جستجو
تشخیص ناهنجاریهای فیزیکی همپوشان در شبکههای فیبر نوری مبتنی بر دینامیک حالت پلاریزاسیون و XGBoost
مهدی جمشیدنژاد1
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
زبان مقاله : فارسی
محور مقاله : شبکه های ارتباطی و موبایل
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ACZEZH
لینک مستقیم مقاله : https://isnac.ir/AAHD-ACZEZH
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems