Regenerator Placement in Survivable Optical Networks Using Deep Tensor Neural Network
Notice bibliographique
Résumé
With the rapid adoption of the Internet of Things and mobile devices, the global Internet traffic is estimated to increase by nearly three times from 2017 to 2022. Hence, the demand for higher bit rates is necessary to support massive data transfers over optical networks. Ideally, a network that is able to handle many long distance requests at high transmission speeds is preferable. However, given limited spectrum resources, a trade-off is inevitable when selecting the correct routing parameters. On the one hand, we can minimize the usage of resources using spectrally efficient modulation formats. As a result the effective transmission distance of the signal will be reduced. Similarly, if we are to use a low-level modulation format, we can increase the effective range of transmission, but the amount of the used spectrum will also increase. It is in these scenarios where the importance of regenerators become apparent. When the link distance between two nodes is too large, a regenerator is required to regenerate the signal strength. However, regenerators are expensive to install. Additionally, given that the regenerator number needs to be set during the design of the network architecture, efficient calculation of their allocation is required to reduce each node's limitations, thus optimizing the network CAPEX and OPEX. In this paper, we demonstrated the feasibility of using deep tensor neural network to optimize regenerator placement in optical networks. Our approach brings significant improvements over the results achieved by the currently deploying techniques and can be used in the real-life networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».