Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Santos, Luan Carlos Martins dos, 1992-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado de máquina
Aprendizado profundo
Redes ópticas
Machine learning
Deep learning
Optical networks
Link de acesso: https://hdl.handle.net/20.500.12733/35720
Resumo: Orientador: Darli Augusto de Arruda Mello
id UNICAMP-30_3eda381ae8edb032b437d465a9e35a9d
oai_identifier_str oai::1518793
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particularesQoT estimation based on machine learning techniques customized for specific optical networksAprendizado de máquinaAprendizado profundoRedes ópticasMachine learningDeep learningOptical networksOrientador: Darli Augusto de Arruda MelloDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Esta dissertação aborda fundamentos e apresenta contribuições relacionadas à estimação da qualidade de transmissão quality of transmission - QoT) de sinais em redes ópticas com o uso de metodologias baseadas em aprendizado de máquina (machine learning - ML). Na literatura, há trabalhos sobre este assunto que consideram dados oriundos de características topológicas da rede como comprimento e quantidade de spans, comprimento de enlace, número de nós, entre outros atributos, para treinar algoritmos de ML para estimação de QoT. Entretanto, estes dados não representam o quanto a QoT dos sinais ópticos é penalizada em cada enlace em específico, o que prejudica o desempenho dos estimadores de QoT. Diante disso, esta dissertação propõe um método de estimação de QoT baseado em ML cujos dados de treinamento também são provenientes de características topológicas, mas que representam o quanto cada enlace em particular degrada a QoT dos sinais de comunicação. Os algoritmos de ML considerados neste estudo são a máquina de vetores de suporte (support vector machine - SVM), extreme gradient boosting (XGBoost) e redes neurais profundas (deep neural network - DNN). Além disso, para os casos em que há pouca disponibilidade de dados de treinamento, esta dissertação propõe uma solução baseada em um gêmeo digital de rede óptica (network digital twin - NDT) para geração de dados sintéticos e, assim, suprir esta carência. Para validar as propostas deste trabalho, realizaram-se quatro experimentos, nos quais um cenário de uso baseado em uma rede óptica com topologia alemã foi considerado. Para avaliar a habilidade do algoritmo de estimação de QoT em capturar as imperfeições da rede óptica, simulou-se uma rede com perturbações parabólicas no ganho e na figura de ruído de amplificadores. No primeiro experimento, o treinamento acontece exclusivamente por meio de serviços práticos, os quais consideram as perturbações parabólicas. No segundo experimento, o treinamento concatena dados práticos e dados sintéticos gerados pelo NDT com banda constante. No terceiro experimento, os dados sintéticos gerados pelo NDT têm bandas heterogêneas. No último experimento, os algoritmos de ML são inicialmente treinados por meio dos dados de serviços sintéticos com as mesmas características do experimento anterior e, por fim, são submetidos ao processo de fine-tuning por meio dos dados de serviços práticos. Em todos os experimentos, os desempenhos dos estimadores de QoT foram medidos por meio do erro absoluto médio. Concluiu-se que o mecanismo utilizado no quarto experimento é a melhor maneira de treinar os algoritmos de ML para estimação de QoTAbstract: This dissertation addresses fundamentals and presents contributions related to the estimation of the quality of transmission (QoT) of signals in optical networks using machine learning (ML)-based methodologies. In the literature, studies on this topic consider data derived from the network's topological characteristics, such as span length and quantity, link length, number of nodes, among other attributes, to train ML algorithms for QoT estimation. However, this data does not represent how much the QoT of optical signals is penalized by each specific link, which hinders the performance of QoT estimators. In light of this, this dissertation proposes a QoT estimation method based on ML whose training data also originates from topological characteristics but represents the extent to which each particular link degrades the QoT of communication signals. The ML algorithms considered in this study are support vector machines (SVM), extreme gradient boosting (XGBoost), and deep neural networks (DNN). Additionally, for cases where training data is scarce, this dissertation proposes a solution based on a network digital twin (NDT) to generate synthetic data and thus address this limitation. To validate the proposals in this work, four experiments were conducted, where a use case scenario based on an optical network with German topology was considered. To evaluate the ability of the QoT estimation algorithm to capture the imperfections of the optical network, a network with parabolic perturbations in the gain and noise figure of amplifiers was simulated. In the first experiment, training is exclusively carried out using practical services, which take into account the parabolic perturbations. In the second experiment, training combines practical data and synthetic data generated by the NDT with constant bandwidth. In the third experiment, the synthetic data generated by the NDT has heterogeneous bandwidths. In the final experiment, ML algorithms are initially trained using synthetic service data with the same characteristics as in the previous experiment and are subsequently subjected to fine-tuning using practical service data. In all experiments, the performance of the QoT estimators was measured using the mean absolute error. It was concluded that the mechanism used in the fourth experiment is the best approach to train ML algorithms for QoT estimationAbertoMestradoTelecomunicações e TelemáticaMestre em Engenharia Elétrica[s.n.]Mello, Darli Augusto de Arruda, 1976-Esteve Rothenberg, Christian RodolfoAldaya, IvanUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSantos, Luan Carlos Martins dos, 1992-20252025-05-06T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (94 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/35720SANTOS, Luan Carlos Martins dos. Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares. 2025. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: 20.500.12733/35720. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1518793Cover: https://repositorio.unicamp.br/capa/capa?codigo=1518793Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-09-19T10:01:09Zoai::1518793Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-09-19T10:01:09Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
QoT estimation based on machine learning techniques customized for specific optical networks
title Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
spellingShingle Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
Santos, Luan Carlos Martins dos, 1992-
Aprendizado de máquina
Aprendizado profundo
Redes ópticas
Machine learning
Deep learning
Optical networks
title_short Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
title_full Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
title_fullStr Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
title_full_unstemmed Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
title_sort Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares
author Santos, Luan Carlos Martins dos, 1992-
author_facet Santos, Luan Carlos Martins dos, 1992-
author_role author
dc.contributor.none.fl_str_mv Mello, Darli Augusto de Arruda, 1976-
Esteve Rothenberg, Christian Rodolfo
Aldaya, Ivan
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Santos, Luan Carlos Martins dos, 1992-
dc.subject.por.fl_str_mv Aprendizado de máquina
Aprendizado profundo
Redes ópticas
Machine learning
Deep learning
Optical networks
topic Aprendizado de máquina
Aprendizado profundo
Redes ópticas
Machine learning
Deep learning
Optical networks
description Orientador: Darli Augusto de Arruda Mello
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-05-06T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/35720
SANTOS, Luan Carlos Martins dos. Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares. 2025. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: 20.500.12733/35720. Acesso em: 29 set. 2025.
url https://hdl.handle.net/20.500.12733/35720
identifier_str_mv SANTOS, Luan Carlos Martins dos. Estimação de QoT baseada em técnicas de aprendizado de máquina customizadas para redes ópticas particulares. 2025. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: 20.500.12733/35720. Acesso em: 29 set. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1518793
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1518793
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (94 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1844628738600337408

Registros relacionados