It is estimated that the emergence of digital businesses, and growing dynamic traffic demands for Internet applications, including cloud computing and the Internet of Things, will impact the traffic at unprecedented rates. Thus, to cost-efficiently accommodate these challenging requirements, network operators are motivated to maximize the achieved capacity over deployed links, and design more efficient networks capable of handling a wide range of applications, as well as operate more closely to optimality. On the other hand, as the network elements age, nonlinear impairments increases (which can be translated to increasing the network load) and hence, the system margin and maximum achievable rate decrease. Therefore, in order to increase the capacity of optical networks and extend their life time, an accurate physical model is required to estimate the quality of signal and quantify the margin of lightpaths. In this regard, a machine learning (ML) method is proposed based on the modular neural networks to account the cross channel nonlinear effects in estimating noise power and OSNR of lightpaths. For this, the dependence of the contributed nonlinear component of noise power on the transmitted powers as well as the modulation formats of all channels are considered in this data-model. Indeed, this ML-based model provides a useful tool for per-lightpath power management, as a fundamental element for reducing margins. Results of evaluating various proposed modular models show that, in general, all modular models are able to estimate OSNR of lightpaths, with average accuracy of more than 96.6%. However, the proposed \( MM_{4} \) modular model is the model presenting better generalization, being able to correctly estimate OSNR of lightpaths, with average accuracy of 99.2%. Also, \( MM_{3} \) model performs better for partially loaded network scenarios (99.3%).

据估计，数字业务的出现以及对包括云计算和物联网在内的Internet应用程序不断增长的动态流量需求，将以前所未有的速度影响流量。因此，为了经济高效地满足这些具有挑战性的要求，网络运营商被激励在部署的链路上最大限度地提高已实现的容量，并设计出能够处理各种应用以及更紧密地运行于最佳状态的更高效的网络。另一方面，随着网络元素的老化，非线性损伤会增加（可以转化为网络负载的增加），因此系统裕度和最大可实现速率会降低。因此，为了增加光网络的容量并延长其使用寿命，需要一个精确的物理模型来估计信号的质量并量化光路的余量。在这方面，提出了一种基于模块化神经网络的机器学习（ML）方法，以解决跨通道非线性效应在估计光路的噪声功率和OSNR方面的问题。为此，在此数据模型中考虑了噪声功率的非线性贡献对发射功率的依赖以及所有通道的调制格式。的确，这种基于ML的模型提供了用于按光路进行功率管理的有用工具，作为减少余量的基本要素。对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 提出了一种基于模块化神经网络的机器学习（ML）方法，以解决跨通道非线性效应在估计光路噪声功率和OSNR方面的问题。为此，在此数据模型中考虑了噪声功率的非线性贡献对发射功率的依赖以及所有通道的调制格式。的确，这种基于ML的模型提供了用于按光路进行功率管理的有用工具，作为减少余量的基本要素。对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 提出了一种基于模块化神经网络的机器学习（ML）方法，以解决跨通道非线性效应在估计光路的噪声功率和OSNR方面的问题。为此，在此数据模型中考虑了噪声功率的非线性贡献对发射功率的依赖以及所有通道的调制格式。的确，这种基于ML的模型提供了用于按光路进行功率管理的有用工具，作为减少余量的基本要素。对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 为此，在此数据模型中考虑了噪声功率的非线性贡献对发射功率的依赖以及所有通道的调制格式。的确，这种基于ML的模型提供了用于按光路进行功率管理的有用工具，作为减少余量的基本要素。对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 为此，在此数据模型中考虑了噪声功率的非线性贡献对发射功率的依赖以及所有通道的调制格式。的确，这种基于ML的模型提供了用于按光路进行功率管理的有用工具，作为减少余量的基本要素。对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议 对各种建议的模块化模型进行评估的结果表明，总的来说，所有模块化模型都能够估计光路的OSNR，平均精度超过96.6％。但是，建议\（MM_ {4} \）模块化模型是一种具有更好泛化能力的模型，能够正确估计光路的OSNR，平均准确度为99.2％。此外，\（MM_ {3} \）模型在部分加载的网络方案中表现更好（99.3％）。