ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Amélioration des réseaux optiques au moyen de la cognition - Par : Stéphanie Allogba, Christine Tremblay,

Amélioration des réseaux optiques au moyen de la cognition


Stéphanie Allogba
Stéphanie Allogba Profil de l'auteur(e)
Stéphanie Allogba est doctorante au sein du Laboratoire de technologie de réseaux du Département de génie électrique de l’ÉTS. Ses domaines de recherche portent principalement sur les techniques cognitives dans les réseaux optiques.
Programme : Génie électrique 

Christine Tremblay
Christine Tremblay Profil de l'auteur(e)
Christine Tremblay est professeure au Département de génie électrique de l’ÉTS. Ses recherches portent sur les communications optiques, les réseaux optiques, la photonique sur silicium et les technologies laser et fibre optique.
Programme : Génie électrique 

Réseau optique pour répondre aux applications

L’image d’en-tête a été achetée sur Istock.com et est protégée par des droits d’auteur.

RÉSUMÉ:

Les stratégies d’estimation basées sur les techniques d’apprentissage automatique pourraient s’avérer des solutions très utiles pour déterminer rapidement la qualité de transmission d’un signal avant l’établissement d’une connexion dans des réseaux optiques à grande capacité de plus en plus complexes. Dans cet article, nous proposons un classificateur de taux d’erreur sur les bits (BER) basé sur l’algorithme des K plus proches voisins (K-NN). Ce classificateur a été utilisé pour classer les données de BER recueillies dans une liaison optique de 230 km du réseau CANARIE. Les résultats montrent que la précision de la classification augmente jusqu'à 97,8 % en fonction des caractéristiques prises en compte dans le processus de classification. Mots clés : qualité de transmission, apprentissage machine, K plus proches voisins, taux d’erreur binaire, réseau optique cognitif

Introduction

Les communications par fibre optique ont été mises en place dans le but de répondre aux besoins diversifiés des utilisateurs au moyen de services ayant des débits élevés ainsi qu’une sécurité et une qualité de transmission accrues. Cependant, la demande croissante de trafic et d’exigences des applications exerce une pression énorme sur les réseaux optiques qui doivent supporter un trafic de plus en plus important sur des distances de plus en plus grandes (supérieures à 10 000 km). Par conséquent, on peut s’attendre à ce que l’impact des dégradations de performance et des pannes augmente avec la capacité des réseaux optiques. Dans un tel contexte, l’une des solutions serait l’utilisation de la cognition dans les réseaux optiques.

La cognition et les réseaux optiques

Un système cognitif, introduit tout d’abord dans le monde radio, est défini comme un système intelligent qui, en se basant sur son environnement extérieur et sur son historique, a la capacité de prendre des décisions afin d’ajuster ses paramètres de transmission par rapport à son état actuel [2, 3]. En d’autres termes, la cognition permet au réseau optique d’utiliser au mieux ses données de monitoring par une phase d’observation et d’analyse. Par la suite, elle permet de prendre des décisions proactives en fonction d’objectifs de performance prédéterminés à partir des algorithmes d’apprentissage machine.

Nous proposons donc un classificateur de taux d’erreur binaire basé sur l’algorithme des K plus proches voisins (K-NN).

La classification des données de BER

Le processus de classification des données de BER a été effectué en trois étapes, comme montré à la figure 1.

Utilisation de la cognition dans les réseaux optiques

Figure 1 Processus de classification

Premièrement la phase d’analyse des données a été réalisée. Elle consiste à faire une analyse statistique des données de BER collectées afin de déterminer les principales classes à prédire. Cette étape a permis ainsi d’identifier deux classes, à savoir la classe des « bonnes valeurs » de BER et la classe des « faibles valeurs » de BER.

La deuxième étape a été l’implantation du classificateur en utilisant l’algorithme K-NN ainsi que des facteurs externes pouvant  avoir un impact sur le BER.

La troisième étape a permis d’évaluer les performances du classificateur en utilisant deux méthodes : la répartition des données en deux groupes (80 % pour l’entraînement de l’algorithme et 20 % pour les tests) et la validation croisée à 10 plis. Comme présenté dans le Tableau 1, les performances ont été analysées suivant trois scénarios : l’utilisation de la température et de la période de la journée (cas 1); l’utilisation des valeurs moyenne et maximale des données horaires de BER (cas 2) et l’utilisation de tous les paramètres (cas 3).

Tableau 1 Présentation des résultats

Performance du système proposé selon le nombre de paramètres

Le cas 3, prenant en compte les facteurs externes ainsi que les valeurs statistiques des données de BER, fournit les meilleures performances avec la plus grande précision du classificateur et le plus faible taux de faux positifs (taux représentant les mauvaises prédictions faites sur les données de classe faible BER).

Par ailleurs, bien que la meilleure performance obtenue soit la validation croisée, la méthode utilisant la répartition des données est celle qui serait la plus adaptée à des applications réelles.

Conclusion

Nous avons proposé un classificateur de BER basé sur l’algorithme K-NN. Celui-ci, en utilisant les paramètres externes ainsi que les valeurs statistiques des données, a permis de prédire les classes des données et de ce fait, de détecter les anomalies pouvant survenir sur les données de BER observées.

Par ailleurs, étant basée sur des algorithmes d’apprentissage machine, la solution présentée diffère des méthodes classiques basées sur la prédéfinition d’un seuil de BER. En effet, elle permet une estimation rapide de la performance du réseau par la classification du BER et pourrait donc être utile en tant qu’outil de prédiction de performance.

Information supplémentaire

Pour plus d’information sur cette recherche, consulter l’article de conférence suivant : S. Allogba et C. Tremblay. 2018. « K-Nearest Neighbors Classifier for Field Bit Error Rate Data » présenté (dans la session « Best Paper Competition ») lors de la 2018 Asia Communications and Photonics Conference (ACP), tenue du 26 au 29 octobre 2018 à Hangzhou, en Chine.

Stéphanie Allogba

Profil de l'auteur(e)

Stéphanie Allogba est doctorante au sein du Laboratoire de technologie de réseaux du Département de génie électrique de l’ÉTS. Ses domaines de recherche portent principalement sur les techniques cognitives dans les réseaux optiques.

Programme : Génie électrique 

Profil de l'auteur(e)

Christine Tremblay

Profil de l'auteur(e)

Christine Tremblay est professeure au Département de génie électrique de l’ÉTS. Ses recherches portent sur les communications optiques, les réseaux optiques, la photonique sur silicium et les technologies laser et fibre optique.

Programme : Génie électrique 

Profil de l'auteur(e)


commentaires

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *