Unsupervised learning algorithms for data-driven fault management in optical networks

Ao longo dos últimos anos, o surgimento de aplicações mais complexas e exigentes em termos de largura de banda tem exigido esforços para garantir a confiabilidade das redes ópticas. A ocorrência de falhas, por exemplo, pode afetar diretamente a qualidade de transmissão destes sistemas ópticos, causando várias implicações, incluindo perdas de pacotes e interrupção do serviço. Assim, é vital mitigar falhas em redes ópticas para garantir a disponibilidade do sistema e cumprir os requisitos dos acordos de nível de serviço. Além disso, uma vez que a complexidade das redes ópticas evolui, abordagens baseadas em aprendizado de máquina têm sido propostas para lidar com a dinamicidade dos sistemas, proporcionando simultaneamente uma gestão automatizada das falhas. Grande parte destas abordagens baseiam-se em algoritmos de aprendizagem supervisionada, os quais exigem grandes quantidades de dados de falhas para serem corretamente treinados. No entanto, dados de condições falhosas são tipicamente escassos em cenários práticos, impondo limitações para a aplicação de modelos supervisionados. Portanto, neste trabalho, são explorados vários algoritmos de aprendizagem não-supervisionada para efetuar a gestão de falhas em redes ópticas. Uma vez que os dados de falhas são ausentes em vários cenários do mundo real, estratégias não-supervisionadas utilizando apenas dados de condições normais podem ser uma alternativa eficaz. Tais estratégias não necessitam de dados de falha, por conseguinte, requerem muito menos dados para o treinamento dos modelos. Os desempenhos da detecção e localização de falhas de algoritmos baseados em agrupamentos (K-means, Fuzzy C-means, modelo baseado em Distância de Mahalanobis Quadrática, e modelo de Mistura Gaussiana) e de algoritmos baseados em redução de dimensionalidade (Análise de Componentes Principais e Autoencoder) são comparados neste trabalho baseados em um conjunto de dados derivado de um testbed óptico. As técnicas são avaliadas em termos de erros do Tipo I (falsos positivos) e do Tipo II (falsos negativos). Em última análise, todas as técnicas demonstraram resultados satisfatórios na detecção de falhas, mesmo que treinadas apenas com dados de condições normais, atingindo uma acurácia média acima de 90%. Tais resultados sugerem sua aplicabilidade em cenários reais de gestão de falhas em redes ópticas.