北京郵電大学の顧仁涛氏：光ネットワークの発展にはインテリジェンスが急務であり、アルゴリズムとアプリケーションのレベルでの継続的な探究が急務です。

C114ニュース、5月8日（Lesi）本日開催された「AIと光が出会うとき：インテリジェント光ネットワークオンラインセミナー」において、北京郵電大学情報通信工学学院教授兼博士課程指導者の顧仁涛氏が「 インテリジェント光ネットワークの発展と課題」と題する講演を行いました。 同氏は演説の中で、 光ネットワークにおける人工知能の応用について詳しく説明し、 現段階での両者の統合の進展と課題について詳細な分析を行った。

[[398074]]

顧仁涛氏は、「インテリジェンスは光ネットワークの発展にとって外部と内部の両方の要件です。現段階では、人工知能技術は光ネットワークの物理層とネットワーク層で最初に研究され、良好な結果を達成しました。しかし、光ネットワークのインテリジェンスはまだ課題に直面しており、アルゴリズムとアプリケーションの面でさらに研究する必要があります。」と考えています。

光ネットワーク開発のニーズは膨大

彼は講演の中で、光ネットワークが直面している課題と問題を、ビジネスとネットワーク開発という2つの観点から分析しました。新たなビジネス開発トレンドである5Gを例にとると、3つの主要シナリオにおける5Gの要件は、高速、多数の接続、高密度、そして大幅に改善された超低遅延と信頼性の要件として要約できます。これにより、光ネットワークの技術的要件は「大規模、高速、複雑」なものとなることが求められます。 「大きい」とは、トラフィック量が多く、ネットワークが大規模であることを意味します。 「速い」とは主に素早い対応を指し、速いスピードは調整を実現する必要があります。 「複雑さ」は、ビジネス、ノード、レベルの複雑さに反映されます。

顧仁涛氏は、光ネットワーク自体の発展動向から判断すると、すでに大規模と広帯域という2つの特徴を示していると指摘した。まず、光スイッチング機器の沈没と産業インターネットの台頭により、光ノードが増加しました。次に、OSU技術の台頭と光ネットワークサービス属性の向上により、光接続の規模が拡大しました。光ネットワークスペクトルの拡大と新しい光デバイスの共同により、光チャネル数が集中的に増加しました。

「これらの要因の複合的な影響により、光ネットワークは大規模、強い相関、高い結合という特性を示すようになります。現段階では、大規模な広帯域光ネットワークの制御は、あいまいな特性、暗黙のルール、巨大なスペース、困難な意思決定という4つの大きな問題に直面していることがわかりました」と氏は述べた。

これらの問題を解決するには、現在のネットワークを検討する際、従来の計画アイデアや最適化アイデアはもはや使用できず、機械学習や人工知能を導入する必要があると顧仁涛は考えています。現在、光ネットワークは、新たなインテリジェント段階に入る必要があります。つまり、「神経」を使用して効率的な協調制御を行い、過剰なリソース予約を回避してネットワークの応答速度を向上させ、「頭脳」のインテリジェントな認識処理を通じて、物理層の状態を正確に予測し、ネットワーク層の構成をリアルタイムで調整します。全体として、光ネットワークに人工知能を導入するには、オンラインリアルタイム操作、自動特徴抽出、自動パターンマイニング、自己学習と自己適応という 4 つの主要な機能特性が必要です。

光物理層とネットワーク層における人工知能の応用

顧仁涛氏は、人工知能は当初、光ネットワークの物理伝送レベルとネットワークレベルで適用されていたと述べた。

物理伝送の観点から見ると、人工知能は光学性能監視、非線形補償、信号判断、障害検出などの分野で使用されています。光パフォーマンス監視の観点では、サポートベクターマシン (SVM) と主成分分析 (PCA) を使用して、ネットワーク信号のリアルタイム品質を監視し、ネットワークの動作とサービスの伝送品質を予測します。また、OSNR/非線形ノイズや分散などのパラメータを使用して、伝送基準が満たされているかどうかを判断します。非線形補償の面では、速度の増加によって生じる超高密度のチャネル間隔と高信号電力の問題に対処するために、「ニューラルネットワークやサポートベクターマシンなどのモデルを使用して、非線形効果の補償パラメータを学習およびトレーニングし、高度な信号処理（DSP）技術と組み合わせて、オンラインおよびオフラインの非線形損傷補償を実現できます」と顧仁涛氏は述べた。信号決定に関しては、従来の方法では通常、最小ユークリッド距離決定基準が使用されますが、非線形ノイズのシナリオでは最大事後確率決定基準のみを使用できます。関連する専門家は、機械学習アルゴリズムを使用して最適な信号判断を見つけてきました。つまり、機械学習アルゴリズムの非線形フィッティング能力を使用して、信号の最大事後確率境界面をフィッティングします。障害検出の観点では、光信号特性パラメータの変化を事前に観測し、光デバイス障害の発生を予測することで、事前に障害回復やサービス保護を行うことが可能となり、ネットワークの信頼性が向上します。この問題では通常、障害の予測と診断を実現するために機械学習分類技術を使用する必要があります。

ネットワークの観点から見ると、人工知能の応用シナリオはより豊富です。 1 つ目はトラフィック予測です。これにより、ネットワークの需要検出機能が強化され、光ネットワークのプロアクティブなリソース スケジューリングの最適化とネットワーク再構築の基盤が提供されます。予測問題は通常、フィッティング問題としてモデル化され、入力は履歴ウィンドウ内のフロー変動です。従来の方法ではシーケンス予測モデルが使用されますが、機械学習アルゴリズムはより優れた結果を達成し、より多くの要素を活用でき、より強力な学習機能を備え、一般的にノイズや異常なサンプリングに対する耐性が高くなります。

2つ目は、高速ルート計画です。 SPF 方式は、輻輳率とスケーラビリティの面で課題を抱えており、ヒューリスティック アルゴリズムに基づくルーティング決定の時間的複雑度が高すぎます。教師あり学習を通じて最適なルートを適合させ、強化学習を使用して動的に反復して最適な決定を生成することにより、これらのインテリジェントな方法により、ルーティングの最適性と計算時間の間のより適切な妥協点が確保され、ネットワークとビジネスの変化に対応する能力がさらに強化されます。

3つ目は、ビジネス主導の光ネットワーク再構築です。従来の光ネットワークは、主に高レベルの要求を受動的に受け入れ、ビジネス指向の自動適応機​​能を提供します。ここでは、LSTMなどの手法を用いて次の瞬間のトラフィック分布を予測し、ニューラルネットワークに基づいて現在のトラフィック分布に最適な光接続要求を取得し、ビジネス指向の光ネットワークの自律的な再構築を実現したいと考えています。

4番目は、光ネットワークのリソース割り当てです。ルーティングと同様に、従来の方法にも、リソース割り当ての柔軟性と適時性が低いという欠点があります。ネットワークの多次元パラメータにより、実行可能ソリューションの空間が非常に大きくなることが決定されます。ニューラル ネットワーク、強化学習、グラフ ニューラル ネットワークなどの手法は、極めて大きな実行可能ソリューション空間の検索問題を解決するのに役立ちます。

5番目は光パス品質の推定です。光学的損傷の複雑さにより、新しく構築された光パスと既存の光パスの伝送品質を推定することが困難になります。従来のガウスチャネルモデルに基づくモデリングは、計算の複雑さが大きく、精度が低くなります。機械学習テクノロジーを使用すると、純粋なモデリング手法への依存を減らし、履歴データを最大限に活用し、専門知識ではカバーされていないパターンや特徴を発見できます。

最後の応用事例は、ネットワークアラームの相関分析です。複数の種類の機器が混在するネットワークでは、ネットワーク障害の原因を分析することが難しくなり、アラームの場所と状態と実際の障害の場所と原因の間に矛盾が生じます。このとき、ネットワークが実際に稼働しているときに障害の実際の場所を特定するには、機械学習技術を使用して、履歴ログ情報内のアラーム信号の相関関係をマイニングする必要があります。

課題と解決策

Gu Rentao 氏は次のように結論付けています。「光ネットワークと人工知能の真の統合の後にも、意思決定のコンプライアンス、高次元空間表現、モデルの一般化能力、モデルの解釈可能性など、いくつかの課題が残っています。」

これらの課題に対して、顧仁涛氏は、新しい AI アプリケーション モデルを確立してモデル テストを強化すること、データの前処理と高次元空間圧縮を使用すること、小さな障害下でネットワーク チューニングを実施して連合転移学習を適用すること、データ マイニングとルール設計を組み合わせることなどの潜在的な解決策を指摘しました。

顧仁涛氏は「インテリジェント光ネットワークへの道は美しいが、私たちはまだ道の途中にいる。そのため、学界と産業界が協力して、光ネットワークに人工知能を真に適用し、光ネットワークをよりインテリジェントにし、情報インフラ全体の発展を支援する必要がある」と強調した。