[論文レビュー] A Survey on Application of Machine Learning Techniques in Optical Networks

Francesco Musumeci, Cristina Rottondi+5 more|arXiv (Cornell University)|Mar 21, 2018

Optical Network Technologies参考文献 64被引用数 24

ひとこと要約

この論文は、光回線網における機械学習（ML）の応用を調査し、既存の研究を分類し、初心者向けのチュートリアルを提供する。MLがトラフィック、アラーム、信号品質指標からのデータを用いて、増大するネットワークの複雑さを自動的かつ自己設定可能に管理する役割を強調している。

ABSTRACT

Today's telecommunication networks have become sources of enormous amounts of widely heterogeneous data. This information can be retrieved from network traffic traces, network alarms, signal quality indicators, users' behavioral data, etc. Advanced mathematical tools are required to extract meaningful information from these data and take decisions pertaining to the proper functioning of the networks from the network-generated data. Among these mathematical tools, Machine Learning (ML) is regarded as one of the most promising methodological approaches to perform network-data analysis and enable automated network self-configuration and fault management. The adoption of ML techniques in the field of optical communication networks is motivated by the unprecedented growth of network complexity faced by optical networks in the last few years. Such complexity increase is due to the introduction of a huge number of adjustable and interdependent system parameters (e.g., routing configurations, modulation format, symbol rate, coding schemes, etc.) that are enabled by the usage of coherent transmission/reception technologies, advanced digital signal processing and compensation of nonlinear effects in optical fiber propagation. In this paper we provide an overview of the application of ML to optical communications and networking. We classify and survey relevant literature dealing with the topic, and we also provide an introductory tutorial on ML for researchers and practitioners interested in this field. Although a good number of research papers have recently appeared, the application of ML to optical networks is still in its infancy: to stimulate further work in this area, we conclude the paper proposing new possible research directions.

研究の動機と目的

• 変調フォーマットやシンボルレートなど、多数の調整可能で相関関係にあるパrameterによる光回線網の複雑化に対処する。
• 異種ネットワークデータを用いた機械学習によるデータ駆動型意思決定を活用し、自動ネットワーク管理を実現する。
• 研究者や実務家が分野に参入するのを支援するため、既存のML応用のチュートリアルおよび分類を提供する。
• 現在の研究におけるギャップを特定し、光通信およびネットワーキング分野におけるMLの導入をさらに進めるための新しい研究方向性を提案する。

提案手法

• 応用分野および技術別に、光回線網におけるML応用に関する関連文献を分類およびサーベイする。
• 教師あり学習および教師なし学習を含む、光回線網データ分析に適した基礎的なMLの概念および技術を紹介する。
• トラフィックトレース、アラーム、信号品質指標などのネットワーク生成データを、MLモデルの学習および推論に活用する。
• コherent伝送およびデジタル信号処理のデータを用いて、非線形補償およびシステム最適化のためのモデルを学習する。
• リアルタイムおよび履歴ネットワークデータを活用して、MLを用いたネットワーク自己設定および故障管理のフレームワークを提案する。
• 光回線網のユースケースに特化した特徴量抽出、モデル学習、意思決定パイプラインといった主要なMLコンponentsを強調する。

実験結果

リサーチクエスチョン

• RQ1 多数の相関関係にあるパrameterを有する現代の光回線網の複雑さを、機械学習がどのように効果的に管理できるか？
• RQ2 トラフィックトレースや信号品質指標のような異種ネットワークデータを分析するのに最も適したML技術は何か？
• RQ3 MLは光回線網における自動的自己設定および故障管理をどのように可能にするか？
• RQ4 光通信およびネットワーキング分野へのMLの適用における現在の制限および未解決の課題は何か？
• RQ5 光ネットワーク運用におけるMLの統合をさらに進めるために、どのような新しい研究方向性が考えられるか？

主な発見

• 高度な伝送技術に起因する現代の光回線網の前例のない複雑さに対処するため、機械学習は有望なアプローチである。
• ネットワーク生成データを用いたネットワーク最適化、障害検出、信号品質予測の分野において、広範なML応用が登場している。
• 光回線網におけるMLの応用はまだ初期段階にあり、さらなる研究開発の余地が大いに存在する。
• 既存の文献から、リアルタイムおよび履歴ネットワークデータに基づく自動意思決定によって、ネットワーク性能が向上する可能性があることが示されている。
• アラーム、トラフィックパターン、信号品質指標といった豊富なデータソースの存在が、光回線網へのML統合を促進している。
• 本論文は、光通信システムおよびネットワーク管理分野におけるMLの活用をさらに進めるために、未解決の研究方向性を複数特定している。