Optik ağlardaki AI uygulamaları, veri aktarımının performansını ve güvenilirliğini artırmak için giderek daha önemli hale gelmektedir. Optik ağlarda AI/ML'den yararlanarak, ağ operatörleri daha yüksek veri oranları, gelişmiş güvenilirlik ve daha düşük operasyonel maliyetler elde edebilir. AI, geleneksel yöntemlerle ulaşılamayacak bir ölçek ve hızda karmaşık ağların yönetimine izin verir. Optik ağ teknolojisi geliştikçe ve veri talepleri arttıkça, AI'nın rolünün daha da genişlemesi ve ağ tasarımı, operasyon ve bakımda yeniliği artırması bekleniyor.
Optik ağ için olası AI/ML uygulamaları nelerdir?
Ağ Tasarımı, Planlama ve Optimizasyon:
• Trafik tahmini: AI, trafik modellerini tahmin edebilir ve talebi karşılamak için proaktif olarak bant genişliği tahsisini ayarlayabilir, böylece ağ kaynaklarının kullanımını optimize edebilir.
• Rota Optimizasyonu: Makine Öğrenme Algoritmaları, veri paketleri için en etkili yolları belirlemek için ağ verilerini analiz ederek, kendi kendini iyileştiren ağlar kavramına giden gecikmeyi ve tıkanıklığı azaltmak
• Kendini bağlama ağları: AI/ML, optik ağların yeni cihazlar eklendiğinde veya trafikteki değişiklikler algılandığında kendilerini otomatik olarak yapılandırmasını sağlar.
• Kaynak tahsisi: AI/ML, dalga boyları ve bant genişliği gibi ağ kaynaklarını dinamik olarak tahsis eder, mevcut ağ koşulları ve talep için optimize eder.
Başarısızlık Tahmini:
• Ağ verilerini (geçmiş ve güncel) analiz ederek AI, bileşenlerin ne zaman başarısız olabileceğini tahmin edebilir ve sorunlar oluşmadan önce bakım planlayabilir ve ağ güvenilirliğini artırabilir.
Proaktif restorasyon için anomali tespiti: AI/ML sistemleri, yaklaşmakta olan bir başarısızlığı gösterebilecek anomaliler için ağ izleyebilir ve hizmetlerin önleyici restorasyonuna izin verebilir.
Uyarlanabilir iletim sistemleri:
• Modülasyon Biçimi Ayarı: AI/ML Sinyal kalitesi ve kanal bozuklukları gibi gerçek zamanlı ağ koşullarına dayalı veri iletimi için en uygun modülasyon biçimini seçebilir.
• Güç seviyesi optimizasyonu: AI/ML algoritmaları, parazit ve çapraz konuşmayı en aza indirirken verimli iletim sağlamak için optik sinyallerin güç seviyelerini ayarlar.
Gerçek Ağdan Öğrenin:
• Ağ Veri Yorumlama: AI/ML Teknikleri, Optik Zaman Alanı Reflitometre (OTDR) ve ONM ham verilerinden yapıcı veri yorumu sağlar
İletim kalitesi (QOT) Tahmin:
• QOT Tahmini: AI modelleri, çeşitli ağ parametrelerine dayalı yeni bağlantılar için iletim kalitesini tahmin ederek SLA'ların (hizmet seviyesi anlaşmaları) karşılandığından emin olur.
Gerçek Ağdan Öğrenin: Otomatik OTDR Olaylar TanımaGerçek ağ uygulamasından öğrenmeye daha yakından bakalım. Optik uzmanlar, fiber bağlantılardaki hataları tanımlamak ve iletim kalitesini garanti etmek için OTDR izlerini analiz eder. Bu, belirli bir cihazın veya kırık bir fiber, kötü bir konektör veya bükülmüş bir fiber gibi bir arızanın arızalanmasının izlerindeki konumu gösteren olay imzalarının incelenmesi ile elde edilir. OTDR sistemleri, fiberin bir ucuna kısa bir lazer darbesi enjekte ederek ve aynı yerde bir fotodiyotla geri saçılmış ve yansıtılmış ışığı ölçerek çalışır. Bu işlemin sonucu OTDR izi, yani fiber boyunca mesafenin bir fonksiyonu olarak optik gücün grafiksel bir temsili olarak adlandırılır. Aşağıdaki resimde tipik bir örnek bildirilmiştir.
Birden fazla olayla bir OTDR izinin gösterimi. Metin ek açıklamaları, bu olayların temel nedenlerini açıklar.
Zaman alıcı ve sıkıcı insan denetimlerini atlamak için son otomatik olay algılama AI/ml algoritmalarını kullanmak artık mümkün. Uygulama, aşağıdaki gibi farklı olay kalıplarını anlamak ve tanımak için "eğitilmiştir".
Algoritmayı "eğitmek" için kullanılan olası kalıplar.
AI/ML Olaylar Tanıma görsel bir tanıma sürecidir: AI/ML, matematiksel OTDR analizinin bulamayacağı olayları görebilir. Bu, kullanıcının optik fiberin düzeltebileceği bir sorunu olduğu yerlerde tahmin etmesi için çok güçlü bir analizle sonuçlanır.
AI/ML örneği kullanıcıya "olayları" tanımlayın.
Optik ağları yönetme ve basitleştirinBilişsel ağlar, özellikle ağ yönetimi için özel olarak, veri toplayabilen, öğrenme, stratejiler tasarlayabilen, karar verme ve uygun eylemler yürütme için özel olarak uyarlanmış AI uygulamalarının bir alt kümesidir. Makine öğrenme algoritmaları, bu yaklaşımın temel taşıdır ve ağ davranışı hakkında derinlemesine bilgiler sunar, bu da operatörlerin ağ optimizasyonu için bilinçli ve verimli kararlar vermelerini sağlar.
Bu ilkeler, ağ optimizasyonu, proaktif ağ kurtarma ve ağ koşullarının geliştirilmiş analizi de dahil olmak üzere çok sayıda kullanım durumunun kilidini açtıkları optik ağlarla eşit derecede ilgilidir. Her ne kadar AI ve ML'yi ağ yönetimine entegre etmenin ilk aşamalarında olsak da, potansiyel yadsınamaz. AI ve ML araçları, verimlilik ve güvenilirlikte önemli gelişmeler vaat ederek ağ operatörleri için değerli bir varlık sunar.
