Em um cenário de intenso tráfego de dados, as redes ópticas elásticas precisam dispor de mecanismos que gerenciem falhas. Um mecanismo eficiente é o esquema de proteção compartilhada de caminho de backup que realiza a pré-reserva de recursos e os compartilham com as conexões que transportam dados nos caminhos de trabalho. O compartilhamento de recursos expressa uma relação de compromisso entre a economia de espectro e a capacidade de restauração de conexões afetadas por falhas. Quanto maior for o número de compartilhamentos, maior será a economia de espectro. No entanto, menor será é a capacidade de restauração das conexões interrompidas por falhas por causa da maior competição por recursos de proteção. Várias heurísticas foram propostas para alocar recursos compartilhados eficientemente, mas nenhuma delas tratou o problema de otimização na restauração de falhas. Este trabalho propõe combinar uma nova métrica de fragmentação espectral como função das entradas de um sistema de inferência fuzzy (FIS, Fuzzy Inference System) para o treinamento de uma rede neural profunda (DNN, Deep Neural Network). Os objetivos são resolver o problema RSA compartilhado para obter maior eficiência na proteção dos caminhos de trabalho em um cenário de múltiplas falhas. Os algoritmos foram avaliados em termos de probabilidade de bloqueio, taxa de restauração de falhas, capacidade ociosa da rede e tempo de inatividade das conexões, dentre outras métricas auxiliares. O algoritmo utilizando somente FIS reduziu a probabilidade de bloqueio em 25,85%. O algoritmo DNN treinado com FIS aumentou a taxa de restauração de falha em 2,88% e reduziu a probabilidade de bloqueio em 10,63%.

In a traffic-intensive data scenario, elastic optical networks must have mechanisms that manage failures. An efficient scheme is the shared backup path protection that reserves resources and shares them with the connections that carry the main data stream. Resource sharing expresses a trade-off between spectrum savings and the ability to restore connections affected by failures. The higher the number of sharing, the greater the spectrum savings. However, the less the capacity to restore connections interrupted by failures, due to the fierce competition for obtaining protection. Heuristics were proposed to allocate shared resources efficiently, but none of them addressed the problem of optimization in restoring failures. This work proposes combining a new fragmentation metric as a function of the inputs of a fuzzy inference system (FIS), then used to train a deep neural network (DNN) to solve the RSA problem to obtain greater efficiency in the protection of working paths in a multi-failure scenario. The algorithms were evaluated in terms of blocking probability, failure restoration rate, idle network capacity, and options downtime, among other auxiliary metrics. The algorithm that only used FIS reduced the blocking probability by 25.85%. When trained with FIS, the DNN algorithm increased the fault restoration rate by 2.88% while lowering the blocking probability by 10.63%.