Thèse techniques de l'intelligence artificielle pour l'amélioration des performances & l'optimisation des ressources des réseaux optiques F/H

Description de l'offre

about the role

Votre rôle est d'effectuer un travail de thèse sur l'utilisation des techniques de l'intelligence artificielle (IA) pour l'amélioration des performances et l'optimisation des ressources des réseaux de transport optiques.

Dans un environnement où les demandes de trafic croissent considérablement, les opérateurs sont dans l'obligation de maximiser la capacité des liens optiques déployés. Ceci peut être obtenu en sollicitant au maximum le canal optique, nécessitant une compréhension précise des conditions de transmission en particulier les effets non linéaires. Dans l'idéal, l'ensemble des composants de la ligne optique devraient pouvoir estimer le régime de fonctionnement à partir du signal reçu et envoyer ces informations à la couche de commande afin d'optimiser les paramètres de transmission. Cependant, cette estimation est difficile surtout pour des lignes optiques hétérogènes et multi-constructeurs de plus en plus déployées grâce à l'ouverture des réseaux. Cette thèse se base sur les techniques de l'IA pour estimer les paramètres physiques linéaires et non-linéaires et trouver des algorithmes efficaces qui permettent d'optimiser l'utilisation des ressources de transport optiques.

Etat de l'art:

Les dégradations linéaires subies pendant la transmission optique (e.g., les interférences entre symboles dues à la dispersion chromatique) et les dégradations non linéaires (e.g., dégradations causées par le changement de l'indice de réfraction de la fibre) sont considérées comme les principaux facteurs limitant le débit dans les systèmes de communication optiques modernes.

La plupart des dégradations linéaires peuvent être compensées par un traitement du signal numérique avec des pénalités insignifiantes [1]. Pour les dégradations non linaires, des modèles mathématiques, tels que les modèles de bruit gaussien qui fournissent des prévisions précises du bruit non linéaire, nécessitent une caractérisation précise du trajet optique (i.e., les paramètres du fibre, le format de modulation, le débit symbole et la puissance de transmission des canaux voisins). Ces exigences ne sont pas facilement atteignables surtout dans des réseaux optiques multi-constructeurs et hétérogènes.

Dans ce contexte, l'application de l'intelligence artificielle (IA), pour l'estimation des paramètres de transmission et l'amélioration des performances est d'une grande utilité [2]. Dans [3], une architecture de type réseau de neurones artificiels a été proposée afin de réaliser un algorithme à faible complexité pour la compensation des effets non-linéaires. Il a été démontré que cette architecture offre des performances similaires à une approche analytique. Dans [4], les réseaux de neurones artificiels ont été utilisés pour l'identification des formats de modulation et dans [5] un algorithme basé sur le machine learning est utilisé pour estimer le ratio signal à bruit linéaire et non-linéaire.

Les techniques d'IA sont efficaces non seulement pour l'approximation des fonctions non linéaires mais aussi pour des problèmes d'optimisation comme le routage et/ou l'allocation de ressources. Dans [6], un algorithme basé sur l'IA est proposé pour l'attribution des longueurs d'onde et le calcul des chemins de protection dans un réseau élastique.

Certaines études de recherche se focalisent sur l'application de l'IA pour l'estimation des paramètres physiques et d'autres se concentrent sur l'allocation des ressources. Notre approche est de travailler sur les deux aspects en proposant un modèle d'IA qui assure une allocation efficace et adaptative des ressources en se basant sur une représentation dynamique et robuste de la couche physique. Le détail de la mission scientifique et les principales activités associées à la thèse sont fournis dans la section «Le plus de l'offre».

about you

Vous êtes diplômé.e d'une formation de niveau BAC+5 dans le domaine de l'informatique /réseaux Telecom.

·  Compétences (scientifiques et techniques) et qualités personnelles souhaitées par le poste :
·  Compétence en intelligence artificielle (e.g., machine learning, deep learning),
·  Compétence en mathématiques appliquées (statistique, optimisation),
·  Compétence en développement (Python ou R),
·  Connaissances en physique appliquée aux réseaux de transmission optique seraient un plus,
·  Autonome, esprit de synthèse et rigueur méthodologique,
·  Intérêt pour la recherche appliquée et goût du travail en équipe,
·  Un bon niveau de rédaction en anglais.

Vous avez au moins une première expérience lors d'un stage en intelligence artificielle. Des expériences sur la transmission optique et l'optimisation sont souhaitables ainsi que des expériences concrètes en programmation (R et/ou Python).

additional information

·  Objectif scientifique - verrous à lever

L'objectif de la thèse est d'utiliser l'intelligence artificielle pour fournir une représentation robuste de la couche de transport optique en fournissant une meilleure approximation des effets linéaires et non-linéaires. Cette représentation va permettre d'améliorer les performances des systèmes de communication optique grâce à l'optimisation des marges utilisées pendant le design de l'architecture. En se basant sur cette représentation, un modèle d'allocation des ressources adaptatif à la couche physique sera proposé. Les études seront menées dans le cadre des normes de transport optique existantes, néanmoins, toute amélioration de ces normes sera l'objet d'une proposition dans les organismes de normalisation. Les principaux verrous à lever sont de pouvoir exploiter les données brutes de terrain et de développer un module IA qui puisse être intégré dans un contrôleur de réseau optique afin d'évaluer ses performances.

·  Approche méthodologique-planning

Le candidat commence par une partie théorique dans laquelle il identifie les grandeurs optiques liées à la transmission optique et les modèles mathématiques utilisés pour les calculer dans le cadre d'un réseau d'opérateur. Ensuite, il étudie l'état de l'art sur l' intelligence artificielle (IA) dans les réseaux optiques en apportant une analyse complète sur la nature des algorithmes utilisés, leur contraintes d'exécution (temps d'exécution, …), leur fiabilité (tolérance aux erreurs d'exécution, …) et la qualité des résultats produits (les indicateurs de qualité, …).

La deuxième partie de la thèse, est dédiée aux simulations des outils de prédiction basés sur l'IA. Durant cette phase, le candidat propose et développe des modèles d'IA permettant l'estimation de la performance des systèmes optiques . Pour cela il identifie les grandeurs nécessaires issues des données disponibles, et propose des solutions pour la prédiction de la qualité de transmission QoT, le contrôle de l'amplification et l'estimation des effets non linéaires ...

En se basant sur ces grandeurs physiques estimées, le candidat propose et développe des algorithmes d'IA pour l'optimisation des ressources optiques (allocation spectrale et établissement de chemin optique en prenant en compte la protection aux pannes). Le candidat compare ces méthodes avec celles utilisées actuellement (modèle mathématique, programmation linéaire,…) en utilisant des métriques liées à la précision, l'efficacité, la robustesse et le temps de convergence.

Dans la troisième partie, le candidat effectue des expérimentations en intégrant ces algorithmes dans un contrôleur de réseau optique SDN (Software Defined Network). Pendant cette phase, le candidat crée des interfaces entre ses algorithmes et un contrôleur SDN dont les briques de base sont déjà développées par Orange (en partenariat avec des industriels et d'autres opérateurs) dans le framework open source d'OpenDayLight. L'objectif du test bed est de prendre des mesures physiques expérimentales pour valider les résultats obtenus dans la partie simulation.

Durant les différentes phases de la thèse, le candidat publie ses résultats dans des conférences et des journaux scientifiques. A la fin de la thèse, un manuscrit détaillant les travaux faits pendant trois ans doit être fourni.

department

WNI/AOT (Architecture and programmable Optical Transmission) est un département de renommée internationale dans le domaine des réseaux optiques. Au sein d'Orange, il a la responsabilité de l'anticipation et de la recherche associée aux domaines de transmission optique et l'automatisation des réseaux. Il assure également des activités de support pays en réalisant des études d'architecture, de dimensionnement, de performance, de disponibilité et d'analyse économique. En particulier, nous définissons les architectures de contrôleurs pour nos réseaux et contribuons aux initiatives open source de développement comme OpenDaylight, Telecom Infra Project et ONAP. De plus, nous contribuons à l'optimisation des architectures multicouches (IP, Ethernet et Transmission).

Qu'est ce qui fait la valeur ajoutée de cette offre ?

L'intelligence artificielle (IA) est parmi les nouveaux domaines explorés pour améliorer les performances de nos réseaux de transmission optique ce qui offre un champ fertile pour proposer de nouveaux algorithmes et explorer de nouvelles pistes. Basées sur des données issues de réseaux opérationnels, les résultats de cette thèse ont une légitimité et un haut niveau de confiance par rapport à l'état de l'art où les études utilisent généralement des données synthétiques. De plus, les modules d'IA développés seront testés et intégrés dans un contrôleur de réseau optique opensource développé par Orange en collaboration avec l'opérateur américain AT&T permettant ainsi de mieux valoriser les résultats et d'identifier concrètement l'opportunité des modules proposés. Une collaboration avec de grands constructeurs comme Nokia et Huawei est également prévue.

Références :

[1] K. Roberts, Q. Zhuge, I. Monga, S. Gareau, and C. Laperle, “Beyond 100 Gb/s: Capacity, flexibility, and network optimization,” J. Opt. Commun. Netw., vol. 9, no. 4, pp. C12-C24, 2017.

[2] Musumeci, Francesco, et al. "An Overview on Application of Machine Learning Techniques in Optical Networks." IEEE Communications Surveys & Tutorials, 2018.

[3] C. Häger and H. Pfister, ”Nonlinear interference mitigation via deep neural networks,” ArXiv preprint arXiv:1710.06234, 2017.

[4] Caballero, FJ Vaquero, et al. "Machine Learning Based Linear and Nonlinear Noise Estimation." Journal of Optical Communications and Networking 10.10 (2018): D42-D51.

[5] F. Khan, Y. Zhou, A. Lau, and C. Lu, ”Modulation format identification in heterogeneous fiber-optic networks using artificial neural networks,” Opt. Express, vol. 20, no. 11, pp. 12422-12431, 2012.

[6] X. Chen, J. Guo, Z. Zhu, R. Proietti, A. Castro, and S. J. B. Yoo, “Deep-RMSA: A Deep Reinforcement Learning Routing, Modulation and Spectrum Assignment Agent for Elastic Optical Networks,” in Proceedings of Optical Fiber Communication Conference and Exposition (OFC 2018), paper W4F.2.

contract

Thesis