Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình ANN lai $${Q}_{L}$$ được thiết kế để cải thiện Chất lượng Truyền tải của mạng thông tin quang
Tóm tắt
Các mạng truyền thông quang đại diện cho một lĩnh vực đang phát triển nhanh chóng trong công nghệ truyền thông với nhiều tối ưu hóa và tiến bộ nhằm nâng cao hiệu quả truyền thông giữa các hệ thống. Việc giới thiệu trí tuệ nhân tạo (AI) vào nhiều lĩnh vực đóng vai trò then chốt trong việc thúc đẩy truyền thông mạng quang (ONC), bao gồm các tầng vật lý, truyền dữ liệu, mạng lưới, ứng dụng và vận chuyển. Tất cả các tầng này bao gồm nhiều tham số, mà cần được tối ưu hóa để cung cấp ONC tốt hơn tổng thể. Các tầng này phải được tối ưu hóa một cách linh hoạt vì chúng cung cấp dữ liệu theo thời gian thực. Các thuật toán AI có thể được lập trình để tối ưu hóa các tham số của các tầng khác nhau trong ONC, như những tham số liên quan đến Chất lượng Truyền tải (QoT), và cung cấp một mạng lưới tốt hơn. QoT của OCN hoàn toàn phụ thuộc vào các tham số mạng và dữ liệu lưu lượng xác định. Dữ liệu lưu lượng được xác định bằng cách tối ưu hóa các tham số mạng. Do đó, một mô hình Mạng Nơron Nhân Tạo Học Q-Learning lai ($${Q}_{L}$$ ANN) được đề xuất trong nghiên cứu này nhằm cải thiện QoT của OCN. Mô hình Q-Learning tiền xử lý các tham số mạng và xác định dữ liệu lưu lượng. Dựa trên dữ liệu lưu lượng tối ưu hóa, ANN cải thiện QoT của OCN. Đầu ra của mô hình Q-Learning được đưa vào ANN như một đầu vào. So với đó, ANN được huấn luyện với dữ liệu lưu lượng và tham số mạng và cải thiện QoT của mạng. Hiệu suất của mô hình $${Q}_{L}$$ ANN được đánh giá bằng cách so sánh và xác minh hiệu suất của nó với các mô hình hiện có. Kết quả so sánh cho thấy mô hình $${Q}_{L}$$ ANN cung cấp QoT tốt hơn so với các mô hình truyền thống, và nó sử dụng AI để cải thiện hiệu suất của mạng một cách hiệu quả hơn. Mô hình $${Q}_{L}$$ ANN đạt được độ chính xác 99.5% với 96% tỷ lệ truyền thành công và chứng minh được tính hiệu quả.
Từ khóa
#truyền thông quang #mạng nơron nhân tạo #tối ưu hóa #chất lượng truyền tải #trí tuệ nhân tạoTài liệu tham khảo
Ayoub, O., Troia, S., Andreoletti, D., Bianco, A., Tornatore, M., Giordano, S., Rottondi, C.: Towards explainable artificial intelligence in optical networks: the use case of lightpath QoT estimation. J. Opt. Commun. Netw. 15(1), A26–A38 (2023)
Chatterjee, B.C., Ba, S., Oki, E.: Fragmentation problems and management approaches in elastic optical networks: a survey. IEEE Commun. Surv. Tutor. 20(1), 183–210 (2017)
Chen, G.: Simulation model of AI-assisted cognitive routing algorithm for the dynamic optical network in business. Optik 260, 777–780 (2022)
Cugini, F., Scano, D., Giorgetti, A., Sgambelluri, A., De Marinis, L., Castoldi, P., Paolucci, F.: Telemetry and AI-based security P4 applications for optical networks. J. Opt. Commun. Netw. 15(1), A1–A10 (2023)
Das, S.K.: Effect of corporate social responsibility on consumer retention for FMCG industries: a deep learning analysis of professional students of Odisha. Complex Intell. Syst. 8, 1–23 (2022)
Guo, X., Hu, F., Elikplim, N.R., Li, L.: Indoor localization using visible light via a two-layer fusion network. IEEE Access 7, 16421–16430 (2019)
Guo, N., Li, L., Xiang, L., Bose, S. K., Shen, G.: What if AI fails: protection against failure of AI-based QoT prediction. In: Optical Fiber Communication Conference, p. Th2A-31. Optical Society of America (2020)
Khan, F.N.: Data perspectives in AI-assisted fiber-optic communication networks. IEEE Network (2023)
Kumar, S., Deen, M.J.: Fiber Optic Communications: Fundamentals and Applications. Wiley (2014)
Li, X., Cao, Y., Chen, C.: Machine learning based high accuracy indoor visible light location algorithm. In: 2018 IEEE International Conference on Smart Internet of Things (SmartIoT), pp. 198–203. IEEE (2018).
Liu, X., Lun, H., Fu, M., Fan, Y., Yi, L., Hu, W., Zhuge, Q.: AI-based modeling and monitoring techniques for future intelligent elastic optical networks. Appl. Sci. 10(1), 1–18 (2020)
Lu, W., Liang, L., Kong, B., Li, B., Zhu, Z.: AI-assisted knowledge-defined network orchestration for energy-efficient data center networks. IEEE Commun. Mag. 58(1), 86–92 (2020)
Mitra, A., Semrau, D., Gahlawat, N., Srivastava, A., Bayvel, P., Lord, A.: Effect of channel launch power on fill margin in C+ L band elastic optical networks. J. Lightwave Technol. 38(5), 1032–1040 (2019)
Mondal, S., Wong, E.: Global-local AI coordinated learning over optical access networks for scalable H2M/R collaborations. IEEE Netw. 36(2), 124–130 (2022)
Pointurier,: Machine learning techniques for quality of transmission estimation in optical networks. J. Opt. Commun. Netw. 13, B60–B71 (2021)
Santos, C., Shariati, B., Emmerich, R., Schmidt-Langhorst, C., Schubert, C., Fischer, J.K.: Automated dataset generation for QoT estimation in coherent optical communication systems. In: 2022 European Conference on Optical Communication (ECOC), Basel, Switzerland, pp. 1–4 (2022)
Singh, H., Ramya, D., Saravanakumar, R., Sateesh, N., Anand, R., Singh, S., Neelakandan, S.: Artificial Intelligence-based quality of transmission predictive model for cognitive optical networks. Optik 257, 168789–168795 (2022)
Thompson, E.K., Buertey, S.: Which firms opt for corporate social responsibility assurance? A machine learning prediction. Bus. Ethics Environ. Responsib. 32, 599–611 (2023)
Wang, D., Zhang, M.: Artificial intelligence in optical communications: from machine learning to deep learning. Front. Commun. Netw. 2, 656786–656793 (2021)
Wetzstein, G., Ozcan, A., Gigan, S., Fan, S., Englund, D., Soljačić, M., Denz, C., Miller, D.A., Psaltis, D.: Inference in artificial intelligence with deep optics and photonics. Nature 588(7836), 39–47 (2020)
Wu, J., Lin, X., Guo, Y., Liu, J., Fang, L., Jiao, S., Dai, Q.: Analog optical computing for artificial intelligence. Engineering 10, 133–145 (2022)
Zhan, K., Yang, H., Yao, Q., Zhao, X., Yu, A., Zhang, J., Lee, Y.: Intent defined optical network: toward artificial intelligence-based optical network automation. In: Optical Fiber Communication Conference, pp. T3J-6. Optica Publishing Group (2020)
Zhang, B., Zhao, Y., Liu, Y., Li, Y., Zhang, H., Zhang, J.: Adaptive alarm prediction in optical network based on model generalization in cross-layer AI. Opt. Fiber Technol. 73, 103037–103047 (2022)
Zhao, Y., Yan, B., Li, Z., Wang, W., Wang, Y., Zhang, J.: Coordination between control layer AI and onboard AI in optical transport networks. J. Opt. Commun. Netw. 12(1), A49–A57 (2020)