Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas

• Ano de defesa: 2024
• Autor(a) principal: Melo, Talison Augusto Correia de
• Orientador(a): Assis, Karcius Day Rosário
• Banca de defesa: Assis, Karcius Day Rosário, Lopes, Waslon Terllizzie Araújo, Santos Filho, José Valentim dos, Esquerre, Vitaly Félix Rodriguez, Novo, Marcela Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE)
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Redes ópticas elásticas; Roteamento e alocação de espectro; Aprendizado do computador
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufba.br/handle/ri/41204

As Redes Ópticas Elásticas (EONs) surgiram como uma resposta inovadora às redes ópticas tradicionais, trazendo novas concepções operacionais que melhoram a flexibilidade e a eficiência no uso dos recursos. Um problema recorrente em EONs é o Roteamento e Alocação de espectro (RSA), que busca definir uma rota para cada requisição e alocar um número adequado de slots de acordo com a demanda requerida, utilizando a menor quantidade possível de espectro. Este trabalho apresenta técnicas de aprendizado de máquina supervisionado para o projeto de virtualização com proteção em EONs, com o objetivo de prever o número total de slots de espectro necessários para suportar todas as demandas de tráfego. Focando em Redes Ópticas Virtuais (VONs) sujeitas a proteção específica, investiga-se a aplicação de técnicas de Aprendizado de Máquina (ML), especificamente Perceptron Multicamadas (MLP) e Regressão por Vetores de Suporte (SVR), para resolver o problema de capacidade de enlace de EONs com virtualização de forma mais rápida do que as formulações tradicionais de Programação Linear Inteira (ILP), mantendo resultados próximos dos ótimos. O desempenho dos modelos foi avaliado por meio de métricas estatísticas, tempo de treinamento e inferência. Os resultados mostraram que o método proposto é eficaz para prever o número de slots necessários no substrato físico sujeito a várias VONs.