Подготовка проекта Умный оптический транспорт

Подготовка проекта Умный оптический транспорт.

1 Предварительная информация по проекту

1.1 Характеристика проекта

• Прочёл о проекте в прессе.
• https://www.cableman.ru/content/v-rossii-zapuskayut-proekt-umnyi-opticheskii-transport-dlya-magistralnykh-setei
• В заметке дело подаётся так, будто всё уже готово.
• Описываемые сроки реализации выглядят несколько оптимистично.
• Идея о построении цифрового двойника (см. Моделирование. Цифровой двойник) выглядит очень привлекательно.
• При этом следует учитывать, что данная концепция ещё не вышла за пределы исследований.
• Полная реализация того, что есть в слайдах, вряд ли выйдет.
• Хотя подмножество, конечно, реализовать можно.

1.2 Минимально необходимая команда

• Системный архитектор

  • проектирование структуры двойника
  • выбор стека технологий
  • 1 человек

• Инженер машинного обучения

  • разработка модели
  • 2 человека

• backend-разработчик

  • серверная часть
  • 3 человека

• frontend-разработчик

  • 1 человек
  • интерфейс

• Инженер-связист

  • специалист по ВОЛС
  • 1 человек

1.3 Что есть у нас

• Максимум, что мы можем найти у себя — это специалиста по машинному обучению.
• Впрочем, скорее всего без опыта разработки цифровых двойников.
• При этом данный проект вполне может потребовать полной занятости.
• Следует учитывать, что фирма-исполнитель находится достаточно далеко от Москвы (Горький).

1.4 Выводы

• Из полного НИОКР мы можем претендовать в данном случае только на научно-исследовательскую часть.
• Но судя по презентации создаётся впечатление, что заказчик не готов вкладываться в научные исследования, а будет делать упор сразу на ОКР.
• Мы не можем предоставить цельный исследовательский коллектив.
• Отдельного специалиста заказчик может предпочесть перетянуть к себе в частном порядке.

2 Предварительная разбивка по этапам

• Рассматривается только научно-исследовательская часть
• Предварительный срок выполнения работы составляет 18–24 месяцев.
• Приведённые сроки предполагают, что коллектив работает в штатном режиме (не в 24/7) и параллельно может заниматься другими задачами.
• При привлечении большего числа программистов, этапы программирования можно сжать.
• Этапы аналитики и моделирования искусственному ускорению поддаются плохо (важно вызревание идей).

2.1 Подготовительный этап (аналитический)

• Длительность: 2 месяца
• Изучение мировых подходы.
• Аудит сети.
• План исследований.
• Техническое задание.

2.2 Сбор и нормализация данных

• Длительность: 3–4 месяца

2.3 Разработка математических моделей

• Длительность: 4–5 месяцев
• Направления работы:
  • физика (модели сигнала);
  • статистика (надежность);
  • логика (онтология связей).

2.4 Программная реализация прототипа

• Длительность: 5–6 месяцев
• Написание кода.
• Интеграция GIS-движка.
• Базы данных.
• Интерфейсы.

2.5 Тестирование и верификация

• Длительность: 2 месяца

2.6 Оформление результатов

• Длительность: 1 месяц.

3 Используемые модели

• Используется комплекс различных типов моделей.
• Машинное обучение тут может вообще не применяться.

3.1 Физико-математические модели распространения сигнала

• Описывают поведение оптического излучения в волокне с учётом различных факторов.
• Модели нелинейных эффектов
  • Описывают солитонные режимы распространения и влияние нелинейных искажений (эффект Керра, вынужденное рассеяние Мандельштама-Бриллюэна) на качество передачи.
• Модели дисперсии и затухания
  • Рассчитывают уширение импульсов и потери мощности в зависимости от длины волны, типа волокна и температуры.
• Модели влияния внешних воздействий
  • Связывают механические деформации (натяжение, изгибы) и температуру с изменением оптических характеристик волокна.
  • Эти модели позволяют интерпретировать данные с распределённых датчиков (например, бриллюэновских рефлектометров) .

3.2 Вероятностные модели и модели надёжности

• Прогнозирования отказов и оценки готовности сети.

• Марковские модели

  • Позволяют оценивать коэффициент готовности ВОЛС с учётом переходов между состояниями (рабочее состояние, явный отказ, ложный отказ, техническое обслуживание).

• Модели накопления повреждений

  • Остаточный ресурс оптического волокна на основе данных о натяжении и температурных циклах.

• Модели прогнозирования аварий

  • Связь интенсивность отказов с внешними условиями (активность земляных работ, погодные явления, возраст кабеля).

3.3 Имитационные модели

• Имитационные модели позволяют проигрывать различные ситуации на виртуальной копии сети, не вмешиваясь в работу реальной.

3.3.1 Дискретно-событийное моделирование (для анализа отказов и восстановления)

• Цель
  • Оценка показателей надежности и готовности сети (коэффициент готовности, среднее время восстановления, доступность сервисов).
• Применение
  • Симуляция множества случайных отказов на разных участках сети.
  • Расчет времени, в течение которого сервисы будут недоступны для абонентов.
  • Оценка эффективности различных стратегий резервирования (кольцевые структуры, разнос трасс).

3.3.2 Системная динамика (для анализа трафика и развития сети)

• Цель
  • Прогнозирование загрузки каналов, времени наступления перегрузок, планирование модернизации.
• Применение
  • Моделирование роста трафика в зависимости от времени суток, сезона или появления новых абонентов в районе.
  • Оценка, как перераспределится нагрузка при отключении одного из магистральных каналов. Будут ли перегружены резервные пути?
  • Прогнозирование момента, когда существующая пропускная способность перестанет справляться с нагрузкой, чтобы своевременно спланировать апгрейд оборудования.

3.3.3 Агентное моделирование (для анализа сложного поведения)

• Цель
  • Анализ качества обслуживания (QoS) и качества восприятия (QoE) в сложных сценариях.
• Применение
  • Симуляция поведения тысяч пользовательских сессий при аварии: как они будут пытаться переподключаться, создавая дополнительную нагрузку на сигнализацию?
  • Оценка влияния приоритезации трафика (QoS) на удовлетворенность разных групп абонентов (бизнес, частные) в условиях ограниченных ресурсов.

3.3.4 Имитация физических процессов

• Цель
  • Оценка влияния внешних воздействий на качество сигнала.
• Применение
  • Симуляция распространения сигнала при изменении температуры окружающей среды.
  • Моделирование последствий механического воздействия.

3.4 Геоинформационные (GIS) модели и модели размещения

• Привязка всех объектов сети к местности.
• Модели рельефа и трассировки
  • Учитывают географические особенности местности (высоты, водные преграды, типы грунтов) для расчёта нагрузок на кабель и оценки доступности участков для ремонта.
• Пространственные модели рисков
  • Накладывают на карту зоны потенциальных угроз (оползни, паводки, лесные пожары, плотность экскаваторных работ) и вычисляют вероятность повреждения конкретного участка кабеля.

3.5 Data-driven модели и модели машинного обучения

• Строятся на основе исторических данных и текущей телеметрии без явного описания физики процессов.
• Нейросетевые аппроксиматоры
  • Суррогатные модели для работы в режиме реального времени.
  • Обучаются на результатах детальных физических расчётов или на архивных данных телеметрии .
• Модели обнаружения аномалий
  • Алгоритмы, выявляющие нехарактерные изменения в параметрах сигнала (мощность, ошибки), которые могут указывать на развивающийся дефект.
• Прогнозные модели спроса
  • Оценивают будущую загрузку каналов на основе исторических данных о трафике для планирования модернизации сети.

3.6 Логические модели и модели сервисов

• Описывают взаимосвязи между физической инфраструктурой и предоставляемыми услугами.

• Модели зависимостей

  • Устанавливают, какие конкретно каналы связи и каких абонентов будут затронуты при повреждении конкретного метра кабеля или выходе из строя оборудования на узле.

• Модели качества обслуживания (QoS)

  • Прогнозируют, как изменение параметров физического уровня (затухание, ошибки) повлияет на качество, воспринимаемое конечным пользователем (задержки, джиттер, потеря пакетов).

4 Существующие проекты

4.1 GNPy: Optical Route Planning Library

• Документация: https://gnpy.readthedocs.io/
• Репозиторий: https://github.com/Telecominfraproject/oopt-gnpy