Auf dem Weg zur KI-unterstützten Netzautomatisierung: Verkehrsprognose-basierte, lastadaptive Steuerung der optischen Linkkapazitäten

In diesem Blog Post wird eine Methode zur dynamischen Anpassung der Verbindungskapazität auf der Grundlage von ML-gestützten Verkehrsprognosen für optische Metro-Aggregationsnetze vorgestellt. Die Methode wird auch mit der traditionellen statischen Zuweisung von Verbindungskapazitäten verglichen. Es zeigt sich, dass die dynamische Anpassung der Verbindungskapazität die Kapazitätsüberversorgung deutlich reduzieren kann und damit Einsparungen bei den Netzressourcen ermöglicht, was sich auch in einer Verringerung des Energieverbrauchs und damit in einer geringeren CO₂-Bilanz niederschlägt.

Die große Anzahl und Vielfalt neu entstehender Online-Dienste und der daraus resultierende nutzer- und maschinengenerierte Datenverkehr führen zu einer ständig steigenden Bandbreitennachfrage für die zugrunde liegende optische Transportinfrastruktur. Diese hohen Anforderungen an Durchsatz und niedrige Latenzzeiten haben zu einem hohen Bedarf an autonomen optischen Netzen geführt, die eine größere Dynamik und Flexibilität bei der Zuweisung von Netzressourcen unterstützen. Bei der herkömmlichen, statischen Zuweisung von Bandbreite bleibt die bereitgestellte Portkapazität über den gesamten Lebenszyklus der Verbindung konstant, was dazu führt, dass ein großer Teil der verfügbaren Kapazität ungenutzt bleibt (Abb. 1, rote Kurve). Im Gegensatz zur statischen Zuweisung ermöglicht die dynamische Zuweisung von Verbindungskapazität eine hochflexible und viel effizientere Nutzung der Netzressourcen (Abb.1, lila Kurve). Bei schwankenden Verkehrsmustern und -strömen sowie variierenden Nutzeranforderungen führt die statische Zuweisung von Verbindungskapazität häufig zu einer Unterauslastung der Netzressourcen, was zu einer suboptimalen und ineffizienten Netzleistung führt. Durch eine dynamische Zuweisung können sich optische Netze effizient an die sich ständig ändernde Verkehrsnachfrage anpassen und sicherstellen, dass die Ressourcen dann und dort zugewiesen werden, wo sie benötigt werden. Neben der Verbesserung der Effizienz des Netzbetriebs trägt die dynamischen Zuweisung auch zu Kosteneinsparungen bei, indem sie die Nutzung der vorhandenen Infrastruktur maximiert und die mit dem Energieverbrauch des zugrunde liegenden optischen Netzes verbundenen Betriebsausgaben verringert. Nicht zuletzt ebnet die dynamische Zuweisung von Verbindungskapazitäten den Weg für eine einfachere Priorisierung des kritischen Datenverkehrs und gewährleistet die rechtzeitige Bereitstellung von Datenströmen mit hoher Priorität, indem sie einen hohen Durchsatz und geringe Latenzzeiten für zeit- und unternehmenskritische Dienste garantiert.

Ein vielversprechender Weg zur autonomen und dynamischen Zuweisung von Verbindungskapazitäten ist die effiziente und präzise Vorhersage des künftigen Verkehrsverhaltens in Bezug auf seine erwartete Intensität und Variabilität im Zeitverlauf. Zu diesem Zweck wurden bereits zahlreiche Algorithmen des maschinellen Lernens (ML) zur Vorhersage des Netzverkehrs vorgeschlagen und analysiert. Eine besondere Technologie, die aufgrund ihrer Neuartigkeit noch nicht umfassend genutzt wurde, ist der Temporal Fusion Transformer (TFT), ein aufmerksamkeitsbasiertes tiefes neuronales Netz (DNN), das für die Vorhersage mit mehreren Horizonten (mehrere Schritte im Voraus) optimiert ist. Diese Eigenschaft der mehrstufigen Vorhersage ist besonders wichtig für die Anpassung der optischen Verbindungskapazität, wenn man bedenkt, dass die rekonfigurierbaren optischen Komponenten wie Transponder einige Dutzend Sekunden bis zu einigen Minuten benötigen, um die verschiedenen Hardware-Einstellungen wie Modulationsverfahren und Datenrate richtig an den neuen Verbindungsdurchsatz anzupassen. Abb. 2 zeigt einen vom Fraunhofer HHI auf Verkehrsprognosen basierenden, dynamischen Regelkreis zur Anpassung der Verbindungskapazität für die Automatisierung der Kapazitätsbereitstellung eines optischen Transponders, der als Gateway zwischen optischen Zugangs- und Metronetzen fungiert.

Der Transponder ist zwischen 100G – 200G Datenrate pro Port konfigurierbar und speist den Verkehr eines Aggregations-Switches über einen konfigurierbaren optischen Schalter (ROADM) in das optische Transportnetz. Ein programmierbarer Verkehrsgenerator ist an den Aggregations-Switch angeschlossen und erzeugt burstartige und zyklische Verkehrsströme mit aggregierten Datenraten zwischen 0 und 200G, die reale Verkehrsströme emulieren, die über einen Zeitraum von 12 Wochen gesammelt wurden und den so genannten täglichen Gezeiteneffekt aufweisen, der sich im Wesentlichen in einer geringen Verkehrsintensität während der Nacht- und frühen Tagesstunden äußert, die stetig ansteigt und ihren Höhepunkt während der Mittags- und Nachmittagsstunden erreicht, gefolgt von einer allmählichen Abnahme in den Abend- und Nachtstunden. In einem ersten Schritt wird der erzeugte Verkehr auf der Switch-Ebene mit einer Granularität von 3s überwacht (Abb. 3(a), grüne Kurve), während die Verkehrshöchstwerte jede Minute berechnet werden, was zu einer Verkehrshüllkurve führt (Abb. 3(a), gelbe Kurve). Zweitens wurde auf der Grundlage der Verkehrshüllkurve ein TFT-Model offline trainiert und dann in die Online-ML-Pipeline für Echtzeit-Verkehrsprognosen integriert. Wie aus Abb. 3(a) ersichtlich, sagt die Verkehrsprognose die fünf folgenden Verkehrsmaxima voraus (basierend auf den letzten 30 Maxima), was den zukünftigen 5 Minuten entspricht (was mehr als genug für die neue Kapazitätskonfiguration des Transponders ist). Die Verkehrsprognose ist in der Lage, die allgemeine Verkehrsentwicklung korrekt vorherzusagen, allerdings stellt es eine Herausforderung dar, die auftretenden Bedarfsspitzen korrekt vorherzusagen, da diese typischerweise zufällig auftreten. Drittens wird auf Basis des prognostizierten Verkehrsaufkommens (Abb. 3(a), blaue Kurve) die zukünftig benötigte Kapazität berechnet (Abb. 3(b), blaue Kurve). Wenn der aktuelle Wert der Verbindungskapazität des Transponders (Abb. 3(b), rote Kurve), der durch Telemetrie abgefragt wird, von der geplanten Kapazität abweicht, wird der Transponder für die aktuelle Verbindungskapazität rekonfiguriert, damit sie der geplanten Kapazität entspricht. Schließlich wird jede Minute die Kapazitäts-Überversorgung (Abb. 3(b), blaue Balken) berechnet, basierend auf der Differenz zwischen dem aktuellen Kapazitätswert und dem Verkehrsvolumen/der Verkehrshüllkurve.

Für einen visuellen Leistungsvergleich zeigt Abb. 3(c) die Überkapazitätswerte, die mit einem dynamischen Schema für die Zuweisung von Verbindungskapazitäten (blaue Balken) im Vergleich zu einer herkömmlichen statischen Bereitstellung von Verbindungskapazitäten (rote Balken) erzielt werden.

Abschließend ist noch anzumerken, dass in einigen Fällen aufgrund der hardwarebedingten Verzögerung und des Jitters bei der Anpassung der Verbindungskapazität, eine kurze Verzögerung zwischen den geplanten und den tatsächlichen Kapazitätswerten beobachtet werden kann.

Live Demonstration