CN105144596B - 利用对近端和远端误码的回归分析来识别线路故障 - Google Patents

Abstract

本发明提供了一种识别DSL线路上的故障的方法，通常是由DSL线路上不稳定的接合点引起的间歇性故障。该方法收集DSLAM和客户端设备(CPE，通常是家庭集线器或路由器)上的误码秒数据。在DSLAM上所收集的误码数据被称为近端误码，在CPE上所收集的误码数据被称为远端误码。通过应用回归分析对近端误码和远端误码进行分析以确定两组数据之间是否存在相关性或者相匹配。匹配的数据模式指示DSL线路中不稳定或者坏的接合点，并且通常是间歇性的并位于客户端附近。

Description

利用对近端和远端误码的回归分析来识别线路故障

技术领域

本发明涉及一种识别电信网络中的数字用户线路的故障的方法，尤其涉及识别间歇性故障的方法，例如数字用户线路的金属线对的不稳定接合点。

背景技术

数字用户线路(DSL)技术(通常被称为“宽带”)是通过构成本地电话网络的一部分的金属双绞铜线提供高速数字数据传输的一类服务。DSL通常用于为用户家庭提供网络连接，通常通过ISP连接到因特网。

宽带线路容易发生故障。这些故障导致速度慢或者掉线，影响用户业务。这些故障中的有些易于识别和校正，例如用户家中缺少微滤波器。其他的故障更加复杂，例如当线路遭受电线之间的接合处的铜线或者电线周围的绝缘老化时。已经发展出各种技术来帮助识别这种故障。

一种公知的方法是采用金属线测试，其中电话交换机处的线路测试设备运行各种线路测试。这些通常是电子测试，并且使用诸如电阻、电容等的测量结果来寻找金属路径上的各种线路状态。这些测试旨在识别PSTN故障，可能缺乏对影响宽带的故障状态的敏感度。事实上，一些测试会掩盖某些故障，如在某些情况下，测试本身可能跳过故障状态作为施加到线路的电压而产生的结果。这种测试还需要连接到线路上的专门的设备，在测试进行时需要临时禁用PSTN和DSL服务。测试设备通常需要某些种类的继电器来接入，并且这些继电器常常具有有限的使用寿命。

此外，金属线测试对于间歇性的故障也感到困难，由于其本身的性质，无法在测试期间显示出任何故障特征。

在2010年10月10日，IEEE，2010International Conference on Cyber-EnabledDistributed Computing and Knowledge Discovery，由Charlie Chen-Yui Yang等人提出的“Method and System of Performance Monitoring to Detect VDSL ServiceDegradation”中第468-475页描述了一种自动装置，该装置基于性能监测测量结果预测性地检测VDSL的业务退化特征或征兆。其描述了一种用于故障划分和隔离以验证并确认问题所在的位置的管理结构和方法。

发明内容

本发明的实施方式的目的在于提供一种在电信网络中识别数字用户线路上的故障的改进方法。

根据本发明的一个方面，提供一种识别在电信网络中的数字用户线路上的故障的方法，所述的方法包括以下步骤：确定在时间段内测量到的与数字用户线路相关联的近端误码(error)实例和远端误码实例；确定近端误码实例和远端误码实例之间的相关程度；根据所确定的相关程度识别数字用户线路上的故障；

相关性可以包括对近端和远端误码实例执行回归分析以确定拟合质量参数。误码实例通常是误码秒。此外，误码秒可以定义为数字用户线路上数据传输的出现了不可校正的误码的秒。

该时间段包括多个时间块，与每个误码实例相关联的近端误码实例的值和远端误码实例的值可以是与每个时间块相关联的误码出现的计数。

近端误码实例是在数字用户线路的网络端测量到的误码实例，并且远端误码实例是在数字用户线路的客户端测量到的误码实例。

识别故障的步骤进一步包括将所确定的相关性与阈值进行比较。

本发明还具有不需要任何专门的测试设备的优点。此外，所需的测量由客户调制解调器和DSLAM执行，不需要中断提供给客户的任何业务。另外，由于测量结果可以被持续地收集，某些线路故障可以被立即识别出来。

附图说明

为了更好地理解本发明，现在将仅以示例的方式结合附图给出参考，其中：

图1是示出电话交换机和运行到客户端上的数字用户线路的系统框图；

图2是概括本发明的示例的步骤的流程图；

图3是示出针对测试示例线路A的一系列时间块的近端和远端误码秒数据的表格；

图4是示出针对测试线路B的一系列时间块的近端和远端误码秒数据的表格；

图5a是针对线路A相对于时间块号码绘制的近端误码秒的曲线图；

图5b是针对线路A相对于时间块号码绘制的远端误码秒的曲线图；

图6a是针对线路B相对于时间块号码绘制的近端误码秒的曲线图；

图6b是针对线路B相对于时间块号码绘制的远端误码秒的曲线图；

图7是针对线路A相对于近端误码秒(通过共同的时间块相关联)绘制的远端误码秒的曲线图；

图8是针对线路B相对于近端误码秒(通过共同的时间块相关联)绘制的远端误码秒的曲线图；

图9a是示出针对b和r²的阀值，以及得到线路分类的表格；

图9b是示出针对b和r²的可变阀值，以及得到线路分类的表格。

具体实施方式

本文参照具体示例对本发明进行描述。然而，本发明并不仅限于这些示例。

本发明的示例提出了一种识别DSL线路故障的方法，具体地识别由DSL线路上不稳定的接合点而引起的间歇性故障。本发明收集DSLAM和客户端设备(CPE，通常是家庭集线器或路由器)的误码秒数据。在DSLAM上所收集的误码数据被称作近端误码，在CPE上所收集的误码数据被称作远端误码。然后对近端和远端数据进行分析以确定两组数据之间是否存在相关性或者相匹配。匹配的数据模式指示DSL线路中不稳定的或者坏的接合点，并且通常是间歇性的并位于客户端附近。

图1示出了电信网络100，其包括客户端102。该客户端102经由电话线106连接到电话交换机104上。电话线是铜或铝双绞线。特别地，网络终端设备NTE 108位于线路106一端的客户端102处。NTE 108经常被称为线路箱或主插座(master socket)，并且是电话网络和客户端102中的客户配线之间的分界点。线路106从NTE108延展到接线盒110，并接着延展到分配点DP 112。在该示例中，DP 112是电线杆上的接合点。线路106接着继续到交换机104上，在此最终连接到数字用户接入复用器DSLAM 114上。在客户端102中，NTE 108被连接到客户端设备CPE 124，该客户端设备CPE 124通常是路由器或家庭集线器。

DSLAM是向连接的线路和相关联的客户端提供数字用户线路(DSL)服务的网络元件。线路106因此也被称为数字用户线路，或者DSL线路。在交换机上还包括被连接到DSLAM114的故障检测单元118。该故障检测单元118包括处理器120和诸如硬盘阵列或类似的数据存储器122。故障检测单元118收集由DSLAM 114产生的各种测量结果，并将它们存储在数据存储器122中，处理器120利用所存储的测量结果确定线路何时表现出故障。

DSLAM 114还具有到数据提供网路的前向连接116。本领域技术人员还应当理解，在交换机104中存在其他元件，例如向连接的线路提供标准PSTN服务的元件。然而，为了简洁，这些元件被省略。

虽然本示例示出DSLAM存在于交换机104中，但本发明也将适用于DSLAM位于其他某处的配置。例如，在光纤到交换箱(FTTC)构造中，DSLAM 114将位于路边交换箱中，其通常离客户端比离交换机近。在另选的网络布置中，类似功能性的DSLAM可以由MSAN(多业务接入节点)提供，其还提供例如语音的其他性能。

当DSLAM 114转换由CPE 124中的调制解调器传送的信号时，DSLAM还记录包含导致损坏的信息的误码的传输的秒数。该参数被称为近端误码秒。类似的，当转换从DSLAM114接收的信号时，通过CPE 124记录的误码的秒数被称为远端误码秒。近端和远端误码秒不断地被记录，从而随着时间的推移，可以绘制出误码秒的图像。作为DSLAM的常规操作的一部分，近端和远端误码秒持续地被记录，并因此是非侵入式的，不同于其中业务可能不得不被中断以激活特殊的线路测试的测试。

图2是概括本发明的步骤的流程图。

在步骤200中，故障检测单元118分别从DSLAM 114和CPE 124收集关于近端误码秒和远端误码秒数据的事件数据。在ADSL2+中，信息交换协议由DSL标准定义。在ADSL(1)中，使用的协议可能依赖于制造商的实现。特别地，所收集的数据涉及在每个已出现不可校正的误码的收集周期、或者时间块或时间窗中的秒数。在该示例中，时间块持续时间为900秒。各个收集周期的时间块因此具有包括近端误码秒(NE_ES)和远端误码秒(FE_ES)的数据对。

故障检测单元118将所收集的数据存储在数据存储器122中。图3和图4中的表格分别示出了针对不同的DSL线路(线路A和线路B)所存储的一些示例数据。

图3中的表格示出了针对线路A的数据，并具有用于时间块302的列，数据从凌晨00:00点开始，每隔15分钟，直到23:45为止。这产生了如列304中所示的96个时间块或者时间窗。列306示出了在相关联的时间块中测量的近端误码秒，类似的列308示出了在相关联的时间块中测量的远端误码秒。图4中的表格具有与图3类似的数据，不过是针对线路B的。

图5a示出了针对线路A相对于时间块号码绘制的近端误码秒数据。图5b示出了针对线路A相对于时间块号码绘制的远端误码秒数据。因此，图5a和5b提供了一段时期内近端和远端误码秒的可视化表示。图6a和6b示出了针对线路B的类似的近端和远端误码秒曲线图。

然而，通过目测无法直接确定表格或者相应的曲线图中所示出的数据是否是相关的。本发明提出了一种借助执行数值分析来确定是否存在相关性的方法，并且优选地使用一种线性回归分析的统计方法。

在步骤202中，处理单元120对存储的数据执行线性回归分析以确定近端和远端误码秒是否相关。对于相同的时间块号码来说，近端误码秒数据与远端误码秒是成对的，近端误码秒设为X值，远端误码秒设为Y值。执行线性回归分析以拟合下面的算式(1)给出的直线图：

Y＝a+bX (1)

其中a是截距，b是直线图的斜率。

斜率b利用下面的算式(2)来确定：

其中n是时间块的号码，

X是针对时间块的近端误码秒的值，

Y是针对相同的时间块的远端误码秒的值，

∑XY是所有的时间块上X和Y的乘积总和，

∑X²是所有的时间块上X平方的总和，

∑Y²是所有的时间块上Y平方的总和，

是X的算术平均值，即，针对所有的时间块的X的总和除以n，

是Y的算术平均值，以及，

是X的算术平均值的平方。

截距a由算式(3)给出：

利用针对线路A的数据(图3)与上面的算式，我们获得a的值为1.086，b的值为1.760。

为了确定由变量a和b定义的拟合直线有多好，我们通过下面给出的算式(4)计算“拟合质量”参数r²：

术语r本身被称为“积矩相关系数”。这里，我们选择使用r的平方来消除负数值。

r²的取值范围是从0到1，并且可以视为X和Y值之间的相关的程度或者相关性的等级的指标。值为0将指示没有相关性，值为1将指示完全相关。在该示例中，针对线路A，使用算式(4)，我们得到r²的值为0.795。

现在转到图2的步骤204，在斜率b和拟合质量r²已经确定时，将参数和阈值进行比较来确定远端和近端误码秒相关的程度，并且进而确定线路是否被归类为表现出故障。

在一个方法中，为斜率b设置了固定阈值b_threshold，并且为拟合质量参数r²设置了固定阈值r²_threshold。b_threshold用来设置a的可接受数值的最小数值以消除假拟合，例如当所有的X和Y值都为0时。所计算的b值必须＞b_threshold。r²_threshold是预设的阈值，其中任何所计算的r²＞r²_threshold的值被归类为具有“好”拟合质量或相关性，并进而指示存在潜在的故障。通过测试，可以发现b_threshold设置为0.01并且r²_threshold设置为0.7提供较好的结果。

图9a中的表格示出了如何根据阈值比较结果对线路进行分类。可以看出，当b＞b_threshold并且同时r²＞r²_threshold时，根据回归分析认为近端和远端误码充分地相关，表示线路存在故障。在步骤206中执行来自利用阈值和图9a的线路分类的输出。

以路线A为例，b为1.760，其大于b_threshold，r²是0.795，其大于r²_threshold。因此，对于线路A，当与阈值进行比较后，回归分析结果表示近端和远端误码之间的好的相关性，并因此线路被归类为具有故障。

图7是示出针对线路A相对于近端误码秒(X)绘制的远端误码秒(Y)的曲线图。

以路线B为例，回归分析的结果是：a＝5.143，b＝2.033，r²＝0.241。因此，b大于b_threshold，r²小于r²_threshold。从而，根据上面的方法，该线路是非相关的或者是不充分相关的，并因此该线路被归类为没有故障。

图8是示出针对线路B相对于近端误码秒(X)绘制的远端误码秒(Y)的曲线图。

在另选的方法中，可以使用多个阈值给出不同的分类，而不是使用单个阈值来给出故障或非故障。因此，在另选的方法中，针对参数r²使用两个阈值r²_threshold_low和r²_threshold_high。图9b中的表格说明了如何基于拟合质量r²使用这些阈值来给出线路的更精细的分类。例如，取代将r²的固定阈值r²_threshold设置为0.7，将r²_threshold_low设为0.3，r²_threshold_high设为0.7，并且所计算的r²落入相对于这两个阈值的位置将确定该线路如何归类。当r²小于或者等于r²_threshold_low时，相关性是低的，并因此该线路归类为ok，当r²位于r²_threshold_low和r²_threshold_high之间时，相关性更好，但仍然没那么高，因此该线路被归类为潜在故障。当r²大于r²_threshold_high时，相关性较强，并因此该线路被归类为存在故障。

可以通过实际线路的数据分析来确定r²_threshold_low和r²_threshold_high的数值。例如，通过在归类为好(即，没有报告故障的线路)的一批线路上运行算法来指定r²_threshold_low的数值，并且寻找r²的最大观测值。r²_threshold_high的值可以通过检查已报告引入故障/问题(这种故障通常随解决方案记录在工程师笔记中)的线路，并且取大于r²_threshold_low的较低的值来确定。

为了理解本发明是如何工作的，首先考虑CPE附近环境中电噪声所在的位置。有效点是相对于不期望的干扰信号而言，期望的DSL信号的相对电平。由CPE(上游信号)生成的信号连同DSL线路中的电感干扰一起被发送。在CPE处，所期望的信号电平远大于干扰的电平。当信号行进至DSLAM时，所期望的信号和干扰信号衰减相同的量，因此相对电平得到保持并将导致很小的误差。在下游方向上，从DSLAM收到的信号被削弱，因此CPE附近的干扰信号具有更高的相对电平。这导致在CPE处译码错误。

这在图6a和图6b中的一组曲线图中进行了说明。

当在链路的一端的DSLAM处有明显干扰时，会发生类似的情形，这导致明显的近端误码，而较少的远端误码。

因此，一般的干扰问题通常不会导致相关的误码。

然而，机械的不稳定的接合点可引起信号路径上的暂时的中断。该中断会同时恶化上游和下游路径。因此，同时看到近端和远端误码二者，并且与中断的持续时间成比例。在图5a和5b中对此进行了例示，其中在定时和误码(连同来自两个信道之间不是时间相关的电干扰的某些误码一起)计数之间具有时间相关性。虽然原则上机械的不稳定的接合点可能出现在沿电路的任何接合点处，但通常位置是在客户端附近，尤其是具有外部引入线或者接线盒的地方。

虽然参照近端和远端的误码秒对上面的示例进行了描述，但可以在近端和远端处利用其他的误码参数进行替代。这些参数包括(在近端和远端处)：前向纠错事件计数；CRC误码事件计数；前向纠错秒(包含FEC误码的秒数)；严重误码秒(包含超过阈值数量的无法修正的误码事件的秒数)；丢失帧秒(帧丢失的秒数)。

上述另选的参数可以以与误码秒类似的方式在主示例中使用，并且可以同样地从DSLAM和CPE获得。所有这些参数(包括误码秒)可以认为是误码实例的示例。

在另选的示例中，单独的故障检测单元118可存在于每一个CPE中，用于执行步骤200到206的操作以识别线路上的故障。将需要向各个故障检测单元提供来自DSLAM的数据并且也本地保持阈值。类似的，故障检测单元可以存在于现场工程师使用的手持测试机中，而不是存在于CPE或者DSLAM中。基于上述方法中的步骤200到206，相同的方法可以在这种手持测试机中使用。

通过执行可嵌入在应用程序数据中的计算机程序代码(至少部分的)实现本发明的实施例。当这种计算机程序代码加载到故障检测单元118中的处理器120的存储器中时，其提供计算机程序代码结构以能够执行至少部分的根据本发明的上述实施例的方法。

本领域技术人员可以理解，所提及的计算机程序结构可对应于图2中示出的流程图，其中流程图的各个步骤可对应至少一条计算机程序代码，并结合故障检测单元118中的处理器120提供用于实现上述过程的装置。

通常，本文应注意的是，尽管上面描述了本发明的示例，但在不脱离所附的权利要求书中所限定的本发明的范围的情况下，可以对所描述的示例进行多种变形和修改。本领域技术人员将意识到对所描述的示例的修改。

Claims (7)

1.一种识别电信网络中的数字用户线路上的故障的方法，所述方法包括以下步骤：

i)确定在一时间段内测量到的与所述数字用户线路相关联的近端误码实例和远端误码实例；

ii)确定所述近端误码实例和所述远端误码实例之间的相关程度；

iii)根据所确定的相关程度识别所述数字用户线路上的故障；

其特征在于，

确定所述相关程度的步骤包括对所述误码实例的数值分析，并且其中，所述误码实例是误码出现的计数，

其中，所述数值分析包括对所述近端误码实例和所述远端误码实例的回归分析以确定拟合质量参数。

2.根据权利要求1所述的方法，其中，所述时间段包括多个时间窗，各个时间窗与所述远端误码实例的值和所述近端误码实例的值相关联。

3.根据权利要求1或2所述的方法，其中，所述误码实例是误码秒。

4.根据权利要求3所述的方法，其中，误码秒是所述数字用户线路上数据传输的出现了不可校正的误码的秒。

5.根据权利要求1或2所述的方法，其中，所述近端误码实例是在所述数字用户线路的网络端测量到的误码实例，并且所述远端误码实例是在所述数字用户线路的客户端测量到的误码实例。

6.根据权利要求1或2所述的方法，其中，识别故障的步骤包括将所确定的相关性与阈值进行比较。

7.一种用于识别电信网络中的数字用户线路的故障的故障检测单元，该故障检测单元适用于：

确定在一时间段内测量到的与所述数字用户线路相关联的近端误码实例和远端误码实例；

确定所述近端误码实例和所述远端误码实例之间的相关程度；

基于所确定的相关程度识别所述数字用户线路上的故障；

其特征在于，

所述故障检测单元适用于利用对所述误码实例的数值分析来确定所述相关程度，并且其中，所述误码实例是误码出现的计数，

其中，所述数值分析包括对所述近端误码实例和所述远端误码实例的回归分析以确定拟合质量参数。