[论文解读] 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 24

一句话总结

本文综述了机器学习（ML）在光网络中的应用，对现有研究进行了分类，并为新手提供了教程。它强调了机器学习在通过流量、告警和信号质量指标等数据实现自动自配置和故障管理方面，在应对日益复杂的网络方面所起的作用。

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.

研究动机与目标

• 应对由于大量可调参数（如调制格式和符号速率）之间相互依赖而带来的光网络日益增长的复杂性。
• 通过利用异构网络数据上的机器学习实现数据驱动的决策，从而实现自动化网络管理。
• 为进入该领域的研究人员和从业者提供现有机器学习应用的教程和分类。
• 识别当前研究中的空白，并提出新方向以推动机器学习在光通信与网络中的应用。

提出的方法

• 根据应用领域和技术方法对光网络中机器学习应用的相关文献进行分类与综述。
• 介绍适用于光网络数据分析的基础机器学习概念与技术，包括监督学习与无监督学习。
• 分析网络生成的数据（如流量轨迹、告警和信号质量指标）以用于机器学习模型的训练与推理。
• 利用相干传输和数字信号处理数据，训练模型以实现非线性补偿与系统优化。
• 提出一个框架，利用实时与历史网络数据将机器学习应用于网络自配置与故障管理。
• 突出关键的机器学习组件，如特征提取、模型训练与决策管道，这些均针对光网络用例进行了定制。

实验结果

研究问题

• RQ1 机器学习如何有效管理因大量相互依赖参数而日益复杂的现代光网络？
• RQ2 哪些最合适的机器学习技术可用于分析异构网络数据（如流量轨迹和信号质量指标）？
• RQ3 机器学习在何种方式下可实现光网络的自动化自配置与故障管理？
• RQ4 将机器学习应用于光通信与网络时，当前存在哪些局限性与开放挑战？
• RQ5 哪些新的研究方向可进一步推动机器学习在光网络运维中的集成？

主要发现

• 机器学习是应对由先进传输技术驱动的现代光网络前所未有的复杂性的有前景方法。
• 已涌现出大量机器学习应用，尤其集中在网络优化、故障检测以及基于网络生成数据的信号质量预测方面。
• 目前机器学习在光网络中的应用仍处于早期阶段，具有巨大的进一步研究与开发潜力。
• 现有文献表明，机器学习技术可通过基于实时与历史网络数据的自动化决策提升网络性能。
• 丰富的数据源（如告警、流量模式和信号质量指标）促进了机器学习在光网络中的集成。
• 本文识别出若干尚未探索的研究方向，以进一步推进机器学习在光通信系统与网络管理中的应用。