Machine learning-based regression vs. classification for quality of transmission (QoT) estimation of unestablished lightpaths

In today’s telecommunication networks, to enable network performance monitoring, an enormous volume of heterogeneous data is being collected at each instant through a variety of means such as traces on network traffic and signal quality indicators, i.e., Quality of Transmission (QoT) parameters. This volume of data will certainly have an exponential growth due to the emerging 5G communications and services which may lead to the increase in number of users requiring such services. The main and most important priority of any network operator when it comes to data collection is to be able to extract meaningful information which could constructively affect the decision-making process in optimizing network performance. Although optical networks constitute the basic physical infrastructure of majority of large network providers around the globe due to their attractive capacity and cost trade-off, the unprecedented growth in their complexity requires fast and accurate estimation methods to be added to the planning tools of network operators. Therefore, precise estimation of the QoT as a performance indicator, before lightpath establishment is of crucial importance for reliable and efficient operation of optical networks. Although the problem of QoT estimation has been tackled by analytical modeling of the physical layer so far, the recent developments in the field of Machine Learning (ML) make it a very suitable alternative approach to achieve accurate QoT estimation. Among the available options are also traditional approaches such as computationally-heavy and accurate analytical formulas and marginal formulas which result in under-utilization of network resources. The third alternative approach to solve this problem, which is also the approach proposed in this thesis work involves the utilization of ML in estimation of QoT of unestablished lightpaths. ML seems to be the most promising methodological approach, providing not so complex functionalities such as classification and regression tasks to achieve the objective of this thesis work. The proposed solution is a ML model capable of estimating the distribution of Optical Signal-to-Noise Ratio (OSNR) for each combination of design parameters, providing the network operator with a strong decision tool in adapting more resource-efficient options. In this thesis, two different data generation tools have been utilized to provide sufficient data for ML model training and to ensure optimum performance. These two models are: Bit Error Rate (BER) E-tool: Capable of estimating QoT parameters such as BER, Signal-to-Noise Ratio (SNR) and OSNR for each combination of design parameters GNPy: A mesh optical network route planning and optimization library [6] In the ML model selection phase, several models have been tested and analyzed and their performance have been improved to enable the selection of an optimum learning model. This was done through an extensive experimental study on the performance of various ML models involving both Classification and Regression techniques. Based on the numerical results obtained in this study, the proposed model after performance comparison can estimate the QoT of unestablished lightpaths with optimum accuracy of 99% prior to their deployment and can serve as a valuable addition to the operator decision tool for the network. Furthermore, the main objective of this thesis work has been defined to develop an optimum regressor which is able to substitute an equivalent optimum classifier. The motive behind this is to provide higher degrees of freedom and flexibility in selection of internal classification threshold which is fixed in classification models to the network operator. The numerical results prove that the developed regressor is completely able to classify the samples, registering a matching percentage of above 95% with predictions of the classifier and the actual values (ground truth).

Nelle reti di telecomunicazioni di oggi, per consentire il monitoraggio delle prestazioni della rete, un volume enorme di dati eterogenei viene raccolto in ogni istante attraverso una varietà di mezzi come tracce sul traffico di rete e indicatori di qualità del segnale, i.e., qualità della trasmissione (QoT) Parametri. Questo volume di dati avrà certamente una crescita esponenziale a causa delle emergenti comunicazioni e servizi 5G che può portare all’aumento del numero di utenti che richiedono tali servizi. La priorità principale e più importante di qualsiasi operatore di rete quando si tratta di raccolta dati è poter estrarre informazioni significative che potrebbe influenzare in modo costruttivo il processo decisionale nell’ottimizzazione delle prestazioni della rete. Nonostante le reti ottiche costituiscono le infrastruttura fisica di base della maggior parte dei grandi fornitori di reti in tutto il mondo a causa della loro capacità attrattiva e compromissione dei costi, la crescita senza precedenti della loro complessità richiede metodi di stima rapidi e accurati da aggiungere agli strumenti di pianificazione degli operatori di rete. Pertanto, una stima precisa del QoT come indicatore di prestazione, prima che l’istituzione del lightpath sia di importanza cruciale per un funzionamento affidabile ed efficiente delle reti ottiche. Sebbene il problema della stima del QoT sia stato finora affrontato dalla modellazione analitica dello strato fisico, i recenti sviluppi nel campo della Machine Learning (ML) lo rendono molto adatto approccio alternativo per ottenere una stima QoT accurata. Tra le opzioni disponibili ci sono anche approcci tradizionali come formule analitiche pesanti e accurate dal punto di vista computazionale e formule marginali che si traduce in un sottoutilizzo delle risorse di rete. Il terzo approccio alternativo per risolvere questo problema, che è anche l’approccio proposto in questo lavoro di tesi prevede l’utilizzo di ML nella stima del QoT di lightpath non stabiliti. ML sembra essere l’approccio metodologico più promettente, fornire funzionalità non così complesse come compiti di classificazione e regressione per raggiungere l’obiettivo di questo lavoro di tesi. La soluzione proposta è un modello ML capace di stimare la distribuzione di Optical Signal-to-Noise Ratio (OSNR) per ogni combinazione di parametri di progettazione, fornire all’operatore di rete un forte strumento decisionale per adattare le opzioni più efficienti sotto il profilo delle risorse. In questa tesi, due diversi strumenti di generazione dati sono stati utilizzati per fornire dati sufficienti per la formazione modello ML e per garantire prestazioni ottimali. Questi due modelli sono: Bit Error Rate (BER) E-tool: Capace di stimare parametri QOT come BER, Signal-to-Noise Ratio (SNR) e OSNR per ogni combinazione dei parametri progettuali [14] GNPy: Una libreria di pianificazione e ottimizzazione del percorso della rete ottica mesh [6] Nella fase di selezione del modello ML, diversi modelli sono stati testati e analizzati e le loro prestazioni sono state migliorate per consentire la selezione di un modello di learning ottimale. Ciò è stato fatto attraverso un ampio studio sperimentale sulle prestazioni di vari modelli ML che coinvolgono entrambe le tecniche Classificazione e Regressione. Sulla base dei risultati numerici ottenuti in questo studio, il modello proposto dopo confronto delle prestazioni può stimare il QOT di lightpath non stabilite con precisione ottimale del 99% prima della loro distribuzione e può servire come una preziosa aggiunta allo strumento decisione operatore per la rete. Inoltre, l’obiettivo principale di questo lavoro di tesi è stato definito per sviluppare un regressore ottimale in grado di sostituire un classificatore ottimale equivalente. Il motivo alla base di ciò è fornire livelli più alti di libertà e flessibilità nella selezione della soglia di classificazione interna che è fissata nei modelli di classificazione all’operatore di rete. I risultati numerici dimostrano che il regressore sviluppato è completamente in grado di classificare i campioni, registrando una percentuale di corrispondenza superiore al 95% con le previsioni del classificatore e dei valori effettivi (ground truth).