Uso de Modelos de Classificação Binária para Controle de Admissão em Redes Ópticas Elásticas

• Mauro G. M. Barros IFPI
• Jurandir C. Lacerda Jr IFPI

DOI: https://doi.org/10.5753/sbrc_estendido.2026.23175

Resumo

O controle de admissão em Redes Ópticas Elásticas com Fibras Multinúcleo visa otimizar recursos e antecipar bloqueios devido a degradações físicas, como o crosstalk. Este trabalho modela a admissão como classificação binária e compara dois modelos de aprendizado de máquina: Máquina de Vetores de Suporte de kernel linear (Support Vector Machine Linear - SVM-L) e Rede Neural Artificial do tipo Perceptron de Múltiplas Camadas (Multilayer Perceptron - RNA-MLP). Os resultados apontaram que o modelo RNA-MLP obteve uma acurácia de 77,75%, superior ao modelo SVM-L (74,33%), se provando capaz de capturar não linearidades da admissão. A metodologia aplicou uma escala progressiva em três fases (5%, 20% e 100%), reduzindo a dimensionalidade de 10 atributos topológicos e físicos iniciais para 6 variáveis centrais a fim de eliminar ruídos computacionais e avaliar seu impacto na predição.

Referências

Araújo, S. G., Lacerda Jr, J. C., and Soares, A. C. (2025). Circuit reallocation to avoid crosstalk in elastic optical networks with space division multiplexing. In International Conference on Transparent Optical Networks (ICTON).

Carvalho, R., Pinheiro, D., Dinarte, H., Almeida Jr, R., and Bastos-Filho, C. (2025). Hybrid routing and spectrum allocation in elastic optical networks by machine learning and topological metrics. Optics, 6(4):57.

Habibi, M. and Beyranvand, H. (2019). Impairment-aware manycast routing, modulation level, and spectrum assignment in elastic optical networks. IEEE/OSA Journal of Optical Communications and Networking, 11(5):179–189.

Heera, B. S., Sharma, A., Lohani, V., and Singh, Y. N. (2024). Routing, modulation, core and spectrum assignment techniques for crosstalk management in multi-core fiber based spatially multiplexed elastic optical networks. Photonic Network Communications, 48(1-3):35–50.

Lacerda Jr., J. C., Cartaxo, A. V., and Soares, A. C. (2024). Novel dynamic impairment-aware algorithm for modulation, core, and spectrum assignment in sdm-eons. Optical Switching and Networking, 51:100763.

Lacerda Jr, J. C., Sousa, C. E., Morais, A. G., Cartaxo, A. V., and Soares, A. C. (2025). Machine learning-based algorithm for core allocation in spatial division multiplexing elastic optical networks. Optical Fiber Technology, 91:104155.

Lobato, F. R., Jacob, A., Rodrigues, J., Cartaxo, A. V., and Costa, J. (2019). Inter-core crosstalk aware greedy algorithm for spectrum and core assignment in space division multiplexed elastic optical networks. Optical Switching and Networking, 33:61–73.

Nourmohammadi, F., Parmar, C., Wings, E., and Comellas, J. (2024). Using convolutional neural networks for blocking prediction in elastic optical networks. Applied Sciences, 14(5):2003.

Oliveira, H. and Fonseca, N. (2020). Uma estratégia de proteção eficiente em eons-sdm utilizando p-cycle fipp. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 155–168, Porto Alegre, RS, Brasil. SBC.

Petale, S. and Subramaniam, S. (2024). Clara+: dual machine learning optimized resource assignment for translucent sdm-eons. Journal of Optical Communications and Networking, 16(10):F1–F12.

Ravipudi, J. L. and Brandt-Pearce, M. (2024). Machine-learning-based impairment-aware dynamic rmsca in multi-core elastic optical networks. Journal of Optical Communications and Networking, 16(10):F26–F39.

Zhang, S. and Yeung, K. L. (2023). Revisiting the modulation format selection problem in crosstalk-aware sdm-eons. Computer Networks, 221:109524.