(en-us) Network resilience is a task that requires huge computationally costly mainly because the most popular and reliable aproach is by network simulation. On the other hand, machine learning techniques have been used as good surrogate models for some network performance indicators. This paper proposes the use of Artificial Neural Networks (ANN) to predict fault tolerance indicators in optical transport networks. This study focuses on failures in fiber links and uses topological metrics and other network information as ANN input. We have produced a database for training ANNs for real world deployed backbones and compared our results with the ones provided by a discrete event simulator. According to the obtained results, it is possible to obtain a network failure assessment method based on ANN which is 51.000 times faster than network simulatiors with a mean square error around 3x10^3.
(pt-br) Avaliar a resiliencia de redes é uma tarefa computacionalmente custosa, visto que o metodo mais confiável e popular para este tipo de análise é por meio de simulacões de falhas em enlaces ou em equipamentos da rede. Por outro lado, técnicas de aprendizagem de máquina tem sido usadas como bons substitutos para problemas semelhantes de predicão de desempenho e aproximacão de funcões em geral em diversos domínios de aplicacão. Este artigo propõe o uso de Redes Neurais Artificiais (RNA) para predizer o nível de tolerância a falhas de enlaces de fibra optica em redes de transporte, usando métricas topológicas e outras informacões da rede como entrada da RNA. Neste trabalho foi produzida uma base de dados para treinamento derivada de redes ópticas implantadas atualmente e os resultados foram comparados com um simulador de eventos discretos usado em trabalhos anteriores. Foram consideradas falhas simples e duplas nos enlaces de fibra óptica. De acordo com os resultados obtidos, é possível obter um metodo de avaliacão de falhas de redes baseado em RNA que é 51.000 vezes mais rápido do que as simulacões tradicionais e que apresenta um erro médio quadrático em torno de 3x10^3.