Digital transformation delle reti di trasporto fotoniche

Digital transformation delle reti di trasporto fotoniche
 

Digital transformation delle reti di trasporto fotoniche

Negli ultimi anni, le tecnologie e le funzionalità della rete di trasporto di TIM sono significativamente cambiate per far fronte alle nuove esigenze del mercato, che ha visto l’evolversi dei servizi proposti e la crescita esponenziale dei volumi di traffico.
Il processo evolutivo è stato ed è tuttora guidato dalla possibilità di sfruttare i vantaggi offerti dalle nuove tecnologie al fine di rendere le reti in grado di adattarsi rapidamente all’evoluzione del traffico e sempre maggiormente efficienti e flessibili, massimizzando l’utilizzo delle risorse ed ottimizzando gli investimenti, automatizzando alcune funzionalità fondamentali.

 

Intelligenza ed Automazione nelle reti di trasporto

La progressiva introduzione del concetto di intelligenza in rete gioca un ruolo chiave nel percorso evolutivo; tale processo è iniziato con lo sviluppo delle funzionalità tipiche del piano di controllo e raggiungerà la sua massima espressione con il machine learning, grazie al quale le reti avranno un maggior grado di autonomia, portando a completamento il processo di Digital Transformation ed Automation anche nell’ambito delle piattaforme trasmissive.
Già nel 2004 la rete di backbone SDH Phoenix utilizzava un piano di controllo semidistribuito in grado di realizzare il reinstradamento automatico dei servizi a fronte di guasti di rete o per azioni manutentive, calcolando automaticamente il percorso migliore disponibile nel momento del guasto e notificando all’operatore le scelte implementate.
Le reti sviluppate negli anni a seguire sono state caratterizzate da un’ulteriore evoluzione che ha comportato la distribuzione totale dell’intelligenza (sempre intesa come capacità di prendere decisioni in modo autonomo) nei singoli apparati, passando da un’architettura semidistribuita ad un’architettura completamente distribuita.
Tale architettura è infatti presente nelle reti di backbone kosmos, kaleidon e nell’ultima nata kaleidon 2 evolution, sviluppate a partire dal 2009; in queste reti l’intelligenza (ovvero il piano di controllo) è utilizzata per effettuare il provisioning dei servizi e per implementare meccanismi di resilience, come la restoration per reinstradare il traffico a fronte di guasti di rete.
In parallelo, le innovazioni nelle tecnologie del trasporto fotonico hanno ampliato le funzionalità disponibili a livello di apparati e rete ed utilizzabili dal Piano di Controllo, abilitando il cammino verso l’Automation e la Digital Transformation.

 

Kaleidon 2 evolution

Kaleidon 2 evolution è il nuovo backbone fotonico nazionale; è una rete con architettura a maglia, progettata per il trasporto di canali ottici con bit rate maggiore del 100 Gbit/s e realizzata con nodi ROADM.
I nodi della rete hanno le innovative funzionalità di Colorless, Directionless, Contentionless e Flexgrid.
La rete, il cui sviluppo è partito nel 2017, prevede a regime una copertura di oltre 16.000 chilometri di fibra, collegando più di 60 POP nazionali Figura 1, è SDN ready ed abilitante per l’integrazione IP su Ottico e per l’evoluzione verso l’Automation.

 

Figura 1 - Grafo della rete kaleidon 2 evolution

Kaleidon 2 evolution si affianca alla precedente piattaforma fotonica, kaleidon, realizzata a sua volta con nodi ROADM Colorless e Directionless e progettata per il trasporto di lambda @40 e 100 Gbit/s. Complessivamente ad oggi sulle due piattaforme sono attivi circa 40 Tbit/s di banda, utilizzata per le esigenze infrastrutturali (Backbone IP) e per i servizi di connettività pregiata offerti dalle Direzioni commerciali.
I nuovi nodi ROADM rappresentano l’evoluzione del classico sistema DWDM, tipicamente punto – punto, verso un nodo multidirezionale (multidegree) che costituisce l’elemento cardine di una rete con architettura magliata.
I nodi ROADM della rete kaleidon 2 evolution sono caratterizzati, come detto, dalle seguenti funzionalità:

  • Colorless: possibilità di utilizzare in modo flessibile le lunghezze d’onda, non più in modalità prefissata e rigida.
  • Directionless: possibilità di instradare e reinstradare le lunghezze d’onda da e verso qualsiasi direzione.
  • Contenctionless: possibilità di utilizzare la stessa lunghezza d’onda più volte sullo stesso nodo.
  • Flexgrid: possibilità di utilizzare lo spettro in modo flessibile (non più solo con passi di 50GHz come sui sistemi DWDM classici) in funzione del formato di modulazione utilizzato. Tale feature consente di attivare canali ottici con bit rate maggiori del 200 Gbit/s su lunga distanza.

Con questi elementi si realizza una rete fotonica avente il massimo grado di flessibilità e scalabilità e future proof.
Ciascuna sezione di rete (ramo) è progettata per supportare fino ad 80 canali ottici (lambda), ciascuno con bit rate @200 Gbit/s ed è in grado di supportare, senza alcuna modifica all’hardware attualmente installato, canali ottici con bit rate superiori.
Con le attuali release in esercizio in rete si raggiungono prestazioni considerevoli dal punto di vista della capacità per singola lambda in funzione della distanza; in particolare si riescono a realizzare canali ottici @100 Gbit/s (con modulazione QPSK) su distanze fino a 1800 km e canali ottici @200 Gbit/s (con modulazione 8QAM) su distanze fino a 800 km senza necessità di introdurre rigenerazione 3R [nota 1] intermedia.
Il Piano di Controllo si basa su una suite di applicazioni GMRE istanziate sui singoli nodi di rete che implementano i paradigmi di una rete WSON.

 

L’evoluzione delle tecniche di modulazione: come avvicinarsi al limite di Shannon

Il processo evolutivo delle reti di trasporto, come detto, è abilitato dalla possibilità di sfruttare i vantaggi offerti dalle nuove tecnologie per massimizzare l’utilizzo delle risorse e, nel caso specifico, l’efficienza trasmissiva. Nei sistemi DWDM la capacità si incrementa agendo su 3 variabili, non indipendenti tra loro e legate dal teorema di Shannon: distanza, bit rate del singolo canale e numero di canali per singola coppia di fibre Figura 2.

 

Figura 2 - La capacità dei sistemi DWDM e il limite di Shannon

Mentre sussiste ancora un limite fisico relativo al numero massimo di canali trasportabili sulla singola coppia di fibre ottiche, legato alle caratteristiche intrinseche delle attuali fibre in esercizio ed alla porzione di spettro utilizzabile per le trasmissioni DWDM (banda C) [nota 2], tramite i formati di modulazione e l’utilizzo di elaborate tecniche di elaborazione del segnale (FEC e DSP) è possibile agire sulla distanza e sul bit rate per singolo canale ottico.
Le tecniche di modulazione utilizzate fino ad oggi (On/Off o di Fase, quali QPSK, QAM) garantiscono performance ottime a distanze prefissate, con passi quindi discreti Figura 3. Le prestazioni raggiungibili sono ottime, in termini di distanza, per bit rate fino a 100 Gbit/s ma si riducono drasticamente per bit rate più elevati. La nuova tecnica di modulazione PCS (Probabilistic Constellation Shaping) è invece una tecnica adattativa: ottimizza il bit rate per la distanza Figura 4 necessaria in modo flessibile, sagomando il segnale tramite un utilizzo con probabilità non uniforme dei punti della costellazione [nota 3].

 

Figura 3 - Modulazioni discrete vs. PCS

Il guadagno raggiungibile rispetto alle modulazioni discrete varia dal 25% al 65%; per questo motivo la PCS si sta affermando tra i principali vendor del mercato ottico come la tecnica di riferimento da implementare all’interno dei propri apparati al fine il raggiungimento di prestazioni ULH anche con bit rate maggiori del 200 Gbit/s.

 

Figura 4 - La tecnica adattativa PCS: distanza vs. capacità

L’evoluzione verso la completa Automation e la Digital Transformation

Le opportunità offerte dalle nuove tecnologie fotoniche in combinazione all’evoluzione degli algoritmi e relative implementazioni di machine learning aprono la strada a scenari evolutivi estremamente interessanti.
Una tra le applicazioni più promettenti è la possibilità di generare previsioni sullo stato futuro della rete. Le informazioni di telemetria estratte dai nodi di rete vengono processate in tempo reale per mezzo di specifici modelli matematici che vengono continuamente addestrati con le serie storiche dei dati di rete: tali elaborazioni consentono di estrarre dai dati sia le anomalie sia i trend temporali, costruendo un modello matematico adattato al contesto di rete in modo dinamico senza richiedere una specifica attività di programmazione Figura 5.

 

Figura 5 - Architettura Health & Analytics per la rete di trasporto

Il vantaggio introdotto dall’intelligenza artificiale è notevole perché il modello matematico può essere costruito dai dati ed adattato al caso reale. Una volta individuata la condizione da correggere (in anticipo rispetto ad un problema o un guasto che sarebbe comunque gestito nel piano di controllo della rete) interviene la Network Automation che svolge un ruolo fondamentale: quello di chiudere l’anello di feedback per dare la possibilità al piano di controllo di reagire modificando tempestivamente lo stato della rete senza la necessità di un intervento manuale Figura 6.

 

Figura 6 - Manutenzione predittiva automatica

Un’altra applicazione promettente è la possibilità di ottimizzare l’utilizzo delle risorse (fibre e canali) già dalla fase di progettazione.
Le regole tradizionali di progettazione delle reti fotoniche prevedono infatti di considerare un margine di fine vita (EoL) - tipicamente 3 dB – cautelativo rispetto ad eventuali interventi di manutenzione, ai fenomeni di invecchiamento della fibra e dei componenti fotonici (laser, amplificatori) che potrebbero verificarsi nel corso della vita utile della rete impattando sulla qualità dei servizi attivi. In fase di progettazione si tiene inoltre conto del pieno carico, ovvero del massimo numero di canali che potrebbero essere attivato sulla rete al fine di poter gestire la crescita del numero dei canali.
Tali regole rigide e cautelative hanno quindi un effetto fin dal primo giorno di vita della piattaforma, andando ad impattare pesantemente sulle massime prestazioni trasmissive ottenibili. Statisticamente però il deterioramento delle fibre e dei componenti non coinvolge tutte le risorse di una rete ma un sottoinsieme di esse, così come il traffico può crescere diversamente da come previsto.
Abilitando il monitoraggio predittivo per mezzo di tool di pianificazione che sfruttino i dati in tempo reale e gli algoritmi di intelligenza artificiale, in combinazione con le nuove modulazioni adattive (in grado di ottimizzare lo schema di modulazione in base allo stato effettivo del canale di trasmissione) sarà possibile costruire la rete sfruttandone al massimo la capacità senza necessità di introdurre a priori margini cautelativi Figura 7.

 

Figura 7 - Ottimizzazione continua delle rete

I meccanismi di monitoraggio ed elaborazione dovranno essere abilitati e controllati tramite l’impostazione di soglie che, di volta in volta, segnaleranno eventuali variazioni dei parametri di riferimento.
In questo contesto, l’utilizzo del Cloud per la raccolta, l'archiviazione e l’elaborazione delle informazioni svolge un ruolo fondamentale per consentire la necessaria reattività e capacità di calcolo di cui un sistema di feedback continuo ha bisogno. Il processo che coinvolge il Cloud deve infatti avvenire in tempo reale, per garantire agli algoritmi di Intelligenza Artificiale e di Machine Learning di produrre un risultato che consenta una immediata risposta della rete.
Grazie alle nuove piattaforme di virtualizzazione e cloudificazione di dati, servizi e software, anche i tempi di latenza dovuti allo scambio di informazioni possono essere sensibilmente ridotti e la flessibilità della rete può raggiungere il massimo delle sue capacità.

 

Conclusioni

Il 5G, Big Data, le piattaforme di gaming online e l'Internet of Things avranno un impatto sul traffico, sia in termini di volume che di dinamicità, a tassi senza precedenti. Per soddisfare in modo efficiente questi requisiti impegnativi le reti ottiche devono essere più reattive ai cambiamenti che incidono sul traffico e sullo stato della rete stessa. L’intelligenza artificiale avrà un ruolo decisivo nell’aumentare il grado di “agilità” delle reti trasmissive, che dovranno essere in grado di prevedere, anticipare ed adattarsi alle sollecitazioni impulsive introdotte dalle nuove esigenze di Quality of Experience e Quality of Service.

 

Bibliografia

  1. L’evoluzione della trasmissione ottica” di S. Augusto, V. Brizi, R. Tavilla, Notiziario Tecnico di Telecom Italia, Anno 18, Nr. 1, Aprile 2009
  2. A Mathematical Theory of Communication” by C. E. SHANNON, The Bell System Technical Journal, Vol. 27, pp. 379–423, 623–656, July, October, 1948
  3. Flexible optical transmission close to the Shannon limit by probabilistically shaped QAM”, Nokia Bell Labs, 2017 Optical Fiber Communications Conference and Exhibition (OFC)
  4. https://www.telecomitalia.com/tit/it/archivio/media/note-stampa/market/2019/TIM-Nokia-290519.html
  5. Artificial intelligence (AI) methods in optical networks: A comprehensive survey”, Optical Switching and Networking, Volume 28, April 2018, Pages 43-57
  6. Pre-emptive detection and localization of failures towards marginless operations of optical networks”, 20th International Conference on Transparent Optical Networks (ICTON), 2018
  7. Proactive Fiber Damage Detection in Real-time Coherent Receiver” di F.Boitier, V. Lemair, J. Pesic, L. Chavarri, P. Layec, S. Bigo, E. Dutisseuil; https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8346077
  8. Marginless Operation of Optical Networks”, Journal of Lightwave Technology, Vol. 37, Issue 7, pp.1698-1705, 2019
 

Note

  1. La rigenerazione 3R (Re-shaping, Re-timing e Re – amplifying) ricrea dal segnale ottico i «bit elettrici» e li riconverte poi in ottico
  2. Di recente sono emerse sul mercato soluzioni per sistemi DWDM che utilizzano anche la banda L, raddoppiando in tal modo il numero di canali trasportabili su singola coppia
  3. Il diagramma di costellazione è la rappresentazione grafica dei simboli ricevuti in un certo intervallo di tempo.
  4. I field trial sono stati condotti in condizione di rete ideale: inizio vita e pochissimi canali attivi
 

Acronimi

  • BoL - Begin of Life
  • DSP - Digital Signal Processing
  • DWDM - Dense Wavelength Division Multiplexing
  • EoL - End of Life
  • FEC- Forward Error Correction
  • GMPLS - Generalized Multi Protocol Label Switching
  • GMRE - GMPLS Routing Engine
  • OLS - Open Line System
  • PCS - Probabilistic Constellation Shaping
  • QAM - Quadrature Amplitude Modulation
  • QoS - Quality of Service
  • QPSK - Differential Quadrature Phase Shift Keying  
  • ROADM - Reconfigurable Optical Add Drop Multiplexer
  • RTN - Rete di Trasporto Nazionale
  • SDH - Synchronous Digital Hierarchy   
  • SDN - Software Defined Network
  • ULH - Ultra Long Haul
  • WSON - Wavelength Switched Optical Network.