Tinjauan Manajemen Kegagalan dalam Jaringan Optik

Klaim analitis utama dari survei ini adalah bahwa manajemen kegagalan dalam jaringan optik adalah masalah otomatisasi, bukan hanya masalah klasifikasi. Deteksi saja tidak memulihkan layanan; nilai ML hanya terwujud ketika keluarannya dikonsumsi oleh operasi jaringan dinamis yang dapat bertindak pada margin minimal. Oleh karena itu, survei ini menekankan bagaimana algoritma ML dapat menyederhanakan proses manajemen kegagalan, mengurangi intervensi manual dan gangguan layanan, dan membingkai enam kategori tugas sebagai kontinum dari kesadaran hingga tindakan: peringatan dini dan prediksi memberi makan deteksi; deteksi memberi makan identifikasi dan lokalisasi; lokalisasi dan estimasi magnitudo memberi makan keputusan tentang apa yang harus dikonfigurasi ulang. Dibaca dengan cara ini, taksonomi bukanlah seperangkat tolok ukur independen tetapi rantai inferensi yang mata rantai terlemahnya mengatur keandalan ujung-ke-ujung.

Beberapa ketegangan struktural mengikuti. Model akurasi tinggi seperti CNN dan GAN yang mendalam menuntut data pelatihan yang substansial, namun kegagalan keras dan lunak yang asli, secara desain, adalah peristiwa langka — ketidakseimbangan kelas adalah intrinsik pada domain dan tidak dapat diselesaikan hanya dengan mengumpulkan lebih banyak lalu lintas. Kriging jaringan dan proses Gaussian mengurangi ini dengan mengeksploitasi korelasi spasial dan dengan mengkuantifikasi ketidakpastian, yang berharga secara operasional karena interval kepercayaan dapat ditindaklanjuti di mana estimasi titik tidak bisa. Model urutan seperti LSTM dan GRU menguranginya secara temporal, mengubah masalah dari klasifikasi peristiwa langka menjadi ekstrapolasi lintasan, di mana sinyal prekursor tersedia jauh sebelum peristiwa kegagalan. Autoencoder menghindari masalah pelabelan sepenuhnya dengan hanya mempelajari perilaku yang sehat.

Survei ini juga mengidentifikasi batas di luar ML klasik. Model bahasa besar (LLM) diperiksa sebagai mekanisme untuk secara signifikan memajukan manajemen jaringan dengan meningkatkan desain jaringan, diagnosis, keamanan, dan optimasi otonom melalui integrasi sumber daya domain yang komprehensif dan agen cerdas. Dikombinasikan dengan kembaran digital (DT), yang menyediakan replika virtual yang terus-menerus disinkronkan di mana intervensi dapat divalidasi sebelum diterapkan pada perangkat keras produksi, pasangan ini mengatasi sisi tindakan dari masalah otomatisasi. Kembaran digital menyediakan kontrafaktual — apa yang akan terjadi jika konfigurasi ulang ini diterapkan? — sementara agen berbasis LLM menyediakan lapisan penalaran dan orkestrasi yang memilih di antara tindakan kandidat. Bersama-sama mereka menutup lingkaran dari telemetri ke keputusan tanpa intervensi manusia.

Survei ini secara eksplisit menyatakan bahwa lintasan ini mengarah pada kecerdasan umum buatan sebagai aspirasi pengorganisasian: kemajuan ini membuka jalan menuju pencapaian kecerdasan umum buatan dan manajemen jaringan optik yang sepenuhnya otomatis. Pembingkaian tersebut harus dibaca sebagai klaim arah tentang peningkatan otonomi daripada pernyataan kemampuan jangka pendek. Kesimpulan praktis jangka pendek lebih terukur tetapi tetap konsekuensial: ML sudah menyediakan mekanisme yang layak untuk setiap mata rantai dalam rantai manajemen kegagalan — NK untuk estimasi dan lokalisasi, SVM untuk klasifikasi, CNN untuk identifikasi kegagalan lunak, GAN untuk sintesis dan deteksi data, dan varian ANN, AE, GP, LSTM, dan GRU untuk tugas-tugas yang tersisa — dan tantangan yang tersisa adalah integrasi. Jaringan optik yang memprediksi, mendeteksi, mengidentifikasi, melokalisasi, dan mengkuantifikasi degradasi, dan kemudian bertindak berdasarkan pengetahuan tersebut melalui bidang kontrol yang dibantu LLM dan divalidasi kembaran digital, dapat beroperasi dengan margin yang jauh lebih ketat daripada yang diizinkan oleh metode statis, mengubah penalti keandalan dari penyediaan agresif kembali menjadi kapasitas yang dapat digunakan.