AI Summary & Key Takeaways
AI InsightThese findings show that machine learning can serve as an efficient and interpretable decision support layer for impairment-aware EDFA placement without replacing full physical layer simulation.
📌 3 Key Takeaways
Abstract
This study investigates erbium-doped fiber amplifier placement in wavelength-division multiplexing ring backbone optical networks and evaluates whether machine-learning-guided screened search can improve feasibility-aware planning. Ring-8 to Ring-16 topologies were simulated under standard and heterogeneous scenarios using a physical layer model that includes received power, amplified spontaneous emission (ASE), nonlinear interference, and an enhanced Gaussian noise (EGN) inspired correction. Candidate amplifier masks were ranked with a no-leak screening model and refined through bounded local search. Random Forest delivered the best screening performance, reaching receiver operating characteristic area under the curve (ROC-AUC) values of 0.9971 in the standard dataset and 0.9379 in the harder dataset, while leave-one-topology-out validation showed robust generalization across unseen ring sizes. In scaling experiments, the improved screened strategy matched the exhaustive optimum feasible ratio through Ring-16 and became 7.44 times faster than exhaustive search at Ring-16. These findings show that machine learning can serve as an efficient and interpretable decision support layer for impairment-aware EDFA placement without replacing full physical layer simulation.
Özet
Bu çalışmada, dalga boyu bölmeli çoğullamanın (Wavelength-Division Multiplexing, WDM) kullanıldığı halka omurgalı optik ağlarda erbiyum katkılı fiber kuvvetlendiricilerin (Erbium-Doped Fiber Amplifier, EDFA) yerleşimi incelenmiş ve makine öğrenmesi destekli tarama yaklaşımının uygulanabilirlik odaklı ağ planlamasına katkısı değerlendirilmiştir. Ring-8 ile Ring-16 arasındaki topolojiler, alınan güç, kuvvetlendirilmiş kendiliğinden yayılım (Amplified Spontaneous Emission, ASE), doğrusal olmayan girişim ve geliştirilmiş Gaussian gürültü (Enhanced Gaussian Noise, EGN) yaklaşımından yararlanılan düzeltmeyi içeren fiziksel katman modeli kullanılarak standart ve heterojen senaryolar altında çalışılmıştır. Aday kuvvetlendirici yerleşimleri, bilgi sızıntısı içermeyen bir tarama modeliyle sıralanmış ve ardından sınırlandırılmış yerel arama ile iyileştirilmiştir. Analizde, Rastgele Orman (Random Forest), standart veri kümesinde 0,9971 ROC-AUC (Receiver Operating Characteristic Area under the Curve, Alıcı Çalışma Karakteristiği Eğrisi Altındaki Alan) ve zorlu veri kümesinde 0,9379 ROC-AUC değeriyle en başarılı tarama performansını göstermiştir. Ayrıca bir topolojiyi dışarıda bırakarak yapılan doğrulama (leave-one-topology-out), modelin görülmemiş halka boyutları için de anlamlı biçimde genelleştirilebileceğini göstermiştir. Ölçekleme deneylerinde iyileştirilmiş taramalı strateji, Ring-16’ya kadar tam arama ile aynı uygulanabilirlik oranını sağlamış ve Ring-16’da tam aramadan 7,44 kat daha hızlı çalışmıştır. Elde edilen bulgular ile makine öğrenmesinin tam fiziksel katman benzetiminin yerini almadan, EDFA yerleşimi için verimli ve yorumlanabilir bir karar destek katmanı sunabileceği belirlenmiştir.