Ukrainian Journal of Physical Optics 

Volume 22, Issue 1, 2021
Home page
 
 

Other articles 

in this issue
Supervised regression modelling for mitigation of four-wave mixing in dense wavelength-division multiplexing systems 

1Venkatesan K., 2Chandrasekar A. and 3Ramesh P. G. V.

1Department of Electronics and Communication Engineering, St. Joseph’s College   of Engineering, Chennai, India. venkatsri21@gmail.com
2Department of computer science and Engineering, St. Joseph’s College of   Engineering, Chennai, India
3Department of Electronics and Communication Engineering, St. Joseph’s Institute of   Technology, Chennai, India
 

Download this article

Abstract. A recent global crisis associated with COVID-19 has encouraged millions of people to work from home, thus causing a drastic increase in overall network traffic, data-rate requirements and end network capabilities. This has also produced more noise, cross-talk and undesirable optical-fibre nonlinearities, especially a four-wave mixing (FWM) effect that deteriorates performance of dense wavelength-division multiplexing (DWDM) systems. A presence of FWM in the DWDM systems imposes increasing complexity and latency of networks, and decreases their spectral efficiency. In its turn, this degrades efficient utilization of optical bandwidth. To mitigate the above problems, we suggest a supervised regression modelling (SRM). A relevant SRM-DWDM approach performs self-parametric optimization of the DWDM systems with machine-learning techniques and finds real trade-offs among various factors that affect the FWM. Our model reduces complexity of modelling and computational time, resulting in accurate and reliable prediction of parameter values. We also evaluate the performance of our SRM-DWDM technique by comparing its data with the iterative results obtained for different parameters (e.g., output signal-to-noise ratio, Q-factor, signal power and noise power). Finally, we specify the procedures necessary for global optimization of DWDM systems.

Keywords: supervised regression algorithm, machine learning, DWDM, four-wave mixing, Q-factor, optical signal-to-noise ratio

UDC: 681.7
Ukr. J. Phys. Opt. 22 12-30
doi: 10.3116/16091833/22/1/12/2021
Received: 06.10.2020

Анотація. Нещодавня глобальна криза, пов’язана з COVID-19, спонукала мільйони людей працювати вдома, що спричинило різке збільшення загального мережевого трафіку, вимог до швидкості передачі даних та кінцевих можливостей мережі. Це також спричинило більше шумів, перехресних завад і небажаних нелінійностей оптичного волокна, особливо ефекту чотирихвильового змішування (ЧХЗ), який погіршує роботу систем мультиплексування зі щільним поділом довжини хвилі (МЩПХ). Наявність ЧХЗ у системах МЩПХ спонукає зростаючу складність та інерційність мереж і знижує їхню спектральну ефективність. У свою чергу, це погіршує ефективне використання оптичної смуги пропускання. Щоби пом’якшити зазначені проблеми, ми пропонуємо регресійне моделювання з учителем (РМУ). Відповідний підхід РМУ-МЩПХ здійснює автоматизовану оптимізацію систем МЩПХ за допомогою методів машинного навчання і знаходить реальні компроміси серед різних факторів, що впливають на ЧХЗ. Наша модель понижує складність системи та час обчислень, що приводить до точного та надійного прогнозування значень параметрів. Ми також оцінили ефективність методики РМУ-МЩПХ, порівнюючи її дані з результатами, одержаними ітераційними методами для різних параметрів (наприклад, для відношення вихідного сигналу до шуму, Q-коефіцієнта, потужності сигналу та потужності шуму). Нарешті, у роботі описано процедури, необхідні для глобальної оптимізації систем МЩПХ.

Ключові слова: контрольований алгоритм регресії, машинне навчання, системи мультиплексування зі щільним поділом довжини хвилі, чотирихвильове змішування, добротність, відношення сигнал/шум
REFERENCES
  1. Ahmed J, Hussain A, Siyal M Y, Manzoor H and Masood A, 2014. Parametric analysis of four wave mixing in DWDM systems. Optik. 125: 1853-1859. doi:10.1016/j.ijleo.2013.09.029
  2. Udalcovs A, Schatz R, Wosinska L and Monti P, 2017. Analysis of spectral and energy efficiency tradeoff in single-line rate WDM links. J. Light. Technol. 35: 1847-1857. doi:10.1109/JLT.2017.2651165
  3. Kathpal N and Garg A, 2020. Analysis of radio over fiber system for mitigating four-wave mixing effect. Dig. Commun.Net. 6: 115−122. doi:10.1016/j.dcan.2019.01.003
  4. Nguyen B, Nguyen H T, Van Nguyen D, Van Nguyen T and Nguyen Q T, 2019. Impact of frequency shift on nonlinear compensation using optical phase conjugation for M-QAM signals. Rev. J. Electron. Commun. 9: 55-62. doi:10.21553/rev-jec.237
  5. Sabapathi T and Poovitha R, 2019. Mitigation of nonlinearities in fiber optic DWDM system. Optik. 185: 657−664. doi:10.1016/j.ijleo.2019.02.073
  6. Huszaník T, Turán J and Ovsenik L, 2019. On mitigation of four-wave mixing in high capacity ultra-DWDM system. 20th International Carpathian Control Conference (ICCC), Krakow-Wieliczka, Poland, pp. 1-4. doi:10.1109/CarpathianCC.2019.8766021
  7. Habib Ullah Manzoor, Tareq Manzoor, Ashiq Hussain and Moustafa H Aly, 2020. FWM mitigation in DWDM optical networks. J. Phys.: Conf. Series. 1447: 012033. doi:10.1088/1742-6596/1447/1/012033
  8. Kaler R and Kaler R S, 2012. Investigation of four wave mixing effect at different channel spacing. Optik. 123: 352-356. doi:10.1016/j.ijleo.2011.01.017
  9. Ajmani Manisha, Singh Preeti and Kaur Pardeep, 2019. Hybrid dispersion compensating modules: A better solution for mitigating four-wave mixing effects. Wireless Personal Commun. 107: 959-971. doi:10.1007/s11277-019-06311-3
  10. Sharma V and Kaur R, 2013. Implementation of DWDM system in the presence of four wave mixing (FWM) under the impact of channel spacing. Optik. 124: 3112-3114. doi:10.1016/j.ijleo.2012.09.049
  11. Rashed A, 2019. Comparison between NRZ/RZ modulation techniques for upgrading long haul optical wireless communication systems. J. Opt. Commun. 10.1515/joc-2019-0038 (article in press). doi:10.1515/joc-2019-0038
  12. Meena D, Sarath K T, Francis F, Dipin E and Srinivas T, 2019. Mitigation of EDFA transient effects in variable duty cycle pulsed signals. Def. Techn. 15: 276−281. doi:10.1016/j.dt.2018.12.001
  13. Ahmed J, Hussain A, Adeel F, Siyal M Y and Yu C, 2013. Optical signal processing using four wave mixing in highly nonlinear silicon. Optik. 124: 3439-3442. doi:10.1016/j.ijleo.2012.10.030
  14. Habib Ullah Manzoor, Tareq Manzoor, Ashiq Hussain, Moustafa H Aly and Sanaullah Manzoor, 2019. FWM reduction using different modulation techniques and optical filters in DWDM optical communication systems: A comparative study. Iran. J. Sci. Technol. Trans. Electr. Eng. 43: 479-488. doi:10.1007/s40998-019-00189-4
  15. Hamadamin J A, Ibrahim M A and Saleem S M, 2020. Design and performance optimization of WDM lightwave system using optimum modulation formats. Nat. Acad. Sci. Lett. 43: 523-52. doi:10.1007/s40009-020-00928-w
  16. Kumar Ghanendra and Kumar Sandeep. 2019. Investigation of the performance of optical amplifiers for a 96×12 Gbps DWDM system using ultrasmall channel spacing. Photon. Network Commun. 38: 108-114. doi:10.1007/s11107-018-00823-x
  17. Obaid Hafiz and Shahid Hifsa, 2019. Performance evaluation of hybrid optical amplifiers for a 100 × 10 Gbps DWDM system with ultrasmall channel spacing. Optik. 200: 163404. doi:10.1016/j.ijleo.2019.163404
  18. Ji Y, Zhang J, Wang X and Yu H, 2018. Towards converged, collaborative and co-automatic (3C) optical networks. Sci. China Inf. Sci. 61: 1-19. doi:10.1007/s11432-018-9551-8
  19. Ghazisaeidi A, 2019. Theory of coherent WDM systems using in-line semiconductor optical amplifiers. J. Light. Technol. 37: 4188−4200. doi:10.1109/JLT.2019.2921864
  20. Gu R, Yang Z and Ji Y, 2020. Machine learning for intelligent optical networks: A comprehensive survey. J. Netw. Comput. Appl. 157: 102576. doi:10.1016/j.jnca.2020.102576
  21. Musumeci F, Rottondi C, Corani G, Shahkarami S, Cugini F and Tornatore M, 2019. A tutorial on machine learning for failure management in optical networks. J. Light. Technol. 37: 4125-4139. doi:10.1109/JLT.2019.2922586
  22. Seve E, Pesic J, Delezoide C, Bigo S and Pointurier Y, 2018. Learning process for reducing uncertainties on network parameters and design margins. J. Opt. Commun. Net. 10: A298-A306. doi:10.1364/JOCN.10.00A298
  23. Junfeng Xie, F Richard Yu, Tao Huang, Renchao Xie, Jiang Liu, Chenmeng Wang and Yunjie Liu 2019. A survey of machine learning techniques applied to software defined networking (SDN): Research issues and challenges. IEEE Commun. Surv. Tutorials. 21: 393-430. doi:10.1109/COMST.2018.2866942
  24. Zeadally S and Tsikerdekis M, 2020. Securing Internet of Things (IoT) with machine learning," Int. J. Commun. Syst. 33: 1-16. doi:10.1002/dac.4169
  25. Alsheikh M A, Lin S, Niyato D and Tan H P, 2014. Machine learning in wireless sensor networks: Algorithms, strategies, and applications. IEEE Commun. Surv. Tutorials, 16: 1996-2018. doi:10.1109/COMST.2014.2320099
  26. Bhatti D M S, Ahmed S, Chan A S and Saleem K, 2020. Clustering formation in cognitive radio networks using machine learning. AEU − Int. J. Electron. Commun. 114: 152994. doi:10.1016/j.aeue.2019.152994
  27. Mao Q, Hu F and Hao Q, 2018. Deep learning for intelligent wireless networks: A comprehensive survey. IEEE Commun. Surv. Tutorials. 20: 2595-2621. doi:10.1109/COMST.2018.2846401
  28. Danish Rafique and Luis Velasco, 2018. Machine learning for network automation: Overview. Architecture, and Applications [Invited Tutorial]. J. Opt. Commun. Net. 10: 126-143. doi:10.1364/JOCN.10.00D126
  29. Pacheco F, Exposito E, Gineste M, Baudoin C and Aguilar J, 2018. Towards the deployment of machine learning solutions in network traffic classification: A systematic survey. IEEE Commun. Surv. Tutorials. 21: 1988-2014. doi:10.1109/COMST.2018.2883147
(c) Ukrainian Journal of Physical Optics