Approches d’apprentissage automatique pour la prédiction de la qualité de performance dans les réseaux optiques opérationnels

Mezni, Ameni (2020). Approches d’apprentissage automatique pour la prédiction de la qualité de performance dans les réseaux optiques opérationnels. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (3MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

La popularité croissante des applications de l’internet des objets, des services infonuagiques et du déploiement étendu de la 5G a produit une énorme quantité de données transportées sur Internet. De nos jours, la fibre optique constitue le système de transport de données le plus fiable et approprié pour soutenir l’ère du Big Data. Cependant, les opérateurs de réseaux optiques ont des défis importants pour répondre à la demande exponentielle en bande passante, de manière sécuritaire et rentable. Pour garantir une bonne qualité de transmission, une marge de sécurité statique et relativement grande est réservée lors de la conception des réseaux optiques. Cette marge prend en considération des facteurs de risque pour la transmission, tels que le vieillissement de la fibre et les fluctuations de la puissance. De ce fait, l’exploitation de l’infrastructure physique disponible est sous-optimale. Réduire la marge de sécurité à un niveau proche de zéro peut aider à maximiser la bande passante fournie. Pour ce faire, une bonne compréhension du comportement des circuits optiques s’avère indispensable. Dans ce contexte, la collecte des données de monitoring dans les réseaux optiques opérationnels pourrait être très avantageuse. En effet, elle permet de suivre quotidiennement l’évolution de la qualité de performance dans les circuits optiques. Les données de monitoring recueillies durant plusieurs saisons peuvent aussi servir dans la prédiction de la qualité de performance. Les travaux existants se sont limités à faire cette prédiction en utilisant uniquement des données synthétiques.

Ce projet étudie la prédiction de la qualité de performance traduite par le rapport signal sur bruit pour un horizon de 24 heures, et ce dans les réseaux optiques opérationnels. L’approche utilisée est celle de l’apprentissage automatique. L’étude s’est restreinte à quelques circuits optiques dont le choix est justifié. Cinq algorithmes de prédiction sont proposés et sont analysés selon les métriques de performance suivantes : le biais, l’erreur absolue moyenne, la racine carrée de l’erreur quadratique moyenne et le coefficient de détermination. Les architectures de réseaux de neurones évaluées sont : les réseaux récurrents de type Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU), et les réseaux convolutionnels à une dimension (1D-CNN). Ces dernières sont comparées avec un modèle autorégressif intégré à moyenne mobile (ARIMA).

En conclusion, le pouvoir prédictif des modèles dépend du circuit en lui-même. Il n’est pas garanti que tous les circuits optiques opérationnels contiennent des patrons prédictibles. Certains sont prédictibles à court ou à moyen termes, d’autres sont prédictibles jusqu’à 3 jours à l’avance. Parmi les méthodes comparées, le stateful LSTM offre les meilleures performances. Ces résultats peuvent aussi être améliorés en appliquant l’apprentissage par transfert à partir de deux sources de données. L’ARIMA, une méthode simple donne également des prédictions satisfaisantes pour les circuits optiques non saisonniers ayant des patrons linéaires.

Titre traduit

Machine learning approaches for quality of performance prediction in operational optical networks

Résumé traduit

The increasing popularity of Internet of Things applications, cloud computing services and 5G mobile extensive deployment have led to a tremendous amount of data transported over the Internet. Nowadays, the optical fiber is the most reliable and appropriate data transport system to support the era of Big Data. However, optical network operators are facing significant challenges to meet the exponential demand for bandwidth in secure and cost-efficient ways. To guarantee an error free transmission, a static and relatively large safety margin is reserved when designing optical networks. This margin accounts for factors such as fiber aging and power fluctuations. As a result, the use of the available physical infrastructure is suboptimal. Squeezing the security margin to a near-zero level may help maximize the delivered bandwidth. Therefore, a rigorous understanding of the network behavior is essential. In this context, collecting performance monitoring data in operational optical networks could be very advantageous. Indeed, it makes it possible to monitor the evolution of the quality of performance in optical lightpaths on a daily basis. Real field monitoring data collected over several seasons could be used for quality of performance prediction. Existing researchs have been limited to doing such prediction using only synthetic data.

This project studies the quality of performance prediction measured by the signal to noise ratio during the next 24 hours in operational optical networks. A Machine Leaning apprach is used. The study was limited to a few optical lightpaths whose choice will be justified. Five time series prediction algorithms are proposed and evaluated according to the following performance metrics : the biais, the mean absolute error, the root mean squared error and the coefficient of determination. The neural network architectures being evaluated in here are : Long Short-Term Memory and Gated Recurrent Unit(GRU) which are recurrent neural networks and a one dimensional convolutional neural networks (1D-CNN). The architectures are compared with an Auto Regressive lntegrated Moving Average (ARIMA) model.

Results show that the effectiveness of the evaluated methods to model and predict SNR changes depends on the lightpath itself. It is not guaranteed that all operational ligthpaths contain predictable patterns. Some ligthpaths are just predictable in the short to medium term, others are predictable 3 days ahead. The stateful LSTM performs better than the other methods. Better prediction accuracy is obtained by applying transfer learing from two different data sources. The ARIMA, a simple method, also produce satisfactory prediction results for non-seasonal lightpaths with linear patterns.

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 des réseaux de télécommunications". Comprend des références bibliographiques (pages 125-131).
Mots-clés libres:	réseau optique opérationnel, données de monitoring de performances réelles, prédiction temporelle, qualité de performance, modèle autorégressif intégré à moyenne mobile, réseaux récurrents, réseaux convolutionnels, apprentissage par transfert
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Desrosiers, Christian
Codirecteur:	Codirecteur Tremblay, Christine
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	31 mars 2023 14:40
Dernière modification:	31 mars 2023 14:40
URI:	https://espace.etsmtl.ca/id/eprint/2550

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt