Hybrider Ansatz zur Wiederherstellung von WDM-Netzen: Deep Reinforcement Learning und Graph-Neuronale Netze

Die Sicherstellung einer robusten und effizienten Dienstwiederherstellung in Wavelength Division Multiplexing (WDM)-Netzen ist entscheidend für die Aufrechterhaltung der Netzwerkkonnektivität bei Ausfällen, die durch katastrophale Ereignisse, Gerätefehler oder Stromausfälle verursacht werden. Dieses Papier präsentiert ein hybrides Framework, das Deep Reinforcement Learning (DRL) und Graph-Neuronale Netze (GNN) integriert, um die Wiederherstellung von WDM-Netzen zu optimieren. Die vorgeschlagene Methode nutzt die Entscheidungsfindungsfähigkeiten von DRL und das graphenstrukturierte Lernpotenzial von GNN, um sich dynamisch an Netzwerkstörungen anzupassen. Durch die Modellierung der Netzwerktopologie als Graph extrahiert das GNN strukturelle Merkmale, während der DRL-Agent intelligent Wiederherstellungspfade auswählt, die Netzlast ausbalancieren und die Wiederherstellungszeit minimieren. Experimentelle Auswertungen über mehrere Netzwerktopologien und Ausfallszenarien zeigen, dass der hybride DRL+GNN-Ansatz in Bezug auf die Erfolgsquote der Wiederherstellung, Ressourcenauslastung und Skalierbarkeit konventionelle Wiederherstellungstechniken übertrifft. Die Fähigkeit des Frameworks, über verschiedene Netzwerkkonfigurationen zu generalisieren, hebt seine Anpassungsfähigkeit und das Potenzial für den Einsatz in realen optischen Kommunikationssystemen hervor. Diese Studie unterstreicht den transformativen Einfluss der Kombination von KI-Techniken zur Verbesserung der Widerstandsfähigkeit von WDM-Netzen und der Wiederherstellungsfähigkeiten.