Modulated vs. Unmodulated Polarization Signatures for ML-Based Fiber Sensing
Notice bibliographique
Résumé
Fast and accurate detection of various physical layer threats that target optical networks is key to secure and reliable global communications. Conventional monitoring methods often fail to detect subtle anomalies, which requires advanced sensing techniques. Machine Learning (ML) analysis of the State of Polarization (SOP) of unmodulated signals was shown to successfully detect such disturbances. However, real-world networks typically operate with high-speed modulated signals, which may alter SOP behavior and challenge the applicability of ML techniques developed for unmodulated signals. This paper investigates the implications of signal modulation supporting high-data rates on the interpretability of SOP signatures. We perform the first experimental comparison of anomaly detection approaches based on SOP for modulated and unmodulated optical signals subjected to identical physical perturbations caused by fiber tapping and vibrations. We analyze four representative events under both signal modalities and assess the impact of modulation on SOP dynamics using a 77 km fiber link in a real-world metro network. We design four datasets that isolate, merge, and jointly classify the different signal modalities, and compare the performance of ten best-performing supervised ML techniques in each case. Our findings indicate that modulated signals tend to exhibit smoother SOP trajectories, likely due to the temporal averaging effects introduced by high symbol rates, wherein rapid symbol transitions suppress highfrequency polarization noise. Importantly, this smoothening does not obscure the slower, event-induced polarization drifts observed during physical disturbances, allowing ML models to reliably differentiate between different physical events (e.g., bending, vibrations) and signal modalities (modulated vs. unmodulated), achieving accuracy values between 97.12% and 98.47%.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».