Modèles de classification et de prédiction de performance des signaux optiques WDM basés sur les algorithmes d’apprentissage machine

Résumé

La croissance constante du trafic contraint les opérateurs de télécommunications à déployer des systèmes de transmission optique WDM (Wavelength-Division Multiplexing) ayant des débits, une capacité et une flexibilité en constante évolution. Cependant, ces systèmes transportant une multitude d’applications (vidéo, cloud, Internet des objets …), l’impact des dégradations de leur performance devient de plus en plus important. Une solution potentielle serait d’implémenter des outils de contrôle et de gestion de réseau proactifs pouvant exploiter les métriques de performance collectées sur le réseau. Dans ce contexte, l’apprentissage machine se positionne progressivement comme une solution prometteuse pour gérer la complexité et l’évolutivité des réseaux optiques hétérogènes. En effet, les outils basés sur les techniques d’apprentissage machine seraient très utiles dans la couche physique de réseaux optiques dans un contexte de réseau dynamique défini par logiciel (Software Defined Network, SDN), en particulier pour la prédiction des performances. Cette thèse vise donc à proposer de nouvelles méthodes basées sur des algorithmes d’apprentissage machine pouvant être intégrés dans les outils de gestion des réseaux optiques afin de contrôler les performances des connexions optiques qui transportent un trafic pouvant atteindre plusieurs Térabits par seconde. En outre, chacune des méthodes proposées est validée par des simulations utilisant des données de performance réelles recueillies dans des liaisons optiques de réseaux de production. Visant à répondre à des problèmes différents, ces nouvelles méthodes proposées sont présentées dans trois parties distinctes de la thèse. Dans la première partie, la première méthode développée est un outil de classification construit à partir des données de BER (Bit Error Rate) d’une connexion optique (lightpath) déployée dans un réseau de production pendant une période de 31 jours. Cet outil utilise l’algorithme des plus proches voisins (K-nearest neighbor, KNN). Il a pour but de caractériser le niveau de qualité du BER et répond donc au problème d’estimation de la qualité de transmission d’une connexion optique. De plus, dans cette partie, un module permettant d’analyser l’impact des attributs utilisés pour estimer la qualité de transmission d’une connexion optique a été implémenté. Ce module a été construit à partir de l’algorithme à support vecteurs machine (Support Vector Machine, SVM). Dans la seconde partie, les modèles proposés ont pour but de répondre au problème de prédiction des métriques de performance d’une connexion optique, notamment le BER et le rapport signal-sur-bruit (SNR). Ces modèles sont construits en utilisant deux de variantes des réseaux de neurones (Long Short-Term Memory, LSTM et Gated Recurrent Unit, GRU). Cette partie est divisée en trois sections. La première section présente des modèles univariés de prédiction du SNR d’une connexion optique utilisant les données historiques de BER provenant d’un réseau de production. La deuxième section présente les modèles multivariés de prédiction de SNR d’une connexion optique utilisant à la fois les données historiques de BER ainsi que d’autres attributs comme la puissance optique du canal WDM, la température, etc. La troisième section vise à explorer le potentiel de l’apprentissage par transfert en évaluant les modèles multivariés et univariés de prédiction de SNR sur des ensembles de données de terrain provenant de connexions optiques différentes. Finalement, dans la troisième partie, un modèle de détection d’anomalies de performance, basé sur un algorithme SVM et l’approche de l’écart interquartile (Inter Quartile Range, IQR), est proposé. Dans un premier temps, le modèle permet de définir et d’extraire les attributs permettant de caractériser les anomalies observées dans les métriques de performance de connexions optiques déployées dans un réseau de production. Dans un deuxième temps, le modèle est utilisé pour la détection anticipée des anomalies dans les séries temporelles de SNR recueillies dans le réseau de production.

Date	17 nov. 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Christine Tremblay (Directeur(-trice))