26038

طراحي و بهينه سازي شبكه هاي نوري كم حاشيه با استفاده از يادگيري ماشين

دكتري

برق-الكترونيك

1395

1400/09/03

علي صدر

برق

يكي از راههاي افزايش ظرفيت شبكه، تخمين دقيقتر عملكرد جاري شبكه و بهرهبرداري از آن با حاشيههاي كمتر است. براي دستيابي به مزاياي حاصل از كاهش حاشيهها، مولفههايي را بايد در نظر گرفت كه عبارتند از: مدلهاي فيزيكي بهتر، مديريت توان براي هر مسير نوري، نظارت بر عملكرد نوري، بهينهسازي مجدد شبكه و يك لايهي كنترلي تطبيقپذير. در اين راستا، براي كاهش حاشيهها و تطبيق سريعتر با عملكرد جاري شبكه در كاربردهاي پويا، بهبود دقت و كاهش زمان اجرا در پيادهسازي ابزار مورد نظر لازم و ضروري است. در حالت كلي، هر يك از موارد ذكر شده مسالهاي با درجه سختي NP است و لذا استفاده از ابزار يادگيري ماشين منطقي و كارآمد به نظر ميرسد. تخمين دقيق QoT براي به حداقل رساندن حاشيهها و بهينهسازي شبكه لازم و ضروري است. تخمين QoT مسيرهاي نوري براي تطبيق شبكه با شرايط جاري ترافيكي يا خرابيهاي آن كارآمد خواهد بود. به اين منظور، با استفاده از شبكههاي عصبي RBF، GRNN و PNN، ابزاري جهت تخمين QoT مسيرهاي نوري نصبنشده (پيشبيني نشده) ارائه گرديده است كه دقت 6/99% را در پي دارد. از سوي ديگر، از شبكههاي عصبي مدولار براي در نظر گرفتن توان راهاندازي و فرمت مدولاسيون كانالهاي همسايگي بهره گرفته شده است. بنابراين، شبكه ميتواند نزديكتر به شرايط واقعي عمل كند و لذا هزينههاي آن به ميزان چشمگيري كاهش يابد. علاوه بر اين، تخصيص دقيق توان كانالهاي نوري براي بهرهبرداري كامل از حاشيههاي سامانه ناشي از بارگذاري شبكه (اختلالات غيرخطي)، لازم و ضروري است. از اين رو، الگوريتم CEGA جهت تخصيص توان بهينه به كانالهاي نوري ارائه شده است كه نسبت به روش محدب، كاهش چشمگيري را در زمان اجراي الگوريتم نشان ميدهد (در حدود چند ده مرتبه). اين روش ميتواند در طرحريزي حساس به زمان شبكههاي نوري پويا كه مستلزم همگرايي سريع هستند، بسيار كارآمد باشد. در حالت كلي، مسالهي مسيريابي و تخصيص منابع يك مسالهي NP-كامل است كه نوعا با تجزيهي به زير مسائل مسيريابي، تخصيص طول موج و بهينهسازي توان راهاندازي، و به صورت مجرد حل ميشود. با اين حال، اين شيوه از حل كه با هدف كاهش پيچيدگي محاسباتي بهكار گرفته ميشود، ميتواند موجب عدم تخصيص بهينهي منابع گردد. جهت بهينهسازي توام منابع شبكه، الگوريتم CEDE پيشنهاد ميشود. اين الگوريتم نيز در كنار بهبود نرخ قابلحصول شبكه به ميزان 5%، قادر به كاهش چشمگير زمان اجرا خواهد بود (در حدود چند ده مرتبه). در كنار مولفههاي مطرح شده ميتوان از اطلاعات بدست آمده از ابزار نظارت بر عملكرد نوري براي كاهش بيشتر حاشيههاي طراحي استفاده نمود. علاوه بر اين، از اين اطلاعات ميتوان در زمينهي مديريت مسيرهاي نوري، همچون محليسازي خرابي، بهره گرفت. بنابراين، به عنوان يك مسالهي جانبي، با استفاده از الگوريتم ژنتيك راهكاري براي محليسازي چند-خرابيها ارائه ميگردد. اين روش تنها در چند ده ميليثانيه قادر خواهد بود تا خرابيها را با دقتي نزديك به 100% محليسازي كند. ابزار تخمين QoT ارائه شده در كاهش زمان محليسازي خرابيها بسيار كارآمد هستند. طراحي شبكههاي كمحاشيه مستلزم ابزار و راهحلهايي بلادرنگ براي تخمين و بهينهسازي عملكرد شبكه است. نتايج بدست آمده نشان ميدهند كه ابزار ارائه شده قادر هستند با تخمين دقيق، بهينهسازي و در پي آن بهبود عملكرد شبكه، راهحلي كارآمد براي كاهش حاشيههاي شبكه باشند. علاوه بر اين، با كاهش چشمگير پيچيدگي محاسباتي ميتوان ابزار ارائه شده را در طرحريزي شبكههاي نوري پويا با مقياس بزرگ، بهكار گرفت.

1400/11/23

Design and Optimization of Low-Margin Optical Networks

1/21/2023 12:00:00 AM

One way to increase network capacity is to more accurately estimate current network performance and exploit it with lower margins. To achieve the benefits of reducing margins, the following elements must be considered: better physical models, per-light-path power management, optical performance monitoring, online network re-optimization and an adapted control plane. In this regard, to reduce margins and adapt more quickly to current network performance in dynamic applications, it is necessary to improve the accuracy and reduce runtime in the implementation of tools. In general, all of the mentioned elements are NP-complete problems and therefore the use of machine learning methods appears rational and efficient. Accurate QoT estimation is necessary to minimize margins and optimize the network. Indeed, to quickly provision a new lightpath or to reroute an existing one in reaction to a failure, accurate and fast QoT evaluation is required. To this aim, tools are provided utilizing RBF, GRNN and PNN neural networks for estimating the QoT of unestablished lightpaths, which results in 99.6% accuracy. On the other hand, modular neural networks were utilized to take into account the launch power and modulation format of neighboring channels. Therefore, the network can operate closer to the real conditions and consequently its costs are significantly reduced. To fully leverage system margins stemming from network loading (i.e., from nonlinear impairments), careful power allocation is required. Therefore, the CEGA algorithm is proposed to allocate the optimal power to optical channels, which shows a significant reduction in the runtime of the algorithm compared to the convex approach (by several orders of magnitude). This method is suitable for both static as well as time-critical dynamic network planning with fast convergence requirement. In general, the RWPA (routing, wavelength, power allocation) problem in WDM networks is an NP-complete problem, however suboptimal solutions could be derived by decomposing this problem into sub problems of routing, wavelength assignment and power optimization. However, this method of solution, which is used to reduce computational complexity, can lead to inefficient resource allocation. To jointly optimize the network resources, the CEDE algorithm is proposed. Besides improving the network achievable rate by 5%, this algorithm is able to significantly reduce the runtime (by several orders of magnitude). In addition to the addressed elements, the information obtained from the optical performance monitoring equipment can be used to further reduce the design margins. Moreover, this information can be used in the field of lightpath management, such as failure localization. Therefore, a solution is proposed using a genetic algorithm for localizing the multi-failures. This method can localize the failures within only a few tens of milliseconds and with an accuracy of almost 100%. The proposed QoT estimation tools are very useful in reducing the required time for localizing failures. Designing low-margin optical networks requires real-time solutions to estimate network performance. The results show that the proposed tools are able to be an efficient solution to reduce network margins by accurately estimating, optimizing and subsequently improving network performance. Moreover, with a significant reduction in computational complexity, the proposed tools can be utilized in the design of large-scale dynamic optical networks.

بهينه سازي , شبكه هاي نوري كم حاشيه , نرخ سيگنال به نويز نوري , يادگيري ماشين

Low-margin optical networks , Machine learning , Optical signal-to-noise ratio , Optimization