광섬유 네트워크 AI 성능 모니터링
탄력적이고 인지적인 광 네트워크는 트래픽 전송 중 변조 형식, 심볼 속도, 발사 전력 및 경로를 변경하므로, 물리 계층은 초기 설정 후 일회성 엔지니어링이 아닌 지속적인 측정이 필수적입니다. 광 성능 모니터링(OPM) 및 변조 형식 식별(MFI)은 이러한 측정을 제공하며, 2016년 이후 분석 모델에서 학습 기반 모델로 선호되는 추정 방식이 전환되었습니다. 기존 연구들은 이러한 변화를 서술적으로 다루었으나, 명확한 검색 프로토콜이나 적격성 기준 없이 정확도 비교 가능성을 검증하지 않았습니다. 본 연구는 AI 기반 OPM, MFI 및 광섬유 비선형성 보상 분야에서 지배적인 학습 패러다임과 아키텍처, 그리고 그 변화 양상을 파악하는 것을 목표로 합니다. 또한, 입력 표현 방식 선택이 정확도와 계산 비용 간에 어떤 상충 관계를 가지는지, 보고된 성능 수치를 통합하거나 순위를 매길 수 있는지, 그리고 실험실 시연과 실제 배포를 가로막는 병목 현상이 무엇인지 분석합니다. 마지막으로, 측정 가능한 발전을 위해 보고 방식에서 어떤 변화가 필요한지 탐구합니다. 2014년 1월부터 2026년 7월까지 IEEE Xplore, Optica Publishing Group, ScienceDirect 등 6개 주요 학술 데이터베이스를 검색하고 Google Scholar를 활용한 스노우볼링 방식으로 문헌을 수집했습니다. "optical performance monitoring"과 "machine learning" 등의 키워드 조합을 사용했으며, 6가지 포함 기준과 5가지 제외 기준을 적용하여 기록을 선별했습니다. 총 612개의 식별된 기록 중 중복 제거 후 494개를 심사했습니다.