أصبحت تطبيقات الذكاء الاصطناعي في الشبكات البصرية ذات أهمية متزايدة لتعزيز أداء وموثوقية نقل البيانات. من خلال الاستفادة من الذكاء الاصطناعي/مل في الشبكات البصرية ، يمكن لمشغلي الشبكات تحقيق معدلات بيانات أعلى ، وتحسين الموثوقية ، وانخفاض التكاليف التشغيلية. يسمح AI بإدارة الشبكات المعقدة على نطاق وسرعة لا يمكن تحقيقها مع الطرق التقليدية. مع تطور تكنولوجيا الشبكة البصرية وتزداد متطلبات البيانات ، من المتوقع أن يتوسع دور الذكاء الاصطناعي ، مما يؤدي إلى زيادة الابتكار في تصميم الشبكة وتشغيلها والصيانة.
ما هي تطبيقات الذكاء الاصطناعي/مل المحتمل للشبكات البصرية؟
تصميم الشبكة والتخطيط والتحسين:
• التنبؤ بحركة المرور: يمكن أن تتنبأ الذكاء الاصطناعي بأنماط حركة المرور وضبط تخصيص عرض النطاق الترددي بشكل استباقي لتلبية الطلب ، وبالتالي تحسين استخدام موارد الشبكة.
• تحسين المسار: تقوم خوارزميات التعلم الآلي بتحليل بيانات الشبكة لتحديد المسارات الأكثر كفاءة لحزم البيانات ، وتقليل الكمون والاحتقان إلى مفهوم شبكات الشبكات الذاتية
• الشبكات التكوين الذاتي: تتيح الذكاء الاصطناعي/مل الشبكات البصرية تكوين نفسها تلقائيًا عند إضافة أجهزة جديدة أو عند اكتشاف تغييرات في حركة المرور.
• تخصيص الموارد: يقوم AI/ML بتخصيص موارد الشبكة ديناميكيًا مثل الأطوال الموجية وعرض النطاق الترددي ، مما يؤدي إلى تحسين ظروف الشبكة الحالية والطلب.
التنبؤ بالفشل:
• من خلال تحليل بيانات الشبكة (التاريخية والحالية) ، يمكن أن تتنبأ الذكاء الاصطناعي عندما من المحتمل أن تفشل المكونات وجدولة الصيانة قبل حدوث المشكلات ، مما يحسن موثوقية الشبكة.
اكتشاف الشذوذ للاستعادة الاستباقية: يمكن أنظمة الذكاء الاصطناعي/مل مراقبة الشبكة من أجل الحالات الشاذة التي قد تشير إلى فشل وشيك ، مما يسمح باستعادة الخدمات الوقائية
أنظمة النقل التكيفية:
• تعديل تنسيق التعديل: يمكن لـ AI/ML تحديد تنسيق التعديل الأمثل لنقل البيانات استنادًا إلى ظروف الشبكة في الوقت الفعلي ، مثل جودة الإشارة وإعاقة القناة.
• تحسين مستوى الطاقة: تعدل خوارزميات AI/ML مستويات الطاقة للإشارات البصرية لضمان انتقال فعال مع تقليل التداخل والتحدث المتبادل.
تعلم من الشبكة الحقيقية:
• تفسير بيانات الشبكة: توفر تقنيات AI/ML تفسيرًا بناءًا من مقياس انعكاس مجال الوقت الضوئي (OTDR) وبيانات RAW ONM
جودة الإرسال (QOT) تقدير:
• التنبؤ Qot: تتنبأ نماذج الذكاء الاصطناعى بجودة الإرسال للاتصالات الجديدة بناءً على معلمات الشبكة المختلفة ، مما يساعد على ضمان استيفاء SLAs (اتفاقيات مستوى الخدمة).
تعلم من الشبكة الحقيقية: التعرف على أحداث OTDR التلقائيلنلقي نظرة فاحصة على التعلم من تطبيق الشبكة الحقيقية. يقوم الخبراء البصريون بتحليل آثار OTDR لتحديد الأخطاء في روابط الألياف ويضمنون جودة عمليات الإرسال. يتم تحقيق ذلك من خلال فحص توقيعات الأحداث ، والتي تشير إلى الموقع في آثار عطل جهاز معين أو خطأ ، مثل الألياف المكسورة أو الموصل السيئ أو الألياف المنحنية. تعمل أنظمة OTDR عن طريق حقن نبض ليزر قصير في أحد طرفي الألياف وقياس الضوء المنعكس والانعكاس مع ثنائيات ضوئية في نفس الموقع. تسمى نتيجة هذه العملية تتبع OTDR ، أي تمثيل رسومي للطاقة البصرية كدالة للمسافة على طول الألياف. تم الإبلاغ عن مثال نموذجي في الصورة أدناه.
توضيح تتبع OTDR مع أحداث متعددة. تصف تعليقات النص الأسباب الجذرية لهذه الأحداث.
أصبح من الممكن الآن استخدام خوارزميات AI/ML في اكتشاف الأحداث التلقائية الأخيرة لتجاوز عمليات التفتيش البشرية المستهلكة للوقت والمملة. التطبيق "مدرب" لفهم أنماط الأحداث المختلفة والتعرف عليها مثل تلك أدناه.
الأنماط المحتملة المستخدمة "لتدريب" الخوارزمية.
يعد التعرف على أحداث AI/ML عملية التعرف المرئي: يمكن أن يرى AI/ML الأحداث التي لا يمكن أن يجدها تحليل OTDR الرياضي. ينتج عن هذا تحليل قوي للغاية للمستخدم لاستقراء حيث كان للألياف البصرية مشكلة من أجل أن تكون قادرة على إصلاحه.
مثال على AI/ML وصف "الأحداث" للمستخدم.
تدفق وتبسيط إدارة الشبكات البصريةالشبكات المعرفية هي مجموعة فرعية من تطبيقات الذكاء الاصطناعى المصممة خصيصًا لإدارة الشبكات ، القادرة على جمع البيانات ، والتعلم منها ، وإنشاء الاستراتيجيات ، واتخاذ القرارات ، وتنفيذ الإجراءات المناسبة. خوارزميات التعلم الآلي هي حجر الزاوية في هذا النهج ، حيث تقدم رؤى متعمقة في سلوك الشبكة ، والتي بدورها تمكن المشغلين من اتخاذ قرارات مستنيرة وفعالة لتحسين الشبكة.
هذه المبادئ ذات صلة بنفس القدر بالشبكات البصرية ، حيث تقوم بإلغاء تأمين العديد من حالات الاستخدام ، بما في ذلك تحسين الشبكة واستعادة الشبكة الاستباقية وتحليل ظروف الشبكة. على الرغم من أننا في المراحل المبكرة من دمج الذكاء الاصطناعي و ML في إدارة الشبكة ، إلا أن الإمكانات لا يمكن إنكارها. تقدم أدوات الذكاء الاصطناعى و ML أصولًا قيمة لمشغلي الشبكات ، ووعد تقدم كبير في الكفاءة والموثوقية.
