Développement d'un modèle cognitif de calcul de la qualité de transmission dans les réseaux optiques

Aladin, Sandra (2018). Développement d'un modèle cognitif de calcul de la qualité de transmission dans les réseaux optiques. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (4MB) | Prévisualisation
Prévisualisation	PDF Télécharger (674kB) | Prévisualisation

Résumé

La forte croissance de trafic IP, alimentée par l’Internet sur les téléphones intelligents et les tablettes, les services infonuagiques, les jeux et la vidéo sur Internet, exige une augmentation de la bande passante ainsi que l’utilisation de nouvelles technologies de transmission. Cette augmentation de la capacité de transmission ainsi que la diversité des services partageant un même lien rendent les paramètres de qualité de transmission difficiles à optimiser. Le concept de réseau optique cognitif a été proposé pour résoudre ce problème. Des solutions ont été proposées, basées sur la génération de données synthétiques, pour des connexions optiques avec un débit de 10 Gbit/s et le format de modulation en intensité (On-Off Keying, OOK). La technique de raisonnement par cas (Case-Based Reasoning, CBR) a été propose pour la classification de connexions optiques avant leur établissement. Des travaux récents ont permis d’appliquer la technique à un réseau avec un débit de 80 Gbit/s et un format de modulation de phase. Une autre solution plus récente prend en compte différents débits et formats de modulation. Les effets non linéaires y sont considérés sous forme de marges.

Ce projet vise à proposer un modèle d’estimation de la qualité de transmission prenant en compte des effets non linéaires à l’aide de formules analytiques basées sur le modèle de bruit Gaussien. Trois techniques d’apprentissage machine sont ensuite appliquées à des données synthétiques générées de manière à prédire la qualité de transmission de connexions optiques en se basant sur les paramètres du lien et du signal.

Trois classificateurs sont proposés et sont analysés selon les trois métriques de performance suivantes : la précision de classification, le temps de traitement des données et l’évolutivité. Une analyse des résultats permet ensuite de déterminer la méthode à adopter pour le développement de l’outil d’estimation de la qualité de transmission (Quality of Transmission, QoT) proposé. La méthode des machines à vecteurs de support (Support Vector Machine, SVM) offre une meilleure performance que la méthode du plus proche voisin (K-Nearest Neighbors, K-NN) ou de la forêt aléatoire (Random Forest, RF).

La conclusion est que les techniques d’apprentissage machine peuvent être utilisées avantageusement dans les réseaux optiques hétérogènes couvrant divers débits et formats de modulation. De plus, la cognition permet d’améliorer le temps de traitement pour estimer la QoT de connexions optiques. Néanmoins, des études basées sur des données de terrain ainsi que l’application de techniques d’optimisation aux algorithmes ainsi qu’aux données demeurent des aspects à approfondir.

Titre traduit

Development of a cognitive model for the quality of transmission computation in optical networks

Résumé traduit

The strong growth of IP traffic, powered by the Internet on smartphones and tablets, cloud services, games and video on the Internet, requires an increase in bandwidth as well as the use of new transmission technologies. This increase in transmission capacity and the diversity of services sharing the same link lead to transmission quality parameters that are difficult to optimize. The concept of cognitive optical networks has been proposed to solve this problem. Solutions have been proposed for optical connections at Gb/s bit rate and an On-Off Keying OOK modulation format. Case-Based Reasoning CBR technique has been proposed for the classification of optical connections prior to their establishment. In recent works, the technique has been applied to an optical network configuration with higher bit rates and a more advanced modulation format. A more recent solution takes into account different bit rates and modulation formats as well as nonlinear effects through margins.

Our research on a model of estimation of the quality of the transmission takes into account the nonlinear effects by means of analytical formulas described in Gaussian noise model described. We apply three learning techniques K-NN, RF and SVM to these generated synthetic data to predict the transmission quality of optical connections as a function of link and signal parameters.

Three classifiers are proposed and evaluated according to the following performance metrics: the classification accuracy, data processing time and scalability. An analysis of the results makes it possible to determine the best method to adopt for the development of the proposed quality of transmission estimation tool. The Support Vector Machine (SVM) method performs better than the K-Nearest Neighbors (K-NN) method or the Random Forests (RF).

The conclusion is that cognition based on machine learning techniques can be successfully implemented in heterogeneous optical networks supporting different bit rates and modulation formats. In addition, this strategy can improve the processing time for estimating QoT optical connections. Nevertheless, studies based on field data as well as the application of optimization techniques to algorithms and to data remain aspects to be explored.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie concentration réseaux de télécommunications". Comprend des références bibliographiques (pages 95-98).
Mots-clés libres:	réseau optique cognitif, qualité de transmission, apprentissage machine, AWGN, raisonnement par cas, k plus proches voisins, forêt aléatoire, machine à vecteur de support
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Tremblay, Christine
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	22 nov. 2018 15:05
Dernière modification:	22 nov. 2018 15:05
URI:	https://espace.etsmtl.ca/id/eprint/2156

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt