Low-margin Optical Network Design integrating network optimization and ML-Based QoT estimation

The combination of data-hungry services and high-throughput access technologies creates unprecedented capacity requirements in today's networks. Optical networks are the backbone of the telecom infrastructure, and optical network operators are challenged to increase capacity while keeping expenses under control. Expenses can be lowered if optical networks are operated more efficiently. In current deployments, optical transponders are configured with significant safety margins that guarantee very high availability, but are often overly pessimistic. Low-margin design refers to an optical-network design aimed at reducing safety margins and operating closer to channel capacity, while still guaranteeing high availability requirements. We investigate different approaches to low-margin design and quantify the savings achieveable with low-margin design. We first focus on quantifying the margin decrement that can be achieved using advanced modulation and coding schemes (i.e., Probabilistic Constellation Shaping), using intelligent resource-allocation strategies (i.e., nature-inspired metaheuristics) and precise Quality of Transmission modelling (i.e., considering actual value of nonlinear interference rather than the worst-case one). Then, we focus on reducing the design margins used to account for imprecise knowledge of physical-layer parameters (e.g., connector losses and optical amplifier gain profiles). We propose a design procedure based on Machine Learning (ML) that allows to gradually decrease these margins in presence of multiple physical-layer uncertainties by leveraging monitoring data. To this end, we introduce of a probabilistic ML-based margin estimator that allows to choose between more conservative and more opportunistic margins. We additionally extend our low-margin design framework to the scenario with preplanned restoration and restoration upgrade. In addition to the low-margin design that applies to long-haul core optical networks, we investigated a form of low-cost design for metro optical networks, focusing on the joint removal of Wavelength Selective Switches (i.e., transitioning from a Wavelength-Switched Optical Network to Filterless Optical Network, FON) and optimized placement of optical amplifiers (OA). In particular, we optimize OA placement to maximize Signal to Noise Ratio (SNR) of the optical signals thus allowing to install fewer transponders operating at higher data rates. Furthermore, we investigated how Explainable AI can be used to analyze the reasoning of ML-models in optical fault management to increase the sense of trust and foster the adoption of these ML tools in automatic fault management. Specifically, we analyzed the reasoning of the ML model trained to perform fault localization using Optical Signal-to-Noise Ratio measurements. In the appendix of the thesis we discuss another research contribution, still in the context of optical networks, but not related to low-margin design. We investigated the problem of the protection of traffic between Optical Network Units (ONUs) in recently-proposed advanced architectures for Passive Optical Networks (PON) that allow inter-ONU communication. We proposed two protection schemes that implement path protection and link protection in the context of advanced PONs and ensure high reliability of inter-ONU connections against fiber cuts.

La combinazione di servizi ad alta intensità di dati e tecnologie di accesso ad alta velocità crea requisiti di capacità senza precedenti nelle reti odierne. Le reti ottiche sono la spina dorsale dell'infrastruttura di telecomunicazione e gli operatori di reti ottiche devono aumentare la capacità mantenendo le spese sotto controllo. Le spese possono essere ridotte se le reti ottiche vengono gestite in modo più efficiente. Nelle attuali implementazioni, i transponder ottici sono configurati con margini di sicurezza significativi che garantiscono una disponibilità molto elevata, ma spesso sono eccessivamente pessimistici. La progettazione a basso margine si riferisce a una progettazione della rete ottica volta a ridurre i margini di sicurezza e a operare più vicino alla capacità del canale, pur garantendo i requisiti di alta disponibilità. Analizziamo diversi approcci alla progettazione a basso margine e quantifichiamo i risparmi ottenibili con la progettazione a basso margine. In primo luogo ci concentriamo sulla quantificazione della diminuzione del margine che può essere ottenuta utilizzando schemi di modulazione e codifica avanzati (ad esempio, Probabilistic Constellation Shaping), utilizzando strategie intelligenti di allocazione delle risorse (ad esempio, meta-euristiche ispirate alla natura) e una modellazione precisa della qualità della trasmissione (ad esempio, considerando il valore effettivo dell'interferenza non lineare piuttosto che quello del caso peggiore). In seguito, ci concentriamo sulla riduzione dei margini di progettazione utilizzati per tenere conto della conoscenza imprecisa dei parametri dello strato fisico (ad esempio, le perdite dei connettori e i profili di guadagno degli amplificatori ottici). Proponiamo una procedura di progettazione basata sul Machine Learning (ML) che consente di ridurre gradualmente questi margini in presenza di molteplici incertezze dello strato fisico, sfruttando i dati di monitoraggio. A tal fine, introduciamo uno stimatore di margine probabilistico basato su ML che consente di scegliere tra margini più conservativi e margini più opportunistici. Inoltre, estendiamo il nostro schema di progettazione a basso margine allo scenario con restauro e aggiornamento pre-pianificato. Oltre alla progettazione a basso margine che si applica alle reti ottiche core a lungo raggio, abbiamo studiato una forma di progettazione a basso costo per le reti ottiche metropolitane, concentrandoci sulla rimozione congiunta dei commutatori selettivi di lunghezza d'onda (ossia la transizione da una rete ottica a commutazione di lunghezza d'onda a una rete ottica senza filtro, FON) e sul posizionamento ottimizzato degli amplificatori ottici (OA). In particolare, abbiamo ottimizzato il posizionamento degli OA per massimizzare il rapporto segnale/rumore (SNR) dei segnali ottici, consentendo così di installare un minor numero di transponder operanti a velocità di trasmissione dati più elevate. Inoltre, abbiamo studiato come Explainable AI possa essere utilizzata per analizzare il ragionamento dei modelli ML nella gestione dei guasti ottici, per aumentare il senso di fiducia e promuovere l'adozione di questi strumenti ML nella gestione automatica dei guasti. In particolare, abbiamo analizzato il ragionamento del modello ML addestrato per eseguire la localizzazione dei guasti utilizzando le misure del rapporto segnale/rumore ottico. Nell'appendice della tesi discutiamo un altro contributo di ricerca, sempre nel contesto delle reti ottiche, ma non legato alla progettazione a basso margine. Abbiamo studiato il problema della protezione del traffico tra le unità di rete ottica (ONU) nelle architetture avanzate recentemente proposte per le reti ottiche passive (PON) che consentono la comunicazione tra le ONU. Abbiamo proposto due schemi di protezione che implementano la protezione del percorso e la protezione del collegamento nel contesto dei PON avanzati e garantiscono un'elevata affidabilità delle connessioni inter-ONU contro i tagli della fibra.