[论文解读] Survey on Machine Learning for Traffic-Driven Service Provisioning in Optical Networks

Tania Panayiotou, Maria Michalopoulou+1 more|arXiv (Cornell University)|Sep 12, 2022

Advanced Optical Network Technologies被引用 4

一句话总结

本综述全面回顾了用于光网络中交通驱动服务保障的机器学习（ML）技术，重点聚焦于能够实现主动和自适应资源分配的预测性与预设性框架。通过利用机器学习进行流量预测和智能决策，该方法减少了网络过度配置，提高了资源利用率，并在动态流量条件下维持了服务质量。

ABSTRACT

The unprecedented growth of the global Internet traffic, coupled with the large spatio-temporal fluctuations that create, to some extent, predictable tidal traffic conditions, are motivating the evolution from reactive to proactive and eventually towards adaptive optical networks. In these networks, traffic-driven service provisioning can address the problem of network over-provisioning and better adapt to traffic variations, while keeping the quality-of-service at the required levels. Such an approach will reduce network resource over-provisioning and thus reduce the total network cost. This survey provides a comprehensive review of the state of the art on machine learning (ML)-based techniques at the optical layer for traffic-driven service provisioning. The evolution of service provisioning in optical networks is initially presented, followed by an overview of the ML techniques utilized for traffic-driven service provisioning. ML-aided service provisioning approaches are presented in detail, including predictive and prescriptive service provisioning frameworks in proactive and adaptive networks. For all techniques outlined, a discussion on their limitations, research challenges, and potential opportunities is also presented.

研究动机与目标

• 解决由于流量需求波动导致的光网络中静态虚拟拓扑引起的网络过度配置问题。
• 探索机器学习如何通过预测流量模式并优化资源分配，实现主动和自适应的服务保障。
• 识别在光层应用机器学习时的关键挑战，包括模型不确定性、去中心化训练中的公平性以及实时决策。
• 突出研究空白，如缺乏大规模现场试验、对抗性机器学习威胁，以及对可解释性和可信机器学习系统的需求。
• 通过识别边缘学习、定制化神经网络和人机协同机器学习集成方面的机遇，为未来研究提供路线图。

提出的方法

• 系统性回顾应用于光网络中流量预测、资源分配和服务保障的机器学习技术。
• 将基于机器学习的方法分类为预测性（流量预测）和预设性（决策优化）框架，以支持主动和自适应网络。
• 分析包括监督学习、强化学习、联邦学习和多智能体强化学习在内的机器学习模型，用于分布式决策。
• 评估模型不确定性量化、可解释人工智能（XAI）以及人机协同（HITL）机制，以提升可信度和可靠性。
• 整合网络遥测、软件定义网络/网络功能虚拟化（SDN/NFV）集成以及光硬件能力，作为实现实时机器学习推理的使能技术。
• 讨论对抗性机器学习风险及防御机制，如对抗性训练，以确保关键网络应用的鲁棒性。

实验结果

研究问题

• RQ1 在动态流量条件下，机器学习如何提升光网络的资源利用率并减少过度配置？
• RQ2 在光网络中，基于机器学习的预测性与预设性服务保障在关键差异和权衡方面有何不同？
• RQ3 在光网络中大规模部署机器学习时，主要挑战是什么，特别是关于模型不确定性、公平性和实时性能？
• RQ4 如何缓解对抗性机器学习威胁，以确保光网络中服务保障的可信性和安全性？
• RQ5 基于边缘的和微型机器学习技术在降低延迟和提升实时网络控制可扩展性方面发挥什么作用？

主要发现

• 基于机器学习的预测性和预设性保障显著优于静态或反应式方法，在资源利用率、能效、吞吐量和延迟方面均有显著提升。
• 联邦学习和多智能体强化学习实现了去中心化决策，兼顾公平性并减少通信开销，但模型收敛性和准确率差异仍是挑战。
• 模型不确定性量化和可解释人工智能（XAI）对于构建关键任务光网络中可信的机器学习系统至关重要。
• 对抗性机器学习对网络可靠性构成严重威胁，尤其在高延迟或安全关键型应用（如自动驾驶或远程手术）中更为显著。
• 目前缺乏针对主动或自适应光网络的大规模现场试验，凸显了理论可行性与实际部署之间的关键差距。
• 微型机器学习（Tiny ML）和基于边缘的推理正成为实现低延迟、高能效和可扩展的机器学习在光网络控制平面中部署的关键使能技术。