Os algoritmos de inteligˆencia artificial utilizados nesse trabalho foram escolhidos devido sua popularidade e aplicabilidade em problemas de dimens˜oes n˜ao lineares e pelo fato de serem descritos na literatura em abordagem de problemas o´pticos.
O algoritmo REDE NEURAL PERCEPTRON (MLP) obteve um desempenho ruim, n˜ao alcan¸cando a proposta da pesquisa (prever enlaces o´pticos otimizados com uma BER aceit´avel ou solicitada). Foi observado que o algoritmo apresentou dificuldades de aprender os problemas ´opticos relacionados a distor¸c˜ao e a regenera¸c˜ao dessas distor¸c˜oes, pois realizava predi¸c˜oes desconsiderando tais problemas o´pticos e utilizando a regenera¸c˜ao de forma incoerente, consequentemente retornava enlaces o
´pticos que abusavam da regenera¸c˜ao do sinal ocasionando em outros efeitos de distor¸c˜ao (n˜ao lineares) devido ao excesso de potˆencia. Atribu´ıdo esse desempenho ruim a dificuldade do algoritmo trabalhar em um ambiente multivariado e que o limite entre as vari´aveis seja pequeno.
Os algoritmos KNN e DEEP LEARNING alcan¸caram desempenho satisfat´orio, entretanto com peculiaridades. A DEEP LEARNING apresentou capacidade de
58
generalizar bem suas predições conforme ilustrado na figura 39 (podendo ser aplicado em casos de cen´arios aonde a variac˜ao de BER dentro de um escopo definido n˜ao ´e determinante). O KNN demonstrou exatid˜ao em entregar exatamente a taxa de BER exigida em alguns casos 100 Gb/s conforme ilustrado na figura 40 (podendo ser aplicado em cen´arios mais cr´ıticos aonde a varia¸c˜ao de BER ´
e determinante). Ambos os algoritmos evidenciaram conceitualmente capacidade de identificar poss´ıveis distor¸c˜oes e a quantidade necess´aria de regenera¸c˜ao para as mitigar, sem com isso abusar da regenera¸c˜ao ou negligenciar a mesma e com isso ser poss´ıvel a comunica¸c˜ao nos projetos de enlaces ´opticos por eles previstos.
Figura 39 índice de potência de bombeamento nos EDFAs (KNN)
59
Figura 40 índice de potência de bomebeamento nos EDFAs (DEEP LEARNING)
Fonte: (Autor)
Em ambientes aonde ´e toler´avel um numero maior de erros de bits (BER) a DEEP LEARNING conseguiu prever um enlace o´ptico com uma BER solicitada de 1.10−05 e alcan¸cando uma BER 1.10−06.
A figura 41 apresenta as vari´aveis que a DEEP LEARNING identificou como importantes no treinamento, destacando a potˆencia do laser e a frequˆencia determinantes para predizer os links o´pticos solicitados, elucidando sua percep¸c˜ao do problema tratado nesse trabalho.
Figura 41: Vari´aveis importantes consideradas pela DEEP LEARNING no treinamento.
Fonte: (Autor)
Mesmo com uma limita¸c˜ao de dados para base de treinamento os algoritmos apresentaram conceitualmente serem capazes de predizer um enlace de fibra o´ptica considerando a abrangˆencia e a quantidade de vari´aveis que necessitam de serem
60
contabilizadas e analisadas para projetar enlaces de fibra ´optica.
O uso da fibra DCF não é necessário no contexto atual, pois atualmente a dispersão é tratada na recepção do sinal através do processamento digital de sinais o seu uso nesse trabalho foi necessário para construir o modelo como também devido ao mesmo motivo foi adotado o uso de um link óptico mais simplista (transmissor OOK, BERs não comerciais).
A proposta desse trabalho é construir um modelo de inteligência capaz de predizer enlaces de fibras ópticas otimizados e conceituar através desse modelo confecionado a viabilidade de otimização de projetos ópticos com o uso de IA. Para que o modelo efetuasse as predições era necessário que os algoritmos de IA retornassem mais de uma saída ou uma saída composta, visto que em um enlace óptico são vários equipamentos que são necessários para constituir um enlace (transmissor, amplificadores, fibras DCFs, etc.) e os algoritmos KNN e DEEP LEARNING apresentaram bons resultados em reproduzir essas saídas.
61
8 CONCLUSO˜ ES
Os algoritmos de aprendizado de máttquina s˜ao fortes candidatos para solu¸c˜oes de problemas de varias a´reas, os algoritmos (KNN E DEEP LEARNING) utilizados nessa pesquisa evidenciaram robustez na aplica¸c˜ao de comunica¸c˜oes ´
opticas.
Contribuindo conceituamente para a automa¸c˜ao de projetos de enlaces o´pticos otimizados, paralelamente reduzindo com isso o custo final dos projetos de enlaces o
´pticos com m˜ao de obra especializada e em um uso mais inteligente dos recursos de rede com rapidez na sua constru¸c˜ao comparado ao delay humano.
A redu¸c˜ao do custo do hardware para implementa¸c˜ao de algoritmos de aprendizado de m´aquina aumentou a produ¸c˜ao de pesquisas na a´rea e baseado nesse fato a realiza¸c˜ao de pesquisas para a viabilidade de t´ecnicas de IA em problemas o´pticos intensificou, dando o suporte necess´ario para a execu¸c˜ao do trabalho dessa pesquisa.
Os resultados da primeira etapa desse trabalho mostraram que os algoritmos al- can¸caram n´ıveis relativamente alto de precis˜ao, entretanto, o banco de dados faltava informa¸c˜oes para reproduzir de forma realista o desafio das comunica¸c˜oes o
´pticas solucionando os dois principais problemas ´opticos de distor¸c˜ao: atenua¸c˜ao e dispers˜ao.
Em contrapartida os resultados da segunda etapa de treinamento que simulam um ambiante realista do problema tratado lidando simultaneamente atenua¸c˜ao e dispers˜ao mostraram n´ıveis de acur´acia alto, excetuando o algoritmo rede neural perceptron MLP, todavia um dos objetivos desse trabalho era realizar um comparativo entre esses algoritmos que apresentam destaque na ´area de machine
learning e quais seriam os mais adequados para predi¸c˜ao de enlaces de fibra o´ptica, os que se mostraram adequados foram o KNN e a DEEP LEARNING com taxas de 99% de precis˜ao no caso da DEEP LEARNING. Foi aumentado os dados de 301 para 394 na tentativa de elevar a acur´acia do MLP, porém os resultados foram piores, devido a limita¸c˜ao do MLP em trabalhar com um ambiente multivariado e sua dificuldade de conduzir problemas n˜ao lineares e gradiente pequeno, problema que
62
vem sendo superado com a deep learning pelo fato de suas fun¸c˜oes de ativac˜ao serem mais bem elaboras e o seu arranjo neural mais complexo emulando melhor o c´erebro biol´ogico.
Na valida¸c˜ao com o Software VPI o algoritmo KNN apresenta como sa´ıda para as vari´aveis de entrada (um enlace de 100 km com uma frequˆencia de 100 Gb/s) com a BER solicitada excetuando no enlace de 40 Gb/s onde ocorreu uma varia¸c˜ao na BER solicitada. A rede neural DEEP LEARNING para o mesmo cen´ario 100 Gb/s apresentou varia¸c˜ao na BER solicitada como tamb´em no cen´ario de 40 Gb/s .
Esses resultados esclarecem de forma comparativa (construção de um modelo) o desempenho dos principais algoritmos de machine learning usados em problemas de comunicações ópticas relatados na literatura para o projeto de enlaces ópticos, evidenciando que o algoritmo KNN e a rede neural DEEP LEARNING s˜ao as t´ecnicas de inteligˆencia artificial mais promissoras para esse problema abordado nesse trabalho comparado com os demais algoritmos testados e usados na literatura, visto suas peculiaridades de predi¸c˜ao j´a discutida anteriormente, visando que esse trabalho alcançou tratar ambos os efeitos de distor¸c˜ao, atenua¸c˜ao e dispers˜ao para projetar um enlace que supere essas distor¸c˜oes previamente no projeto, mostrando tamb´em que a DEEP LEARNING ainda consegue identificar as vari´aveis mais relevantes na ocorrˆencia das distor¸c˜oes, elucidando de forma gr´afica o entendimento do algoritmo do problema abordado.
63
9 TRABALHOS FUTUROS
Para trabalhos futuros ser´a necess´ario um banco de dados maior (milhares de dados) visto a dependˆencia dos algoritmos de alto volume de dados.
A utiliza¸c˜ao de outro software de simula¸c˜ao o´ptica al´em do VPIphotonics. Trabalhar com mais de um canal, visto o emprego de sistemas de multiplexa¸c˜ao (WDM) utilizados para aumentar a capacidade do link.
Utilizar outros formatos de modula¸c˜ao complexos (QAM) que s˜ao utilizados para maximizar a capacidade de banda e com isso aumentar as chances dos surgimento de distor¸c˜oes.
Utilizar outras parametrizações nos algoritmos KNN e DEEP LEARNING e paradigmas de aprendizado não supervisionado objetivando outros resultados mais consistentes dos que foram apresentados com esse modelo nesse trabalho.
Aplicar o modelo elaborado nesse trabalho em parceria com projetistas para de fato averiguar sua executabilidade.
64
REFEREˆNCIAS BIBLIOGRA´ FICAS
Ahmad, A. S. Brain inspired cognitive artificial intelligence for knowledge extraction and intelligent instrumentation system. International Symposium on Electronics and
Smart Devices, 2017
Barboza E. A., Filho C. J. B., Filho J. F. M., Moura U. C., Oliveira J. R.; Self-adaptive erbium-doped fiber amplifiers using machine learning. IEEE MTT-S International
Microwave Optoelectronics Conference, 2013.
Barletta L., Giusti A., Rottondi C., Tornatore M.; Qot estimation for unestablished lighpaths using machine learning. Optical Fiber Communications Conference and
Exhibition (OFC), 2017.
Bruckner D., Zeilinger H., Dietrich D.; Cognitive automation—survey of novel artificial general intelligence methods for the automation of human technical environments. IEEE
Transactions on Industrial Informatics, v. 8, p. 206 – 215, 2011.
Bulbul H. I., Unsal O.; Comparison of classification techniques used in machine learning as applied on vocational guidance data. International Conference on Machine
Learning and Applications and Workshops, 2011.
Carvalho, L. P.; Introdução a sistemas de telecomunicações: abordagem histórica. 2. ed. [S.l.]: LTC, 2014.
Cisco Global Cloud Index, 2016-2021. Acessado em: [https://www.cisco.com/c/en/us/solutions/collateral/service-provider/global-cloud- index-gci/white-paper-c11-738085.html], 2019.
Dennis J. E., El-Alem M., Maciel M. C.; A global convergence theory for general trust- region-based algorithms for equality constrained optimization. IEEE/OSA Journal of
Optical Communications and Networking, v. 3, p. 17 – 26, 1997.
Dubrau, C. The digital revolution. RESEARCH WORLD, 2015.
65
techniques.
IEEE Transactions on Consumer Electronics, v. 37, n. 2, p. 395 – 400, 1991.
Fapesp, 2018. Acessado em [https://revistapesquisa.fapesp.br/wp- content/uploads/2018/02/030-035_industria_264.pdf], 2019.
Forouzan, B. A. Comunicacao de dados e redes de computadores. 4. ed. [S.l.]: Porto Alegre, 2008.
Gonzalez N. G., Zibar D., Monroy I. T.; Cognitive digital receiver for burst mode phase modulated radio over fiber links. 36th European Conference and Exhibition on Optical
Communication, 2010.
Greenidge C. D., Miller N. Norman K. A.; A python package for modeling recurrent, biologically-realistic neural networks. Neural and Evolutionary Computing, 2018. Gutzwiller R. S., Reeder J.; Human interactive machine learning for trust in teams of autonomous robots. IEEE Conference on Cognitive and Computational Aspects of
Situation Management, 2017.
Hayat S., Kun S., Tengtao Z., Yu Y., Tu T., Du Y.; A deep learning framework using convolutional neural network for multi-class object recognition. IEEE 3rd International
Conference on Image, Vision and Computing, 2018
Haykin, S. Redes neurais. 2. ed. [S.l.]: Porto Alegre : Bookman, 2007.
Hewitt, P. G. Fundamentos de fisica conceitual . [S.l.]: Porto Alegre : Bookman, 2009.
Huang C. J., Liu M. C., Chu S. S., Cheng C. L.; Application of machine learning techniques to web-based intelligent learning diagnosis system. Fourth International
Conference on Hybrid Intelligent Systems, 2004.
Huang Y., Samoud W., Gutterman C. L., Ware C., Lourdiane M., Zussman G., et al.; A machine learning approach for dynamic optical channel add/drop strategies that minimize edfa power excursions. Fourth International Conference on Hybrid Intelligent
66
Keiser, G. Comunicacoes em fibras opticas . 2. ed. [S.l.]: Porto Alegre, 2014.
Khan F. N., Zhou Y., Lao A. P. T., Lu C.; Modulation format identification in heterogeneous fiber-optic networks using artificial neural networks. OSA Journal of
Optical Communications, 2012.
Lin F. C., Ko L. W., Chen S. A., Chen C. F., Lin C. T.; Eeg-based cognitive state monitoring and predition by using the self-constructing neural fuzzy system.
Proceedings of 2010 IEEE International Symposium on Circuits and Systems, 2010.
Marin, P. S. Cabeamento Estruturado. 1. ed. [S.l.] Érica, 2014.
Martinelli F., Andriolli N., Castoldi P., Cerutti I.; Genetic approach for optimizing the placement of all-optical regenerators in wson. Optical Society of America, v. 6, p. 17 – 26, 2014.
Mata J., Miguel I., Durán R. J., Aguado J. C., Merayo N., Ruiz L., et al.; A svm approach for lightpath qot estimation in optical transport networks. IEEE International Conference
on Big Data, 2017.
Mata J., Miguel I., Durán R. J., Merayo N., Singh S. K., Jukan A., et al.; Artificial intelligence (ai) methods in optical networks: A comprehensive survey. Optical Switching
and Networking, v. 28, p. 43–57, 2018.
Mendes G.; Acessado em [https://www.researchgate.net/figure/Figura-1-Modelo-de-um- neuronio-perceptron-de-Rosenblatt-Fonte-Adaptado-de-Medeiros_fig1_262747683], 2019
Moraes, A. F. Redes de computadores: fundamentos. 7. ed. [S.l.]: E´rica, 2010.
Morais R., Pavan C., Pinto A., Requejo C.; Genetic algorithm for the topological design of survivable optical transport networks. IEEE/OSA Journal of Optical Communications
and Networking, v. 3, p. 17 – 26, 2011.
Morgan, M. An ant colony approach to regenerator placement with fault tolerance in optical networks. 7th International Workshop on Reliable Networks Design and Modeling
67
Okuyama T., Gonsalves T., Upadhay J.; Autonomous driving system based on deep q learnig. International Conference on Intelligent Autonomous Systems, 2018. Pala Z., Yamli, V., Unluk I. h.; Deep learning researches in turkey: An academic
approach. International Conference on Perspective Technologies and Methods in MEMS
Design, 2017
Park K., Nguyen M. C., Won H.; Web-based collaborative big data analytics on big data as a service platform. International Conference on Advanced Communication
Technology, 2015.
Pinto, M. O.; Energia elétrica: geração, transmissão e sistemas interligados. 1. ed. [S.l.]: LTC, 2018.
Rafique, D. Machine learning based optimal modulation format prediction for physical layer network planning. 2018 20th International Conference on Transparent Optical
Networks (ICTON), 2018.
Ribeiro, J. A. J. Comunicações ópticas. [S.l.]: Érica 2009.
Russell S., Norvig, P. Inteligência Artificial. 3. ed. [S.l.]: Campus, 2013.
Shamsuddin S. M., Hasan S.; Data science vs big data @ utm big data centre.
International Conference on Science in Information Technology, 2015.
Samadi P., Amar D., Lepers C., Lourdiane M., Bergman K.; Quality of transmission prediction with machine learning for dynamic operation of optical wdm networks.
European Conference on Optical Communication, 2017.
Sherkhane P., Vora D.; Survey of deep learning software tools. International Conference
on Data Management, Analytics and Innovation, 2017.
Shimizu S., Cincotti G., Wada N.; Optical channel defragmentation technology for flexible optical networks. International Conference on Transparent Optical Networks, 2015.
68
Tan T. G., Teo J., Anthony P.; A simple heuristic search method for the automatic generation of neural-based game artificial intelligence architectures in ms. pac-man.
International Conference on Information Science, Signal Processing and their Applications, 2010.
Tanimura T., Hoshida T. Rasmussen J. C., Suzuki M., Morikawa H.; Osnr monitoring by deep neural networks trained with asynchronously sampled data. 21st OptoElectronics
and Communications Conference (OECC) held jointly with 2016 International Conference on Photonics in Switching (PS), 2016.
Tenni J., Lehtola A., Jaaranen K.; Machine learning of language translation rules.
IEEE International Conference on Systems, Man, and Cybernetics, 1999.
Thrane J., Wass J., Piels M., Diniz J. C., Jones R., Zibar D.; Machine learning techniques for optical performance monitoring from directly detected pdm-qam signals. Journal of
Lightwave Technology, v. 35, p. 868 – 875, 2016.
Torres, G. Redes de Computadores: Versão Revisada e Atualizada. 1. ed. [S.l.]: Nova
Terra, 2010.
Tsang CHK., Bloor C.; A medical expert system using object-oriented framework.
Proceedings of IEEE Symposium on Computer-Based Medical Systems, 1994.
Wang D., Zhang M., Li Z., Cui Y., Liu J., Yang Y., et al.; Nonlinear decision boundary created by a machine learning-based classifier to mitigate nonlinear phase noise.
European Conference on Optical Communication (ECOC), 2015.
Wang, Y. Cognitive foundations of knowledge science and deep knowledge learning by cognitive robots. IEEE International Conference on Cognitive Informatics Cognitive
Computing, 2017.
Wu T.; Impérios da comunicação Do telefone `a internet, da ATT ao Google. [S.l.]: Zahar, 2011.
Wu X., Jargon J. A., Skoog R. A., Paraschis L., Willner A. E.; Applications of artificial neural networks in optical performance monitoring. Journal of Lightwave Technology, v.
69
27, p. 16, 2009.
Zhang, B. Computer vision vs. human vision. IEEE International Conference on
Cognitive Informatics, 2010.
Zhang L., Wang S., Liu B.; Deep learning for sentiment analysis: A survey. WIREs Data
Mining Knowl Discov., 2018.
Zhao C., Chang H., Liu Q.; Bayesian algorithm based traffic prediction of big data services in openflow controlled optical networks. IEEE 2nd International Conference on
Big Data Analysis, 2017.
Zibar D., Carvalho L. H. H., Piels M., Doberstein A., Diniz J. Nebendahl B., Nebendahl C., et al.; Application of machine learning techniques for amplitude and phase noise characterization. JOURNAL OF LIGHTWAVE TECHNOLOGY, v. 33, p. 1333 – 1343, 2006