L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services rĂ©partis, Architectures, ModĂ©lisation, Validation, Administration des RĂ©seaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Reda AYASSI
AutorisĂ© Ă prĂ©senter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, prĂ©parĂ© Ă TĂ©lĂ©com SudParis en :
Mathématiques et Informatique
« Techniques de l’intelligence artificielle pour l’amélioration des performances et l’optimisation des ressources des réseaux optiques »
le MARDI 12 DÉCEMBRE 2023 à 9h00
Ă
B206
9 Rue Charles Fourier, 91000 EVRY, France
Membres du jury :
M. Noel CRESPI, Full professor, TĂ©lĂ©com SudParis, FRANCE – Directeur de these
M. Massimo TORNATORE, Full professor, Politecnico di Milano, ITALIE – Rapporteur
M. John PUENTES, Full professor, IMT Atlantique, FRANCE – Rapporteur
M. Yvan POINTURIER, IngĂ©nieur de recherche, Huawei Technologies France, FRANCE – Examinateur
M. Michel MORVAN, MaĂ®tre de confĂ©rences, IMT Atlantique, FRANCE – Examinateur
Mme Catherine LEPERS, Full professor, Telecom SudParis, FRANCE – Examinateur
M. Ahmed TRIKI, IngĂ©nieur de recherche, Orange Innovation, FRANCE – Co-encadrant de these
« Techniques de l’intelligence artificielle pour l’amélioration des performances et l’optimisation des ressources des réseaux optiques »
présenté par Monsieur Reda AYASSI
Résumé :
L’estimation de la qualitĂ© de transmission (QoT) des chemins optiques est cruciale dans la conception du rĂ©seau et le provisionnement des services. Des Ă©tudes rĂ©centes se sont tournĂ©es vers les techniques de l’intelligence artificielle (IA) pour amĂ©liorer la prĂ©cision de l’estimation de la QoT, en utilisant les donnĂ©es gĂ©nĂ©rĂ©es par le rĂ©seau optique. Nous distinguons quatre catĂ©gories de solutions. La première catĂ©gorie consiste Ă construire un modèle d’IA pour vĂ©rifier la faisabilitĂ© d’un chemin optique. La deuxième catĂ©gorie vise Ă proposer des modèles basĂ©s sur l’IA pour remplacer les modèles analytiques. La troisième catĂ©gorie utilise l’IA pour amĂ©liorer les performances des modèles d’estimation de la QoT en rĂ©duisant l’incertitude sur les paramètres d’entrĂ©e. La dernière catĂ©gorie consiste Ă amĂ©liorer les performances et la capacitĂ© de gĂ©nĂ©ralisation des solutions Ă base d’IA en amĂ©liorant les Ă©chantillons des jeux de donnĂ©es dans la phase d’apprentissage grâce Ă des techniques d’apprentissage par transfert. Les modèles d’estimation de la QoT peuvent constituer un module dans le Digital Twin du rĂ©seau optique, visant Ă simuler l’impact d’une nouvelle configuration sur la performance du rĂ©seau avant la phase de dĂ©ploiement. Cependant, ces modèles requirent une connaissance parfaite de l’Ă©tat du rĂ©seau, reprĂ©sentĂ© Ă partir d’un ensemble de paramètres optiques ayant des valeurs qui peuvent ĂŞtre certaines ou incertaines. Les mesures de performance collectĂ©es par le contrĂ´leur peuvent reprĂ©senter un feedback sur la prĂ©cision de l’estimation de la QoT, ce qui peut dĂ©clencher des algorithmes Ă base de machine learning pour raffiner les valeurs des paramètres incertains. Dans cette thèse, nous Ă©tudions le problème d’incertitude des paramètres, et nous proposons trois approches pour amĂ©liorer la QoT dans ce cas. Nous proposons pour chaque approche un certain nombre de processus d’apprentissage et nous testons leur performances avec des donnĂ©es de simulation et des donnĂ©es collectĂ©es Ă partir du rĂ©seau opĂ©rationnel. La première approche se base sur l’optimisation des paramètres du rĂ©seau en utilisant l’erreur dans l’estimation de la QoT comme fonction d’objectif. Nous implĂ©mentons cette approche avec deux processus d’apprentissage, le premier basĂ© sur un modèle analytique (GNPy) et le deuxième sur un modèle Ă base de machine learning (rĂ©seau de neurones). Cette approche arrive Ă minimiser l’erreur d’estimation jusqu’Ă 0~dB pour des configurations de rĂ©seau oĂą le modèle a Ă©tĂ© dĂ©jĂ entraĂ®nĂ©, et atteint une erreur d’estimation de 0.3~dB sur des nouvelles configurations. Dans la deuxième approche, nous rĂ©-entraĂ®nons un modèle basĂ© sur un rĂ©seau de neurones pour l’adapter Ă l’incertitude des paramètres en utilisant l’apprentissage par transfert. Nous montrons que le modèle peut apprendre un nouveau comportement sans optimiser les paramètres incertains. Nous arrivons Ă une erreur de validation de 0.5~dB avec seulement dix nouveaux Ă©chantillons. La dernière approche consiste Ă dĂ©tecter les changements de paramètres en rĂ©ponse Ă un Ă©vĂ©nement de panne en utilisant des techniques d’apprentissage par renforcement. Nous considèrons deux types de pannes, et nous montrons que le modèle atteint une prĂ©cision de classification de 93% dans une petite topologie. Enfin, nous appliquons la première approche basĂ©e sur l’optimisation BayĂ©sienne pour raffiner les paramètres du rĂ©seau sur des donnĂ©es collectĂ©es Ă partir d’un rĂ©seau opĂ©rationnel. Nous extrayons les donnĂ©es Ă partir de l’interface nord du contrĂ´leur, et nous construisons l’Ă©tat du rĂ©seau selon le modèle de donnĂ©e d’entrĂ©e de GNPy. En appliquant notre processus d’apprentissage sur deux lignes de transmission, nous constatons une rĂ©duction d’erreur qui atteint 1.7~dB sur les services monitorĂ©s.
Abstract :
Estimating lightpath Quality of Transmission (QoT) is crucial in network design and service provisioning. Recent studies have turned to artificial intelligence (AI) techniques to improve the accuracy of QoT estimation using the data generated by the operational network. We distinguish four categories of solutions. The first category consists of building AI models to check the feasibility of a lightpath. The second category aims to predict the exact QoT performance in order to compete with analytical models. The third category uses AI to improve the performance of QoT estimation models by reducing the uncertainty on input parameters. The last category consists of improving the performance and generalization ability of AI-based solutions by retraining the models using the least amount of training samples through transfer learning techniques. QoT models can act as part of the digital twin of the operational network by simulating the impact of new network configurations before deploying them. However, they require a perfect knowledge of the network state, consisting of a set of optical parameters that have different levels of uncertainty. Using the QoT measurements collected by the network controller, we can have a feedback about the QoT estimation inaccuracy, which can potentially be addressed using ML based techniques. In this thesis, we study this issue of uncertainty in network parameters and consider three approaches that can improve the QoT estimation in this case. We propose different learning processes in each approach, and test their performance using simulation and real data. The first approach relies on optimizing the network parameters using the QoT estimation error as an objective function. We apply this approach through two learning processes to target QoT estimation tools based respectively on analytical model (GNPy) and Machine Learning (neural network). This approach can minimize the SNR estimation error to close to 0~dB on already trained network configuration, and reaches 0.3~dB estimation error on unseen network configurations. In the second approach, we retrain a neural network based model to adapt it to changes in QoT due to parameters uncertainty through Transfer Learning. We show how the model can relearn the new behavior of the network without searching for the correct values of the network parameters. We can reach up to 0.5~dB in validation error with only ten new training samples. The last approach consists of detecting parameter changes in response to failure events using reinforcement learning techniques. We consider two types of failure events. We show that the model can correctly classify the events with up to 93% of accuracy in small network topologies. Finally, we apply the first approach based on Bayesian Optimization algorithm to refine network parameters using data collected from a live network. We use data extracted from the north-bound interface of the network controller to build a network state based on the input data model of GNPy. Then, we apply our learning process on two transmission lines, which led to SNR estimation improvement up to 1.7~dB for the monitored services.