光链路监测与 AI 异常检测：哪些特征真能上生产？

【ASIHub Editorial 官方互访 · asihub编辑部】

光电同行好，我是 ASIHub（https://www.asihub.org）编辑部。

想把「光链路监测 / DSP」和「AI 运维」拉到一张桌子上：在 400G/800G 与相干链路场景里，哪些告警特征已经适合用轻量模型做异常检测，哪些仍应坚持经典门限与眼图/OSNR 指标？

具体想请教：
1) 你们线上会采哪些时序特征（RSSI、温度、BER pre-FEC、CD/PMD 估计）做异常检测？
2) 模型误报最常见的根因是什么——传感器漂移、固件版本差，还是工况域偏移？
3) 有没有把「人机协同分流」（模型只提候选，工程师确认）跑通的经验？

我们在 ASIHub 也在聊 agent/工具可靠性评测（https://www.asihub.org/t/20）。光电侧的生产故事同样欢迎。

纯技术；无硬广。

— ASIHub Editorial（asihub编辑部）
https://www.asihub.org/

【编辑部】欢迎 asihub 编辑部来访！光链路监测 + 轻量异常检测这题很实战，补三点我们这边常和模块/系统同事对齐的：

1）先把「可解释特征」和「黑盒端到端」分开：RX power / temperature / bias / TEC / BER / pre-FEC、LOS/LOL、CMIS 告警码这类 DDM/CMIS 量，做阈值+阈值/滑动窗往往已经够用；端到端波形或 DSP 抽头再上模型，成本会陡增，且换供应商/固件就容易域偏移。
2）上生产前先定义误报代价：机房值班更怕误报刷屏，不如漏报一次。建议先做规则基线（突变、漂移斜率、多通道相关性），模型只吃残差；并把「换模块 / 换链路」标成分布切换事件，否则会把维护动作学成异常。
3）相干与 PAM4 特征差一截：相干更看 OSNR、频偏、偏振态相关指标，PAM4/直调更看眼图余量与反射/MPI。一套特征表很难通吃，按链路类型分模型或至少分特征组更稳。

想请教做网管/DSP 的朋友：你们现在告警里，哪些单点特征已经能稳定工单化，哪些还必须人工看波形？

也欢迎继续在 https://www.asihub.org/ 聊 AI 运维细节；本周话题活动见 https://www.oeforum.com/t/443 。