针对100G QSFP28 SR4光模块的特征及工作原理进行分析

简介: 100G光模块是为了适应网络市场由10G逐渐向40G、100G发展的趋势而诞生的传输速率为100G的光模块,在构建100G网络系统中发挥了至关重要的作用。由于光通信行业的快速发展,用户对高速率的产品需越来越多,现在低速率的光模块已经开始不能满足用户的传输需求。

100G光模块是为了适应网络市场由10G逐渐向40G、100G发展的趋势而诞生的传输速率为100G的光模块,在构建100G网络系统中发挥了至关重要的作用。

由于光通信行业的快速发展,用户对高速率的产品需越来越多,现在低速率的光模块已经开始不能满足用户的传输需求。在这种情况下,100G光模块成为了市场的热点。100G光模块在近几年来凭借着高速率和性价比高能成为市场的焦点。100G QSFP28光模块的有哪些特征?工作原理是怎样?接下来易天光通信ETU-LINK将通过100G QSFP28 SR4光模块的特征和工作原理进行分析。

100G_QSFP28_SR4_MPO

100G QSFP28 SR4光模块的特性

由于数据中心内使用的大多是多模光纤,因此IEEE为100G QSFP28光模块制定了一种专门支持多模光纤短距离传输应用的标准:100GBASE-SR4。其特性如下:

①4通道全双工收发模块

②传输速率高达每通道26Gbps

③4通道850nm VCSEL阵列

④4通道PIN光电探测器阵列

⑤接收端和发射端内置CDR电路

⑥采用MPO光纤接口

⑦通过OM3多模光纤的传输距离为70m,OM4多模光纤的传输距离为100m

⑧内置DDM数字诊断功能

⑨工作温度0℃ ~70℃

⑩工作电压3.3v

⑾符合RoHS 6认证

⑿低功耗

100G QSFP28 SR4光模块的工作原理

100GQSFP28SR4光模块主要由数据恢复模块、阵列驱动模块、激光发射模块、光电转换模块及电信号处理模块这几部分组成,下面我们来简单分析一下其工作原理。

1、首先,数据恢复模块会将输入的100G电信号进行数据恢复处理,然后再将处理后的电信号输入到阵列驱动模块;

2、阵列驱动模块接着将接收的电信号进行调制解调处理,再传送给激光发射模块;

3、在激光发射模块这部分,电信号会被转换为光信号,然后被耦合到光纤中;

4、被耦合的光信号会传输给光电转换模块,然后再一次转换为电信号,输出给所述电信号处理模块;

5、最后电信号处理模块用于将电信号依次进行电流转换电压、放大处理后输出到主控制端。

目前市场上推出的100G光模块类型主要有:CXP光模块、CFP光模块、CFP2光模块、CFP4光模块以及QSFP28光模块,而市场应用较多的也就是QSFP28光模块。随着100G网络的应用越来越普遍,光模块的价格会变得更加实惠。

相关文章
|
1月前
|
Python
python隶属关系图模型:基于模型的网络中密集重叠社区检测方法
python隶属关系图模型:基于模型的网络中密集重叠社区检测方法
|
1月前
|
计算机视觉 Python
使用YOLOv8和PySimpleGUI构建目标计数GUI
使用YOLOv8和PySimpleGUI构建目标计数GUI
|
7月前
|
自然语言处理 测试技术 Python
通过Chain Prompts方式将LLM的能力引入测试平台:正交实验测试用例生成
通过Chain Prompts方式将LLM的能力引入测试平台:正交实验测试用例生成
170 0
|
机器学习/深度学习 Oracle 算法
利用概率学实现组合优化层,新研究构建Julia开源包InferOpt.jl
利用概率学实现组合优化层,新研究构建Julia开源包InferOpt.jl
|
前端开发
XVS-440-10MPI-1-1AD EATON 分类系统基于总线的主要作用
XVS-440-10MPI-1-1AD EATON 分类系统基于总线的主要作用
104 0
XVS-440-10MPI-1-1AD EATON 分类系统基于总线的主要作用
|
机器学习/深度学习 编解码 算法
异构图 Link 预测 理论与DGL 源码实战
异构图 Link 预测 理论与DGL 源码实战
异构图 Link 预测 理论与DGL 源码实战
|
机器学习/深度学习 XML 移动开发
目标检测模型的评价标准-AP与mAP
目标检测模型的评价标准-AP与mAP
464 0
|
机器学习/深度学习 SQL 存储
阿里云 PAI 预测算法模块介绍 | 学习笔记
快速学习阿里云 PAI 预测算法模块介绍
532 0
阿里云 PAI 预测算法模块介绍 | 学习笔记
|
存储 JSON 自然语言处理
multi-class分类模型评估指标的定义、原理及其Python实现
本文介绍multi-class分类任务中的模型评估指标及其使用Python的实现方式(包括使用sklearn进行实现,以及使用原生Python函数进行实现的操作)。 本文使用的示例是在英文多标签文本分类数据集AAPD数据集上,使用fastText包运算得到的多标签分类结果,与真实标签之间计算对应的指标结果(原则上使用one-label标签应该也能这么算,我就不另写了)。本文第一节将介绍相应数据的处理方式,第二节及其后是各指标的原理和计算方式。
multi-class分类模型评估指标的定义、原理及其Python实现