Vittorio Curri

La presentazione inizierà con l’esame l'astrazione del WDM in reti ottiche trasparenti e le problematiche relative al piano di controllo ottico ottimale in reti ottiche parzialmente disaggregate. Quindi introdurremo l'uso di modelli di apprendimento automatico per assistere il controllo ottico e il piano dati. Per il controllo, è possibile utilizzare tecniche di apprendimento automatico inverso per addestrare un agente ML che fornisca un modello completo e accurato dell'elemento di rete o del sottosistema. Per il piano dati ottico, è possibile utilizzare un agente di apprendimento automatico addestrato per assistere la stima della qualità della trasmissione per il calcolo del percorso ottico. Verranno mostrati i risultati sperimentali sulla modellazione dell'effetto di una linea ottica amplificata sfruttando l'apprendimento automatico. Ci occuperemo anche dei casi in cui un approccio basato sui dati non è conveniente a causa di dati non disponibili. In particolare, sull'amplificazione Raman e sulla classificazione dell'ampiezza delle fibre. In questo caso, un approccio cognitivo basato su algoritmi evolutivi è conveniente come mostreremo attraverso i risultati sperimentali.

We will first review the abstraction of WDM in transparent optical networks and the issues related to the optimal optical control plane in partially disaggregated optical networks. Then we’ll introduce the use of machine learning models to assist optical control and data plane. For controlling, inverse machine learning techniques can be used to train a ML agent that gives a full and accurate model of the network element or subsystem. For the optical data plane, a trained machine learning agent can be used to assist quality-of-tranmission estimation for transport path computation. Experimental results on modeling the effect of an amplified optical line by exploiting machine learning will be shown. We’ll also address on cases where a data driven approach is not convenient because of non-available data. Specifically, on Raman amplification and on classification of fiber span. In this case, a cognitive approach based on evolutionary algorithms is convenient as we’ll show through experimental results.