AI -toepassingen in optische netwerken worden steeds belangrijker voor het verbeteren van de prestaties en betrouwbaarheid van gegevenstransport. Door gebruik te maken van AI/ML in optische netwerken, kunnen netwerkoperators hogere gegevenssnelheden, verbeterde betrouwbaarheid en lagere operationele kosten bereiken. AI maakt het beheer van complexe netwerken mogelijk met een schaal en snelheid die onbereikbaar zou zijn met traditionele methoden. Naarmate optische netwerktechnologie evolueert en de data -eisen groeien, wordt verwacht dat de rol van AI nog verder zal worden uitgebreid, waardoor innovatie in netwerkontwerp, werking en onderhoud wordt gestimuleerd.
Wat zijn de mogelijke AI/ML -toepassingen voor optische netwerken?
Netwerkontwerp, planning en optimalisatie:
• Verkeersvoorspelling: AI kan verkeerspatronen voorspellen en de bandbreedtetoewijzing proactief aanpassen om aan de vraag te voldoen, waardoor het gebruik van netwerkbronnen wordt geoptimaliseerd.
• Route-optimalisatie: algoritmen voor machine learning analyseren netwerkgegevens om de meest efficiënte paden voor gegevenspakketten te bepalen, latentie en congestie te verminderen naar het concept van zelfherstellende netwerken
• Zelfconfigurerende netwerken: AI/ML stelt optische netwerken in staat zichzelf automatisch te configureren wanneer nieuwe apparaten worden toegevoegd of wanneer wijzigingen in het verkeer worden gedetecteerd.
• Resource toewijzing: AI/ML wijst netwerkbronnen dynamisch toe, zoals golflengten en bandbreedte, optimaliseren voor huidige netwerkomstandigheden en vraag.
Foutvoorspelling:
• Door netwerkgegevens (historisch en actueel) te analyseren, kan AI voorspellen wanneer componenten waarschijnlijk falen en onderhoud plannen voordat problemen optreden, waardoor de netwerkbetrouwbaarheid wordt verbeterd.
Anomaliedetectie voor proactieve restauratie: AI/ML -systemen kunnen het netwerk volgen op afwijkingen die kunnen wijzen
Adaptieve transmissiesystemen:
• Aanpassing van de modulatie-indeling: AI/ML kan het optimale modulatie-formaat voor gegevensoverdracht selecteren op basis van realtime netwerkomstandigheden, zoals signaalkwaliteit en kanaalstoornissen.
• Powerniveau-optimalisatie: AI/ml-algoritmen passen de vermogensniveaus van optische signalen aan om een efficiënte transmissie te garanderen en tegelijkertijd interferentie en overspraak te minimaliseren.
Leer van echt netwerk:
• Interpretatie van netwerkgegevens: AI/ML -technieken biedt constructieve gegevensinterpretatie van optische tijddomeinreflectometer (OTDR) en ONM RAW -gegevens
Kwaliteit van transmissie (QoT) schatting:
• QOT -voorspelling: AI -modellen voorspellen de kwaliteit van de transmissie voor nieuwe verbindingen op basis van verschillende netwerkparameters, waardoor wordt geholpen dat aan SLA's (overeenkomsten op serviceniveau) wordt voldaan.
Leer van Real Network: Automatic OTDR -evenementenherkenningLaten we het leren van de echte netwerktoepassing eens nader bekijken. Optische experts analyseren OTDR -sporen om fouten in vezelverbindingen te identificeren en de kwaliteit van transmissies te garanderen. Dit wordt bereikt door handtekeningen van gebeurtenissen te onderzoeken, die de locatie in de sporen van het defect van een specifiek apparaat of een fout aangeven, zoals een gebroken vezel, een slechte connector of een gebogen vezel. OTDR -systemen werken door een korte laserpuls aan één uiteinde van de vezel te injecteren en het terugverstrooide en gereflecteerde licht te meten met een fotodiode op dezelfde locatie. Het resultaat van dit proces wordt OTDR -spoor genoemd, dwz een grafische weergave van de optische kracht als functie van de afstand langs de vezel. Een typisch voorbeeld wordt gerapporteerd in de onderstaande afbeelding.
Illustratie van een OTDR -trace met meerdere gebeurtenissen. De tekstannotaties beschrijven de grondoorzaken van deze gebeurtenissen.
Het is nu mogelijk om de recente automatische AI/ML-algoritmen van het automatische gebeurtenis te gebruiken om tijdrovende en vervelende menselijke inspecties te omzeilen. De applicatie is "getraind" om de verschillende gebeurtenispatronen zoals die hieronder te begrijpen en te herkennen.
Mogelijke patronen die worden gebruikt om het algoritme te "trainen".
AI/ML -gebeurtenissenherkenning is een visueel herkenningsproces: de AI/ML kan gebeurtenissen zien die wiskundige OTDR -analyse niet kan vinden. Dit resulteert in een zeer krachtige analyse voor de gebruiker om te extrapoleren waar de optische vezel een probleem had om deze te kunnen oplossen.
Voorbeeld van een AI/ML beschrijft de "gebeurtenissen" voor de gebruiker.
Streamline en vereenvoudig het beheren van optische netwerkenCognitieve netwerken zijn een subset van AI -toepassingen die speciaal zijn op maat gemaakt voor netwerkbeheer, in staat om gegevens te verzamelen, ervan te leren, strategieën te bedenken, beslissingen te nemen en passende acties uit te voeren. Machine learning-algoritmen zijn de hoeksteen van deze aanpak en bieden diepgaande inzichten in netwerkgedrag, waardoor operators op zijn beurt geïnformeerde en efficiënte beslissingen kunnen nemen voor netwerkoptimalisatie.
Deze principes zijn even relevant voor optische netwerken, waarbij ze een veelvoud van use cases ontgrendelen, waaronder netwerkoptimalisatie, proactief netwerkherstel en verbeterde analyse van netwerkomstandigheden. Hoewel we ons in de vroege stadia bevinden om AI en ML in netwerkbeheer te integreren, valt het potentieel niet te ontkennen. AI- en ML -tools vormen een waardevol bezit voor netwerkexploitanten, en beloven aanzienlijke vooruitgang in de efficiëntie en betrouwbaarheid.
