Ayassi, Reda
[Verfasser:in]
;
Institut polytechnique de Paris
[Mitwirkende:r];
Crespi, Noël
[Mitwirkende:r];
Triki, Ahmed
[Mitwirkende:r]
Artificial intelligence techniques to improve quality of transmission estimation in optical networks ; Techniques de l'intelligence artificielle pour l'amélioration des performances et l'optimisation des ressources des réseaux optiques
Titel:
Artificial intelligence techniques to improve quality of transmission estimation in optical networks ; Techniques de l'intelligence artificielle pour l'amélioration des performances et l'optimisation des ressources des réseaux optiques
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
L'estimation de la qualité de transmission (QoT) des chemins optiques est cruciale dans la conception du réseau et le provisionnement des services. Des études récentes se sont tournées vers les techniques de l'intelligence artificielle (IA) pour améliorer la précision de l'estimation de la QoT, en utilisant les données générées par le réseau optique. Nous distinguons quatre catégories de solutions. La première catégorie consiste à construire un modèle d'IA pour vérifier la faisabilité d'un chemin optique. La deuxième catégorie vise à proposer des modèles basés sur l'IA pour remplacer les modèles analytiques. La troisième catégorie utilise l'IA pour améliorer les performances des modèles d'estimation de la QoT en réduisant l'incertitude sur les paramètres d'entrée. La dernière catégorie consiste à améliorer les performances et la capacité de généralisation des solutions à base d'IA en améliorant les échantillons des jeux de données dans la phase d'apprentissage grâce à des techniques d'apprentissage par transfert.Les modèles d'estimation de la QoT peuvent constituer un module dans le Digital Twin du réseau optique, visant à simuler l'impact d'une nouvelle configuration sur la performance du réseau avant la phase de déploiement. Cependant, ces modèles requirent une connaissance parfaite de l'état du réseau, représenté à partir d'un ensemble de paramètres optiques ayant des valeurs qui peuvent être certaines ou incertaines. Les mesures de performance collectées par le contrôleur peuvent représenter un feedback sur la précision de l'estimation de la QoT, ce qui peut déclencher des algorithmes à base de machine learning pour raffiner les valeurs des paramètres incertains. Dans cette thèse, nous étudions le problème d'incertitude des paramètres, et nous proposons trois approches pour améliorer la QoT dans ce cas. Nous proposons pour chaque approche un certain nombre de processus d'apprentissage et nous testons leur performances avec des données de simulation et des données collectées à partir du réseau opérationnel.La ...