تشخیص ناهنجاری‌های فیزیکی هم‌پوشان در شبکه‌های فیبر نوری مبتنی بر دینامیک حالت پلاریزاسیون و XGBoost

تشخیص ناهنجاری‌های فیزیکی هم‌پوشان در شبکه‌های فیبر نوری مبتنی بر دینامیک حالت پلاریزاسیون و XGBoost

مهدی جمشیدنژاد1

1) کارشناسی ارشد مهندسی برق

کد IOI مقاله : AAHD-ACZEZH
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    فیبر نوری ستون فقرات شبکه‌های مخابراتی است و در برابر رخدادهای فیزیکی متعددی از جمله خمش، ارتعاش مکانیکی و شنود غیرمجاز آسیب‌پذیر است. در شرایط عملیاتی واقعی، این رخدادها به‌ندرت مجزا و اغلب به‌صورت هم‌زمان و هم‌پوشان رخ می‌دهند. این هم‌پوشانی مسئله را از یک طبقه‌بندی تک‌برچسبی ساده به تفکیک هم‌زمان چند الگوی درهم‌تنیده تبدیل می‌کند و تشخیص را به‌مراتب دشوارتر از سناریوهای تک‌رویدادی می‌سازد.در این پژوهش، روشی مبتنی بر تحلیل دینامیک حالت پلاریزاسیون (SOP) و طبقه‌بند یادگیری جمعی XGBoost برای تشخیص هم‌زمان چند ناهنجاری فیزیکی هم‌پوشان ارائه شده است. انتخاب SOP از آن روست که برخلاف روش‌های مرسوم مبتنی بر بازتاب‌سنجی نوری حوزه زمان (OTDR)، بدون نیاز به تجهیزات اختصاصی و صرفاً با ردیابی بردار استوکس، به تغییرات لحظه‌ای تنش و ارتعاش در طول فیبر حساسیت بالایی دارد و امکان استفاده از فیبر مخابراتی موجود را به‌عنوان حسگر توزیع‌شده فراهم می‌کند. XGBoost نیز به دلیل کارایی بالا بر داده‌های ساختاریافتهٔ کم‌حجم، سرعت آموزش و استنتاج، مقیاس‌پذیری، تفسیرپذیری مبتنی بر اهمیت ویژگی، و قابلیت توسعه به ساختار چندبرچسبی — که لازمهٔ تفکیک رخدادهای هم‌پوشان است — به‌کار گرفته شده است. داده‌های آموزشی (۱۳۰۰ نمونه) از طریق شبیه‌سازی سری زمانی بردار استوکس روی کرهٔ پوانکاره، همراه با تزریق کنترل‌شدهٔ اختلالات و نویز محیطی تولید شد و در سه سطح تک‌رویدادی، هم‌پوشان دوتایی و هم‌پوشان سه‌گانه طراحی گردید. ویژگی‌هایی نظیر سرعت زاویه‌ای SOP (SOPAS)، واریانس، شیب و انرژی طیفی استخراج و به یک طبقه‌بند چندبرچسبی XGBoost داده شد.ارزیابی روی ۸ اجرای مستقل نشان می‌دهد مدل در سناریوهای تک‌رویدادی به Subset Accuracy برابر ۰٫۹۸ ± ۰٫۰۲ و در سناریوهای هم‌پوشان دوتایی و سه‌گانه به‌ترتیب به Subset Accuracy برابر ۰٫۹۴ ± ۰٫۰۱ و ۰٫۸۵ ± ۰٫۰۷ دست می‌یابد؛ Subset Accuracy کلی روی مجموعهٔ آزمون ۰٫۹۵۳ ± ۰٫۰۱۲ و میانگین F1-Score در سطح کلاس‌ها در بازهٔ ۰٫۹۷۰ (کلاس خمش) تا ۰٫۹۹۸ (کلاس ارتعاش) به دست آمد. تحلیل اهمیت ویژگی نشان می‌دهد مدل برای هر کلاس امضای فیزیکی متمایزی آموخته است: سرعت زاویه‌ای SOP برای ارتعاش، انرژی کم‌فرکانس برای خمش و انرژی میان‌فرکانس گذرا برای شنود. این نتایج بیانگر آن است که ترکیب حسگری SOP و طبقه‌بند چندبرچسبی XGBoost می‌تواند رخدادهای فیزیکی هم‌پوشان را با هزینهٔ محاسباتی پایین و تفسیرپذیری بالا تفکیک کند؛ به‌گونه‌ای که مؤلفهٔ تشخیص شنود کاربرد امنیتی و مؤلفه‌های خمش و ارتعاش کاربرد پایش سلامت شبکه دارند.

کلمات کلیدی : فیبر نوری حالت پلاریزاسیون (sop) xgboost تشخیص ناهنجاری هم‌پوشان یادگیری ماشین امنیت لایه فیزیکی