Approches d’apprentissage automatique pour la prédiction de la qualité de performance dans les réseaux optiques opérationnels

Résumé

La popularité croissante des applications de l’internet des objets, des services infonuagiques et du déploiement étendu de la 5G a produit une énorme quantité de données transportées sur Internet. De nos jours, la fibre optique constitue le système de transport de données le plus fiable et approprié pour soutenir l’ère du Big Data. Cependant, les opérateurs de réseaux optiques ont des défis importants pour répondre à la demande exponentielle en bande passante, de manière sécuritaire et rentable. Pour garantir une bonne qualité de transmission, une marge de sécurité statique et relativement grande est réservée lors de la conception des réseaux optiques. Cette marge prend en considération des facteurs de risque pour la transmission, tels que le vieillissement de la fibre et les fluctuations de la puissance. De ce fait, l’exploitation de l’infrastructure physique disponible est sous-optimale. Réduire la marge de sécurité à un niveau proche de zéro peut aider à maximiser la bande passante fournie. Pour ce faire, une bonne compréhension du comportement des circuits optiques s’avère indispensable. Dans ce contexte, la collecte des données de monitoring dans les réseaux optiques opérationnels pourrait être très avantageuse. En effet, elle permet de suivre quotidiennement l’évolution de la qualité de performance dans les circuits optiques. Les données de monitoring recueillies durant plusieurs saisons peuvent aussi servir dans la prédiction de la qualité de performance. Les travaux existants se sont limités à faire cette prédiction en utilisant uniquement des données synthétiques. Ce projet étudie la prédiction de la qualité de performance traduite par le rapport signal sur bruit pour un horizon de 24 heures, et ce dans les réseaux optiques opérationnels. L’approche utilisée est celle de l’apprentissage automatique. L’étude s’est restreinte à quelques circuits optiques dont le choix est justifié. Cinq algorithmes de prédiction sont proposés et sont analysés selon les métriques de performance suivantes : le biais, l’erreur absolue moyenne, la racine carrée de l’erreur quadratique moyenne et le coefficient de détermination. Les architectures de réseaux de neurones évaluées sont : les réseaux récurrents de type Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU), et les réseaux convolutionnels à une dimension (1D-CNN). Ces dernières sont comparées avec un modèle autorégressif intégré à moyenne mobile (ARIMA). En conclusion, le pouvoir prédictif des modèles dépend du circuit en lui-même. Il n’est pas garanti que tous les circuits optiques opérationnels contiennent des patrons prédictibles. Certains sont prédictibles à court ou à moyen termes, d’autres sont prédictibles jusqu’à 3 jours à l’avance. Parmi les méthodes comparées, le stateful LSTM offre les meilleures performances. Ces résultats peuvent aussi être améliorés en appliquant l’apprentissage par transfert à partir de deux sources de données. L’ARIMA, une méthode simple donne également des prédictions satisfaisantes pour les circuits optiques non saisonniers ayant des patrons linéaires.

Date	3 sept. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Christian Desrosiers (Directeur(-trice)) & Christine Tremblay (Codirecteur(-trice))