[논문 리뷰] A Survey on Application of Machine Learning Techniques in Optical Networks

Francesco Musumeci, Cristina Rottondi외 5명|arXiv (Cornell University)|2018. 03. 21.

Optical Network Technologies참고 문헌 64인용 수 24

한 줄 요약

이 논문은 광망에서의 기계학습(ML) 응용을 조사하며, 기존 연구를 분류하고 초보자들을 위한 가이드를 제공한다. 기계학습이 트래픽, 경고, 신호 품질 지표 등의 데이터를 활용하여 자동화된 자기구성 및 장애 관리로 증가하는 네트워크 복잡성을 관리하는 데서 수행하는 역할을 강조한다.

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.

연구 동기 및 목표

• 조정 가능한 매개변수 수가 많고 상호의존적인 파arameter들(예: 변조 형식, 심볼 속도 등)으로 인해 증가하는 광망의 복잡성에 대응한다.
• 이질적인 네트워크 데이터를 기반으로 기계학습을 활용한 데이터 기반 의사결정을 통해 자동화된 네트워크 관리를 가능하게 한다.
• 연구자 및 실무자들이 분야에 진입하는 데 지원할 수 있도록 기존 ML 응용의 가이드라인과 분류를 제공한다.
• 현재 연구의 격차를 식별하고 광통신 및 네트워킹 분야에서의 ML 도입을 더욱 발전시키기 위한 새로운 연구 방향을 제안한다.

제안 방법

• 응용 분야와 기법을 기반으로 광망에서의 ML 응용과 관련된 문헌을 분류하고 서베이한다.
• 감독학습 및 비감독학습을 포함한 광망 데이터 분석에 적합한 기본적인 ML 개념과 기법을 소개한다.
• 기계학습 모델 훈련 및 추론을 위해 트래픽 트레이스, 경고, 신호 품질 지표와 같은 네트워크 생성 데이터를 분석한다.
• 비선형 보정 및 시스템 최적화를 위한 모델 훈련을 위해 공명 전송 및 디지털 신호 처리 데이터를 활용한다.
• 실시간 및 이력 네트워크 데이터를 활용하여 네트워크 자기구성 및 장애 관리에 ML을 적용하기 위한 프레임워크를 제안한다.
• 광망 용도에 맞게 특징 추출, 모델 훈련, 의사결정 파이프라인과 같은 핵심 ML 구성 요소를 강조한다.

실험 결과

연구 질문

• RQ1 기계학습은 수많은 상호의존적 매개변수를 가진 현대 광망의 증가하는 복잡성을 효과적으로 어떻게 관리할 수 있는가?
• RQ2 트래픽 트레이스 및 신호 품질 지표와 같은 이질적인 네트워크 데이터를 분석하는 데 가장 적합한 ML 기법은 무엇인가?
• RQ3 기계학습은 광망에서 자동화된 자기구성 및 장애 관리를 어떻게 가능하게 하는가?
• RQ4 광통신 및 네트워킹 분야에 기계학습를 적용할 때 현재의 제약 조건과 열린 도전 과제는 무엇인가?
• RQ5 기계학습을 광망 운영에 통합하는 데 더욱 발전시키기 위한 새로운 연구 방향은 무엇인가?

주요 결과

• 고도로 발전한 전송 기술로 인해 발생하는 현대 광망의 사상 초월한 복잡성에 대처하기 위해 기계학습은 유망한 접근법이다.
• 특히 네트워크 최적화, 장애 탐지, 신호 품질 예측을 위한 다양한 ML 응용이 네트워크 생성 데이터를 활용해 등장하고 있다.
• 기존의 연구에 따르면, ML 기법이 실시간 및 이력 네트워크 데이터 기반의 자동화된 의사결정을 통해 네트워크 성능을 향상시킬 수 있다.
• 경고, 트래픽 패턴, 신호 품질 지표와 같은 풍부한 데이터 소스의 가용성 덕분에 기계학습이 광망에 통합되기 쉬워지고 있다.
• 이 논문은 광통신 시스템 및 네트워크 관리 분야에서 기계학습의 활용을 더욱 발전시키기 위한 여러 탐색되지 않은 연구 방향을 식별하고 있다.