Machine Learning como Ferramenta para Otimização de Redes Ópticas WDM: Análise de Perdas e Predição de Qualidade

Yosdan Martínez Camejo Sr., Ana Valeska Pessoa Fernandes, Vanessa Barbosa Deniz, Rogean Costa Silva, Joacir Soares Andrade, Glendo de Freitas Guimarães

DOI: 10.14209/sbrt.2024.1571030117

Evento: XLII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT2024)

Keywords: Machine Learning Redes Ópticas WDM Perdas Inteligência Artificial

Abstract

Este trabalho apresenta uma investigação abrangente sobre a aplicação de algoritmos de Machine Learning para otimizar o desempenho de redes ópticas WDM (Wavelength Division Multiplexing) existentes no Ceará. Através de simulações computacionais no software OptiSystem, foram coletados dados de redes reais, variando parâmetros de entrada relacionados ao gerenciamento de perdas, como potência do sistema WDM e bombeamento de amplificadores EDFA (Erbium Doped Fiber Amplifiers). Os modelos de Machine Learning, treinados com algoritmos de regressão como Boosted Decision Tree Regression (BDTR), Decision Forest Regression (DFR) e Histogram Gradient Boosting Regression (HGBR), buscaram prever indicadores de qualidade da transmissão (QoT), incluindo potência total, ganho total, máximo Fator Q e mínimo BER (Bit Error Rate). Os resultados demonstram que o Machine Learning se mostra uma ferramenta poderosa para a predição de QoT em redes ópticas, com o algoritmo HGBR alcançando maior precisão na maioria dos casos. A correlação entre os parâmetros de entrada e saída se mostrou um fator crucial para a eficácia das predições, com maior precisão observada para parâmetros com alta correlação. A predição do mínimo BER, um indicador crítico para a qualidade da transmissão, apresentou desafios devido à menor correlação com os parâmetros de entrada, abrindo caminho para futuras pesquisas com modelos mais robustos, como Deep Learning, e a inclusão de parâmetros de dispersão na análise. As conclusões deste estudo contribuem para o desenvolvimento de sistemas de gerenciamento de redes ópticas mais inteligentes e eficientes, minimizando a necessidade de margens de segurança excessivas e otimizando o uso dos recursos da rede.

Download