算法，完成高效、高精度數據采集和處理。其核心創新突破包括：
第一，攻克毫秒級高精度光功率采樣技術。采用“軟件觸發+硬件輔助閉鎖”機制，在不額外增加光模塊物理空間負擔的前提下，以10毫秒的采樣分辨率，精準鎖定并跟蹤故障發聲時3秒內的關鍵光功率數據窗口。
第二，創新故障樣本增強算法。針對AI訓練中故障樣本稀缺、類別不均衡的痛點，引入數據增強模塊，在實際采集樣本量不變的情況下，將模型準確率提升2.3%。
第三，設計動靜態特征耦合分類算法。深入研究光網絡故障光功率的瞬態變化規律，研發區別于業界通用分類算法的雙注意力神經網絡，可同時提取光功率信號的動態與靜態特征。與傳統支持向量機、隨機森林等算法相比，故障識別準確率提升超過14.7%。
自研數據增強和特征分類AI算法
依托上述技術，該研究成果展現出卓越的故障監測效能：基于網絡故障發生后3秒內的實時功率數據，僅需25毫秒即可完成AI運算，可自動精準識別設備掉電、光纖中斷、尾纖脫落、光纖彎折和連接器松動等5種人工難以區分的故障，單類故障檢測精度均超95.6%。這一突破將光模塊從“單一連接能力”拓展為“網絡智能化觸點”，實現“秒級鎖存關鍵數據，毫秒級識別故障”，將故障診斷時間從傳統人工“小時級”壓縮至“秒級”“毫秒級”，為實現光網絡器件級智能化邁出關鍵一步。
未來，項目團隊將進一步探索不同類型光模塊與多樣化網絡的適配能力，推動技術成果走向產業規模部署，助力光網絡智能化向器件層面縱深發展，實現網絡智能化能力的躍升。
