Software defined networking for autonomous and secure optical networks

Abstract

(English) The increasing complexity and demands of modern telecommunications networks necessitate the development of autonomous and secure systems to ensure efficient, reliable, and secure communications. The integration of advanced technologies such as Artificial Intelligence (AI) and Machine Learning (ML) together with Quantum Key Distribution (QKD) into optical networks addresses these needs. This integration enables the creation of networks that can efficiently automate their operations while ensuring the highest standards of security. In this context, this thesis explores the use of Software Defined Networking (SDN) for the advancement of autonomous and secure optical networks, in particular Elastic Optical Networks (EONs). The research focuses on enhancing network efficiency and security to meet the growing complexity and demands for high-capacity, low-latency, and secure communications.

The PhD thesis investigates the application of ML, specifically Deep Reinforcement Learning (DRL) and Graph Neural Networks (GNN) to tackle key challenges in the management and optimization of EONs. The primary goal is to develop autonomous and intelligent solutions for dynamic service provisioning, resource allocation, and spectrum management. A significant contribution of this work is the development of novel DRL-based approaches for Routing and Spectrum Assignment (RSA). These methods are designed to adaptively manage network resources in real-time, overcoming the limitations of traditional, static RSA algorithms. By considering latency as a key factor, the DRL-based RSA mechanism ensures the efficient provisioning of latency-sensitive applications and improves overall network performance metrics, such as latency and throughput. The thesis also examines the dynamic provisioning and optimal placement of Virtual Network Functions (VNFs) using DRL and GNNs. This combination of technologies enables a more efficient mapping of resource requirements to the physical infrastructure, facilitating scalable and flexible network management systems.

The research also includes an experimental validation of the proposed solutions. A proof-of-concept (PoC) was implemented to demonstrate the integration of DRL models within an SDN control plane framework. This involved externalizing path computation to a dedicated entity that assists the SDN controller in the path and spectrum selection function. The experimental results confirmed the practical applicability of the DRL approach in supporting selected control functions in operational EON infrastructures.

Furthermore, the research explores the coexistence of Continuous Variable Quantum Key Distribution (CV-QKD) and classical channels within EONs, which is essential for ensuring secure communications in the quantum computing era. To address the challenge of noise interference from high-power classical channels on sensitive quantum channels, the thesis introduces dynamic spectrum allocation strategies leveraging SDN. These strategies optimize the use of spectrum resources and minimize noise interference, ensuring secure and efficient operation of the integrated network.

In summary, this thesis provides significant advancements in the field of autonomous and secure optical networks by integrating advanced ML techniques, contributing to the development of agile, high-capacity, reliable, and secure EONs for future telecommunications.

(Català) La creixent complexitat i les demandes de les xarxes de telecomunicacions modernes requereixen el desenvolupament de sistemes autònoms i segurs per garantir comunicacions eficients, fiables i segures. La integració de tecnologies avançades com la intel·ligència artificial (IA) i l'aprenentatge automàtic (ML) juntament amb la distribució de claus quàntiques (QKD) a les xarxes òptiques respon a aquestes necessitats. Aquesta integració permet la creació de xarxes que poden automatitzar de manera eficient les seves operacions alhora que garanteixen els més alts estàndards de seguretat. En aquest context, aquesta tesi explora l'ús de les xarxes definides per programari (SDN) per a l'avenç de xarxes òptiques autònomes i segures, en particular les xarxes òptiques elàstiques (EON). La investigació se centra a millorar l'eficiència i la seguretat de la xarxa per satisfer la creixent complexitat i les demandes de comunicacions d'alta capacitat, baixa latència i seguretat.

La tesi doctoral investiga l'aplicació de l'ML, concretament l'aprenentatge de reforç profund (DRL) i les xarxes neuronals de gràfics (GNN) per abordar reptes clau en la gestió i optimització dels EON. L'objectiu principal és desenvolupar solucions autònomes i intel·ligents per al subministrament de serveis dinàmics, l'assignació de recursos i la gestió de l'espectre. Una contribució significativa d'aquest treball és el desenvolupament de nous enfocaments basats en DRL per a l'assignació d'encaminament i espectre (RSA). Aquests mètodes estan dissenyats per gestionar de manera adaptativa els recursos de la xarxa en temps real, superant les limitacions dels algorismes RSA tradicionals i estàtics. En considerar la latència com un factor clau, el mecanisme RSA basat en DRL garanteix el subministrament eficient d'aplicacions sensibles a la latència i millora les mètriques generals de rendiment de la xarxa, com ara la latència i el rendiment. La tesi també examina l'aprovisionament dinàmic i la col·locació òptima de les funcions de xarxa virtual (VNF) mitjançant DRL i GNN. Aquesta combinació de tecnologies permet un mapeig més eficient dels requisits de recursos a la infraestructura física, facilitant sistemes de gestió de xarxa escalables i flexibles.

La investigació també inclou una validació experimental de les solucions proposades. Es va implementar una prova de concepte (PoC) per demostrar la integració de models DRL dins d'un marc de pla de control SDN. Això va implicar externalitzar el càlcul de la ruta a una entitat dedicada que ajuda el controlador SDN en la funció de selecció de ruta i espectre. Els resultats experimentals van confirmar l'aplicabilitat pràctica de l'enfocament DRL per donar suport a funcions de control seleccionades en infraestructures EON operatives.

A més, la investigació explora la coexistència de la distribució de claus quàntiques variables contínues (CV-QKD) i els canals clàssics dins dels EON, que és essencial per garantir comunicacions segures a l'era de la informàtica quàntica. Per abordar el repte de la interferència de soroll de canals clàssics d'alta potència en canals quàntics sensibles, la tesi introdueix estratègies d'assignació dinàmica de l'espectre aprofitant SDN. Aquestes estratègies optimitzen l'ús dels recursos de l'espectre i minimitzen les interferències de soroll, garantint un funcionament segur i eficient de la xarxa integrada.

En resum, aquesta tesi aporta avenços significatius en el camp de les xarxes òptiques autònomes i segures mitjançant la integració de tècniques avançades de ML, contribuint al desenvolupament d'EONs àgils, d'alta capacitat, fiables i segurs per a futures telecomunicacions.

(Español) La creciente complejidad y exigencias de las redes de telecomunicaciones modernas hacen necesario el desarrollo de sistemas autónomos y seguros que garanticen unas comunicaciones eficientes, fiables y seguras. La integración de tecnologías avanzadas como la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) junto con la Distribución Cuántica de Claves (QKD) en las redes ópticas responde a estas necesidades. Esta integración permite la creación de redes que pueden automatizar eficientemente sus operaciones al tiempo que garantizan los más altos estándares de seguridad. En este contexto, esta tesis explora el uso de Redes Definidas por Software (SDN) para el avance de redes ópticas autónomas y seguras, en particular Redes Ópticas Elásticas (EONs). La investigación se centra en la mejora de la eficiencia y la seguridad de las redes para hacer frente a la creciente complejidad y demanda de comunicaciones seguras, de alta capacidad y baja latencia.

La tesis doctoral investiga la aplicación de ML, específicamente Aprendizaje Profundo por Refuerzo (DRL) y Redes Neuronales Gráficas (GNN) para abordar retos clave en la gestión y optimización de EONs. El objetivo principal es desarrollar soluciones autónomas e inteligentes para el aprovisionamiento dinámico de servicios, la asignación de recursos y la gestión del espectro. Una aportación significativa de este trabajo es el desarrollo de novedosos enfoques basados en DRL para el enrutamiento y la asignación del espectro (RSA). Estos métodos están diseñados para gestionar de forma adaptativa los recursos de red en tiempo real, superando las limitaciones de los algoritmos RSA tradicionales y estáticos. Al considerar la latencia como un factor clave, el mecanismo RSA basado en DRL garantiza el aprovisionamiento eficiente de aplicaciones sensibles a la latencia y mejora las métricas generales de rendimiento de la red, como la latencia y el rendimiento. La tesis también examina el aprovisionamiento dinámico y la ubicación óptima de funciones de red virtuales (VNF) mediante DRL y GNN. Esta combinación de tecnologías permite una asignación más eficiente de los requisitos de recursos a la infraestructura física, facilitando sistemas de gestión de red escalables y flexibles.

La investigación también incluye una validación experimental de las soluciones propuestas. Se implementó una prueba de concepto (PoC) para demostrar la integración de los modelos DRL en un plano de control SDN. Para ello se externalizó el cálculo de la ruta a una entidad dedicada que asiste al controlador SDN en la función de selección de ruta y espectro. Los resultados experimentales confirmaron la aplicabilidad práctica del enfoque DRL para apoyar funciones de control seleccionadas en infraestructuras EON operativas.

Además, la investigación explora la coexistencia de la Distribución de Claves Cuánticas Variable Continua (CV-QKD) y los canales clásicos dentro de las EON, lo que resulta esencial para garantizar la seguridad de las comunicaciones en la era de la computación cuántica. Para abordar el reto de las interferencias de ruido de los canales clásicos de alta potencia sobre los canales cuánticos sensibles, la tesis introduce estrategias de asignación dinámica del espectro aprovechando SDN. Estas estrategias optimizan el uso de los recursos espectrales y minimizan las interferencias de ruido, garantizando un funcionamiento seguro y eficiente de la red integrada.

En resumen, esta tesis aporta avances significativos en el campo de las redes ópticas autónomas y seguras mediante la integración de técnicas avanzadas de ML, contribuyendo al desarrollo de EON ágiles, de alta capacidad, fiables y seguras para las telecomunicaciones del futuro.