Первой сложностью, с которой приходится столкнуться при исследовании надежности сетей широкополосного доступа на основе технологии пассивных оптических сетей (PON) – широкое многообразие методов их построения. Проведенный анализ элементной и технологической основы пассивных оптических сетей показал, что множество различных модификаций сетей широкополосного доступа на основе технологии PON существующих на сегодняшний день в России строится из ограниченного набора элементов. Эти элементы можно разделить на следующие группы: кабели; оптические сплиттеры; разъемные соединения оптических волокон; механические соединения оптических волокон; сварные соединения оптических волокон. Таким образом, при анализе надежности физического канала PON целесообразно выполнить декомпозицию пассивной оптической сети на линии (участок между линейным и абонентским терминалом) состоящие из последовательно соединенных элементов (рис. 1).

Рисунок 1 Схема линии пассивной оптической сети

Применительно к сетям широкополосного доступа, в частности к пассивным оптическим сетям, отказом можно считать нарушение работоспособности услуг (сервисов) предоставляемых абонентам посредством этой сети. В качестве критерия отказа линии пассивных оптических сетей можно принять превышение нормированных значений общих или возвратных потерь [1]. 
Отказы можно разделить на внезапные и постепенные. К предполагаемым причинам постепенных отказов физического канала пассивных оптических сетей отнесена температура, влажность, и внутреннее напряжение в оптическом волокне. К основным причинам внезапных отказов отнесены внешние механические воздействия, которые в свою очередь зависят от условий среды, в которых эксплуатируется сеть. Анализ статистических данных, полученных от ведущих Российских операторов связи, показал, что основными причинам внезапных отказов являются: производство работ третьими лицами, вандализм, природные катаклизмы, атаки грызунов, коммунальные аварии, возгорания.
Исследованию процессов приводящих к постепенным отказам элементов волоконно-оптических сетей связи посвящен ряд работ, отечественных и зарубежных ученых, например [2-6]. Менее изученными являются внезапные отказы. Спрогнозировать возникновение внезапных отказов весьма затруднительно, так как факторов влияющих на их возникновение достаточно много. На практике, искомое значение количества внезапных отказов зачастую определяется при помощи усреднения имеющихся статистических данных и принимается за константу. При этом изменение начальных условий, которое, безусловно, влияет на конечный результат, не будет учитываться при расчете. Для решения этой задачи необходимо использовать методы обладающие свойствами адаптивности к изменяющимся исходным данным и позволяющие не только высчитывать конечный результат на основании имеющихся исходных данных по известной зависимости, но и определять эту зависимость. Одним из вариантов исследований подобного типа процессов это применение искусственных нейронных сетей [6,7]. Процесс решения задачи с помощью искусственной нейронной сети можно разделить на этапы:

• Определение исходных данных;
• Подготовка и нормализация данных;
• Выбор топологии сети;
• Обучение;
• Проверка адекватности обучения;

К первичному набору исходных данных отнесены: плотность населения в районе функционирования сети, состояние коммуникаций в зоне охвата сети, состояние жилого фонда в зоне охвата сети, механическая стойкость элементов сети, климатические условия региона, в котором эксплуатируется сеть, уровень преступности в регионе, наличие конкурентов.
В качестве целевых показателей решено, основываясь на имеющихся статистических данных (данные о внезапных отказах оптических сетей доступа, полученные от операторов связи), установить классы надежности для каждого элемента пассивных оптических сетей. Таким образом, задача прогнозирования внезапных отказов элементов сети сводится к задаче классификации. 
Исходные данные приведены к числовому виду и масштабированы, с целью обеспечить их нахождение в ограниченном числовом диапазоне. Для каждой группы элементов физического канала пассивной оптической сети выделены категории классификации, определенные диапазонами интенсивности внезапных отказов.
Определение целевой категории, характеризующей прогнозируемую интенсивность отказов элемента, осуществляется на основе конкуренции между нейронами выходного уровня. При решении ряда практических задач, востребованным является представление результата в вероятностной форме. Применительно к решаемой задачи вероятность соответствия объекта исследования к каждой целевой категории k классификации можно определить из выражения (1).

(1)

где о_k – выходное значение нейрона (нейрон выходного слоя) соответствующего целевой категории классификации k. Таким образом, результат решения задачи классификации при помощи искусственных нейронных сетей можно представить в вероятностном виде: объект относится к категории k с вероятностью P_k.
Моделирование и обучение искусственных нейронных сетей осуществлялось в программной среде STATISTICA 10. При обучении использовались наиболее распространенные функции активации: гиперболический тангенс, логистическая, софтмакс, линейная, экспоненциальная, единичная сумма, синус. Непосредственно обучение осуществлялось с применением следующих методов: обратное распространение ошибки, метод Левенберга-Маркара, метод сопряженных градиентов, Квази-Ньютоновский метод, обучение Кохонена, обобщенно-регрессионный метод, метод радиальной выборки. Результаты первичного обучения представлены в рис. 2.

В результате первоначального обучения, было выявлено, что влияние некоторых факторов незначительно, весовые коэффициенты связей от таких факторов в процессе обучения стремились к нулю. Эти факторы были исключены из обучающей выборки, после чего проведено повторное моделирование. Результаты повторного обучения нейронных сетей представлены в рис. 3.

Ошибка в работе обученных сетей уменьшилась. Этот факт можно объяснить большой зашумленностью первоначальным набором исходных данных и низкой достоверностью исключенных факторов. 
Исключив из набора исходных данных значения, которые существенно удалены от области значений характерных для соответствующей им категории классификации, проведем следующее обучение сети. Результаты этого обучения приведены в табл. 3.

Таблица 3

Окончательный вариант категорий классификации для каждого элемента пассивных оптических сетей приведен в табл. 4.

Таблица 4

	Кабель	Сплиттер	Механический соединитель оптических волокон	Разъемный соединитель оптических волокон	Сварное соединение оптических волокон
Категория 1	до 0,05 (км*год)-1;	до 0,02 (шт*год)-1;	до 0,04 (шт*год)-1;	до 0,03 (шт*год)-1;	до 0,02 (шт*год)-1;
Категория 2	0,05 – 0,10 (км*год)-1;	0,02 – 0,04 (шт*год)-1;	0,04 – 0,08 (шт*год)-1;	0,03 – 0,07 (шт*год)-1;	0,02 – 0,04 (шт*год)-1;
Категория 3	0,1 – 0,15 (км*год)-1;	свыше 0,04 (шт*год)-1;	свыше 0,08 (шт*год)-1;	0,07 – 0,1 (шт*год)-1;	0,04 – 0,06 (шт*год)-1;
Категория 4	0,15-0,2 (км*год)-1;	-	-	0,1 – 0,15 (шт*год)-1;	0,06-0,1 (шт*год)-1;

Топологии искусственных нейронных сетей, которые будут использоваться для прогнозирования внезапных отказов элементов пассивных оптических сетей, представлены в табл. 5.

В качестве функции активации использована логистическая функция (2).

₍₂₎

Оценив прогнозируемое значение интенсивности внезапных отказов элемента, умножим минимальные и максимальные значения соответствующих категорий на количество элементов данного типа (для элемента кабель, значения необходимо перемножить на длину используемого кабеля выраженного в километрах). Просуммировав минимальные прогнозируемые значения внезапных отказов всех используемых элементов линии, получим нижний предел прогнозируемого диапазона внезапных отказов линии, аналогичным образом просуммировав максимальные прогнозируемые значения всех используемых элементов, получим верхний предел прогнозируемого диапазона внезапных отказов линии, пассивных оптических сетей.
Полученные результаты показали, что нейронные сети могут успешно применяться для решения задачи прогнозирования интенсивности внезапных отказов физического канала в пассивных оптических сетях. Одним из основных факторов снижающих достоверность прогнозируемых значений интенсивности отказов, получаемых с использованием нейронных сетей, является недостаток статистических данных о надежности PON, что во многом вызвано не желанием операторов связи официально предоставлять истинные данные о надежности эксплуатируемых сетей, так как эта информация может негативно повлиять на их репутацию. Одним из возможных решений этой проблемы является реализация полученной нейросетевой модели в виде серверного программного продукта доступного через интернет. Подобный программный продукт позволит, осуществлять расчеты анонимно, не боясь утечки коммерческой тайны, а сведения о надежности сетей собранные программой в процессе её использования, позволят повысить достоверность получаемых результатов.

1. Рекомендация ITU-T G.984.2 (03/2003) – Пассивные волоконно-оптические сети с поддержкой гигабитных скоростей передачи (GPON): Спецификация зависимого от физической среды (PMD) уровня.
2. Никитин, Б.К. Надежность ВОЛС, параметры и пути повышения/ Б.К. Никитин, Е.Б. Стогов – сборник трудов конференции: «Современные технологии проектирования, строительства и эксплуатации линейно-кабельных сооружений СТЛКС-2008» – Санкт-Петербург, 2008.
3. Нетес, В.А. Надежность сетей связи в период перехода к NGN/В.А. Нетес – Журнал «Вестник связи» – №9 – 2007.
4. Piccirillo, А Reliability evaluation of optical splitters in planar technology/ А Piccirillo, T. Tambosso, G. Zaffiro, G. Gallo – in Proc. WFOPC, Pavia, Italy, Sept. 1998, pp.. 99–102.
5. Volotinen, T. Reliability of Optical Fibers and Components/ T. Volotinen, W. Griffioen, M. Gadonna, and H. Lindberger – Final Report of COST 246. London, U.K.: Springer-Verlag, 1999, pp. 289–323.
6. Caloz, F. Reliability of optical connectors － Humidity behavior of the adhesive/ F. Caloz, D. Ernst, P. Rossini, L. Gherardi, L. Grassi, – Microelectronics Reliability 42, p.1323-1328, 2002.
7. Хайкин, С. Нейронные сети: полный курс/С. Хайкин – пер. с англ. М.: Издательский дом «Вильямс», 2006. – 1104 с.

Все статьи автора «Пирмагомедов Рустам Ярахмедович»