Optik Fiber Ağlarında Yanlış Tespit için Makine Öğrenme Algoritmalarının Kullanımı

Optik fiber ağ, modern telekomünikasyon arka kemiği oluşturur, yüksek hızlı veri aktarımına izin verir, minimum sinyal kaybı ile binlerce kilometreden fazla. Küresel bantlama talebi, ağ performansını ve minimisyonunu korumak için hızla önemlidir.Tel denetim ve temel sinyal analizi gibi geleneksel yöntemler, güncel ağların ölçek ve karmaşıklığı için giderek daha da önemlidir.Bu, makine (ML) hataların nasıl ve hatanın doğru şekilde tanımlanması ve tespit edilmesi, ağ performansını ve minimlenmesini sağlamak için hızlı bir şekilde gereklidir.

Makine öğrenimi, optik performans izleme (OPM) sistemleri tarafından üretilen geniş miktarda veri analizinde özellikle etkili olduğunu kanıtlamıştır. Normal ve hatalı eyaletlerden elde edilen modeller, ML modelleri, anormallikleri teşhis edebilir, hata türlerini sınıflandırmak ve hatta tahminleri başarısız olur. Bu makale, hata tespiti için kullanılan temel makine öğrenme algoritmalarının, başarılı model dağıtım için gerekli verileri incelemelerini ve bu hızla gelişen alanın zorlukları ve gelecekteki yollarını tartışır.

Optik Fiber Ağlarda Hata Tespitinin Önemi

Optik fiber hataları çeşitli nedenlerle ortaya çıkabilir: inşaat veya doğal afetler nedeniyle fiziksel molalar, ikinci başına yüzlerce gigabit taşıyan veya makro-bends'in her saniyesi büyük veri kaybı ve finansal cezalar için tercüme eder.

Geleneksel hata tespiti optik zaman alan yansımaları üzerinde ağırlığa sahiptir (OTDRs), bu ışık pullarını fiberleri gönderir ve hataları otomatik olarak analiz eder ve hataları otomatik olarak tespit eder.The Machine learning uses these gaps by continuous monitoring signal-consuming, require skills to comments, and may not catch intermittent distribution, and bit error rate (BER) Normal olarak bildirilen bir hata süresinden sonra yapılır.

Geleneksel Hata Tespit Yöntemleri vs. Machine Learning Approach

Yaygın ML kabulünün gelişinden önce, optik ağlarda hata tespiti basit ama sınırlı bir iş çıkardı:

• [FONT:0]Manual inceleme[[Döneticileri bulmak için mühendisler tarafından OTDR izlerinin altında).
• [FONT:0]Threshold-based alarmlar[[Dönetici: 1 ), alınan güç veya BER gibi parametreler üzerinde, çoğu zaman yanlış pozitifleri tetikler veya ince bozulmaları kaçıran.
• [FONT:0]Rule tabanlı uzman sistemler[[Dönetici:0] İnsan bilgilerini birleştirmiş ancak yeni hata kalıplarına adapte edilemez.

Bu yaklaşımlar yüksek operasyonel maliyetlerden, yavaş reaksiyon zamanlarından muzdarip ve yoğun dalga boyun eğlendirici (DWDM) sistemler tarafından üretilen verilerin büyük boyutunu ele almak için kullanılabilir. Makine öğrenme bu sınırlamaları otomatik olarak normal ağ operasyonu ve ortaya çıkan hataları tespit ederek aşabilir.

Anahtar Makine Öğrenme Algoritmaları Optik Fiber Ağlarda Yanlış Tespit için

Çeşitli makine öğrenme algoritmaları optik fiber hata algılamasına başarıyla uygulandı, her biri problemin farklı yönlerine uygundur - ikili sınıflandırma (fault vs. no fault) çok sınıf hatası tipi tanımlamasına ve hatta geri kalan yararlı yaşamı tahmin etmek için geri dönüşüme maruz kalır. Aşağıda en belirgin teknikler vardır.

Destek Vector Makineleri (SVM)

Destek Vector Makineleri, yüksek boyutlu bir alanda hiperplanes inşa eden denetim modelleri, farklı sınıflara ait verileri ayırmak için farklı sınıflara ait olan verileri ayrı bir şekilde sınıflandırmak için denetler.For optik hata algılama için, SVM OTDR izler veya zaman serisi izleme verileri belirli bir hata türü ile ilgili olarak sınıflandırır (örneğin, radyönerli bir işlevle) Araştırmacılar, yüksek çözünürlükte yedeklenen USB devreleri kullanarak modelleme ve yüksek çözünürlükte % 95'i aşan doğruluk oranlarına bağlıdır.

Yapay Neural Ağlar (ANN)

Yapay Neural Networks, özellikle de bir veya daha gizli katmanlarla ağları besler, telekomünikasyondaki en yaygın kullanılan ML yöntemleri arasındadır. ANN, giriş özellikleri ve hata etiketleri arasındaki doğrusal olmayan ilişkilerdir. Optik fiber ağlarda, ANN'ler otomatik olarak kontrol edilebilir bir farklar (örneğin, otomatik olarak, otomatik olarak kullanılan bir güç değerleri içerebilir.) ve hata türlerini takım diyagramları veya göz diyagramları ile sınıflandırmak için doğrultme.

Rastgele Ormanlar

Rastgele Orman, birçok karar ağacından gelen tahminlerin en az veri ve özellikler üzerinde eğitilmiş bir şekilde incelenmesini sağlayan bir öğrenme yöntemidir.For fault, Random Forest yüksek doğruluk, overfitting ve hesaplama kaynakları gerektiren bir şekilde elde eder.Bir de rastgele Orman modellerinin çoğunun yüksek olduğunu anlamalarına yardımcı olur.

Derin Öğrenme: Convolutional Neural Networks (CNN) ve Recurrent Neural Networks (RNN)

Derin öğrenme, birçok katmanla geleneksel ANN'yi genişletiyor, ham veya en az işlenmiş verilerden hiyerarşik özelliklerin çıkarılmasına izin veriyor. Optik fiber hata tespiti için, iki mimarlık özellikle ilgili:

• [FONT:0]Convolutional Neural Networks (CNN)[Döneticileri) [CNN) [FONT:0) Belirli bir veriye sahip olarak, bir fiber kesimden kaynaklanan yansıtıcı bir olayla veya hatta ham OTDR izlerini kullanarak otomatik olarak farklı hata imzalarının uzaysal özelliklerini öğrenerek; CNN, temiz bir arka kapak izi ve bir fiber kesim tarafından enfekte edilebilir.
• [FONT:0)Recurrent Neural Networks (RNN)) ve onların varyantları (LSTM, GRU), LSTM tabanlı anomaly dektörlerin diğer modellerin zaman içinde yanlış olduğunu gösteren zaman temelli bir izleme verilerinin, optik ağlarda, optik güç gibi parametrelerin, BER ve sıcaklık zaman içinde geliştiğinin zaman içinde geliştiğini gösteriyor.[DNT][IEEE örneği[D)[Döneticileri.

Derin öğrenme modelleri eğitim için çok sayıda etiketli veri ve önemli hesaplama kaynağı gerektirir. ancak, üst temsil öğrenmeleri onları özellikle karmaşık, gerçek dünya fiber ağlarında hata imzalarının ince ve çeşitli olduğu konusunda umut verici hale getirir.

Anomaly Tespit için Autoencoders

Autoencoders, hata durumunda sunulan bu tür girişleri yeniden yapılandırır, bir hatanın belirli bir şekilde tanımlanmasını gerektirir, bu da genellikle düşük hatalarla ilgili olarak yanlış bir hata tespit edilir.

Data Acquisition and Preprocessing for Machine Learning

Yüksek kaliteli, temsil verileri, başarılı bir ML uygulamasının temelidir. Optik fiber ağlarda, veri satın alımı birkaç kaynağa dayanmaktadır:

• [FONTcal Time-Do Reflectmainometresi (OTDR) izleri[Dönetici test sırasında yakalanan veya periyodik test sırasında DYT:1).
• [FONTcal Performans İzleme (OPM) akışları [Dön Kanal güç seviyeleri, optik sinyal-to-noise oranı (OSNR), chromatic dağılımı, kutuplaşma modu dağılımı ve BER dahil olmak üzere).
• [0]Network alarmı ([Dönetici sistemlerinden ).
• [FONT:0)Fiziksel tabaka parametreleri[[Dönetici: 1) sıcaklık, nem ve dağıtılmış kablolarda susup.

Raw verileri ML algoritmalarına beslemeden önce işlem öncesi yapılmalıdır. Ortak adımlar şunlardır:

1. [FONT:0)Temiz[DÜDÜT:1) - sensör arızaları veya geçici ölçüm hataları nedeniyle ortaya çıkan kişiler ortadan kaldırır.
2. [0,1] veya z-print) öğrenme sürecine büyük ölçüde değer kazandıran özelliklerin ortadan kaldırılması için.
3. [FONT=0]Segmentation[[[Dönetici:0))) - OTDR izlerini veya zaman serisi verileri sabit uzunlukta pencerelere (örneğin, 1 saniye segmentleri) analiz için bölmek.
4. [FONT:0)Labeling[[DÜDÜT:1) – zemin gerçek sınıfları (normal, fiber kesim, bağlayıcı kaybı, bir anomaliyi dağıtma vs.) ya tarihsel kayıtlardan ya da test sırasında hatalarını basitleştirmek.

Denetimli öğrenme için, etiketleme en iş yoğun adımdır. Birçok araştırma grubu simülasyon araçları kullanır (örneğin, VPIphotonics) kontrollü hata koşulları ile büyük etiketlenen veri kümeleri oluşturmak için simülasyon araçları kullanabilir. Transfer öğrenme daha sonra sentetik veriler üzerinde eğitilmiş modeller gerçek dünya ölçümlerine adapte edebilir.

Optik Fiber Hata Tespiti için Özel Mühendislik

Derin öğrenme doğrudan ham zaman serisi veya spektrgramları üzerinde çalışabiliyorken, SVM ve Random Forest gibi geleneksel ML modelleri, alan bazlı bilgi yakalamakta olan mühendislerden faydalanabilir.OTDR izlerinin ortaya çıkardığı ortak özellikler şunlardır: toplam fiber uzunluk, yansıma zirvesi ve yansıma büyüklüğü, arkasca eğim ve optik geri dönüş kaybı. Zaman serisi OPM verileri, trenle, standart sapma, geçiş oranı, geçiş oranı ve entropi ile ilgili özellikler.

Wavelet transformleri özellikle OTDR sinyalleri analiz etmek için etkilidir çünkü sinyalleri zaman-frezeler olarak adlandırırlar, hata tespiti sonucunda ortaya çıkan bir değişiklikleri yanlış yere döndürür. Örneğin, bir hata yerinde birden fazla hata konumuna gelen hataların doğrultılması, dalgalama alanı içinde yüksek frekanslı bir bileşen olarak ortaya çıkmaktadır.

Bir başka gelişmiş özellik mühendisliği yaklaşımı, sinyaldeki faz darbesini yakalayan Bispectral analizi kullanmaktır. Bu, dört dalga karıştıran veya teşvik edilen Brillouin saçını tespit eden fiber bozukluklar tarafından ortaya çıkarmak için faydalıdır.

Vaka Çalışmaları ve Gerçek Dünya Uygulamaları

Birkaç telecom operatörleri ve araştırma laboratuvarı, pratikte optik hata tespiti için ML'nin etkinliğini göstermiştir.

[FONT=0)AT&T[D][D][D][D][D][/FONT=0))))[değiştir | kaynağı değiştirmiş olan bir ML-based anomaly algılama sistemi, LSTM modellerini kullanarak saat 18.00 verileri üzerinde eğitilmiştir. Sistem, geleneksel eş tabanlı alarmlar tetiklenene kadar ortalama 48 saat önce tespit etti,% 70 (kaynak: AT&T Labs Technical Report, 2021).

[FONTT:0]NTT İletişim) Japonya'da OTDR'de çalışan CNN mimarisini uyguladığı için, metro ağından beş hata türü sınıflandırıldı.% 98.5% doğruluk ve yerelleştirilmiş hataları 10 metre içinde, aynı izlerini yorumlayan bir insan mühendisinden daha hızlı bir şekilde daha hızlı bir şekilde uygulandı: [20] Optics Express, 2019[/FONT][/FONT|

[FONT:0] Cambridge Üniversitesi) Araştırmacılar pasif optik ağlarda gözetimsiz bir hata tespiti için otomatik olarak bir çerçeve geliştirdiler (PON). Sistem canlı erişim ağı üzerinde test edildi ve 12 daha önce bilinmeyen bir kesinti hatası tespit edildi, etiketli veriFLT:3])