/ Flickr / トニーウェブスター / CC BY
誰が記録を樹立したか
OECDによれば、3年でモノのインターネットデバイスの数は500億に達する可能性があります。 デロイトは、5Gネットワークの基盤となる既存の光ファイバーインフラストラクチャは、この負荷に対処できないと述べています。
このため、ますます多くの企業や研究機関が「光学」の帯域幅を拡大する技術に取り組んでいます。 そのような組織の1つが、ミュンヘン工科大学（TUM）です。 5年前、同社の従業員は、 信号コンスタレーションの確率的形成のためのアルゴリズムを開発しました-確率的星座形成、またはPCS（後で詳しく説明します）。 2016年に、その助けにより、実験室で初めてテラビットのデータ転送速度を達成することができました。
今年2月、同じ科学者グループが別の記録を樹立しました-彼らは500 Gbit / sの速度でデータ転送を実行しましたが、「フィールド」条件でそれを行いました。 テストには、ドイツのオペレーターM-Netのネットワークに導入されたNokia PSE-3シグナルプロセッサを使用しました。
アルゴリズムの仕組み
PCSは、ファイバーネットワークの直交振幅変調 （QAM）を補完する手法です。 古典的なQAMの場合、すべてのポイント（信号振幅値）の重みは等しく、同じ周波数で使用されます。
TUMのエンジニアが開発したPCSアルゴリズムは、その都度、チャネルの現在の状態に最適な最適なポイントグループを選択します。 コンスタレーションポイントごとに、データの歪みの確率と信号の送信に必要なエネルギーの値が計算されます。 メッセージの歪みと消費電力が少ないほど、特定の振幅がより頻繁に使用されます。 コンスタレーションポイントの使用頻度は、確率分布関数によって決まります。 それらは、光チャネルの平均ノイズレベルに関するデータに基づいて、特定のネットワークごとに経験的に導き出されます。
/ウィキメディア/ スプラッシュ / CC BY-SA / 16-QAMの信号点配置
通常、PSCは高振幅信号ポイントを使用する可能性が低くなります。 開発者によると、これにより信号のノイズ耐性が向上し、伝送速度が向上します。 たとえば、16-QAMの場合、「ゲイン」は15〜43％です。
技術の応用と可能性
Nokia Bell Labの社長であるMarcus Weldon氏によると 、将来のPCSにより、光ファイバーネットワークは大量のデータを転送し、現在のトラフィック要件（たとえば5Gネットワーク）に動的に適応できるようになります。
このテクノロジーはすでにInfineraネットワーク機器プロバイダーによってサポートされています。 同社は、ICEシリーズのデジタル信号プロセッサで確率的変調を使用しています。 Infineraによると、デバイスはネットワーク帯域幅を最大800 Gb / sまで増やすことができますが 、これまでのところその機能はテストされていません。 同社の代表者は、この技術が携帯電話事業者とインターネットプロバイダーがインフラ開発と新ラインの建設のコストを削減するのに役立つと言っています。
ただし、確率的変調の人気は1つの欠点の影響を受ける可能性があります。データ送信中の既存の直接誤り訂正 （FEC）の方法での動作に最適化が不十分です。 FECメソッドは、チャネル内のすべての組み合わせが同じ頻度で使用されるように設計されています。 PCSの場合、いくつかのコンスタレーションポイントが他よりも頻繁に選択されるため、ネットワークのパフォーマンスに影響する可能性があります。 この問題を解決するために、より高度なFEC手法が開発されています。たとえば、補正スキームを「並列化」し、いくつかのチェックを同時に実行します。
企業ブログで書いていること：
/ Flickr / Groman123 / CC BY-SA
確率的変調アナログ
信号コンスタレーションの変調には、幾何学的な別のタイプがあります。 特定のポイントの使用頻度を変更するのではなく、コンスタレーションの形式を変更するという点で、確率的なものとは異なります。 このために、信号の振幅変調に位相変調が追加されます。これにより、ポイントを相互に「シフト」できます。 確率的変調と同様に、幾何学は光チャネルのより効率的な使用を実現するのに役立ちます。コンステレーション内のポイントの位置は、各ポイントで信号対雑音比 （SNR）が最大になるように選択されます。
確率的な形式よりも幾何学的な形式の利点は、可能な振幅値の数が少ないことです。 この機能により、信号が歪む可能性が低くなります。 ただし、幾何学的変調には欠点があります。実際には 、確率論的よりも信号歪みを低減する効果が低くなります。
専門家は、機械学習法を使用して幾何学的変調を改善し、それらを使用して信号点配置の最適な形状を決定したいと考えています。 これまでのところ、結果はそれほど印象的ではありません。2018年の調査では、単純な単層ニューラルネットワークがSNRを1％ 向上させました。 ただし、エンジニアはリカレントニューラルネットワークで作業と実験を続ける予定です。
これまでのところ、信号コンスタレーションの幾何学的変調は、実際のネットワークで動作する場合、確率的ではありません。したがって、後者はインターネットチャネルの帯域幅を増加させる最も有望な方法と見なされます。 近い将来、確率論的変調は、たとえば異なるデータセンター間でデータを転送する場合、クラウドプロバイダーと同様に、ホームラインへの高速ファイバーを作成するインターネットプロバイダーに利益をもたらすと予想されます。
Habréのブログでさらに読む：