شناسایی هوشمند ناهنجاری های همپوشان فیزیکی در شبکه های فیبر نوری با استفاده از تحلیل دینامیک حالت پلاریزاسیون و XGBoost

فیبر نوری ستون فقرات شبکه های مخابراتی است و در برابر رخدادهای فیزیکی متعددی از جمله خمش، ارتعاش مکانیکی و شنود غیرمجاز آسیب پذیر است. در شرایط عملیاتی واقعی، این رخدادها به ندرت مجزا و اغلب به صورت هم زمان و هم پوشان رخ می دهند. این هم پوشانی مسئله را از یک طبقه بندی تک برچسبی ساده به تفکیک هم زمان چند الگوی درهم تنیده تبدیل می کند و تشخیص را به مراتب دشوارتر از سناریوهای تک رویدادی می سازد. در این پژوهش روشی مبتنی بر تحلیل دینامیک حالت پلاریزاسیون (SOP) و طبقه بند یادگیری جمعی XGBoost برای تشخیص هم زمان چند ناهنجاری فیزیکی همپوشان ارائه شده است. انتخاب SOP از آن روست که برخلاف روش های مرسوم مبتنی بر بازتاب سنجی نوری حوزه زمان (OTDR)، بدون نیاز به تجهیزات اختصاصی و صرفا با ردیابی بردار استوکس به تغییرات لحظه ای تنش و ارتعاش در طول فیبر حساسیت بالایی دارد و امکان استفاده از فیبر مخابراتی موجود را به عنوان حسگر توزیع شده فراهم می کند. XGBoost نیز به دلیل کارایی بالا بر داده های ساختار یافته کم حجم، سرعت آموزش و استنتاج، مقیاس پذیری، تفسیرپذیری مبتنی بر اهمیت ویژگی و قابلیت توسعه به ساختار چندبرچسبی که لازمه تفکیک رخدادهای هم پوشان است، به کار گرفته شده است. داده های آموزشی (۱۳۰۰ نمونه) از طریق شبیه سازی سری زمانی بردار استوکس روی کره پوانکاره، همراه با تزریق کنترل شده اختلالات و نویز محیطی تولید شد و در سه سطح تک رویدادی، هم پوشان دوتایی و هم پوشان سه گانه طراحی گردید. ویژگی هایی نظیر سرعت زاویه ای (SOPAS)، واریانس، شیب و انرژی طیفی استخراج و به یک طبقه بند چندبرچسبی XGBoost داده شد. ارزیابی روی ۸ اجرای مستقل نشان می دهد مدل در سناریوهای تک رویدادی به Subset Accuracy برابر ۰.۹۸۲ و در سناریوهای هم پوشان دوتایی و سه گانه به ترتیب به Subset Accuracy برابر ۰.۹۱۴ و ۰.۸۵۰ دست می یابد؛ Subset Accuracy کلی روی مجموعه آزمون ۰.۹۵۳ ± ۰.۰۰۱۲ و میانگین Score در سطح کلاس ها در بازه ۰.۹۷۰ کلاس (خمش تا ۰.۹۹۸) کلاس ارتعاش به دست آمد. تحلیل اهمیت ویژگی نشان می دهد مدل برای هر کلاس امضای فیزیکی متمایزی آموخته است: سرعت زاویه ای SOP برای ارتعاش، انرژی کم فرکانس برای خمش و انرژی میان فرکانس گذرا برای شنود. این نتایج بیانگر آن است که ترکیب حسگری SOP و طبقه بند چندبرچسبی XGBoost می تواند رخدادهای فیزیکی هم پوشان را با هزینه محاسباتی پایین و تفسیرپذیری بالا تفکیک کند؛ به گونه ای که مولفه تشخیص شنود کاربرد امنیتی و مولفه های خمش و ارتعاش کاربرد پایش سلامت شبکه دارند.

کلیدواژه ها:

فیبر نوری ، حالت پلاریزاسیون (SOP) ، XGBoost ، تشخیص ناهنجاری هم پوشان ، یادگیری ماشین ، امنیت ، لایه فیزیکی