수신 신호 진폭 분포 기반 광코히어런트 수신기 변조 형식 분류

본 논문은 차세대 탄력형 광네트워크에서 동적으로 변조 형식을 전환하는 디지털 코히어런트 수신기에서 자동 변조 형식 인식(Modulation Classification, MC)의 필요성을 강조한다. 기존 연구들은 머신러닝 기반 히스토그램 분석, Stokes 공간 표현, 연결 요소 분석 등 다양한 방법을 제시했지만, 대부분 사전 학습이 필요하거나 복잡한 반복 연산을 요구한다. 이러한 한계를 극복하고자 저자들은 수신 신호의 정규화된 진폭에 대한 누적분포함수(CDF)를 이용한 간단하면서도 강인한 MC 알고리즘을 제안한다. 알고리즘 흐름은 다음과 같다. 먼저 광전송 후 색분산(CD) 보정과 폴라리제이션 분리를 수행하고, CMA(Constant Modulus Algorithm) equalizer를 적용해 폴라리제이션 모드 디스퍼전(PMD)을 보정한다. 이후 각 심볼의 절대값을 평균 진폭으로 정규화하고, 정규화 진폭의 경험적 CDF를 구한다. 후보 변조 형식은 4‑QAM, 8‑QAM, 16‑QAM, 32‑QAM, 64‑QAM의 다섯 가지이며, 각 형식에 대해 동일한 OSNR을 가정해 AWGN을 추가한 시뮬레이션 신호를 생성한다. 이 시뮬레이션 신호의 정규화 진폭 CDF를 미리 저장해 레퍼런스로 활용한다. 수신 신호 CDF와 각 레퍼런스 CDF 사이의 절대 차이를 구해 평균 거리 µₘ을 계산하고, µₘ이 최소인 형식을 최종 변조 형식으로 결정한다. 수식으로는 Fₘ(zₖ)=|F₁,ₘ(zₖ)−F₀(zₖ)|, µₘ= (1/K)∑ₖFₘ(zₖ), ˆm=argminₘ µₘ 로 정의된다. 이 방식은 진폭만을 이용하므로 주파수 오프셋이나 위상 잡음에 의해 발생하는 콘스텔레이션 회전에 영향을 받지 않는다. 또한, 캐리어 복구 단계 이전에 수행 가능하므로, 이후 DSP(예: MMA, 주파수 동기화, 위상 복구)에서 최적 파라미터를 바로 적용할 수 있다. 실험은 백투백(Back‑to‑Back) 구성을 사용했으며, 12.5 GBd 신호를 50 GS/s 오실로스코프로 샘플링했다. 레이저 라인폭은 10 kHz, 주파수 오프셋은 200 MHz이며, EDF‑A와 가변 감쇠기(VOA)를 이용해 OSNR을 10 dB~20 dB 범위로 조절했다. 10 000개의 심볼을 사용해 경험적 CDF를 추정했으며, 200번의 독립 실험을 통해 정확도(Probability of Correct Classification)를 측정했다. 결과는 4‑QAM부터 64‑QAM까지 모두 OSNR 12 dB 이상에서 100 % 정확도를 달성했으며, 16‑QAM·32‑QAM·64‑QAM에서는 실험이 시뮬레이션보다 약 1.5 dB 높은 OSNR이 필요했다. 이는 ICR(Integrated Coherent Receiver) 및 전자 잡음에 기인한다. 시뮬레이션은 VPItransmissionMaker 9.7을 이용해 800 km 전송을 포함한 다양한 시나리오를 검증했다. 레이저 라인폭 100 kHz, 완벽한 IQ 모듈레이터 가정, 비선형성 무시, 500번의 독립 시드로 평균 성능을 평가했다. OSNR이 실용적인 범위(예: 4‑QAM 12 dB, 8‑QAM 15 dB, 16‑QAM 19 dB, 32‑QAM 22 dB, 64‑QAM 24 dB)에서 100 % 정확도를 보였으며, 이는 SD‑FEC(Soft‑Decision Forward Error Correction) 임계값보다 낮은 OSNR에서도 동작한다는 점을 의미한다. 샘플 수에 대한 민감도 분석에서는 4‑QAM은 500개, 8‑QAM은 3 500개, 16‑QAM·32‑QAM은 5 500개, 64‑QAM은 1 000개만으로도 100 % 정확도를 달성했다. 기존 비반복 클러스터링 기반 방법