Data-driven transfer learning for EDFA gain modeling and QoT estimation in disaggregated optical network

The growth of data-intensive applications and the evolution toward open and disaggregated optical networks require accurate and flexible models for performance estimation. In these scenarios, heterogeneous devices from different vendors, generations, or technological domains make it difficult to rely only on static or fully analytical models. This thesis investigates data-driven techniques at two complementary levels: component-level amplifier modeling and end-to-end lightpath performance estimation. At the component level, machine-learning models estimate the wavelength-dependent gain spectrum of EDFA amplifiers under different operating conditions. Since target-domain measurements may be limited, costly to collect, or affected by confidentiality constraints in disaggregated and multi-vendor scenarios, transfer learning is also investigated to reduce the amount of data required for accurate gain-spectrum estimation. Direct supervised estimation is therefore compared with transfer-learning approaches, including XGBoost training continuation, CNN fine-tuning, CORAL-based feature alignment, and a TransBoost-like instance-based strategy. At the lightpath level, machine-learning models estimate the expected SNR of unestablished lightpaths from physical, topological, and traffic-related features. Direct estimation and transfer learning across different topologies and transmission technologies are evaluated. The two levels are then connected by inserting ML-predicted EDFA gain profiles into a point-to-point optical-link evaluation, assessing how component-level errors affect end-to-end SNR estimation. The results show that data-driven models can support both EDFA gain-spectrum modeling and QoT estimation. XGBoost achieves the best direct QoT-estimation performance, with MAE values close to 0.10dB in the best scenarios. At the component-to-link level, ML-based EDFA gain models reduce the per-channel SNR MAE from 1.208dB, obtained with a flat-gain baseline, to 0.249dB. Transfer Learning results show that source-domain knowledge can reduce the amount of target-domain data required, although its effectiveness depends on the source-target relationship. Under strong cross-dataset shifts, CORAL- and TransBoost-like adaptations exhibit more robust behavior than direct model-based transfer.

La crescita delle applicazioni ad alta intensità di dati e l’evoluzione verso reti ottiche aperte e disaggregate richiedono modelli accurati e flessibili per la stima delle prestazioni. In questi scenari, la presenza di dispositivi eterogenei appartenenti a diversi vendor, generazioni o domini tecnologici rende difficile affidarsi esclusivamente a modelli statici o completamente analitici. Questa tesi investiga tecniche data-driven a due livelli complementari: la modellazione degli amplificatori a livello di componente e la stima delle prestazioni end-to-end dei lightpath. A livello di componente, modelli di Machine Learning stimano lo spettro di guadagno, dipendente dalla lunghezza d’onda, degli amplificatori EDFA in diverse condizioni operative. Poiché le misure nel dominio target possono essere limitate, costose da raccogliere o soggette a vincoli di confidenzialità in scenari disaggregati e multi-vendor, viene investigato anche il Transfer Learning per ridurre la quantità di dati necessaria a ottenere una stima accurata dello spettro di guadagno. La stima supervisionata diretta viene quindi confrontata con approcci di Transfer Learning, tra cui XGBoost training continuation, fine-tuning di CNN, allineamento delle feature basato su CORAL e una strategia instance-based di tipo TransBoost-like. A livello di lightpath, modelli di Machine Learning stimano l’SNR atteso di lightpath non ancora stabiliti a partire da feature fisiche, topologiche e legate al traffico. Vengono valutati sia la stima diretta sia il Transfer Learning tra diverse topologie e tecnologie di trasmissione. I due livelli vengono poi collegati inserendo i profili di guadagno EDFA predetti tramite ML in una valutazione di link ottico punto-punto, con l’obiettivo di analizzare come gli errori a livello di componente influenzino la stima end-to-end dell’SNR. I risultati mostrano che i modelli data-driven possono supportare sia la modellazione dello spettro di guadagno degli EDFA sia la stima della QoT. XGBoost ottiene le migliori prestazioni nella stima diretta della QoT, con valori di MAE prossimi a 0.10dB nei migliori scenari. Nel collegamento tra componente e link, i modelli EDFA basati su ML riducono la MAE dell’SNR per canale da 1.208dB, ottenuta con un baseline a guadagno piatto, a 0.249dB. I risultati di Transfer Learning mostrano che la conoscenza appresa nel dominio sorgente può ridurre la quantità di dati target richiesta, sebbene la sua efficacia dipenda dalla relazione tra sorgente e target. In presenza di forti shift cross-dataset, gli approcci basati su CORAL e TransBoost-like mostrano un comportamento più robusto rispetto al transfer diretto basato sul modello.