ACADEMIC RESEARCH IN MODERN SCIENCE
International scientific-online conference
143
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
СИСТЕМЕ МОНИТОРИНГА ОПТОВОЛОКОННОЙ СЕТИ ДОСТУПА
Богомолов Никита Отеллович
Абдужаппарова Мубарак Балтабаевна
Ташкентский университет информационных
технологий имени Мухаммада Аль-Хорезми
PhD, доцент
E-mail: nikitsbogomolov@gmail.com,
mubarak_1967@mail.ru
https://doi.org/10.5281/zenodo.14540457
В
современных
условиях
развития
телекоммуникационной
инфраструктуры особую актуальность приобретает задача эффективного
мониторинга и управления оптоволоконными сетями доступа. Постоянное
увеличение объемов передаваемых данных, рост числа подключенных
устройств и повышение требований к качеству обслуживания создают
новые вызовы для операторов связи в области обеспечения надежности и
отказоустойчивости сетевой инфраструктуры.
Существующие методы мониторинга оптических сетей часто
характеризуются недостаточной оперативностью выявления проблем,
высокой зависимостью от человеческого фактора и ограниченными
возможностями прогнозирования потенциальных неисправностей. В этих
условиях
внедрение
технологий
искусственного
интеллекта
представляется перспективным решением, способным существенно
повысить
эффективность
систем
мониторинга
и
диагностики
оптоволоконных сетей.
В настоящее время мониторинг волоконно-оптических линий связи
осуществляется
преимущественно
с
использованием
рефлектометрических
методов
измерений
(OTDR)
и
систем
централизованного мониторинга на основе анализа параметров
оптических сигналов. Традиционные методы мониторинга ВОЛС
позволяют определять основные характеристики линии, такие как
затухание, отражение, длина линии и локализация мест повреждений.
Однако эти подходы имеют ряд существенных ограничений.
Развитие технологий искусственного интеллекта и машинного
обучения открывает новые возможности для совершенствования систем
мониторинга ВОЛС. Успешное применение методов ИИ в различных
областях телекоммуникаций, включая оптимизацию сетевого трафика и
управление ресурсами, создает предпосылки для их внедрения в системы
мониторинга
оптических
сетей.
Ключевыми
преимуществами
ACADEMIC RESEARCH IN MODERN SCIENCE
International scientific-online conference
144
использования ИИ являются возможности автоматизированного анализа
больших объемов данных, выявления неочевидных закономерностей и
построения предиктивных моделей.
Основными недостатками существующих систем мониторинга
являются:
значительные временные затраты на обработку и анализ
результатов измерений;
необходимость привлечения квалифицированного персонала для
интерпретации данных;
сложность выявления медленно развивающихся деградаций
параметров ВОЛС;
отсутствие возможности достоверного прогнозирования отказов;
ограниченные возможности автоматизации процессов диагностики.
Развитие технологий искусственного интеллекта и машинного
обучения открывает новые возможности для совершенствования систем
мониторинга ВОЛС. Успешное применение методов ИИ в различных
областях телекоммуникаций, включая оптимизацию сетевого трафика и
управление ресурсами, создает предпосылки для их внедрения в системы
мониторинга
оптических
сетей.
Ключевыми
преимуществами
использования ИИ являются возможности автоматизированного анализа
больших объемов данных, выявления неочевидных закономерностей и
построения предиктивных моделей.
Разработанная система мониторинга оптоволоконной сети доступа
представляет собой многоуровневую программно-аппаратную платформу,
интегрирующую компоненты сбора данных, их обработки и анализа на
базе искусственного интеллекта. Структурно система включает три
основных уровня: измерительный, транспортный и аналитический.
Измерительный уровень состоит из распределенной сети датчиков и
измерительных устройств, включающих:
оптические рефлектометры временной области (OTDR);
измерители оптической мощности;
анализаторы спектра оптического сигнала;
датчики температуры и механических воздействий.
Данные устройства обеспечивают непрерывный сбор параметров
оптической сети в режиме реального времени.
Транспортный уровень реализует защищенную передачу данных от
измерительных устройств в центр обработки данных. Используется
ACADEMIC RESEARCH IN MODERN SCIENCE
International scientific-online conference
145
специализированный протокол передачи данных, обеспечивающий
минимальные задержки и гарантированную доставку информации. Для
повышения отказоустойчивости предусмотрено резервирование каналов
передачи данных.
Аналитический уровень представлен модулем обработки на базе ИИ,
который включает:
подсистему предварительной обработки и нормализации данных;
нейросетевой модуль классификации состояний ВОЛС;
блок предиктивной аналитики;
модуль формирования рекомендаций;
интерфейс взаимодействия с системами технического обслуживания.
Особенностью разработанной архитектуры является возможность
масштабирования системы и адаптации к различным топологиям
оптических сетей доступа. Предусмотрена интеграция с существующими
системами
управления
сетевой
инфраструктурой
через
стандартизированные программные интерфейсы.
Внедрение предложенной архитектуры позволяет автоматизировать
процессы мониторинга и диагностики ВОЛС, существенно снизить
влияние человеческого фактора и повысить эффективность эксплуатации
оптических сетей доступа.
В основе разработанной системы мониторинга лежит гибридная
архитектура искусственного интеллекта, сочетающая преимущества
различных подходов машинного обучения. Ключевым компонентом
системы является глубокая нейронная сеть типа LSTM (Long Short-Term
Memory), специально адаптированная для анализа временных рядов
параметров оптической сети. Выбор данной архитектуры обусловлен её
способностью эффективно обрабатывать длинные последовательности
данных и выявлять долгосрочные зависимости в измеряемых
характеристиках ВОЛС.
Архитектура нейронной сети включает входной слой, принимающий
векторы параметров оптической линии, три скрытых LSTM-слоя с 128, 64
и 32 нейронами соответственно, и выходной слой с активационной
функцией softmax для классификации состояний ВОЛС. Дополнительно
использованы слои dropout с коэффициентом 0.2 для предотвращения
переобучения модели. Такая конфигурация обеспечивает оптимальный
баланс между сложностью модели и её способностью к обобщению.
ACADEMIC RESEARCH IN MODERN SCIENCE
International scientific-online conference
146
Для анализа данных применяется комплекс методов машинного
обучения, включающий алгоритмы кластеризации на основе DBSCAN для
выявления аномальных состояний, методы градиентного бустинга
(XGBoost) для прогнозирования деградации параметров и ансамблевые
методы для повышения точности классификации. Предварительная
обработка
данных
осуществляется
с
использованием
методов
нормализации, удаления выбросов и заполнения пропущенных значений
на основе интерполяции.
Процесс обучения модели реализован в несколько этапов. На первом
этапе выполняется предварительное обучение на исторических данных,
содержащих
информацию
о
различных
состояниях
ВОЛС
и
зафиксированных неисправностях. Второй этап включает тонкую
настройку модели с использованием метода transfer learning на данных
конкретной сети. Для оптимизации параметров модели применяется
алгоритм Adam с динамически изменяемой скоростью обучения и ранней
остановкой при отсутствии улучшения валидационной метрики в течение
10 эпох.
Разработанная система мониторинга на базе искусственного
интеллекта
обеспечивает
широкий
спектр
функциональных
возможностей,
направленных
на
повышение
эффективности
эксплуатации оптоволоконных сетей доступа.
Предиктивная аналитика состояния ВОЛС реализуется посредством:
непрерывного анализа динамики изменения ключевых параметров
оптической линии;
выявления тенденций деградации характеристик сети на ранних
стадиях;
прогнозирования
потенциальных
отказов
с
горизонтом
планирования до 30 дней;
оценки остаточного ресурса оптических компонентов.
Система способна определять аномальные изменения параметров с
точностью до 95% и прогнозировать возможные отказы с вероятностью
более 85%.
Реализованный функционал позволяет существенно повысить
эффективность эксплуатации ВОЛС за счет перехода от реактивной
модели обслуживания к проактивной, основанной на предупреждении
отказов и оптимизации ресурсов.
ACADEMIC RESEARCH IN MODERN SCIENCE
International scientific-online conference
147
В
результате
проведенного
исследования
разработана
и
апробирована инновационная система мониторинга оптоволоконных
сетей доступа на базе искусственного интеллекта. Предложенное решение
успешно преодолевает ключевые ограничения традиционных методов
мониторинга ВОЛС и открывает новые возможности для повышения
эффективности эксплуатации телекоммуникационной инфраструктуры.
Используемая литература:
1.
Ahmed, S.F., Alam, M.S.B., Hassan, M. et al. Deep learning modelling
techniques: current progress, applications, advantages, and challenges. Artif
Intell Rev 56, 13521–13617 (2023). https://doi.org/10.1007/s10462-023-
10466-8
2.
Merah M, Aliouat Z, Harbi Y, Batta MS. Machine learning-based clustering
protocols for Internet of Things networks: An overview. Int J Commun Syst.
2023; 36(10):e5487. doi:10.1002/dac.5487
3.
Mata, Javier et al. “Artificial Intelligence (AI) Methods in Optical Networks:
A Comprehensive Survey.” Opt. Switch. Netw. 28 (2018): 43-57.
4.
Wasan M. Hmood, Aqeel R. Salih; Calculation of modes properties for
multimode optical fibers at 633 nm wavelength. AIP Conf. Proc. 17 July 2023;
2830 (1): 070039
