Χρήση τεχνικών Μηχανικής Μάθησης για την αντιμετώπιση των φαινομένων διάδοσης σε οπτικές επικοινωνίες

Abstract

Τα σημερινά τηλεπικοινωνιακά δίκτυα είναι πηγές μεγάλης ποσότητας ετερογενών δεδομένων, όπως δεδομένα για μονοπάτια κίνησης στο δίκτυο, ειδοποιήσεις δικτύου, δείκτες ποιότητας σήματος, δεδομένα συμπεριφοράς χρήστη κλπ.

Είναι απαραίτητο να χρησιμοποιούνται προηγμένα μαθηματικά εργαλεία που επεξεργάζονται αυτά τα δεδομένα ώστε να εξάγονται χρήσιμες πληροφορίες και να παίρνονται αποφάσεις για την ορθή λειτουργία των δικτύων. Οι Τεχνικές Μηχανικής Μάθησης (Machine Learning) είναι πολλά υποσχόμενο εργαλείο για την ανάλυση δεδομένων του δικτύου, και δίνουν τη δυνατότητα σε αυτό να αυτορυθμίζεται και να κάνει διαχείριση λαθών. Η πρωτοφανής αύξηση της πολυπλοκότητας των δικτύων οπτικών επικοινωνιών τα τελευταία χρόνια, έχει οδηγήσει στην υιοθέτηση Τεχνικών Μηχανικής μάθησης και σε αυτά. Αυτή η αύξηση της πολυπλοκότητας οφείλεται στην εισαγωγή πολύ μεγάλου αριθμού ρυθμιζόμενων και αλληλεξαρτώμενων παραμέτρων του συστήματος (όπως ρυθμίσεις δρομολόγησης, τρόπος διαμόρφωσης, ρυθμός συμβόλων, σχήματα κωδικοποίησης) που ενεργοποιούνται από τη χρήση συνεκτικών τεχνολογιών μετάδοσης/λήψης, προηγμένης επεξεργασίας ψηφιακού σήματος και αντιστάθμιση μη γραμμικών φαινομένων διάδοσης σε δίκτυα οπτικών ινών.

Στην παρούσα διπλωματική εργασία θα γίνει εισαγωγή στις μεθόδους Μηχανικής Μάθησης και ανάλυσης των εφαρμογών τους στο πεδίο των οπτικών επικοινωνιών και της οπτικής δικτύωσης: Ξεκινάει με μια εισαγωγή σε βασικές έννοιες των οπτικών επικοινωνιών που είναι χρήσιμες για τη συνέχεια, και συνεχίζει επίσης με μια εισαγωγή στη Μηχανική Μάθηση. Στη συνέχεια προχωράει στην εφαρμογή της μηχανικής μάθησης στις οπτικές επικοινωνίες και γίνεται συνοπτική ταξινόμηση πολλών περιπτώσεων χρήσης του θέματος που αναφέρονται στη βιβλιογραφία μέχρι σήμερα. Ακολουθεί πολύ αναλυτική περιγραφή δύο επιλεγμένων σεναρίων χρήσης με τεχνικές ΜΜ, ένα για έλεγχο οπτικών ενισχυτών στο φυσικό επίπεδο και ένα για διαχείριση σφάλματος στο επίπεδο δικτύου. Στη συνέχεια γίνεται μια αξιολόγηση αλγορίθμων και η εργασία τελειώνει με συζήτηση για μελλοντικές κατευθύνσεις και γενικά συμπεράσματα.