АИ апликације у оптичким мрежама постају све важни за унапређење перформанси и поузданости транспорта података. Коришћењем АИ / МЛ у оптичким мрежама, мрежни оператори могу постићи веће стопе података, побољшану поузданост и ниже оперативне трошкове. АИ омогућава управљање сложеним мрежама на скали и брзини која би била недостижна са традиционалним методама. Како технологија оптичке мреже развија и расту захтеви података, очекује се да ће се улога АИ проширити још више, вожње иновације у мрежном дизајну, раду и одржавању.
Који су могући АИ / МЛ апликације за оптичко умрежавање?
Мрежни дизајн, планирање и оптимизација:
• Предвиђање саобраћаја: АИ може предвидјети обрасце саобраћаја и прилагодити расподјелу појаса проактивно да задовољи потражњу, оптимизује употребу мрежних ресурса.
• Оптимизација руте: Алгоритми за учење машина Анализирајте мрежне податке да би се утврдили најефикаснија стаза за пакете података, смањујући кашњење и загушења вожње до концепта самоизлеђивања мрежа
• Самоконтролирајући мреже: АИ / МЛ омогућава оптичким мрежама да се аутоматски конфигуришу када се додају нови уређаји или када се открију промене у саобраћају.
• Додјела ресурса: АИ / МЛ динамички додељује мрежне ресурсе као што су таласне дужине и пропусност, оптимизацију за тренутне мрежне услове и потражње.
Предвиђање неуспеха:
• Анализирајући мрежне податке (историјске и струје), АИ може предвидјети када ће компоненте вероватно пропасти и заказати одржавање пре него што се појаве проблеми, побољшање мрежне поузданости.
Откривање аномалије за проактивну рестаурацију: АИ / МЛ системи могу надгледати мрежу за аномалије које могу указивати на предстојећи неуспех, омогућавајући превентивно обнову услуга
Адаптивни преносни системи:
• Подешавање формат модулације: АИ / мл може одабрати оптимални формат модулације за пренос података на основу услова мреже у реалном времену, као што су квалитет сигнала и оштећења канала.
• Оптимизација нивоа снаге: АИ / МЛ алгоритми прилагођавају нивои енергије оптичких сигнала како би се осигурао ефикасан пренос уз минимизирање сметњи и унакрсног разговора.
Учите од праве мреже:
• Интерпретација мрежних података: АИ / МЛ Технике пружају конструктивне интерпретације података из рефлектора домена оптичких времена (ОТДР) и ОНМ РАВ података
Квалитет преноса (кот) процена:
• Кот предвиђање: АИ модели предвиђају квалитет преноса за нове везе засноване на различитим мрежним параметрима, помажући да се осигура да се испуне СЛАС (уговори на нивоу услуге).
Учите из праве мреже: Аутоматско препознавање отдржњих догађајаПогледајмо ближе сазнање из праве мрежне апликације. Оптички стручњаци анализирају трагове ОТДР-а да идентификују грешке у везама влакана и гарантују квалитет преноса. То се постиже испитивањем потписа догађаја који означавају локацију у траговима неисправности одређеног уређаја или грешке, попут сломљеног влакна, лош конектор или савијена влакна. ОТДР системи раде убризгавањем кратких ласерских пулса на једном крају влакана и мерило је затражено светло и одбијено светло са фотодиодом на истој локацији. Резултат овог процеса назива се Трацом ОТДР, тј. Графички приказ оптичке моћи као функције удаљености дуж влакана. Извештава се типичан пример на слици испод.
Илустрација трага за отрц са вишеструким догађајима. Текстуалне напомене описују основне узроке ових догађаја.
Сада је могуће користити недавни аутоматско откривање догађаја АИ / МЛ алгоритама за заостала времена и заморне људске инспекције. Апликација је "обучена" да би разумела и препознала различите обрасце догађаја попут оне испод.
Могући узорци који се користе за "возити" алгоритам.
АИ / МЛ Догађања Препознавање је процес препознавања визуелног препознавања: АИ / мЛ може видети догађаје које математичка анализа отдр-а не може да нађе. То резултира веома моћном анализом да се корисник екстраполира где је оптичка влакна имала питање како би је могло поправити.
Пример АИ / МЛ описује "догађаје" кориснику.
Поједноставите и поједноставите управљање оптичким мрежамаКогнитивне мреже су подскуп АИ апликација прилагођених посебно за управљање мрежом, који могу прикупити податке, учење из њега, осмишљавање стратегија, доношења одлука и извршавање одговарајућих радњи. Алгоритми за учење машина су камен темељац овог приступа, нудећи дубински увид у понашање мреже, које, заузврат, оператери омогућавају информисане и ефикасне одлуке за оптимизацију мреже.
Ови принципи су подједнако релевантни за оптичке мреже, где откључавају мноштво случајева употребе, укључујући оптимизацију мреже, опоравком проактивне мреже и побољшану анализу мрежних услова. Иако смо у раним фазама интегрисања АИ и МЛ у управљање мрежом, потенцијал је неспоран. АИ и МЛ Алати представљају драгоцену имовину за мрежне операторе, обећавајући значајне напредне напредне напретке у ефикасности и поузданости.
