CN110838872B - 一种实现光链路故障识别的方法、装置及系统 - Google Patents
一种实现光链路故障识别的方法、装置及系统 Download PDFInfo
- Publication number
- CN110838872B CN110838872B CN201810934567.4A CN201810934567A CN110838872B CN 110838872 B CN110838872 B CN 110838872B CN 201810934567 A CN201810934567 A CN 201810934567A CN 110838872 B CN110838872 B CN 110838872B
- Authority
- CN
- China
- Prior art keywords
- fault
- characteristic parameters
- fault mode
- performance data
- optical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0791—Fault location on the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0771—Fault location on the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0775—Performance monitoring and measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07955—Monitoring or measuring power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
Abstract
本申请实施例中提供一种实现光链路故障识别的方法,涉及通信技术领域,包括:获取网络设备上的性能数据,提取所述性能数据的特征参数;依据所述特征参数进行光链路中的故障模式识别;解决了光链路中因设备数量庞大、线路故障多、人工排查情况难获得导致的故障情况识别难、处理慢等问题;达到了在故障发生时快速识别故障,提高排障效率;并在光链路隐患未导致故障发生时,可提前通过特征发现性能数据劣化,识别并预警等。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种实现光链路故障识别的方法、装置及系统。
背景技术
随着网络系统的复杂性和传输容量增大,光纤通讯利用自身传输容量大、保密性好等优点成为现在主要的有线通信方式。但光纤一般采用玻璃作为波导,使得光纤质地脆,机械强度差,导致在使用过程中会出现光纤弯折,断纤。另外,光纤之间连接为了降低成本一般采用光纤连接器,但光纤连接器长时间连接会出现接头松动,连接过松等现象,使光纤通讯中光链路故障占比增加,导致光链路可靠性降低、用户体验变差,因此需要及时进行故障修复用来维护光链路可靠性。
目前的网络系统运维中通常依赖传统的告警系统,以确保对故障进行及时的维护,但是传统的告警系统是分别针对光链路网络设备或业务性能数据建立阈值报警体系,并分别利用观测系统中的光链路网络设备或业务性能数据指标,判断与基准阈值的大小以监测是否达到最低工作要求,如果判断为否,则发出警报提示,达到及时进行故障修复以维护光链路可靠性的目的。由于网络系统复杂使得网络系统中告警提示数量庞大,且告警提示中掺杂了大量的其他问题,仅从发出的警告提示中网络运维人员并不能获得有效告警信息,也不能从告警提示中获得确切的故障模式,只能采用手工排查故障的方式,而人工排查,处理效率低,故障修复延迟性太强,最终导致用户受影响时间长且操作复杂,并且利用网络设备与业务的单点时刻性能数据与人工设定的基线阈值进行判断,容易造成漏警或误警,准确率低。
申请内容
本发明实施例中提供一种实现光链路故障识别的方法,该方法解决了光链路网络网络系统运维中,告警提示有效性低和告警提示中无法获得确切的故障模式所导致的故障处理效率低、故障修复延迟性太强,以及用户受影响时间长且操作复杂等问题,通过性能数据的特征参数提取及利用该特征参数进行故障模式识别,从而能达到在无需人工配置告警门限之下,准确的识别出故障模式,提高故障处理效率,简化用户操作。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供了一种实现光链路故障识别的方法,包括:获取光链路中网络设备上至少包含接收光功率的性能数据;提取用以指示预设时间窗内所述性能数据变化的特征参数,依据所述特征参数进行光链路中的故障模式识别;其中,所述性能数据为所述预设时间窗内的时间序列。
在一种可能的实现方式中,所述性能数据还包括发送光功率和/或光纤长度。
在一种可能的实现方式中,所述特征参数包括:用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。
在一种可能的实现方式中,所述用以表征所述性能数据异常程度的特征参数包括以下参数中的一种或任意组合:
抖动程度,是所述接收光功率在所述预设时间窗内的随机变化程度;
弱光占比,是所述接收光功率中的弱光时长占所述预设时间窗总时长的比值;
过强占比,是所述接收光功率中的强光时长占所述预设时间窗总时长的比值;以及,
无光占比,是所述接收光功率中的无光时长占所述预设时间窗总时长的比值。
在一种可能的实现方式中,所述用以表征所述性能数据变化趋势的参数包括以下参数中的一种或任意组合:
反弹次数,用以表征所述接收光功率拟合处理结果的波动次数;
劣化程度,用以表征所述接收光功率拟合处理结果的下降趋势;
上升次数,用以表征所述接收光功率拟合处理结果的上升趋势;以及,
突变次数,用以表征所述接收光功率在所述预设时间窗内偏离历史平均光功率的次数。
在一种可能的实现方式中,所述依据所述特征参数进行光链路中的故障模式识别具体包括:
将所述特征参数与故障模式识别模型进行匹配,以确定故障模式。
在一种可能的实现方式中,该方法还包括:
利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型;
所述历史数据包含特征参数以及与该特征参数对应的故障模式。
在一种可能的实现方式中,所述依据所述特征参数进行故障模式识别之后,该方法还包括:
将所述识别出的故障模式与该特征参数对应的实际故障模式作对比,若二者不一致,则将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。
在一种可能的实现方式中,所述将所述特征参数与该特征参数识别出的故障模式添加到所述训练集中之后,还包括:对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。
另一方面,还提供了一种实现光链路故障识别的装置,包括:获取单元,用以获取光链路中网络设备上至少包含接收光功率的性能数据;所述获取单元获取的所述性能数据为所述预设时间窗内的时间序列;提取单元,用以提取指示预设时间窗内所述获取单元获取的性能数据变化的特征参数;识别单元,用以依据所述提取单元提取到的所述特征参数进行光链路中的故障模式识别。
在一种可能的实现方式中,所述获取单元获取的所述性能数据还包括发送光功率和/或光纤长度。
在一种可能的实现方式中,所述提取单元提取到的所述特征参数包括:用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。
在一种可能的实现方式中,所述识别单元包括:匹配模块和输出模块;其中,
所述匹配模块用以将所述提取单元提取到的特征参数与故障模式识别模型进行匹配,以确定故障模式;
所述输出模块用以将所述匹配模块确定的故障模式输出给外部光网络设备。
在一种可能的实现方式中,该装置还包括:训练单元,用以利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型;其中,所述历史数据包含特征参数以及与该特征参数对应的故障模式。
在一种可能的实现方式中,该装置还包括:比对单元和添加单元;其中,
所述比对单元用以将所述识别单元识别出的故障模式与该特征参数对应的实际故障模式作对比,并将比对结果输出给所述添加单元;
所述添加单元用于接收所述比对单元的输出结果,并当所述识别单元识别出的故障模式与该特征参数对应的实际故障模式不一致时,将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。
在一种可能的实现方式中,该装置还包括:建立单元,用以对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。
另一方面,提供了一种实现光链路故障识别的系统,包括光链路网络设备以及大数据分析在线平台:其中,所述大数据分析在线平台设置有如上所述的装置,并接收所述光链路网络设备上传的至少包含接收光功率的性能数据,。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是示例性的示出光纤通讯系统中光链路结构示意图;
图2是本申请一个实施例提供的一个应用场景a的示意图;
图3是本申请一个实施例提供的另一个应用场景b的示意图;
图4是本申请一个实施例提供的实现光链路故障识别方法的示意性流程图之一;
图5是本申请一个实施例提供的IMSR拟合结果曲线示意图;
图6是本申请一个实施例提供的实现光链路故障识别方法的示意性流程图之二;
图7是本申请一个实施例提供的通过故障树规则实现光链路故障识别的方法示意性流程图;
图8是本申请一个实施例提供的通过历史数据实现光链路故障识别的方法示意性流程图;
图9是本申请一个实施例提供的实现光链路故障识别方法的示意性流程图之三;
图10是本申请一个实施例提供的实现光链路故障识别的装置结构示意图;
图11是本申请一个实施例提供的实现光链路故障识别的系统中数据处理部分的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一目标对象和第二目标对象等是用于区别不同的目标对象,而不是用于描述目标对象的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。例如,多个处理单元是指两个或两个以上的处理单元;多个系统是指两个或两个以上的系统。
下面将结合附图,对本申请中的技术方案进行描述。
目前,光纤通信作为有线通讯的一种与扩频通信和卫星通信相比通信容量大、传输距离远、衰减小、体积小、防干扰性能好、扩容便捷并能节约大量的有色金属资源。例如:光纤通信中一根光纤的潜在带宽可达20THz。
在光纤通信系统中光链路是由光发送机、光纤、光接收机及其它必需的光器件组成,其原理是用光学方法来实现网络的互联,得到各种不同拓扑结构的光学互联网络,所述光链路利用光纤通信技术传输声音、图像和数据信号。
图1为光纤通讯系统中光链路结构示意图,如图1所示,光链路包括:光发送机、光中继放大、光接收机和连接光纤若干;所述光发送机包括:N个光转发器,光合波器,功率放大器(booster-Amplifier,简称为BA),光监控信道发送器,其中,所述N个光转发器,用于接收N束光波,且光转发器均有光电变换功能和信号处理功能;其中,所述光合波器,用于将N个波长不同的光信号合并在一个光纤中传输;其中,所述BA,用于将合波的N个波长信号进行功率提升和传输;其中,所述光监控信道发送器,用于监控系统内各信道的传输情况并进行信号发送。所述光中继放大中包括:光监控信道接收器、线路放大器(Line-Amplifier,简称为LA)和光监控信道发送器,其中,所述光监控信道接收器,用于监控系统内各信道的传输情况并进行信号接收;其中,所述LA,用于周期性地补偿线路传输损耗;其中,所述光监控信道发送器与所述光发送机中的光监控信道发送器用途一致。所述光接收机包括:光监控信道接收器、前置放大器(Pre-Amplifier,简称为PA)、光分波器、N个光接收端,其中,所述光监控信道接收器作用与所述光中继放大中光监控信道接收器用途一致;其中,所述PA,用于信号放大,提高接收机的灵敏度(例如:在光信噪比(Optical Signal Noise Ratio,简称为OSNR)满足要求情况下(要求噪声指数较小),较大的输入功率可以压制接收机本身的噪声,提高接收灵敏度);其中,所述光分波器,用于将一束不同段的多个光信号实现光强和波长在空间上的分离;其中,所述N个光接收端,用于接收分离后的N个波长的光信号;其中,所述光纤用于将光发送机与光中继机连接,光中继机与光接收机连接形成光链路。
需要说明的是,所述光链路结构应该理解为光纤通讯系统中一种光链路结构实现方式示例,而不是对光纤通讯系统中光链路结构限定。
上述描述中,光纤作为传输介质是因为光纤一般采用玻璃作为波导,以光的形式将信息从一端传送到另一端,且低损耗玻璃光纤几乎不受带宽限制特性,使光纤成为一种方便的传输工具。此外,光纤作为传输工具还具有灵敏度高,不受电磁噪声干扰;体积小、重量轻、寿命长、价格低廉;绝缘、耐高压、耐高温、耐腐蚀,适于特殊环境工作;几何形状可依环境要求调整,讯号传输容易;高带宽,通讯量大衰减小,传输距离远;讯号串音小,传输质量高;保密性高;便于敷设及搬运原料等优势。但,也是因为光纤采用玻璃作为波导,使得光纤质地脆,机械强度差,导致在使用过程中会出现光纤弯折,断纤。另外,光纤之间连接为了降低成本一般采用光纤连接器,但光纤连接器长时间连接会出现接头松动,连接过松等现象,从而造成光链路中出现故障。
需要说明的是,在网络系统中除光纤外的各个组成元素都可以简单理解为网络中的设备。
具体地,在光链路中网络设备可以为光线路终端(Optical Line Terminal,OLT)或光网络单元(Optical Network Unit,ONU)等。其中,所述OLT是与多个ONU之间通过无源的光缆、光分/合路器等组成的光分配网连接的网络设备。
应该理解,光链路中网络设备可以为具有传输功能,并能执行软件程序的硬件设备等,不仅仅为上述列举的设备或者终端。
本申请提供一种实现光链路故障识别的方法,可以应用于OLT和ONU,也可以应用于大数据分析在线平台,该方法通过获取并分析光链路中网络设备上的性能数据来识别光链路中的故障。首先,获取网络设备上至少包含接收光功率的性能数据;再提取用以指示预设时间窗内所述性能数据的特征参数;最后对所述特征参数进行识别,识别出故障模式。
光链路中实现光链路故障识别的装置根据网络设备中携带的芯片、软件程序和连接位置的不同,在其功能、性能和可靠性等方面也会不同。例如:如图3所示,OLT中携带有特征参数提取模型和故障模式识别模型,使OLT能执行特征参数提取和故障模式识别;如图2所示,特征参数提取模型和故障模式识别模型设置于大数据分析在线平台,则由该大数据分析在线平台执行特征参数提取和故障模式识别操作,而由所述OLT执行性能数据的获取和上传操作。
具体地,如图2所示,在场景(a)中,ONU将KPI数据传送给OLT,设置有特征参数提取模型和故障模式识别模型的大数据分析在线平台周期性的从OLT采集所述KPI数据(例如:定期为15min),所述大数据分析在线平台获得所述KPI数据之后,利用特征参数提取模型或算法等方式对所述KPI数据进行特征参数提取,获得所述KPI数据的特征参数,然后利用故障模式识别模型,根据所述KPI数据的特征参数进行故障模式识别,进而确定光链路的故障模式。如图3所示,在场景(b)中,ONU将KPI数据传送给设置有特征参数提取模型和故障模式识别模型的OLT,所述OLT获得所述KPI数据后,再利用特征参数提取模型或算法等方式对所述KPI数据进行特征提取,获得所述KPI数据的特征参数,然后利用故障模式识别模型,根据所述KPI数据的特征参数进行故障模式识别,在将识别出来的故障模式上报给大数据分析在线平台。需要说明的是,本实施例中进行特征参数提取除采用以下实施例中的提取方式之外,还可以采用现有技术中的参数提取方式来实现,本实施例不做具体限定。
该方法获取光链路中网络设备上传输的性能数据,并提取所述性能数据的特征参数,以便于根据所述性能特征快速识别光链路中故障模式,并将识别故障模式上报,该方法解决了网络系统中因为设备数据量庞大、线路故障多、相关数据及排查情况获得困难等问题,所导致的光链路故障情况及原因难以确定及排查故障模式效率低下等问题,且能在无需人工配置告警门限状态下,能及时、准确地识别光链路故障情况及原因,提高了故障处理效率及准确率,为快速准确识别光链路故障提供了一种有效的实现方法。
图4为本申请实施例的实现光链路故障识别的方法示意性流程图。该方法包括以下步骤:
401,获取光链路中网络设备上至少包含接收光功率的性能数据;
其中,在本实施例中所述性能数据应至少包含光链路网络设备上的接收光功率,当然还可以至少包含光链路网络设备上的发送光功率及与所述光链路网络设备相连接的光纤长度数据中的一种;当然,该性能数据可以是在光链路网络设备中采集到的需要分析的性能数据,也可以是实时获取的、短周期的KPI数据。值得注意的是,在本实施例中所述网络设备上的性能数据为从网络设备上采集到的在预设时间窗内的时间序列,其中所述性能数据所包含的所述接收光功率其表现形式可以为(时间,光功率值),例如:(2018-01-06:00:00:00,-20dB)其表示为在2018年01月06日00点00分00秒采集的光功率为-20dB。
402,提取用以指示预设时间窗内所述性能数据变化的特征参数;
具体的,本申请的一个实施例中,所述特征提取算法为利用大数据技术对预设时间窗内的所述网络设备上的性能数据进行分析提取特征参数;其中,所述特征参数用以表征预设时间窗内所述网络设备上的性能数据的变化情况;需要说明的是,本实施例中所述特征参数可以包括用以表征所述性能数据异常程度的参数和/或用以表征所述性能数据变化趋势的参数等;而其中,所述用以表征所述性能数据异常程度的参数至少包括抖动程度、弱光占比、过强占比和无光占比中的一种;所述用以表征所述性能数据变化趋势的参数至少包括反弹次数、劣化程度、上升次数和突变次数中的一种。其中,所述特征参数的表现形式不做限制,可以是表格、图形、文字来表示。例如,所述特征参数的向量形式可表示为:时间窗内所述特征参数=(x1,x2,x3,x4,x5,x6,x7,x8,x9,…);其中,x1为抖动程度、x2为弱光占比、x3为过强占比、x4为无光占比、x5为反弹次数、x6为劣化次数、x7为劣化程度、x8为上升次数、x9为突变次数等。
其中,本实施例中所述特征参数的各个特征值的含义可以表示为:
所述抖动程度是所述接收光功率在预设时间窗内的随机变化程度,通常用整体标准差表示;
所述弱光占比是在预设时间窗内所述网络设备上的接收光功率的弱光时长占预设时间窗总时长的比值,即其用来表示预设时间窗内的弱光率;具体的,通过配置弱光阈值,计算预设时间窗内光功率值低于弱光阈值且大于无光阈值的部分的占比;例如:配置弱光阈值为:-30dB,窗口内有30个时间点对应的光功率值低于弱光阈值且大于无光阈值,窗口内共有100个数据时间点,则弱光占比为0.3;
所述过强占比是在预设时间窗内所述网络设备上的接收光功率的强光时长占预设时间窗总时长的比值,即其用来表示预设时间窗内的强光率;具体的,通过配置强光阈值,计算预设时间窗内光功率值高于强光阈值部分的占比;例如,配置强光阈值为:-8dB,窗口内有40个时间点对应的光功率值高于强光阈值,窗口内共有100个数据时间点,则过强占比为0.4;
所述无光占比是在预设时间窗内所述网络设备上的接收光功率的无光时长占预设时间窗总时长的比值,即其用来表示预设时间窗内的无光率;具体的,通过配置无光阈值,计算预设时间窗内光功率值低于无光阈值部分的占比;例如,配置无光阈值为:-35dB,窗口内有50个时间点对应的光功率值低于无光阈值,窗口内共有100个数据时间点,则无光占比为0.5。
需要说明的是,配置弱光阈值的单位为所述网络设备上的性能数据的单位;另外,上述配置弱光阈值、强光阈值、无光阈值仅为示例。
在本实施例中,当分析所述性能数据的变化趋势时,需要对所述网络设备的接收光功率进行拟合处理,通过拟合处理结果来表征所述性能数据的变化趋势;本实施例中以线性拟合运算为例进行说明,当然具体应用并不局限于此,而本实施例中的线性拟合结果以曲线的形式体现:其中,
根据线性拟合结果中相邻两段之间的正负情况获得反弹次数,其用以表征接收光功率数据拟合处理结果的波动次数;根据线性拟合结果各段中统计为负数的段数获得劣化程度,其用以表征预设时间窗内线性拟合结果的下降程度,即接收光功率拟合结果的下降趋势;根据线性拟合结果各段中统计为正实数的段数获得上升次数,其用来表示预设时间窗内线性拟合结果的上升程度,即接收光功率拟合处理结果的上升趋势;突变次数用以表征接收光功率数据在预设时间窗内的与偏离历史平均光功率的次数;
下面举例说明对所述接收光功率进行线性拟合运算,并获得用以表征所述性能数据变化趋势的各特征参数,实际应用过程中并不局限于此:
利用迭代多分段回归(Iterative Multi-Segmented Regression,简称为IMSR)算法,通过配置最多迭代拐点数N,研究n个未知拐点数对应的迭代分段回归模型,挖掘各相邻拐点间多段趋势特征;其中,未知拐点数n小于等于迭代拐点数N。具体地,如图5所示为利用IMSR算法对预设时间窗内接收光功率数据进行拟合运算的拟合结果,深灰色点为原光功率时间序列,浅灰色线为IMSR拟合结果,拐点数n=8(包括起始与结束点):
各段时间拐点为利用Argmin函数算出1到N个迭代拐点中,所有可能的拐点数对应的拟合曲线的残差平方和(Sum of Squares due to Error,简称为SSE)的最小值,如下列公式1为通过Argmin函数算出n(1到N之间)个迭代拐点中残差平方取最小值时各拐点Tn取值:
具体的,通过下列公式2为获得公式1中的SSE的计算结果,即计算区间[Ti,Ti+1]内的拟合模型的残差平方和的最小值,其中T1和Tn皆为拐点时刻:
SSE(T1,…,Tn)=min∑Ti,Ti+1SSE
其中公式1和公式2中,迭代拐点数n表示所有可能的拐点数,因选用迭代分段回归模型计算n个未知拐点的残差平方之和,即对于所有拐点区间的拟合模型的残差平方和;其中,所述残差为统计学上数据线与回归线相应位置的差异,所述残差平方和为每个残差平方之后加起来总和,表示随机误差的效应。当取值满足SSE之和最小时,所对应的拐点数n及各段时间拐点拟合效果最好;区间[Ti,Ti+1]内的拟合模型可利用线性拟合;其中,最小SSE之和最小时的线性拟合,使得拟合模型与实际观测点误差最小。
下列公式3迭代分段回归模型中拟合的线性方程:
Yt=Ait+Ki,Ti≤t≤Ti+1
其中,Yt值为对应区间内某一个时刻的性能数据;其中,Ai为拟合线段的趋势系数;其中,Ki为拟合线段的趋势截距;其中,运用迭代分段回归模型输出数据为各拐点T及各段所对应的线性拟合的趋势系数Ai。其中,T为迭代拐点所对应的性能数据所对应的时间的取值。
根据IMSR算法对预设时间窗内接收光功率进行线性拟合运算的拟合结果,确定出反弹次数、劣化次数、上升次数、突变次数的量化值并配置相关的参数,具体方法如下:
反弹次数:根据拟合出的各段趋势系数,判断是否存在相邻段趋势系数反方向的情况,如第i段内趋势系数为负实数(表示此段下降),附近第i+1段内趋势系数为正实数(表示此段上升),则此两段记为一次反弹。也可进一步配置上升/下降趋势系数阈值,并根据第i段内趋势系数与该阈值的比较控制识别出的反弹程度。也可配置各段接收光功率变化范围阈值,通过该接收光功率变化范围阈值限定只统计接收光功率变化大于此阈值时的反弹次数。最终计算出的反弹次数为整数。
劣化次数:根据拟合出的各段趋势系数,计算趋势系数为负实数的段数。也可进一步配置趋势系数劣化阈值,利用该劣化阈值来统计趋势系数低于劣化阈值的段数。也可配置各段光功率变化范围阈值,即只统计光功率变化大于光功率范围阈值的段数。
劣化程度:对于存在劣化的所有区间(同上述劣化次数的判断方式),输出预设时间窗内后段预设时间区间内的趋势系数作为劣化程度。
上升次数:根据拟合出的各段趋势系数,计算趋势系数为正实数的段数。也可进一步配置趋势系数上升阈值,即只统计趋势系数高于上升阈值的段数。也可配置各段光功率范围阈值,即只统计光功率变化大于光功率范围阈值的段数。
突变次数:若拐点中存在两相邻拐点为相邻时刻,且两点对应的光功率差值的绝对值大于配置的偏离阈值,则记为一次突变。可以用‘+/-’的次数表示,‘+’表示偏离上升,‘-’表示偏离下降。
403,依据所述特征参数进行光链路中的故障模式识别;
本申请的一个实施例中,通过故障模式识别算法对对所述特征参数进行分析,并结合已有故障情况的特征参数进行故障识别。具体地,所述故障模式识别算法是根据已有故障模式的特征参数作为基础,将所述特征参数与所述故障模式识别模型进行匹配,以确定故障模式,以此来进行故障模式识别。
例如:根据步骤402中获取的所述接收光功率数据的特征参数:抖动程度、弱光占比、过强占比、无光占比、反弹次数、劣化次数、上升次数、突变次数等;根据所述光功率的特征参数中包含的各个变量数值,识别出故障模式。
本申请的一个实施例中,所述光链路中存在多个网络设备,为了快速获取光链路中网络设备上的性能数据,可以对光链路中的网络设备的性能数据进行实时的监测;其中,所述监测可以为在线传输数据的实时监测,或者是对传输数据的定期监测;例如:每个间隔15秒获取网络设备上的性能数据。所述监测的具体的实现方式,在这里不作具体的限定。通过获取网络设备上的性能数据、并利用故障模式识别算法识别得到故障模式,解决了网络系统中因为设备数据量庞大、线路故障占比多、人工排查情况难获得光链路中的故障模式,并在无需要配置告警门限状态下,能及时、准确地识别光链路中的故障模式。
本申请提供的故障模式识别有两种方式:一种提前配置故障树规则,利用特征参数与所述故障树规则进行匹配来得到故障情况;一种是利用数据建模的方式,建立特征参数与故障模式对应的故障模式识别模型,利用含有已知故障情况的故障模式历史数据,训练故障模式识别模型,将训练好的模型进行在线应用,识别现网的故障情况。
图8是本申请一个实施例提供的通过历史数据实现光链路故障识别的方法示意性流程图;该方式步骤如下:
801,根据已知故障模式的历史数据,训练特征参数与故障模式对应的故障模式识别模型;
所述训练故障模式识别模型是根据已知故障模式的历史数据提取所述特征参数,并根据所述特征参数建立所述故障模式识别模型;其中,历史数据包含特征参数以及与该特征参数对应的故障模式。
所述根据所述历史数据建立故障识别模型为利用分类算法或具有判别功能的回归类算法,进行训练并建立故障模式识别模型;具体地,所述分类算法或具有判别功能的回归类算法可以为梯度下降树(Gradient Boosting Decison Tree,以下简称GBDT)和随机森林算法等。
当所述算法为GBDT算法时,通过对所述历史数据多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练,最终总的分类器是将每轮训练得到的弱分类器加权求和得到的模型;其中,每轮产生的弱分类器具有损失函数;利用损失函数的负梯度在当前的模型的值作为回归问题提升算法中的残差的近似值取拟合一各回归树,在每轮迭代的时候都去拟合损失函数在当前模型下的负梯度,使得损失函数尽可能的小,这使得所述GBDT算法能准确产生所述历史数据的特征参数;其中,所述特征参数为所述历史数据对应的特征组合。然后,根据所述特征参数建立故障模式识别模型。
当所述算法为随机森林算法时,通过自助法重采样技术,对所述历史数据中N个训练样本集中有放回地重复随机抽取K个样本生成新的训练样本集合,然后根据自助样本集生成K个分类树组成随机森林,所述特征参数的按分类树投票分数而定;然后根据确定所述特征参数建立所述历史数据对应的故障模式识别模型。
802,将训练好的所述故障模式识别模型进行在线应用,依据所述特征参数进行光链路中的故障模式识别;
所述训练好的模型为步骤801中所述故障模式识别模型;其中,所述故障模式识别模型可以应用于图4中步骤403,在步骤403中应用所述故障模式识别模型对所述特征参数进行识别。
本申请的一个实施例,所述根据已知故障模式的历史数据,训练故障模式识别模型之后,还包括:将历史数据作为训练集与所述故障模式识别模型对应存储。
在本申请的一个实施例,所述故障模式识别模型是依据所述已知故障模式的历史数据训练获得的;因此所述故障模式识别模型所要识别的特征参数与所述历史数据通过所述算法确定的所述特征参数一致,所以所述故障模式识别模型与所述历史数据具有对应关系;其中,所述故障模式识别模型是根据所述历史数据训练获得的,所以将所述历史数据作为训练所述故障模式识别模型的训练集。所述对应存储所述训练集和所述故障模式识别模型可以是将所述训练集和所述故障模式识别模型存放在具有对应关系的存储单元,也可是对所述训练集和所述故障模式识别模型作对应的标记或者标签等之后进行存储。需要说明的是,这里对所述训练集和所述故障模式识别模型对应存储的方式,不做具体的限定。
本申请的一个实施例,所述故障模式识别模型是根据人工经验提前配置的故障树规则,建立的识别模型。
图7是本申请一个实施例提供的通过故障树规则实现光链路故障识别的方法示意性流程图;具体的,所述方式的实现步骤包括:
701,利用人工经验预先定义故障树规则,依据所述故障树规则建立故障模式识别模型:所述利用人工经验预先定义故障树规则为依据人工经验已知故障模式定义出的故障树,再根据故障树定义故障树规则;然后,根据故障树规则建立故障模式识别模型。所述故障树为是一种特殊的倒立树状逻辑因果关系图,它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事的"因",逻辑门的输出事件是输入事件的"果"。
具体地,本申请实施例中,利用光链路中已知故障(例如:光链路中的光纤弯折、无分光器直接连接、断纤等),根据光链路中已知故障模式凭借人工经验获得故障树,并制定故障树规则。
例如:光纤弯折和无分光器直连为光链路中已知故障模式,其中,所述光纤弯折对应的较明显的特征规则可以是,反弹次数>0,劣化次数>0,上升次数>0,劣化程度>预设阈值,抖动程度>一定阈值。若所提取的特征满足上述规则,则被识别为光纤弯折;其中,所述一定阈值为根据人工经验预设的数值;其中,所述无分光器直连对应的明显特征规则可以是,过强占比>一定阈值,上升次数>0,突变次数>0,劣化次数=0,若所提取的特征满足此规则,则被识别为无分光器直连;其中,所述一定阈值为依据故障情况特点设置的阈值,每种故障模式都具有自身特定规则,根据人工经验也可能对应不同的阈值。
702,将建立所述故障模式识别模型进行在线应用,依据所述特征参数进行光链路中的故障模式识别。
所述故障模式识别模型可以应用于图4中步骤403,在步骤403中应用所述故障模式识别模型对所述特征参数进行识别。依据所述特征参数进行光链路中的故障模式识别的具体过程为:将所述故障树规则与所述提取的所述特征参数进行匹配;若匹配成功,则可识别出故障模式。
例如:如图6所示中,所述性能数据为所述预设时间窗内的时间序列,光链路中故障模式为光纤弯折时,根据人工的经验为光纤弯折设置的故障树规则为:反弹次数取值大于0,劣化次数取值大于0,上升次数取值大于0,劣化程度取值大于0.2,抖动程度大于0.5时。当光功率数据的特征参数为:反弹次数取值为2,劣化次数取值为2,上升次数取值为2,劣化程度取值为2,抖动程度取值为1.92;根据所述光纤弯曲设置的故障树规则可以得出反弹次数取值大于0,劣化次数取值大于0,上升次数取值大于0,劣化程度取值大于0.2,抖动程度大于0.5,获得所述故障模式为光纤弯折。
本申请的一个实施例中,所述利用故障模式识别算法对所述特征参数进行故障模式识别之后,还包括:将所述识别出的故障模式与该特征参数对应的实际故障模式作对比,若二者不一致,则将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。
图9为本申请实施例中另一种实现光链路故障识别方法所应用的示意性流程图;如图9所示,在线应用时,对采集的性能数据提取特征参数,应用训练所述故障模式识别模型进行在线识别。维护工程师可进一步根据查看获得实际故障模式,反馈所述故障模式的准确性,并将反馈数据更新到训练集,以提高模型训练的准确性。并且从图9中可以看出,故障识别模型的反馈监督是在离线模式下,而故障识别是在线模式下,可以看出监督是所述故障模式识别模型准确性的监督。
所述实际故障模式为根据维护工程师维护光链路中故障模式时,实际处理的故障模式;所述故障模式为根据获取的所述网络设备上的性能数据,识别出的故障模式;为了确认建立所述故障模式识别模型识别结果的准确性,将对应存储所述故障模式与维护工程师或者实际故障模式数据库中的所述实际故障模式对比,获得所述故障模式与所述实际故障模式的一致性,若所述故障模式与所述实际故障模式一致,则说明所述故障模式识别模型的识别结果准确;若所述故障模式与所述实际故障模式不一致,则说明所述故障模式识别模型的识别结果不准确,需要重新建立所述故障模式识别模型。
当需要重新建立所述故障模式识别模型,需要将所述故障模式对应存储的所述性能数据反馈到训练集中,对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集在没有反馈之前由训练所述故障模式识别模型时的历史数据组成,在反馈之后由训练所述故障模式识别模型时的历史数据和反馈的所述性能数据组成。
本申请实施例中提供一种实现光链路故障识别的方法,包括:对光链路中网络设备实时监控性能数据;从网络设备上获取性能数据;利用特征提取算法提取所述性能数据的特征参数;利用故障模式识别模型对所述特征参数进行故障模式识别,获得识别结果;其中,所述故障模式识别模型由两个部分组成,分别为离线故障模式识别模型和在线更新的故障模式识别模型;其中,所述离线故障模式识别模型为在线识别之前利用光链路中已有故障情况对应的历史数据训练获得的故障模式识别模型;其中,所述在线更新故障模式识别模型是将故障模式识别模型识别出错误的故障模式对应的性能数据作为反馈数据,并更新到训练集中,利用更新的训练集进行训练得到新的故障模式识别模型,并将所述新故障模式识别模型更新到在线程序或者设备中。其中,所述在线为系统还在采集实时性能数据没有中断,并故障模式识别模型对采集的性能数据的特征参数的识别没有中断。
本申请实施例中提供一种实现光链路故障识别的方法,可以应用于大数据分析在平台或者光链路网络设备。
如图2所示,当应用于大数据分析在线平台,所述大数据分析在线平台为所述光链路中识别故障部分,并接收ONU经OLT传输的KPI数据和大数据分析训练平台的故障模式识别模型;所述大数据分析训练平台为根据历史的性能数据或者特征参数训练故障模式识别模型,而应用于大数据分析在线平台的所述大数据分析训练平台对识别出故障模式的数据进行训练获得新的故障模式识别模型后更新到大数据分析在线平台;其中,所述ONU与所述OLT通过光纤连接。
其详细过程描述如下:
所述ONU给所述OLT发送所述KPI数据,所述OLT将接收所述KPI数据,并定期将所述KPI数据发送给大数据分析在线平台,大数据在线分析平台将接收到的所述KPI数据进行特征参数提取,并获得所述KPI数据的特征参数后,利用所述故障模式识别模型对所述KPI数据的特征参数进行识别;将识别故障模式后的所述KPI数据传送到所述大数据分析训练平台进行训练获得新的故障模式识别模型,并更新到大数据分析在线平台。
如图3所示,当应用于光链路网络设备,所述光链路网络设备OLT为所述光链路中识别故障的部分,所述OLT接收所述ONU传输的所述KPI数据,并经所述大数据分析在线平台传输给所述大数据分析训练平台用来训练故障模式识别模型;所述大数据分析在线平台用于接收所述OLT上报的故障模式识别结果,还用于传输给所述大数据分析训练平台反馈数据和将训练所得的新故障模式识别模型更新到所述OLT中;其中,所述新故障模式识别模型为所述大数据分析训练平台根据反馈数据训练的新故障模式识别模型;其中,所述OLT中包含芯片,所述芯片用于故障识别。
其详细过程描述如下:
所述ONU给所述OLT发送KPI数据,所述OLT接收KPI数据,并利用特征挖掘和故障模式识别模型对所述KPI数据进行故障识别,将所述的故障模式上报给所述大数据分析在线平台,所述大数据分析在线平台将识别模式后的数据传输给所述大数据分析训练平台,所述大数据分析训练平台将新的故障模式识别模型传输给所述大数据分析在线平台,所述大数据分析在线平台将新的故障模式识别模型更新给OLT中;其中,所述OLT与ONU通过光纤连接。
所述ONU定期给所述OLT发送所述KPI数据,所述OLT对所述KPI数据进行特征挖掘或者特征提取,并获得KPI数据的性能特征,基于性能特征故障模式识别模型进行故障识别。其中,得到诊断结果之后,所述OLT将所述诊断结果中的故障模式上报给大数据分析在线平台。另外,在所述大数据分析训练平台定期进行模型训练,并将模型提供给所述大数据分析在线平台,所述大数据分析在线平台将模型更新给所述OLT进行故障诊断。
基于相同的技术构思,本申请实施例还提供了一种实现光链路故障识别的装置,用以实现上述方法实施例。
如图10所示,本申请实施例中提供一种实现光链路故障识别的装置1000,包括:获取单元1010,用以获取光链路中网络设备上至少包含接收光功率的性能数据;所述获取单元1010获取的所述性能数据为所述预设时间窗内的时间序列;提取单元1020,用以提取指示预设时间窗内所述获取单元1010获取的性能数据变化的特征参数;识别单元1030,用以依据所述提取单元1020提取到的所述特征参数进行光链路中的故障模式识别。
其中,所述获取单元1010获取的所述性能数据还包括发送光功率和/或光纤长度。其中,所述提取单元1020提取到的所述特征参数包括:用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。
此外,所述识别单元1030可以包括:匹配模块和输出模块;其中,所述匹配模块用以将所述提取单元1020提取到的特征参数与故障模式识别模型进行匹配,以确定故障模式;所述输出模块用以将所述匹配模块确定的故障模式输出给外部光网络设备。
本申请的另一个实施例提供的实现光链路故障识别的装置,还可包括:训练单元,用以利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型;其中,所述历史数据包含特征参数以及与该特征参数对应的故障模式。
本申请的另一个实施例提供的实现光链路故障识别的装置,还可包括:比对单元和添加单元;其中,所述比对单元用以将所述识别单元识别出的故障模式与该特征参数对应的实际故障模式作对比,并将比对结果输出给所述添加单元;所述添加单元用于接收所述比对单元的输出结果,并当所述识别单元识别出的故障模式与该特征参数对应的实际故障模式不一致时,将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。
本申请的另一个实施例提供的实现光链路故障识别的装置,还可包括:建立单元,用以对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。
基于相同的技术构思,本申请实施例还提供了一种实现光链路故障识别的系统,该系统结构可与现有光链路系统结构类似,皆可包括光网络设备、光线路终端以及大数据分析在线平台;其不同之处在于,上述实施例中提及的实现光链路故障识别的装置可以设置于光线路终端中,如场景b,也可以设置于大数据分析在线平台中,如场景a,其与其他单元的连接及对应的相关操作在上述实施例中已有描述,在此不再赘述。
值得注意的是,本申请实施例中提供的实现光链路故障识别的装置,其包括的提取单元和识别单元可以由处理器实现,其中,提取单元和识别单元与其它模块连接。如图11所示,光链路故障识别系统的处理部分可以包括处理器111和存储器112;其中,存储器112可以用于存储指示信息,还可以用于存储处理器111执行的代码、指令等。
该存储单元例如可以是存储器。当网络设备包括存储单元时,该存储单元用于存储计算机执行指令,该处理单元与该存储单元连接,该处理单元执行存储单元存储的计算机指令,以使所述光链路故障识别系统识别特征参数。
可选地,若该光链路故障识别系统为多个网络设备组成;可选地,若该光链路故障识别系统为集合多个网络设备的软件程序的芯片,则所述芯片包括:
处理模块,处理模块可以由处理器实现。该处理模块可执行存储单元存储的计算机执行指令。所述存储单元为所述芯片内的存储单元,如:寄存器、缓存等,所述存储单元还可以是所述终端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,简称为ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(randomaccess memory,简称为RAM)等。
可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述终端内的位于所述芯片外部的存储单元,如只读存储器(read–onlymemory,简称为ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,简称为RAM)等。所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述终端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,简称为ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,简称为RAM)等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数字用户线)或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk)等。
基于相同的技术构思,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由远端服务器执行,以控制大数据分析在线平台或OLT用以实现上述方法实施例。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被远端服务器执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本申请实施例的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请实施例的具体实施方式而已,并不用于限定本申请实施例的保护范围,凡在本申请实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本申请实施例的保护范围之内。
Claims (17)
1.一种实现光链路故障识别的方法,其特征在于,包括:获取光链路中网络设备上至少包含接收光功率的性能数据;提取用以指示预设时间窗内所述性能数据变化的特征参数,依据所述特征参数进行光链路中的故障模式识别;其中,所述性能数据为所述预设时间窗内从所述网络设备上采集到的时间序列,所述时间序列中的每个性能数据包括采集时间以及所述采集时间对应的光功率值。
2.如权利要求1所述方法,其特征在于:所述性能数据还包括发送光功率和/或光纤长度。
3.如权利要求1所述方法,其特征在于,所述特征参数包括:用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。
4.如权利要求3所述方法,其特征在于,所述用以表征所述性能数据异常程度的特征参数包括以下参数中的一种或任意组合:
抖动程度,是所述接收光功率在所述预设时间窗内的随机变化程度;
弱光占比,是所述接收光功率中的弱光时长占所述预设时间窗总时长的比值;
过强占比,是所述接收光功率中的强光时长占所述预设时间窗总时长的比值;以及,
无光占比,是所述接收光功率中的无光时长占所述预设时间窗总时长的比值。
5.如权利要求3所述方法,其特征在于,所述用以表征所述性能数据变化趋势的参数包括以下参数中的一种或任意组合:
反弹次数,用以表征所述接收光功率拟合处理结果的波动次数;
劣化程度,用以表征所述接收光功率拟合处理结果的下降趋势;
上升次数,用以表征所述接收光功率拟合处理结果的上升趋势;以及,
突变次数,用以表征所述接收光功率在所述预设时间窗内偏离历史平均光功率的次数。
6.如权利要求1至5任一项所述方法,其特征在于,所述依据所述特征参数进行光链路中的故障模式识别具体包括:
将所述特征参数与故障模式识别模型进行匹配,以确定故障模式。
7.如权利要求6所述方法,其特征在于,该方法还包括:
利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型;
所述历史数据包含特征参数以及与该特征参数对应的故障模式。
8.如权利要求7所述方法,其特征在于,所述依据所述特征参数进行故障模式识别之后,该方法还包括:
将所述识别出的故障模式与该特征参数对应的实际故障模式作对比,若二者不一致,则将所述特征参数与该特征参数对应的实际故障模式添加到训练集中。
9.如权利要求8所述方法,其特征在于,所述将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中之后,还包括:对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。
10.一种实现光链路故障识别的装置,其特征在于,包括:
获取单元,用以获取光链路中网络设备上至少包含接收光功率的性能数据;所述获取单元获取的所述性能数据为预设时间窗内从所述网络设备上采集到的时间序列,所述时间序列中的每个性能数据包括采集时间以及所述采集时间对应的光功率值;
提取单元,用以提取指示所述预设时间窗内所述获取单元获取的所述性能数据变化的特征参数;
识别单元,用以依据所述提取单元提取到的所述特征参数进行光链路中的故障模式识别。
11.如权利要求10所述的装置,其特征在于:所述获取单元获取的所述性能数据还包括发送光功率和/或光纤长度。
12.如权利要求10所述的装置,其特征在于,所述提取单元提取到的所述特征参数包括:用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。
13.如权利要求10至12任一项所述的装置,其特征在于,所述识别单元包括:匹配模块和输出模块;其中,
所述匹配模块用以将所述提取单元提取到的特征参数与故障模式识别模型进行匹配,以确定故障模式;
所述输出模块用以将所述匹配模块确定的故障模式输出给外部光网络设备。
14.如权利要求13所述的装置,其特征在于,该装置还包括:训练单元,用以利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型;其中,所述历史数据包含特征参数以及与该特征参数对应的故障模式。
15.如权利要求14所述的装置,其特征在于,该装置还包括:比对单元和添加单元;其中,
所述比对单元用以将所述识别单元识别出的故障模式与该特征参数对应的实际故障模式作对比,并将比对结果输出给所述添加单元;
所述添加单元用于接收所述比对单元的输出结果,并当所述识别单元识别出的故障模式与该特征参数对应的实际故障模式不一致时,将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。
16.如权利要求15所述的装置,其特征在于,该装置还包括:建立单元,用以对所述训练集进行训练建立新的故障模式识别模型;其中,所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。
17.一种实现光链路故障识别的系统,包括光链路网络设备以及大数据分析在线平台,其特征在于:
所述大数据分析在线平台设置有如权利要求10至16任一项所述的装置,并接收所述光链路网络设备上传的至少包含接收光功率的性能数据。
Priority Applications (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181361.7A CN114070397A (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
CN201810934567.4A CN110838872B (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
PCT/CN2019/099908 WO2020034899A1 (zh) | 2018-08-16 | 2019-08-09 | 一种实现光链路故障识别的方法、装置及系统 |
JP2021507766A JP7201793B2 (ja) | 2018-08-16 | 2019-08-09 | 光リンク障害識別方法、装置およびシステム |
KR1020217006162A KR102444602B1 (ko) | 2018-08-16 | 2019-08-09 | 광 링크 장애 식별 방법, 장치 및 시스템 |
EP19850133.0A EP3820057A4 (en) | 2018-08-16 | 2019-08-09 | METHOD, DEVICE AND SYSTEM FOR IMPLEMENTATION OF OPTICAL CONNECTION ERROR DETECTION |
US17/176,083 US11451295B2 (en) | 2018-08-16 | 2021-02-15 | Optical link fault identification method, apparatus and system |
US17/892,886 US11870490B2 (en) | 2018-08-16 | 2022-08-22 | Optical link fault identification method, apparatus and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810934567.4A CN110838872B (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181361.7A Division CN114070397A (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838872A CN110838872A (zh) | 2020-02-25 |
CN110838872B true CN110838872B (zh) | 2021-10-01 |
Family
ID=69525160
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810934567.4A Active CN110838872B (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
CN202111181361.7A Pending CN114070397A (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181361.7A Pending CN114070397A (zh) | 2018-08-16 | 2018-08-16 | 一种实现光链路故障识别的方法、装置及系统 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11451295B2 (zh) |
EP (1) | EP3820057A4 (zh) |
JP (1) | JP7201793B2 (zh) |
KR (1) | KR102444602B1 (zh) |
CN (2) | CN110838872B (zh) |
WO (1) | WO2020034899A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11901938B2 (en) * | 2019-08-20 | 2024-02-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Fault classification |
CN113839706B (zh) * | 2020-06-24 | 2022-12-09 | 中国移动通信集团山东有限公司 | 弱光onu的故障点确定方法、装置、存储介质和计算机设备 |
CN111783968A (zh) * | 2020-06-30 | 2020-10-16 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及系统 |
CN113037365B (zh) * | 2021-03-02 | 2022-06-24 | 烽火通信科技股份有限公司 | 一种识别光通道生命周期运维状态的方法与装置 |
CN113410911B (zh) * | 2021-08-02 | 2022-01-11 | 广东电网有限责任公司中山供电局 | 一种功率因数补偿装置的工作状态监测方法及系统 |
CN116208241A (zh) * | 2021-11-30 | 2023-06-02 | 华为技术有限公司 | 一种光网络的故障定位方法以及相关设备 |
US11665454B1 (en) | 2022-08-19 | 2023-05-30 | Frontier Communications Holdings, Llc | Systems and methods for identifying a source of a degradation in a passive optical network |
US11569908B1 (en) * | 2022-08-19 | 2023-01-31 | Frontier Communications Holdings, Llc | Systems and methods for identifying a source of a degradation in a passive optical network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291176A (zh) * | 2007-04-18 | 2008-10-22 | 华为技术有限公司 | 一种光分布网络的故障检测方法、系统及装置 |
CN101753207A (zh) * | 2008-12-16 | 2010-06-23 | 华为技术有限公司 | 光纤链路故障识别方法、装置及系统 |
CN103312411A (zh) * | 2013-05-30 | 2013-09-18 | 华为数字技术(成都)有限公司 | 光纤链路故障检测方法及装置 |
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6344910B1 (en) * | 1999-09-23 | 2002-02-05 | Avanex Corporation | Optical performance monitor |
IL138322A (en) * | 2000-09-07 | 2005-11-20 | Neurotrax Corp | Software driven protocol for managing a virtual clinical neuro-psychological testing program and appurtenances for use therewith |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US20040096214A1 (en) * | 2002-08-20 | 2004-05-20 | Red Sky Systems, Inc. | Method and apparatus for using optical idler tones for performance monitoring in a WDM optical transmission system |
US7602962B2 (en) * | 2003-02-25 | 2009-10-13 | Hitachi High-Technologies Corporation | Method of classifying defects using multiple inspection machines |
US7339723B2 (en) * | 2004-03-31 | 2008-03-04 | Nec Corporation | Optical transmission system, optical repeating apparatus, and quality supervising method |
US8699354B2 (en) * | 2005-12-21 | 2014-04-15 | Rockstar Consortium Us Lp | Method and apparatus for detecting a fault on an optical fiber |
US20070201867A1 (en) * | 2006-02-28 | 2007-08-30 | Tellabs Petaluma, Inc. | Method, apparatus, system and computer program product for identifying failing or failed optical network terminal(s) on an optical distribution network |
US20090010643A1 (en) * | 2007-07-06 | 2009-01-08 | Delew David A | Method and apparatus for identifying faults in a passive optical network |
WO2011087511A1 (en) * | 2010-01-15 | 2011-07-21 | Hewlett-Packard Development Company, L.P. | Determining a communication state of a cable subsystem |
IL206723A0 (en) * | 2010-06-30 | 2010-12-30 | Eci Telecom Ltd | Technology for fault allocation in passive optical networks (pon) |
EP2533549A1 (en) * | 2011-06-07 | 2012-12-12 | Alcatel Lucent | Fault detector for optical network communication system |
US9778972B2 (en) * | 2011-08-24 | 2017-10-03 | Nec Corporation | Operation management device, operation management method |
US9154859B2 (en) * | 2013-07-18 | 2015-10-06 | Cisco Technology, Inc. | Proactive optical restoration system |
EP2882114B1 (en) | 2013-12-03 | 2016-09-14 | Alcatel Lucent | Life-cycle management of faults occuring on optical fibres |
CN105530046B (zh) * | 2014-09-30 | 2018-06-12 | 中国电信股份有限公司 | 实现光功率和分支衰减故障自动测试的方法和系统 |
CN104935378B (zh) * | 2015-06-05 | 2017-12-19 | 烽火通信科技股份有限公司 | 一种用于无源光网络的光纤链路检测系统及方法 |
CN106059661B (zh) * | 2015-12-25 | 2019-05-24 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN107222254A (zh) * | 2016-03-21 | 2017-09-29 | 中兴通讯股份有限公司 | 一种光纤状态的检测方法及装置 |
US9880069B1 (en) * | 2016-12-16 | 2018-01-30 | Afl Telecommunications Llc | Optical fiber test apparatus with combined light measurement and fault detection |
US10970395B1 (en) * | 2018-01-18 | 2021-04-06 | Pure Storage, Inc | Security threat monitoring for a storage system |
US10404362B1 (en) * | 2018-02-22 | 2019-09-03 | Subcom, Llc | Fault detection and reporting in line monitoring systems |
IT201800003363A1 (it) * | 2018-03-08 | 2019-09-08 | Milano Politecnico | Metodo per monitorare un sistema di comunicazioni ottiche |
US10769007B2 (en) * | 2018-06-08 | 2020-09-08 | Microsoft Technology Licensing, Llc | Computing node failure and health prediction for cloud-based data center |
US20210089927A9 (en) * | 2018-06-12 | 2021-03-25 | Ciena Corporation | Unsupervised outlier detection in time-series data |
-
2018
- 2018-08-16 CN CN201810934567.4A patent/CN110838872B/zh active Active
- 2018-08-16 CN CN202111181361.7A patent/CN114070397A/zh active Pending
-
2019
- 2019-08-09 KR KR1020217006162A patent/KR102444602B1/ko active IP Right Grant
- 2019-08-09 JP JP2021507766A patent/JP7201793B2/ja active Active
- 2019-08-09 WO PCT/CN2019/099908 patent/WO2020034899A1/zh unknown
- 2019-08-09 EP EP19850133.0A patent/EP3820057A4/en active Pending
-
2021
- 2021-02-15 US US17/176,083 patent/US11451295B2/en active Active
-
2022
- 2022-08-22 US US17/892,886 patent/US11870490B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291176A (zh) * | 2007-04-18 | 2008-10-22 | 华为技术有限公司 | 一种光分布网络的故障检测方法、系统及装置 |
CN101753207A (zh) * | 2008-12-16 | 2010-06-23 | 华为技术有限公司 | 光纤链路故障识别方法、装置及系统 |
CN103312411A (zh) * | 2013-05-30 | 2013-09-18 | 华为数字技术(成都)有限公司 | 光纤链路故障检测方法及装置 |
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3820057A4 (en) | 2021-09-01 |
US20210167851A1 (en) | 2021-06-03 |
US11451295B2 (en) | 2022-09-20 |
EP3820057A1 (en) | 2021-05-12 |
WO2020034899A1 (zh) | 2020-02-20 |
CN114070397A (zh) | 2022-02-18 |
KR102444602B1 (ko) | 2022-09-16 |
CN110838872A (zh) | 2020-02-25 |
US11870490B2 (en) | 2024-01-09 |
JP7201793B2 (ja) | 2023-01-10 |
KR20210031991A (ko) | 2021-03-23 |
US20220407596A1 (en) | 2022-12-22 |
JP2021533702A (ja) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838872B (zh) | 一种实现光链路故障识别的方法、装置及系统 | |
EP3826230B1 (en) | Method and apparatus for obtaining logical topology information of odn, device, and storage medium | |
CN111884716B (zh) | 一种基于神经网络的光纤通信系统性能评估方法 | |
CN108111361B (zh) | 基于大数据分析的传输网络故障定位分析方法及系统 | |
CN110971677B (zh) | 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法 | |
CN110728383B (zh) | 一种光缆运行态势智能评估系统 | |
CN114866137B (zh) | 电力光缆网的检测方法及装置 | |
CN110518973B (zh) | 一种基于机器学习的光纤窃听监测方法及相关设备 | |
CN105812050A (zh) | 基于光编码的无源光网络链路监测性能仿真平台及方法 | |
CN117526998A (zh) | 基于扩频载波通信的供电故障监测方法及系统 | |
TW201911812A (zh) | 影像串流服務的障礙定位系統及維運方法 | |
Di Cicco et al. | Calibrated probabilistic QoT regression for unestablished lightpaths in optical networks | |
CN115426244B (zh) | 一种基于大数据的网络设备故障检测方法 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN114760215B (zh) | 一种计算机网络数据传输性能监测方法及系统 | |
Salehiomran et al. | Fast BER distribution and neural networks for joint monitoring of linear and nonlinear noise-to-signal ratios | |
CN116961821B (zh) | 一种移动通信信号的屏蔽方法、系统、设备和可读存储介质 | |
CN117119508B (zh) | 无线通信信道误码数值分析系统及方法 | |
CN115361311B (zh) | 互联网区块链数字标志传输识别方法 | |
CN113382321B (zh) | 一种判断odn(光分配网)网络中是否存在第三级分光的系统及其方法 | |
CN113765699B (zh) | 无源设备端口实时滚动更新的检测方法 | |
CN117692260B (zh) | 基于数据分析的网络异常行为识别方法 | |
Curri | Synergistic Use of AI and Physics Models in Planning and Controlling Multi-Band Optical Networks | |
CN115842665B (zh) | 网络通信的风险漏洞智能化监测方法、装置及存储介质 | |
Chu et al. | Information system risk assessment for global energy interconnection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |