CN106789345B - 通道切换方法及装置 - Google Patents

Abstract

本发明公开了一种通道切换方法及装置。其中，该方法包括：对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库；实时监控第一通道的特征指标状态，获取所述第一通道的实时指标数据；将所述实时指标数据与所述神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断所述第一通道是否发生所述神经网络特征库中保存的故障。本发明解决了相关技术中通道故障的检测机制不完善所导致的通道切换不及时的技术问题，从而实现了通道的及时切换的技术效果，提高了客户体验度。

Description

通道切换方法及装置

技术领域

本发明涉及故障检测领域，具体而言，涉及一种通道切换方法及装置。

背景技术

实际生活中，用户通常会通过运营商通道发送短信，正常情况下运营商通道可以支持日常的业务，但是当运营商通道遇到突发故障时(例如服务器问题、网络问题或者流量超过负载而造成服务器挂机问题)，会导致业务中断，也会引发数据丢失问题，从而会给运营商以及用户带来巨大的影响与不便。针对上述问题，运营商一般会设置备用通道，在故障发生后可以进行通道切换操作，但是从故障发生到故障确认并切换通道这一期间，可能已经发生数据丢失现象。

针对上述问题，在相关的技术中，只有当通道故障参数达到预定的阈值时，运维人员才会发现通道发生故障，进而才会对通道进行切换操作。由于上述技术不能及时发现通道故障，而且在持续的微量故障发生时，也不会被发现，只有在客户进行投诉后，相关运维人员进行详细的排查，才会发现当前通道发生故障。但是当相同的通道故障再次发生时，运维人员还是很难主动发现问题。上述在用户投诉的驱动下进行的故障处理方式，会使客户的体验降低。

针对上述相关技术中通道故障的检测机制不完善所导致的通道切换不及时的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种通道切换方法及装置，以至少解决相关技术中通道故障的检测机制不完善所导致的通道切换不及时的技术问题。

根据本发明实施例的一个方面，提供了一种通道切换方法，包括：对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，所述神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据；实时监控第一通道的特征指标状态，获取所述第一通道的实时指标数据；将所述实时指标数据与所述神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断所述第一通道是否发生所述神经网络特征库中保存的故障。

进一步地，判断所述第一通道是否发生所述神经网络特征库中保存的故障包括：判断所述第一通道是否已经发生所述神经网络特征库中保存的故障；和/或，判断所述第一通道是否将要发生所述神经网络特征库中保存的故障。

进一步地，在所述第一通道发生故障的情况下，所述方法还包括：启用第二通道，其中，所述第二通道为所述第一通道的备用通道；将所述第一通道设置为故障通道。

进一步地，在启用所述第二通道的情况下，所述方法还包括：实时监测所述第一通道是否从故障中恢复；在所述故障通道恢复的情况下，进行以下处理的至少之一：将所述第一通道配置为所述第二通道的备用通道、停用所述第二通道重新启用所述第一通道、启用所述第一通道与所述第二通道进行负载均衡。

进一步地，还包括：在判断所述第一通道未发生所述神经网络特征库中保存的故障的情况下，确定所述第一通道发生除所述神经网络特征库中保存的故障之外的其他类型故障；将所述其他类型故障以及该其他类型故障对应的通道状态指标数据保存在所述神经网络特征库中。

进一步地，将获取到的通道状态指标数据设定为所述神经网络特征库的输入神经元，所述神经网络特征库中的每个输出神经元设定为一个通道状态。

根据本发明实施例的另一方面，还提供了一种通道切换装置，包括：创建单元，用于对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，所述神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据；获取单元，用于实时监控第一通道的特征指标状态，获取所述第一通道的实时指标数据；判断单元，用于将所述实时指标数据与所述神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断所述第一通道是否发生所述神经网络特征库中保存的故障。

进一步地，所述判断单元包括：第一判断模块，用于判断所述第一通道是否已经发生所述神经网络特征库中保存的故障；和/或，第二判断模块，用于判断所述第一通道是否将要发生所述神经网络特征库中保存的故障。

进一步地，所述装置还包括：第一启用单元，用于在所述第一通道发生故障的情况下，启用第二通道，其中，所述第二通道为所述第一通道的备用通道；设置单元，用于在所述第一通道发生故障的情况下，将所述第一通道设置为故障通道。

进一步地，所述装置还包括：监测单元，用于在启用所述第二通道的情况下，实时监测所述第一通道是否从故障中恢复；配置单元，用于在所述故障通道恢复的情况下，将所述第一通道配置为所述第二通道的备用通道；第二启用单元，用于在所述故障通道恢复的情况下，停用所述第二通道重新启用所述第一通道；第三启用单元，用于在所述故障通道恢复的情况下，启用所述第一通道与所述第二通道进行负载均衡。

进一步地，还包括：确定单元，用于在判断所述第一通道未发生所述神经网络特征库中保存的故障的情况下，确定所述第一通道发生除所述神经网络特征库中保存的故障之外的其他类型故障；保存单元，用于将所述其他类型故障以及该其他类型故障对应的通道状态指标数据保存在所述神经网络特征库中。

进一步地，还包括：第一设定单元，用于将获取到的通道状态指标数据设定为所述神经网络特征库的输入神经元；第二设定单元，用于将所述神经网络特征库中的每个输出神经元设定为一个通道状态。

在本发明实施例中，通过对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，实时监控第一通道的特征指标状态，获取第一通道的实时指标数据，将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断第一通道是否发生神经网络特征库中保存的故障的方式，在故障发生的前期就能进行预测，而不是在每次发生同样的故障时都需要在客户的驱动下才进行通道切换，本发明解决了相关技术中通道故障的检测机制不完善所导致的通道切换不及时的技术问题，从而实现了通道的及时切换的技术效果，提升了客户体验度。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的通道切换方法的流程图；

图2是根据本发明实施例的深度学习系统的示意图；

图3是根据本发明实施例的通道切换系统连接示意图；

图4是根据本发明实施例的业务发送的流程图；以及，

图5是根据本发明实施例的通道切换装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种通道切换方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中，提供了一种通道切换方法，图1是根据本发明实施例的通道切换方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据。

步骤S104，实时监控第一通道的特征指标状态，获取第一通道的实时指标数据。

步骤S106，将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断第一通道是否发生神经网络特征库中保存的故障。

在上述步骤中，通过对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，实时监控第一通道的特征指标状态，获取第一通道的实时指标数据，将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断第一通道是否发生神经网络特征库中保存的故障的方式，在故障发生的前期就能进行预测，而不是在每次发生同样的故障时都需要在客户的驱动下才进行通道切换，本发明解决了相关技术中通道故障的检测机制不完善所导致的通道切换不及时的技术问题，从而实现了通道的及时切换的技术效果，提升了客户体验度。采用将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作的方式相比于相关技术中的方式是具有优势的。

在相关技术中，只有当故障达到预定的阈值时，运维人员才会得知发生故障，系统才会对通道进行切换，采用相关技术中的这种方式不能及时发现故障，而且当持续的微量故障发生时，也不会被发现，只有客户进行投诉后，相关运维人员进行详细的排查，才会发现故障，然而当相同的故障再次发生时，系统还是不能主动发现。通过创建神经网络特征库，将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，不仅能够及时发现故障的发生，而且能够及时切换通道。

在步骤S102提供的技术方案中，对预先获取的通道状态指标数据进行通道故障特征分析，其中，通道状态指标可以包括：接收成功率、发送成功率以及延时度。基于深度学习技术，对通道状态指标数据进行通道故障特征分析，建立故障特征神经网络，进而创建神经网络特征库。

在步骤S104提供的技术方案中，业务平台针对运营商各业务预先设置可用的第一通道(主通道)以及第二通道(备用通道)，在业务正常运行的情况下，连接第一通道，业务平台实时记录第一通道返回的特征指标状态，获取第一通道的实时指标数据。

在步骤S106提供的技术方案中，将实时指标数据同步至智能系统，并且与智能系统中的神经网络特征库比对，从而判断第一通道是否发生神经网络特征库中保存的故障。

在一个可选的实施方式中，为了及时发现故障或预测故障即将发生，并在最短的时间内响应并自动切换通道，保证业务的正常和连续，判断第一通道是否发生神经网络特征库中保存的故障的情况有多种，在本发明实施例中列举了两种可选的实施方式：其中一种可以是判断第一通道是否已经发生神经网络特征库中保存的故障；另一种，可以是判断第一通道是否将要发生神经网络特征库中保存的故障。在第一通道发生故障的情况下，可以进行如下操作：启用第二通道，其中，第二通道为第一通道的备用通道；然后将第一通道设置为故障通道。这两种方式也可以结合使用。

例如，当智能系统检测到神经网络特征库中保存的故障(例如，运营商网络故障、运营商服务器故障以及公司网络故障)即将发生时，进行通道切换，第一通道状态更改为故障，第二通道状态更改为启用，替换第一通道使用。

在进行通道切换后，将第一通道的状态更改为故障，第二通道代替第一通道工作，当第二通道也将发生故障时，如果第一通道仍处于故障状态，这就无法保证业务的正常和连续，从而也会降低用户的体验。

在一个可选的实施方式中，为了提高用户体验，可以在启用第二通道的情况下，对第一通道(即故障通道)进行持续检测，也即实时监测第一通道是否从故障中恢复，在故障通道恢复的情况下，可以进行很多种操作，在本发明实施例中列举了三种可选的实施方式：其中一种可以将第一通道配置为第二通道的备用通道，另一种是可以停用第二通道重新启用第一通道，还有一种是启用第一通道与第二通道进行负载均衡，使第一通道与第二通道在预定的发送数量内交替运行，例如，在第一通道发送10条短信后启用第二通道，在第二通道发送10条短信后启用第一通道，对此进行循环，从而提升通道选择的灵活性。

在新型故障发生后，将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作时，就无法准确判断通道的故障情况，此时如果缺乏对神经网络特征库的完善，在第二次发生相同故障的情况下，就无法自动切换通道，从而也会因为相同故障带来二次损失，进而也会降低客户的体验。

在一个可选的实施方式中，为了避免相同故障带来的第二次损失，提升客户的体验，可以在判断第一通道未发生神经网络特征库中保存的故障的情况下，确定第一通道发生除神经网络特征库中保存的故障之外的其他类型故障，并采用深度学习技术，将其他类型故障以及该其他类型故障对应的通道状态指标数据保存在神经网络特征库中，采用该方式可以实现神经网络特征库的持续自我完善，在新型故障特征发生后，神经网络特征库进行数据的自动搜集，在相同故障再次发生时可以提前检测，然后进行通道切换，避免相同故障的带来第二次损失。

下面以图2为例结合一个可选的实施方式来进行说明。图2是根据本发明实施例的深度学习系统的示意图，如图2所示，该示意图包括：输入端21、神经元对叠层23以及输出端25，下面对该系统进行说明。

神经网络特征库中的每个输出神经元设定为一个通道状态。通过使用Python调用Caffe框架，搭建神经网络编码器，使用业务平台的通道状态指标数据对神经网络进行训练，然后将获取到的通道状态指标数据设定为神经网络特征库的输入神经元，从输入端21将输入神经元输入到神经网络编码器，在神经网络编码器中调用神经元对叠层23对输入神经元进行特征提取操作，得到输出神经元，从输出端25将输出神经元输出，并保存到神经网络特征库中，神经网络特征库中的每个输出神经元设定为一个通道状态。Python是一种面向对象的解释型计算机程序设计语言，使用Python能够快速地生成程序的原型。Caffe(Convolution Architecture For Feature Extraction，即卷积神经网络框架)是一个清晰，可读性高，快速的深度学习框架。

下面以图3和图4为例结合一个可选的实施方式来进行说明。图3是根据本发明实施例的通道切换系统连接示意图，以及图4是根据本发明实施例的业务发送的流程图。如图3所示，业务平台中存有业务逻辑情况下通道发送状态报告的历史数据，该历史数据为特征指标对应的数据，然后抽取该数据，在智能系统中通过人工智能学习的方式进行训练，并对这些数据进行特征分析，建立神经网络特征库，神经网络特征库与服务器连接；如图4所示，运营商各业务预先设置好可用的第一通道及第二通道，在业务正常运行时，智能学习系统中的通道选择装置连接第一通道，并向服务器发送短信，返回通道状态指标数据。通过业务平台实时记录第一通道或第二通道返回通道状态指标数据，并将返回的通道状态指标数据同步至智能系统，将通道状态指标数据与智能系统中的神经网络特征库进行比对操作，判断第一通道是否发生故障。当智能系统检测到故障即将发生时，进行通道切换操作，将第一通道的状态更改为故障，第二通道状态更改为启用，替换第一通道使用。

另外，智能系统还需要对第一通道进行实时通道监控操作，如果发现第一通道没有恢复，智能系统会自动发送短信或邮件给运维人员，通知运维人员进行故障处理操作。在第一通道的故障自动恢复或运维人员处理后恢复后，智能系统会检测到第一通道状态特征为正常，则将第一通道的状态更改为可用，并列入可用备用通道。

当新型故障发生并且状态特征与神经网络特征库中的通道状态指标数据都不相同时，进行人工通道切换操作，并设置故障期间报告为故障特征报告，智能系统自动提取故障期间的通道状态指标数据，对新型故障特征进行分析，实现神经网络特征库的自动完善，当再次出现该类故障时，可自动检测通道状态为故障，并且可以自动切换通道，从而避免相同故障造成的第二次损失。

本发明实施例还提供了一种通道切换装置，需要说明的是，本发明实施例的通道切换装置可以用于执行本发明实施例所提供的通道切换方法。以下对本发明实施例提供的通道切换装置进行介绍。

图5是根据本发明实施例的一种通道切换装置的示意图，如图5所示，该装置可以包括：创建单元51、获取单元53以及判断单元55，下面对该装置进行说明。

创建单元51，用于对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据。

获取单元53，用于实时监控第一通道的特征指标状态，获取第一通道的实时指标数据。

判断单元55，用于将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断第一通道是否发生神经网络特征库中保存的故障。

在本发明实施例的一种通道切换装置中，通过创建单元51对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据；获取单元53实时监控第一通道的特征指标状态，获取第一通道的实时指标数据；判断单元55将实时指标数据与神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断第一通道是否发生神经网络特征库中保存的故障，解决了相关技术中通道故障的检测机制不完善所导致的通道切换不及时的技术问题，从而实现了通道的及时切换的技术效果，提高了客户体验度。

可选地，在本发明实施例的一种通道切换装置中，判断单元55包括：第一判断模块，用于判断第一通道是否已经发生神经网络特征库中保存的故障；第二判断模块，用于判断第一通道是否将要发生神经网络特征库中保存的故障。

可选地，在本发明实施例的一种通道切换装置中还包括：第一启用单元，用于在第一通道发生故障的情况下，启用第二通道，其中，第二通道为第一通道的备用通道；设置单元，用于在第一通道发生故障的情况下，将第一通道设置为故障通道。

可选地，在本发明实施例的一种通道切换装置中还包括：监测单元，用于在启用第二通道的情况下，实时监测第一通道是否从故障中恢复；配置单元，用于在故障通道恢复的情况下，将第一通道配置为第二通道的备用通道；第二启用单元，用于在故障通道恢复的情况下，停用第二通道重新启用第一通道；第三启用单元，用于在故障通道恢复的情况下，启用第一通道与第二通道进行负载均衡。

可选地，在本发明实施例的一种通道切换装置中包括：确定单元，用于在判断第一通道未发生神经网络特征库中保存的故障的情况下，确定第一通道发生除神经网络特征库中保存的故障之外的其他类型故障；保存单元，用于将其他类型故障以及该其他类型故障对应的通道状态指标数据保存在神经网络特征库中。

可选地，在本发明实施例的一种通道切换装置中还包括：第一设定单元，用于将获取到的通道状态指标数据设定为神经网络特征库的输入神经元；第二设定单元，用于将神经网络特征库中的每个输出神经元设定为一个通道状态。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种通道的切换方法，其特征在于，包括：

对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，所述神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据；

实时监控第一通道的特征指标状态，获取所述第一通道的实时指标数据；

将所述实时指标数据与所述神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断所述第一通道是否发生所述神经网络特征库中保存的故障；

其中，在所述第一通道发生故障的情况下，所述方法还包括：启用第二通道，其中，所述第二通道为所述第一通道的备用通道；将所述第一通道设置为故障通道。

2.根据权利要求1所述的方法，其特征在于，判断所述第一通道是否发生所述神经网络特征库中保存的故障包括：

判断所述第一通道是否已经发生所述神经网络特征库中保存的故障；和/或，

判断所述第一通道是否将要发生所述神经网络特征库中保存的故障。

3.根据权利要求1所述的方法，其特征在于，在启用所述第二通道的情况下，所述方法还包括：

实时监测所述第一通道是否从故障中恢复；

在所述故障通道恢复的情况下，进行以下处理的至少之一：将所述第一通道配置为所述第二通道的备用通道、停用所述第二通道重新启用所述第一通道、启用所述第一通道与所述第二通道进行负载均衡。

4.根据权利要求1或2中任一项所述的方法，其特征在于，还包括：

在判断所述第一通道未发生所述神经网络特征库中保存的故障的情况下，确定所述第一通道发生除所述神经网络特征库中保存的故障之外的其他类型故障；

将所述其他类型故障以及该其他类型故障对应的通道状态指标数据保存在所述神经网络特征库中。

5.根据权利要求1至3中任一项所述的方法，其特征在于，将获取到的通道状态指标数据设定为所述神经网络特征库的输入神经元，所述神经网络特征库中的每个输出神经元设定为一个通道状态。

6.一种通道的切换装置，其特征在于，包括：

创建单元，用于对预先获取的通道状态指标数据进行通道故障特征分析，创建神经网络特征库，其中，所述神经网络特征库中保存有发生预定类型的故障时的通道状态指标数据；

获取单元，用于实时监控第一通道的特征指标状态，获取所述第一通道的实时指标数据；

判断单元，用于将所述实时指标数据与所述神经网络特征库中的发生故障时的通道状态指标数据进行比对操作，判断所述第一通道是否发生所述神经网络特征库中保存的故障；

其中，所述装置还包括：第一启用单元，用于在所述第一通道发生故障的情况下，启用第二通道，其中，所述第二通道为所述第一通道的备用通道；设置单元，用于在所述第一通道发生故障的情况下，将所述第一通道设置为故障通道。

7.根据权利要求6所述的装置，其特征在于，所述判断单元包括：

第一判断模块，用于判断所述第一通道是否已经发生所述神经网络特征库中保存的故障；和/或，

第二判断模块，用于判断所述第一通道是否将要发生所述神经网络特征库中保存的故障。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

监测单元，用于在启用所述第二通道的情况下，实时监测所述第一通道是否从故障中恢复；

配置单元，用于在所述故障通道恢复的情况下，将所述第一通道配置为所述第二通道的备用通道；

第二启用单元，用于在所述故障通道恢复的情况下，停用所述第二通道重新启用所述第一通道；

第三启用单元，用于在所述故障通道恢复的情况下，启用所述第一通道与所述第二通道进行负载均衡。

9.根据权利要求6或7中任一项所述的装置，其特征在于，还包括：

确定单元，用于在判断所述第一通道未发生所述神经网络特征库中保存的故障的情况下，确定所述第一通道发生除所述神经网络特征库中保存的故障之外的其他类型故障；

保存单元，用于将所述其他类型故障以及该其他类型故障对应的通道状态指标数据保存在所述神经网络特征库中。

10.根据权利要求6至8中任一项所述的装置，其特征在于，还包括：

第一设定单元，用于将获取到的通道状态指标数据设定为所述神经网络特征库的输入神经元；

第二设定单元，用于将所述神经网络特征库中的每个输出神经元设定为一个通道状态。