Redes Neurais Artificiais para Predição de Tolerância a Falhas em Redes Ópticas

Christian Lira; Jonas Barros; Pedro Araújo; Danilo de Araújo

doi:10.5753/eniac.2019.9299

Christian Lira Universidade Federal Rural de Pernambuco
Jonas Barros Universidade Federal Rural de Pernambuco
Pedro Araújo Universidade Federal Rural de Pernambuco
Danilo de Araújo Universidade Federal Rural de Pernambuco

DOI: https://doi.org/10.5753/eniac.2019.9299

Resumo

Avaliar a resiliência de redes é uma tarefa computacionalmente custosa, visto que o método mais confiável e popular para este tipo de análise é por meio de simulações de falhas em enlaces ou em equipamentos da rede. Por outro lado, técnicas de aprendizagem de máquina tem sido usadas como bons substitutos para problemas semelhantes de predição de desempenho e aproximação de funções em geral em diversos domínios de aplicação. Este artigo propõe o uso de Redes Neurais Artificiais (RNA) para predizer o nível de tolerância a falhas de enlaces de fibra óptica em redes de transporte, usando métricas topológicas e outras informações da rede como entrada da RNA. Neste trabalho foi produzida uma base de dados para treinamento derivada de redes ópticas implantadas atualmente e os resultados foram comparados com um simulador de eventos discretos usado em trabalhos anteriores. Foram consideradas falhas simples e duplas nos enlaces de fibra óptica. De acordo com os resultados obtidos, e possível obter um método de avaliação de falhas de redes baseado em RNA que é 51.050 vezes mais rápido do que as simulações tradicionais e que apresenta um erro médio quadrático em torno de 3 · 10^-3.

Palavras-chave: Redes Neurais Artificiais, Redes Ópticas, Regressão, Modelos substitutos

Referências

Araújo, D. R. B., Bastos-Filho, C. J. A., & Martins-Filho, J. F. (2015, July). Artificial neural networks to estimate blocking probability of transparent optical networks: A robustness study for different networks. In 2015 17th international conference on transparent optical networks (icton) (p. 1-4). doi: 10.1109/ICTON.2015.7193693

Araújo, D. R. B., de Barros, G. H. P. S., Bastos-Filho, C. J. A., & Martins-Filho, J. F. (2017, Nov). Surrogate models assisted by neural networks to assess the resilience of networks. In 2017 ieee latin american conference on computational intelligence (la-cci) (p. 1-6). doi: 10.1109/LA-CCI.2017.8285704

Chaves, D., Pereira, H., Bastos-Filho, C., & Martins Filho, J. (2010, 04). Simton: A simulator for transparent optical networks. Journal of Communication and Information Systems, 25, 1-10. doi: 10.14209/jcis.2010.1

de Araujo, D. R. B., Bastos-filho, C. J. A., & Martins-filho, J. F. (2015, May). Methodology to obtain a fast and accurate estimator for blocking probability of optical networks. IEEE/OSA Journal of Optical Communications and Networking, 7(5), 380-391. doi: 10.1364/JOCN.7.000380

de Andrade Barboza, E., Bastos Filho, C. J., & Martins Filho, J. F. (2019). Adaptive control of optical amplifier operating point using voa and multi-objective optimization. Journal of Lightwave Technology.

De Araújo, D. R., Bastos-Filho, C. J., & Martins-Filho, J. F. (2015). An evolutionary approach with surrogate models and network science concepts to design optical networks. Engineering Applications of Artificial Intelligence, 43, 67–80.

Derrible, S., & Kennedy, C. (2010, 09). The complexity and robustness of metro networks. Physica A: Statistical Mechanics and its Applications, 3678-3691. doi: 10.1016/j.physa.2010.04.008

Figueirôa, E., Lima, E., Bastos-Filho, C. J., da Silva, J., Xavier, A. V., & Araújo, D. R. (2017). A routing algorithm based on fuzzy logics for elastic optical networks. In 2017 ieee 18th international conference on high performance switching and routing (hpsr) (pp. 1–6).

Glorot, X., Bordes, A., & Bengio, Y. (2011). Deep sparse rectifier neural networks. In Proceedings of the fourteenth international conference on artificial intelligence and statistics (pp. 315–323).

Hahnloser, R. H., Sarpeshkar, R., Mahowald, M. A., Douglas, R. J., & Seung, H. S. (2000). Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit. Nature, 405(6789), 947.

Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of statistical learning. Springer.

Haykin, S. (2010). Neural networks and learning machines (3rd ed.). PHI Learning Private Limited.

Ian J. Goodfellow, A. C., Yoshua Bengio. (2016). Deep learning. Cambridge, MA, USA: MIT Press.

Internet growth statistics. (2019). Retrieved from https://www.internetworldstats.com/emarketing.htm. (Acessado em 27/08/2019).

Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. Retrieved from http://arxiv.org/abs/1412.6980

Knight, S., Nguyen, H. X., Falkner, N., Bowden, R., & Roughan, M. (2011). The internet topology zoo. IEEE Journal on Selected Areas in Communications, 29(9), 1765– 1775.

Lewis, T. G. (2009). Network science - theory and applications. John Wiley & Sons.

Mieghem, P. v. (2010). Graph spectra for complex networks. Cambridge University Press. doi: 10.1017/CBO9780511921681

Ramaswami, R., Sivarajan, K., & Sasaki, G. (2009). Optical networks: a practical perspective. Morgan Kaufmann.

Wu, J., Barahona, M., Yue-Jin, T., & Deng, H.-Z. (2010, 07). Natural connectivity of complex networks. Chinese Physics Letters, 27, 078902. doi: 10.1088/0256307X/27/7/078902

Zhao, Z., Feng, X., Wei, F., Wang, S., Cao, M., & Hou, Z. (2013). Optimized neural network ensemble by combination of particle swarm optimization and differential evolution. Advances in Neural Networks, 7951, 367-374. Retrieved from http://dx.doi.org/10.1007/978-3-642-39065-44 5 doi: 10.1007/978-3-642-39065-44 5