Développement d'un modèle cognitif de calcul de la qualité de transmission dans les réseaux optiques

Résumé

La forte croissance de trafic IP, alimentée par l’Internet sur les téléphones intelligents et les tablettes, les services infonuagiques, les jeux et la vidéo sur Internet, exige une augmentation de la bande passante ainsi que l’utilisation de nouvelles technologies de transmission. Cette augmentation de la capacité de transmission ainsi que la diversité des services partageant un même lien rendent les paramètres de qualité de transmission difficiles à optimiser. Le concept de réseau optique cognitif a été proposé pour résoudre ce problème. Des solutions ont été proposées, basées sur la génération de données synthétiques, pour des connexions optiques avec un débit de 10 Gbit/s et le format de modulation en intensité (On-Off Keying, OOK). La technique de raisonnement par cas (Case-Based Reasoning, CBR) a été propose pour la classification de connexions optiques avant leur établissement. Des travaux récents ont permis d’appliquer la technique à un réseau avec un débit de 80 Gbit/s et un format de modulation de phase. Une autre solution plus récente prend en compte différents débits et formats de modulation. Les effets non linéaires y sont considérés sous forme de marges. Ce projet vise à proposer un modèle d’estimation de la qualité de transmission prenant en compte des effets non linéaires à l’aide de formules analytiques basées sur le modèle de bruit Gaussien. Trois techniques d’apprentissage machine sont ensuite appliquées à des données synthétiques générées de manière à prédire la qualité de transmission de connexions optiques en se basant sur les paramètres du lien et du signal. Trois classificateurs sont proposés et sont analysés selon les trois métriques de performance suivantes : la précision de classification, le temps de traitement des données et l’évolutivité. Une analyse des résultats permet ensuite de déterminer la méthode à adopter pour le développement de l’outil d’estimation de la qualité de transmission (Quality of Transmission, QoT) proposé. La méthode des machines à vecteurs de support (Support Vector Machine, SVM) offre une meilleure performance que la méthode du plus proche voisin (K-Nearest Neighbors, K-NN) ou de la forêt aléatoire (Random Forest, RF). La conclusion est que les techniques d’apprentissage machine peuvent être utilisées avantageusement dans les réseaux optiques hétérogènes couvrant divers débits et formats de modulation. De plus, la cognition permet d’améliorer le temps de traitement pour estimer la QoT de connexions optiques. Néanmoins, des études basées sur des données de terrain ainsi que l’application de techniques d’optimisation aux algorithmes ainsi qu’aux données demeurent des aspects à approfondir.

Date	29 juin 2018
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Christine Tremblay (Directeur(-trice))