Exploiting deep learning for prediction of Internet data traffic in metro-core networks

In recent years, the increase in the use of social media and internet applications on mobile devices has opened the door to the collection of an increasing amount of data that reveal valuable information for the management of mobile and metro-core networks. In this work we are focusing on machine learning methods that allow to build analytical models in order to make predictions of traffic matrices, and use them to optimize the resource allocations of optical metro-core networks. Recurrent Neural Networks are designed for sequence prediction problems and they achieved great results in the past years in tasks like speech recognition, handwriting recognition and Time-Series. The RNN has the ability to learn short dependencies, but it cannot learn when the temporal dependency is long. Due to this problem, we investigated some special type of Recurrent Neural Networks, the Long Short Term Memory (LSTM) and the Gated Recurrent Units. In the end, we used predicted traffic matrices as input for Net2Plan, a Network optimization tool, and we discovered that the network responds with almost identical link utilizations with respect to the case when the target traffic matrices are used as input.

Negli ultimi anni la crescita dell'utilizzo dei social media e delle applicazioni internet sui dispositivi mobili, hanno permesso di poter accumulare una grande quantità di informazioni utili per la gestione delle reti Metro-Core. Il lavoro ha lo scopo di implementare algoritmi di machine learning al fine di predire matrici di traffico ed in seguito utilizzare questi risultati per migliorare l'allocazione delle risorse nelle reti Metro-Core. Le Recurrent Neural Networks sono state progettate per predirre dati in sequenza temporale e hanno raggiunto risultati eccellenti nell ambito del riconoscimento vocale, del riconoscimento delle grazie e delle serie temporali. Sempre quest'ultime, hanno l'abilità di apprendere dipendenze rilevanti nel breve periodo, ma riscontrano ancora difficolta' ad acquisire o memorizzare dipendenze nel lungo periodo. A causa di questo problema, è stata eseguita un'indagine su delle varianti delle reti RNN, le Long Short Term Memory (LSTM) e le Gated Recurrent Units (GRU). In seguito, sono state utilizzate come input per un simulatore di rete Net2plan le matrici di traffico predette in precedenza, e si è scoperto che la distribuzione del traffico della rete Metro-Core presenta gli stessi carichi nei link della rete rispetto al caso in cui si utilizzi come input a Net2Plan le matrici di traffic target, ovvero quelle matrici reali che erano l'obiettivo della predizione iniziale.