Αλγόριθμοι δρομολόγησης για ευέλικτα οπτικά δίκτυα

Abstract

his PhD dissertation belongs to the research field of optical networks, and more specifically to the field of routing and optimization algorithms for elastic (flexible) optical networks. The continuous Internet traffic increase has created the need for more efficient optical networks. Recent developments in the field of optical networks are particularly important but are not enough to meet the needs of the near future. The architecture of the optical networks should evolve to allow dynamic control and adaptation of the network to changing conditions. This presupposes the development of algorithms that will initially use the information from the current state of the network. Next, from current and future requirements, the algorithms will determine possible optimization functions, and then decide on the execution of the respective actions. The implementation of these algorithms is the subject of this doctoral dissertation and has the effect of increasing the efficiency of optical networks, managing their resources more efficiently and reducing operating costs. In particular, we developed three methods for estimating the quality of transmission. The first is based on an algebraic method (Network Kriging) that models the interference of neighboring channels to provide high accuracy in the estimation. The other two estimation methods use mechanical learning and achieve even better accuracy. One uses mechanical learning methods to train the parameters of a physical level model to achieve high accuracy, and the other uses machine learning techniques with specific features to train to provide high-precision assessments. We also developed a framework that also relies on Network Kriging and reduces the metering inaccuracies of performance monitors, and detects link-level errors. Furthermore, we developed a toolkit that is used to adjust the transmission parameters of the paths (symbol rate, modulation format etc) so that their quality of transmission is always acceptable. Finally, we developed an ILP algorithm that enables spectrum sharing between different class connections. In case the quality of transmission of a high class path deteriorates, it can borrow spectrum from a low class neighbor and adjust its transmission parameters to bring the quality of transmission back to acceptable levels.

Η παρούσα διδακτορική διατριβή εντάσσεται στο ερευνητικό πεδίο των οπτικών δικτύων, και πιο συγκεκριμένα των αλγορίθμων δρομολόγησης και βελτιστοποίησης για ευέλικτα οπτικά δίκτυα. Η ολοένα αυξανόμενη κίνηση στο διαδίκτυο έχει δημιουργήσει την ανάγκη για πιο αποδοτικά οπτικά δίκτυα. Οι πρόσφατες εξελίξεις στον τομέα των οπτικών δικτύων είναι ιδιαίτερα σημαντικές αλλά δεν είναι αρκετές για να καλύψουν τις ανάγκες του κοντινού μέλλοντος. Η αρχιτεκτονική των οπτικών δικτύων θα πρέπει να εξελιχθεί ώστε να γίνει εφικτός ο δυναμικός έλεγχος και η προσαρμογή του δικτύου σε μεταβαλλόμενες συνθήκες. Αυτό προϋποθέτει την ανάπτυξη αλγορίθμων οι οποίοι αρχικά θα αξιοποιούν τις πληροφορίες από την τρέχουσα κατάσταση του δικτύου. Έπειτα, από τις τωρινές και μελλοντικές απαιτήσεις, οι αλγόριθμοι θα καθορίζουν πιθανές λειτουργίες βελτιστοποίησης, και εν συνεχεία θα αποφασίζουν για την εκτέλεση των αντίστοιχων ενεργειών. Η υλοποίηση αυτών των αλγορίθμων είναι το αντικείμενο της παρούσας διδακτορικής διατριβής και έχει ως αποτέλεσμα την αύξηση της αποδοτικότητας των οπτικών δικτύων, την αποτελεσματικότερη διαχείριση των πόρων τους και την μείωση των εξόδων λειτουργίας τους. Πιο συγκεκριμένα αναπτύξαμε τρεις μεθόδους για εκτίμηση ποιότητας μετάδοσης μονοπατιών. Η πρώτη βασίζεται σε μία αλγεβρική μέθοδο επίλυσης (Network Kriging) η οποία μοντελοποιεί τις παρεμβολές των γειτονικών καναλιών ώστε να παρέχει μεγάλη ακρίβεια στην εκτίμηση ποιότητας μετάδοσης. Οι άλλες δύο μέθοδοι εκτίμησης χρησιμοποιούν μηχανική μάθηση και επιτυγχάνουν ακόμα καλύτερη ακρίβεια. Η μία χρησιμοποιεί μεθόδους μηχανικής μάθησης για την εκπαίδευση των παραμέτρων ενός μοντέλου φυσικού επιπέδου για την επίτευξη υψηλής ακρίβειας, και η δεύτερη χρησιμοποιεί μεθόδους μηχανικής μάθησης με συγκεκριμένα χαρακτηριστικά (features) ώστε να εκπαιδευτεί για να παρέχει εκτιμήσεις υψηλής ακρίβειας. Επίσης αναπτύξαμε ένα πλαίσιο το οποίο βασίζεται και αυτό σε μεθόδους Network Kriging και μειώνει τις μετρητικές ανακρίβειες των συσκευών παρακολούθησης απόδοσης, και εντοπίζει σφάλματα σε επίπεδο συνδέσμου. Ακόμα αναπτύξαμε μία εργαλειοθήκη η οποία χρησιμοποιείται για να προσαρμόσει τις παραμέτρους μετάδοσης των μονοπατιών (ρυθμός συμβόλου, modulation format κλπ) ώστε η ποιότητα μετάδοσης τους να είναι πάντα αποδεκτή. Τέλος αναπτύξαμε έναν ILP αλγόριθμο ο οποίος κάνει δυνατή την κοινή χρήση φάσματος μεταξύ συνδέσεων διαφορετικής κλάσης. Σε περίπτωση χειροτέρευσης της ποιότητας μετάδοσης ενός μονοπατιού υψηλής κλάσης, αυτό μπορεί να δανειστεί φάσμα από ένα διπλανό του χαμηλής κλάσης και να προσαρμόσει τις παραμέτρους μετάδοσής του ώστε η ποιότητα μετάδοσης να επανέλθει σε αποδεκτά επίπεδα.