MODELS AND METHODS IN MODERN SCIENCE
International scientific-online conference
146
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ
УПРАВЛЕНИЯ РЕСУРСАМИ И ОПТИМИЗАЦИИ РАБОТЫ
ТРАНСПОРТНЫХ ОПТИЧЕСКИХ СЕТЕЙ СВЯЗИ
Ирмухамедов А.Б.
Абдужаппарова М.Б.
Ташкентский университет информационных технологий имени
Мухаммада ал-Хоразмий, Ташкент, Узбекистан
e-mail: abbosbek1357@gmail.com
https://doi.org/10.5281/zenodo.14533953
Современные транспортные оптические сети связи (OTN) играют
ключевую роль в глобальной передаче данных благодаря высокой
пропускной способности, низкой задержке и надежности. Однако с ростом
объема трафика и усложнением сетевой архитектуры управление такими
сетями становится все более сложной задачей. Традиционные подходы,
основанные на статических алгоритмах, оказываются недостаточно
гибкими для эффективного управления ресурсами, особенно в условиях
динамически меняющихся нагрузок [1]. В связи с этим исследователи все
чаще обращаются к методам машинного обучения (ML), которые
демонстрируют высокую эффективность в автоматизации сложных
процессов и принятии решений на основе больших объемов данных [2].
Цель данного исследования — проанализировать существующие
подходы к управлению ресурсами в транспортных оптических сетях на
основе методов ML, выделить их сильные и слабые стороны, а также
предложить пути улучшения. Особое внимание уделяется задачам
маршрутизации, прогнозирования трафика, управления отказами и
повышению энергоэффективности сетей.
Транспортные оптические сети предоставляют платформу для
передачи данных на большие расстояния с использованием волоконно-
оптических каналов. Основной задачей управления такими сетями
является оптимальное распределение ресурсов, включая длины волн,
спектральные полосы и каналы передачи. Эта задача усложняется из-за
физических ограничений, таких как дисперсия, нелинейные эффекты и
затухание сигнала [3].
Ключевые проблемы управления включают:
Маршрутизация и выделение спектра (RSA):
Задача поиска
оптимального пути и выделения спектральных ресурсов, минимизируя
затраты на установку соединений [4].
MODELS AND METHODS IN MODERN SCIENCE
International scientific-online conference
147
Предсказание трафика:
Прогнозирование загрузки сети для
предотвращения перегрузок и улучшения качества обслуживания (QoS).
Обнаружение отказов:
Автоматическое определение и устранение
неисправностей, что критически важно для обеспечения бесперебойной
работы сети [1].
Эти задачи требуют сложных расчетов, которые традиционные
алгоритмы выполняют медленно. Это делает применение методов ML
перспективным решением.
Методы машинного обучения предоставляют мощный инструмент
для автоматизации управления сетями. Их можно разделить на три
основные категории:
Супервизорное обучение:
используется для прогнозирования
трафика и обнаружения аномалий. Алгоритмы, такие как линейная
регрессия, деревья решений и нейронные сети, показали высокую
точность при обработке больших данных [2].
Обучение без учителя:
методы кластеризации, такие как k-means и
DBSCAN, применяются для группировки сетевых событий и выявления
аномалий, требующих дальнейшего анализа [3].
Обучение с подкреплением:
используется для динамической
маршрутизации и управления ресурсами. Такие подходы, как Deep Q-
Learning, позволяют системе адаптироваться к изменяющимся условиям в
реальном времени [4].
В транспортных оптических сетях методы машинного обучения
находят применение в различных аспектах управления. Например,
алгоритмы предсказания трафика на основе рекуррентных нейронных
сетей (RNN) демонстрируют высокую точность прогнозирования загрузки
каналов связи [5]. Методы обнаружения аномалий, такие как
автоэнкодеры, эффективно выявляют сбои оборудования на ранних
стадиях [4].
Для задач маршрутизации и выделения спектра исследователи
применяют глубокие нейронные сети, комбинируя их с генетическими
алгоритмами для поиска оптимальных путей передачи данных [5]. В
результате
сетевые
операторы
получают
более
высокую
производительность и надежность своих систем.
Методы
машинного
обучения
обеспечивают
значительные
преимущества в управлении транспортными оптическими сетями,
включая повышение точности прогнозирования трафика, уменьшение
MODELS AND METHODS IN MODERN SCIENCE
International scientific-online conference
148
времени на обработку отказов и оптимизацию использования ресурсов.
Однако остаются нерешенные проблемы, связанные с масштабируемостью
алгоритмов, их адаптацией к новым архитектурам сетей и обеспечением
безопасности данных [6].
Дополнительные исследования в области гибридных методов,
объединяющих машинное обучение и традиционные подходы к
управлению сетями, обещают еще более значительные улучшения в
эффективности работы сетей.
Применение машинного обучения для управления транспортными
оптическими сетями представляет собой перспективное направление
развития отрасли. В будущем ожидается интеграция ML-алгоритмов на
уровне сетевого оборудования, что позволит значительно ускорить
процессы управления и снизить эксплуатационные затраты. Кроме того,
разработка новых архитектур сетей с поддержкой ML будет играть
важную роль в создании интеллектуальных систем связи следующего
поколения
Список использованной литературы:
1.
Grebeshkov, A. Y. Optical transport network management via machine
learning and ontology-based technique. In Optical Technologies for
Telecommunications 2019 (Vol. 11516, p. 1151602). International Society for
Optics and Photonics.
2.
Musumeci, M., Rottondi, C., Nag, A., Masalico, I., Zibar, D., Ruffini, M., &
Tornatore, M. (2019). An overview on application of machine learning
techniques in optical networks. IEEE Communications Surveys & Tutorials,
21(2), 1383-1408.
3.
Rafique, D., & Velasco, L. (2018). Machine learning for network
automation: overview, architecture, and applications. Journal of Optical
Communications and Networking, 10(10), D126-D143.
4.
Nevin, J. W., Nallaperuma, S., Shevchenko, N. A., Li, X., Faruk, M. S., &
Savory, S. J. (2021). Machine learning for optical fiber communication systems:
An introduction and overview. APL Photonics, 6(12), 121101.
5.
Kozdrowski, S., Paziewski, P., Cichosz, P., & Sujecki, S. (2023). A
comprehensive study of machine learning application to transmission quality
assessment in optical networks. Applied Sciences, 13(8), 4657.
6.
Wang, D., & Zhang, M. (2021). Artificial intelligence in optical
communications: From machine learning to deep learning. Frontiers in
Communications and Networks, 2, 656786.
