Um grupo de pesquisa do Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal do Espírito Santo (UFES) criou uma solução que é capaz de identificar rompimentos de fibra óptica, causados por acidente ou por roubo, de forma contínua, que além de diminuir o tempo de identificação de falhas, vai também reduzir o tempo de reparo desses problemas.
Desenvolvida por um Grupo de Trabalho (GT) do Programa de PD&I Serviços Avançados da RNP, a solução OnE! (Olho no Enlace!) localiza a região dos enlaces físicos onde as falhas ocorrem e reduz o tempo de investigação para apenas poucos segundos, sendo que de modo geral, são casos que poderiam levar horas ou dias para serem reparados.
De acordo com coordenador do GT, Camilo Diaz, o sistema proposto implementa dispositivos commodity (SFPs, acopladores/divisores óticos balanceados, isoladores, etc) usados em sistemas de comunicações por fibra ótica atuais, o que permite uma redução nos custos da implementação.
“A proposta baseia-se no uso de técnicas de monitoramento de potência ótica com o intuito de simplificar o hardware (dispositivos óticos passivos) para estimar falhas ao longo da fibra ótica”, relata Diaz.
Por causa da Inteligência Artificial (IA) implementada no OnE! (Olho no Enlace!), além do monitoramento contínuo, é possível estimar o local e o tipo de evento que está gerando o rompimento da fibra óptica. A interface da solução proporciona a geolocalização em tempo real da ruptura da infraestrutura. Além disso, é possível enviar informações por canais como o Telegram para a equipe de manutenção.
A interface de usuário é implementada com software aberto, ferramentas como Grafana permite a implementação do dashboard, e o InfluxDB mais MQTT permite a comunicação de forma segura dos módulos de monitoramento (hardware) com os serviços em nuvem do cliente.
A solução ainda está em fase de validação do Produto Viável Mínimo (MVP, na sigla em inglês) e busca os primeiros clientes (early adopters). Além do seu baixo custo, o OnE oferece eventos para manutenção preventiva, assistida por algoritmos de aprendizado de máquina. O sistema utilizado na solução é compatível com redes de gerência tradicionais, utilizando interfaces como SNMP, Syslog e OAM.
