本文简要介绍了机器学习在光通信和网络中的应用，包括 ML 在网络数据分析和自动网络自配置和故障管理方面的最新研究进展。尽管近年来出现了许多相关研究论文，但 ML 在光网络中的应用仍处于初始阶段。因此，提出了一些可能的研究方向，以推动其进一步发展。

Mar, 2018

我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。

Oct, 2020

本文通过实验数据验证了针对被动光网络（PON）系统故障监测的多种机器学习方法，解决了全局反射信号难以区分故障分支的问题。

Jul, 2023

通过深度学习优化，可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度，使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。

Apr, 2018

通过精心设计的多步方法，比其少步骤的对应物效果更好，可在更好地弥补光纤非线性的同时实现更好的性能 - 复杂性权衡。

Apr, 2019

提出了基于数据驱动的方法，包括自编码器的异常检测和注意力机制的双向门控循环单元算法，以诊断物理攻击如光纤断裂和光学窃听对光网络的影响，并在各种攻击方案下使用实际运行数据验证了该方法的有效性。

Feb, 2022

通过监控性能数据并利用监督式机器学习，我们可以在 1~7 天内预测光网络中的信号丢失事件，其中精确度较高，但召回率较低。通过使用多个网络同时训练模型，预测的精确度得到提高，而针对特定网络或设施类型进行调优只带来了适度的改进。

Jan, 2022

通过使用分数傅里叶变换（FrFT）进行时间频率信号处理，采用基于 Transformer 的神经网络（NN）突破了网络性能限制，精确估计了广泛范围内的线性和非线性失真，代表了光学性能监测领域的重要进展。

Aug, 2023

本文提出使用各种人工神经网络对数字子载波多路复用光传输系统中的帧内和帧间光纤非线性干扰进行建模和补偿，并通过卷积神经网络和长短期记忆等核心进行非线性信道均衡。本研究表明，在 DSCM 系统中，将合适的宏结构放入神经网络非线性均衡器的设计中可以对未来一代相干光收发机的实际解决方案起到至关重要的作用。

Apr, 2023

本文介绍了一种基于机器学习的波分复用被动式光网络故障检测方法，该方法通过统计和分类处理 OTDR 信号可以有效地实现网络故障检测和定位。

Apr, 2023