La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Modèles de classification et de prédiction de performance des signaux optiques WDM basés sur les algorithmes d’apprentissage machine

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Allogba, Stéphanie (2021). Modèles de classification et de prédiction de performance des signaux optiques WDM basés sur les algorithmes d’apprentissage machine. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of ALLOGBA_Stéphanie.pdf]
Prévisualisation
PDF
Télécharger (7MB) | Prévisualisation

Résumé

La croissance constante du trafic contraint les opérateurs de télécommunications à déployer des systèmes de transmission optique WDM (Wavelength-Division Multiplexing) ayant des débits, une capacité et une flexibilité en constante évolution. Cependant, ces systèmes transportant une multitude d’applications (vidéo, cloud, Internet des objets …), l’impact des dégradations de leur performance devient de plus en plus important. Une solution potentielle serait d’implémenter des outils de contrôle et de gestion de réseau proactifs pouvant exploiter les métriques de performance collectées sur le réseau. Dans ce contexte, l’apprentissage machine se positionne progressivement comme une solution prometteuse pour gérer la complexité et l’évolutivité des réseaux optiques hétérogènes. En effet, les outils basés sur les techniques d’apprentissage machine seraient très utiles dans la couche physique de réseaux optiques dans un contexte de réseau dynamique défini par logiciel (Software Defined Network, SDN), en particulier pour la prédiction des performances.

Cette thèse vise donc à proposer de nouvelles méthodes basées sur des algorithmes d’apprentissage machine pouvant être intégrés dans les outils de gestion des réseaux optiques afin de contrôler les performances des connexions optiques qui transportent un trafic pouvant atteindre plusieurs Térabits par seconde. En outre, chacune des méthodes proposées est validée par des simulations utilisant des données de performance réelles recueillies dans des liaisons optiques de réseaux de production. Visant à répondre à des problèmes différents, ces nouvelles méthodes proposées sont présentées dans trois parties distinctes de la thèse.

Dans la première partie, la première méthode développée est un outil de classification construit à partir des données de BER (Bit Error Rate) d’une connexion optique (lightpath) déployée dans un réseau de production pendant une période de 31 jours. Cet outil utilise l’algorithme des plus proches voisins (K-nearest neighbor, KNN). Il a pour but de caractériser le niveau de qualité du BER et répond donc au problème d’estimation de la qualité de transmission d’une connexion optique. De plus, dans cette partie, un module permettant d’analyser l’impact des attributs utilisés pour estimer la qualité de transmission d’une connexion optique a été implémenté. Ce module a été construit à partir de l’algorithme à support vecteurs machine (Support Vector Machine, SVM).

Dans la seconde partie, les modèles proposés ont pour but de répondre au problème de prédiction des métriques de performance d’une connexion optique, notamment le BER et le rapport signal-sur-bruit (SNR). Ces modèles sont construits en utilisant deux de variantes des réseaux de neurones (Long Short-Term Memory, LSTM et Gated Recurrent Unit, GRU). Cette partie est divisée en trois sections. La première section présente des modèles univariés de prédiction du SNR d’une connexion optique utilisant les données historiques de BER provenant d’un réseau de production. La deuxième section présente les modèles multivariés de prédiction de SNR d’une connexion optique utilisant à la fois les données historiques de BER ainsi que d’autres attributs comme la puissance optique du canal WDM, la température, etc. La troisième section vise à explorer le potentiel de l’apprentissage par transfert en évaluant les modèles multivariés et univariés de prédiction de SNR sur des ensembles de données de terrain provenant de connexions optiques différentes.

Finalement, dans la troisième partie, un modèle de détection d’anomalies de performance, basé sur un algorithme SVM et l’approche de l’écart interquartile (Inter Quartile Range, IQR), est proposé. Dans un premier temps, le modèle permet de définir et d’extraire les attributs permettant de caractériser les anomalies observées dans les métriques de performance de connexions optiques déployées dans un réseau de production. Dans un deuxième temps, le modèle est utilisé pour la détection anticipée des anomalies dans les séries temporelles de SNR recueillies dans le réseau de production.

Titre traduit

Classification and prediction models based on machine learning algorithms for lightpath quality of transmission (QoT) estimation and prediction

Résumé traduit

The constant growth of the traffic is forcing telecom operators to deploy Wavelength-Division Multiplexing (WDM) optical transmission systems with constantly evolving data rates, capacity, and flexibility. However, as these systems carry a multitude of applications (video, cloud, Internet of Things …); the impact of performance degradations is becoming increasingly important. A potential solution would be to implement proactive network monitoring and management tools that can exploit performance metrics collected on the network. In this context, Machine Learning (ML) is gradually positioning itself as a promising solution to manage the complexity and scalability of heterogeneous optical networks. Indeed, tools based on ML techniques would be very useful in the physical layer of optical networks in a Software Defined Network (SDN) context, in particular for performance prediction.

This thesis aims at proposing new methods based on ML algorithms that can be integrated into network control system in order to manage the performance of the lightpaths deployed in optical networks which carry traffic up to several Terabits per second. In addition, each of the proposed methods is validated by simulations using field performance data collected from lightpaths deployed in production networks. Aiming at addressing different problems, these new proposed methods are presented in three parts of the thesis.

In the first part, the proposed ML method is a classifier built with Bit Error Rate (BER) data from a lightpath carried in a production network during a 31-day observation period. The classifier, based on the K-nearest neighbor (K-NN) algorithm, aims at characterizing the BER quality level and addresses the problem of estimating the quality of transmission (QoT) of an established lightpath. Moreover, in this part, a module for assessing the impact of different features used for lightpath QoT estimation has been implemented using the Support Vector Machine (SVM) algorithm.

In the second part, the proposed ML models aim at answering the problem of predicting the performance, namely the BER and signal-to-noise ratio (SNR) of established lightpaths, based on historical field data. The models are built using two variants of neural networks, namely Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). This part is divided into three sections. The first section presents univariate SNR forecast models using historical lightpath BER data only to implement the SNR forecast module. The second section presents multivariate SNR forecast models using both historical BER data and additional features such as WDM channel power, temperature and others in the forecast module. The third section explores the potential of transfer learning by evaluating the multivariate and univariate SNR forecast models with field data from a different set of deployed lightpaths.

Finally, in the third part, the proposed ML method is an anomaly detection tool based on the SVM and the Inter Quartile Range (IQR) methods. First, the tool defines and extracts the features that characterize the anomalies observed in the SNR time series of several lightpaths carried in a production network. Then, the tool performs an early detection of the anomalies in the SNR time series. The anomaly detection tool is tested on field performance data collected in a production network.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 149-158).
Mots-clés libres: apprentissage machine, apprentissage par transfert, détection anticipée d’anomalies, modèle univarié, modèle multivarié, prédiction des performances, qualité de transmission, réseaux de neurones
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Tremblay, Christine
Programme: Doctorat en génie > Génie
Date de dépôt: 24 janv. 2022 19:15
Dernière modification: 24 janv. 2022 19:15
URI: https://espace.etsmtl.ca/id/eprint/2852

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt