Machine learning techniques for designing optical networks to face future challenges

June 27, 2023

O aumento constante do tráfego tem pressionado as redes de telecomunicações para que permitam maiores larguras de banda, maiores distâncias de transmissão e maior flexibilidade. Esta tese aborda aspectos relacionados com as capacidades médias de canal das redes ópticas e a forma como as técnicas de aprendizagem automática podem ser utilizadas neste âmbito. Sem técnicas de aprendizagem automática o cálculo de certos importantes aspectos de redes ópticas como o diâmetro, o número médio de saltos por pedido ou a capacidade apresentam um tempo computacional elevado devido à necessidade de simular os vastos elementos da rede como por exemplo ROADMs, a propagação do sinal na fibra e amplificadores. O objectivo é encontrar um modelo de rede neuronal artificial que calcule a capacidade média de canal de uma rede óptica usando informação sobre a topologia e o tamanho da rede. Para o efeito, são utilizados dois tipos de redes: redes de referência e redes geradas artificialmente, semelhantes às do mundo real. O modelo de rede neural aprende com o conjunto de dados das redes geradas artificialmente e é também validado utilizando as redes de referência. Foram também exploradas outras estimativas utilizando outros modelos de aprendizagem automática para estimar parâmetros como o diâmetro e a carga média por ligação. A capacidade de prever parâmetros importantes das redes e como são influenciados permite enfrentar desafios futuros, como a saturação da banda C em redes ópticas, uma vez que facilitam estratégias para alcançar a optimização da banda. The constant increase in traffic has put pressure on telecommunication networks to allow higher bandwidths, longer transmission distances and greater flexibility. This thesis addresses aspects related to the average wide channel capacities of optical networks and how machine learning techniques can be used in this ambit. Without machine learning techniques the calculation of aspects of optical networks such as the diameter, the hops per demand and the capacity has a high computational time due to the need to simulate the vast elements of the network such as ROADM's, the signal propagation trough the fiber and amplifiers. The goal is to find an artificial neural network model that calculates the average channel capacity of an optical network using topology and network size information. To this end, two types of networks are used: reference networks and artificial generated networks, resembling real world ones. The neural network model learns from the data set of the artificial generated networks and is also validated using the reference networks. Other estimations using other machine learning models were also explored to estimate parameters like the diameter and the average load per link. The ability to predict important parameters of the networks and how they are influenced allow to address future challenges, such as the saturation of the C-band in optical networks, since they facilitate strategies to achieve optimization of the band.

Authors in the community:

• 

  J

  José Augusto Duque Ribeiro

  ist187049

Supervisors of this institution:

• 

  J

  João José de Oliveira Pires

  ist12027

Mestrado em Engenharia Eletrotécnica e de Computadores

electrical-engineering-electronic-engineering-information-engineering - Electrical engineering, electronic engineering, information engineering

Keywords

• tráfego
• rede óptica
• capacidade média de canal
• rede neuronal
• traffic
• optical network
• average channel capacity
• neural network

eng - English

Instituto Superior Técnico