AI aplikacije u optičkim mrežama postaju sve važnije za poboljšanje performansi i pouzdanosti transporta podataka. Poputnjem AI / ML u optičkim mrežama, mrežni operatori mogu postići veće stope podataka, poboljšanu pouzdanost i niže operativne troškove. AI omogućava upravljanje složenim mrežama na skali i brzini koja bi bila nedostižna za tradicionalne metode. Kao što se optička mrežna tehnologija razvija i zahtijeva podaci rastu, očekuje se da će uloga AI proširiti još dalje, vožnju inovacija u mrežnom dizajnu, radu i održavanju.
Koje su moguće AI / ML aplikacije za optičko umrežavanje?
Dizajn mreže, planiranje i optimizacija:
• Predviđanje saobraćaja: AI može predvidjeti obrasce prometa i prilagodljivo prilagoditi raspodjelu propusnosti kako bi se zadovoljila potražnju, na taj način optimizirajući upotrebu mrežnih resursa.
.
• Samo-konfigurirajuće mreže: AI / ml omogućava optičke mreže da se automatski konfiguriraju kada se dodaju novi uređaji ili kada se otkriju promjene u prometu.
• Raspored resursa: Ai / ML dinamički raspoređuje mrežne resurse kao što su talasne dužine i širine pojasa, optimiziranje za trenutne mrežne uslove i potražnju.
Predviđanje neuspjeha:
• Analizom mrežnih podataka (istorijskih i struje), AI može predvidjeti kada će komponente vjerojatno propasti i zakazati održavanje prije nego što se pojave problemi, poboljšanje mrežne pouzdanosti.
Otkrivanje anomalije za proaktivnu restauraciju: AI / ML sustavi mogu nadgledati mrežu za anomalije koje mogu ukazivati na predstojeće neuspjeh, omogućavajući preventivno obnovu usluga
Prilagodljivi prenosni sustavi:
• Podešavanje formata modulacije: AI / ML može odabrati optimalni format modulacije za prenos podataka na osnovu mrežnih unih u stvarnom vremenu, kao što su kvalitet signala i oštećenja kanala.
• Optimizacija nivoa snage: AI / ML algoritmi Prilagođavanje nivoa snage optičkih signala kako bi se osigurao efikasan prijenos, a istovremeno minimiziranje smetnji i unakrsnog razgovora.
Naučite iz stvarne mreže:
• Interpretacija mrežnih podataka: AI / ML tehnike pruža konstruktivno tumačenje podataka iz optičkog vremena reflektora domena (Otdr) i ONM RAW podataka
Procjena kvaliteta prijenosa (QOT):
• PRIGURANJE QOT-a: AI modeli predviđaju kvalitetu prijenosa za nove veze na temelju različitih mrežnih parametara, pomažući da se ispune SLA (sporazumi o nivou usluga).
Naučite iz stvarne mreže: Automatsko priznavanje OTDR događajaPogledajmo bliže učenje iz realne mrežne aplikacije. Optički stručnjaci analiziraju OTDR tragove za identifikaciju grešaka u linkovima vlakana i garantovati kvalitetu prijenosa. To se postiže ispitivanjem potpisa događaja koji označavaju lokaciju u tragovima neispravnosti određenog uređaja ili greške, poput slomljenog vlakana, loš konektora ili savijenog vlakana. OTDR sustavi djeluju ubrizgavanjem kratkog laserskog pulsa na jednom kraju vlakana i mjereći bagerscatved i reflektuje svjetlo sa fotodiodom na istoj lokaciji. Rezultat ovog procesa naziva se otr tragovima, tj. Grafički prikaz optičke moći kao funkcije udaljenosti duž vlakana. Na donjoj slici se prijavljuje tipičan primjer.
Ilustracija traga za otr sa više događaja. Tekstne napomene opisuju korijenski uzroke ovih događaja.
Sada je moguće koristiti nedavni automatski otkrivanje događaja AI / ML algoritmi za obilaženje vremenskih i napornih ljudskih inspekcija. Aplikacija je "obučena" za razumijevanje i prepoznavanje različitih obrazaca događaja poput one u nastavku.
Mogući uzorci koji se koriste za "treniraju" algoritam.
AI / ML prepoznavanje događaja je proces vizuelnog priznavanja: AI / ml može vidjeti događaje da matematička analiza OTDR ne može pronaći. To rezultira vrlo moćnom analizom za korisniku da se ekstrapolira tamo gdje je optička vlakna imala problem kako bi ga mogli popraviti.
Primjer AI / ml opisuju "događaje" korisniku.
Pojednostavite i pojednostavite upravljanje optičkim mrežamaKognitivne mreže su podskup AI aplikacija prilagođenih posebno za upravljanje mrežom, sposobnim prikupljanjem podataka, učenje iz njega, osmišljavanje strategija, donošenja odluka i izvršavanje odgovarajućih akcija. Mašinski algoritmi učenja su kamen temeljac ovog pristupa, nudeći detaljne uvide u mrežno ponašanje, što zauzvrat omogućuju operaterima da donose informirane i efikasne odluke za optimizaciju mreže.
Ovi su principi podjednako relevantni za optičke mreže, gdje otključavaju mnoštvo slučajeva upotrebe, uključujući optimizaciju mreže, proaktivni oporavak mreže i poboljšanu analizu mrežnih uvjeta. Iako smo u ranim fazama integriranja AI i ML u upravljanje mrežom, potencijal je nesporan. AI i ML alati predstavljaju vrijednu imovinu za mrežne operatore, obećavajući značajnu napretku u efikasnosti i pouzdanosti.
