CN111971909A

CN111971909A - 用于监测光通信系统的方法

Info

Publication number: CN111971909A
Application number: CN201980025402.8A
Authority: CN
Inventors: F·穆苏梅奇; M·托纳托尔; A·帕塔维纳; S·莎卡拉米
Original assignee: Milan Polytechnic University
Current assignee: Milan Polytechnic University
Priority date: 2018-03-08
Filing date: 2019-03-08
Publication date: 2020-11-20
Anticipated expiration: 2039-03-08
Also published as: EP3763061A1; CN111971909B; WO2019170873A1; IT201800003363A1; US20210058154A1

Abstract

描述了一种用于监测光通信系统的方法，光通信系统包括连接发送器和接收器的至少一个光信道。该方法包括：在接收器处针对预定义测量时间间隔测量光信道的传输参数；基于在该时间间隔中的传输参数的测量，检查测量中是否存在至少一个异常，该至少一个异常指示系统的后续故障；以及在存在至少一个异常的情况下，将识别算法应用于测量，该算法包括分类器，其中分类器被配置为基于测量识别故障原因，分类器基于机器学习技术。

Description

用于监测光通信系统的方法

技术领域

本发明涉及光通信系统领域。特别地，本发明涉及用于监测光通信系统的方法的领域。

背景技术

众所周知，在光通信系统中，可能发生不同类型的故障，这可能使接收器处的信号质量下降。

不同类型的故障可以分为两类：所谓的“硬故障”以完全出乎意料和不可预测的方式发生，并且由诸如光纤光缆中断之类的突发事件引起，而所谓的“软故障”对应于信号质量的逐渐恶化，并且可能由例如沿光链路的级联滤波器的未对准引起，或由一个或多个光放大器的故障引起。与软故障相关联的信号质量恶化可能会在相对较长的时间尺度内(数小时或数天)逐渐发生。特别地，软故障可以引起接收器处的BER值异常，并最终导致分组丢失或所提供服务的中断。

正如预料的那样，由于软故障可能会在相对较长的时间尺度内发生，因此证明它们是潜在可预测的。因此，原则上可以通过采取预防措施，诸如“先接后离(make-before-break)”类型的网络设备的重新配置，来预料软故障。

当前的光通信网络使用基于相干技术的发送和接收设备。这些设备允许通过收集诸如例如在应用根据前向纠错(FEC)技术(其通常在接收器处实现)的解码机制之前测量的光信噪比(OSNR)、Q因子(Q-因子)和BER之类的数据来监测接收信号的质量。在FEC解码之前测量的BER也被称为“FEC前BER”。在下文中，除非另有说明，否则术语“BER”将指示FEC前BER。

用于检测光通信网络中的故障的方法和系统是已知的。

EP2533549A1公开了一种故障检测方法，包括以下步骤：收集光网络的操作参数，收集关于光网络的结构的信息，通过诊断引擎分析结构信息和操作参数提供诊断输出，以及从诊断输出中得出光网络故障。操作参数与光网络的设备(类型)、服务质量(BER)和/或架构(ID)有关。从诊断输出中得出的光网络故障可以涉及设备问题、互操作性问题和/或物理缺陷。诊断引擎通过使用决策树、贝叶斯网络技术和/或多元分类技术来生成诊断输出。

US6965736B1公开了一种用于监测诸如例如光波分复用网络之类的光传输系统的传输质量的方法。在传输系统上传输的光信号(传输信号)的幅度直方图可以根据误比特率和/或故障原因在神经网络的辅助下绘制和分类。

发明内容

发明人已经注意到，EP2533549A1中描述的方法在包括一个或多个集中式光线路终端(OLT)的无源光网络(PON)中获得了应用，每个OLT都连接到网络的用户处的一组或多组光网络终端(ONT)。设备的连接是通过无源光网络实现的。EP2533549A1中描述的诊断方法允许识别多个故障设备(其可以是OLT或ONT处的板子)或单个故障设备的类型，或者还识别某种ONT类型和某种板子类型之间的互操作性问题，或某个组的ONT的物理缺陷，以及缺陷的位置。因此，发明人已经注意到，所描述的方法提供了在诊断引擎的输入处收集关于网络结构和其中存在的设备的类型的信息，这使得该方法仅适用于特定的光网络类型，或者无论如何，其结构和组成都已熟知的光网络。而且，所描述的方法不允许识别光网络中存在的故障的原因：至多，它提供关于在设备或某种类型的网络设备处假定存在故障的指示，然而不提供故障为何发生的指示。

关于US6965736B1中描述的方法，发明人已经注意到，它使用接收到的光信号的幅度信息来估计BER值。该方法还可以提供关于这些值是由噪声、串扰还是信号失真的存在而产生的分类。然而，所描述的方法不提供关于噪声、串扰或失真的存在的原因的指示。

最后，发明人已经注意到，上面描述的两种方法最多允许在故障本身发生之后的某个时刻检测故障(而不识别其原因)，因此上述已知方法均不允许提前预测软故障在光通信网络中的发生。

因此，本发明的目的是提供一种用于监测任何光通信系统(即，其结构和组成不一定先验已知)的方法，从而允许检测系统中的软故障并识别其原因，还允许在软故障的实际发生之前提供这种检测和识别。

根据第一方面，本发明提供一种用于监测光通信系统的方法，该光通信系统包括连接发送器和接收器的至少一个光信道，该方法包括：

a)在接收器处测量光信道的传输参数长达预定义的测量时间间隔；

b)基于在该时间间隔中的传输参数的测量，检查在测量中至少一个异常的存在，该至少一个异常指示系统的后续故障；以及

c)在存在至少一个异常的情况下，向测量应用识别算法，该算法包括分类器，其中，分类器被配置为基于测量识别故障的原因，分类器基于机器学习技术。

优选地，该方法的步骤a)包括：

a1)按预定义的周期对间隔中的传输参数的值进行采样，并在具有预定义的持续时间的传输参数的测量窗口中收集样本；以及

a2)从样本开始确定针对分类器的一个或多个输入数据，

其中，输入数据包括与测量窗口中的传输参数的样本有关的一个或多个统计值。

优选地，统计值包括以下一项或多项：样本的平均值、最大值、最小值、标准差、均方值、峰-峰值、一种或多种频谱组分。

优选地，该方法包括在至少两个连续的测量窗口中收集传输参数的样本，其中，至少两个测量窗口不相交或至少部分重叠，检查至少两个连续测量窗口中的每个测量窗口中异常的存在，并且在每个测量窗口中存在异常的情况下，应用识别算法。

优选地，传输参数是与所述光信道相关联的FEC前BER。

优选地，机器学习技术包括人工神经网络。

根据本发明的实施例，步骤b)包括向测量应用检测算法，该检测算法包括基于另一机器学习技术的另一分类器。

优选地，另一机器学习技术包括以下之一：二进制支持矢量机(SVM)、随机森林、多类SVM、人工神经网络。

优选地，该方法还包括初始配置步骤，并且初始配置步骤包括应用自动学习算法以基于传输参数的一组测量训练分类器，该组测量指示至少两个可能的故障原因。

根据第二方面，本发明提供了一种用于光通信系统的监测单元，该系统包括连接发送器和接收器的至少一个光信道，所述单元包括：

-数据获取模块，被配置为从接收器收集光信道的传输参数的测量长达预定义的测量时间间隔；

-检测模块，被配置为基于在该时间间隔中的传输参数的测量来检查测量中至少一个异常的存在，这至少一个异常指示系统的后续故障；以及

-识别模块，被配置为在存在至少一个异常的情况下，向测量应用识别算法，该算法包括分类器，其中，分类器被配置为基于测量，识别故障原因，分类器基于机器学习技术。

附图说明

从以下通过非限制性示例给出、参考所包括的附图阅读的详细描述中，本发明将变得更加清楚，其中：

-图1是光通信系统的示例性方案；

-图2a和2b分别显示了在不存在和存在软故障的情况下的BER测量数据；

-图3是表示根据本发明的方法的步骤的流程图；

-图4是表示用于实现根据本发明的方法的初始配置步骤的流程图；

-图5示意性地表示用于测试根据本发明的方法的示例性光通信系统；以及

-图6a、6b和7是示出在图5的光通信系统上执行的测试结果的图。

具体实施方式

图1示意性地示出了示例性光通信系统，其以附图标记1指示。光学系统1例如可以是WDM光学系统。光通信系统1包括分别连接到第一目的地节点和第二目的地节点的第一源节点和第二源节点，第一源节点包括第一发送器11，第二源节点包括第二发送器12，第一目的地节点包括第一接收器21，第二目的地节点包括第二接收器22。源节点和目的地节点之间的连接通过光通信网络30实现，光通信网络30包括一个或多个通过光纤连接的中间节点。例如，图1的光通信网络30包括三个中间节点31、32、33。每个中间节点可以例如包括交换机和/或光放大器和/或一个或多个滤波器。

光通信网络30优选地向系统1的用户提供可以在源节点和目的地节点之间建立的多个光信道(或光路径)，每个光信道包括光通信网络30的一个或多个中间节点31、32、33和所考虑的中间节点之间的光纤部分。通常，已知的WDM系统可以包括长度等于约80km的光纤部分，这些光纤部分通过存在所谓的“线中”放大器而间隔开。光纤部分还可以包括其他类型的设备，例如例如可变光学衰减器(VOA)(其通常用于均衡各种波长处的信号强度)和补偿设备(例如用于色度色散或偏振模式色散的补偿)。

优选地，第一接收器21和第二接收器22包括相干光接收器。相干光接收器结构是本领域专家已知的，并且在下面将不再进一步描述。

根据本发明的实施例，用于监测光通信系统的方法包括在所考虑的光通信系统的节点的接收器处测量与光信道相关的至少一个传输参数的值，存储和处理这样的值，并且最后对它们进行分析，以检测其中异常的存在并识别由此类异常的存在预先指示的系统的故障(在本说明书中，该术语将用于指示软故障)的原因，即实际上是这些异常的原因的故障。

特别地，根据本发明的方法优选地包括，在所考虑的光通信系统的一个或多个接收器处，测量与到达接收器本身的光信道相关联的一个或多个传输参数，例如FEC前BER或光信噪比(OSNR)。为此目的，系统1的每个接收器21、22优选地包括用于测量与不同的光信道相关联的传输参数的一个或多个模块。特别地，根据本发明的实施例，系统1的每个接收器21、22包括实现FEC解码的模块和用于在实现FEC解码的模块的输入信号上测量BER的模块，即用于测量FEC前BER的模块。

图2a和2b示出了两个以示意性和示例性方式示出在示例性光通信系统的接收器处并且未在图中示出的光信道的FEC前BER测量的图。FEC前BER测量是指：对于图2a的图，长达大约24小时的时间间隔，对于图2b的图，长达大约1小时的时间间隔。在两个图中，FEC前BER的值(纵坐标轴)表示为时间(横坐标轴)的函数。因此，两个图在纵坐标轴和横坐标轴上都没有相同的比例，并且仅用于示出FEC前BER测量在不存在和存在软故障的情况下的趋势的差异。图2a的图示出了FEC前BER的“正常”趋势，即不对应于与相应的光信道相关联的任何软故障的FEC前BER的趋势。在此图中，FEC前BER在监测的时间间隔中具有基本上规则且“几乎平坦”的趋势。相反，图2b的图显示了由于软故障而偏离了所谓的“正常”趋势并呈现出异常趋势的FEC前BER的趋势，与FEC前BER的值首先逐渐增加、然后比初始值更突然增加相对应。

更一般地，在以下描述和权利要求中，与在某个测量时间间隔内的光信道的传输参数(例如，FEC前BER)的值的时间趋势相关联的术语“异常”将指示如下状况：所考虑的时间间隔中的参数的值假定偏离与该参数的常规趋势相对应的趋势的趋势(其中“常规趋势”表示指示无故障情况的趋势)，并假定指示在所考虑的光信道上在系统中随后发生故障(尤其是软故障)的趋势。在本发明的上下文中，在一个或多个相应的连续测量间隔(可能重叠)内与传输参数相关联的一个或多个异常的存在优选地指示在所考虑的光信道上的软故障的随后发生。换句话说，一个或多个异常的存在预料在所考虑的光信道上的故障发生。例如，软故障可以对应于所考虑的光信道的滤波器未对准的状况，或者对应于光信道的过度衰减的状况，或者对应于激光器和/或光电二极管故障的状况，或者对应于光纤弯曲，或者对应于上述事件的组合。

根据本发明的实施例，光通信系统1的每个接收器与系统的监测单元(图中未示出)协作。优选地，该单元是被配置为在容纳接收器的同一设备上或者在与其连接的一个或多个外部设备上执行的软件模块。例如，监测单元可以驻留在集中式网络控制器中，特别是与光通信系统1的节点的接收器通信的软件定义网络(SDN)控制器。

优选地，系统的监测单元包括数据获取模块、检测模块和识别模块。通过下面将参考图3的流程图的详细描述，这些模块的功能将变得清楚。特别地，图3的流程图示出了当“现场”应用于软故障检测和识别时根据本发明的方法的操作。

具体地，以下将参考所考虑的接收器处的光信道的单个传输参数的测量来描述本发明的方法。这样的传输参数可以是例如FEC前BER。然而，由于所描述的方法可以使用与同一光信道有关的不同传输参数的值(例如，FEC前BER和OSNR)，并且可以被应用于监测到达同一接收器的所有光信道，因此本描述不构成限制。

根据本发明，接收器21在其操作期间优选地提供所考虑的传输参数的连续测量。特别地，接收器21按预定义的采样周期对传输参数的值进行采样，该采样周期可以包括在例如在3秒和110秒之间。

此外，在该过程的开始，接收器21优选地初始化计数器，该计数器指示在传输参数的样本中发现的异常的数量，如下所述。例如，在过程开始时，计数器值设置为零。

一旦在某个测量时间间隔内获取了传输参数的样本，则接收器21优选地将它们转发给监测单元的数据获取模块，该监测单元对这类传输参数的样本执行预处理(例如，以减少数据上的噪声)。此步骤未在图3的图中显示。在步骤301，数据获取模块优选地收集接收器在所考虑的测量间隔中获取的传输参数值的经预处理的样本，并将其组织为所谓的参数的“测量窗口”。例如，测量窗口的持续时间可以在5至300分钟之间，例如15分钟。

更一般地，根据本发明，数据获取模块优选地将接收器所获取的传输参数样本组织成测量窗口序列，测量窗口序列在时间上可以不相交或至少部分重叠。换句话说，两个连续的测量窗口可以不包括共同样本，或者它们可以包括一个或多个共同样本。

在步骤302，数据获取模块优选地针对传输参数的每个测量窗口确定要发送到检测模块的一个或多个输入数据。为此，数据获取模块还可以通过应用已知的快速傅立叶变换(FFT)算法来确定所考虑的测量窗口的值的频谱。优选地，输入数据包括与所考虑的测量窗口中的传输参数的测量相关的一个或多个统计值，例如以下值中的一个或多个：样本的平均值、样本的最大值、样本的最小值、样本的标准差、样本的均方值、样本的峰-峰值(即，最小值和最大值之间的差)、一个或多个频谱成分。

在步骤303，优选地将输入数据从获取模块转发到检测模块。特别地，此模块执行检测算法，以验证测量窗口中异常的存在。特别地，优选地，检测模块将输入数据映射到两个类之一，第一类对应于所考虑的测量窗口中的异常存在，而第二类对应于在同一测量窗口中的异常不存在。只要检测模块没有检测到任何异常，就针对在接收器处收集的样本的后续测量窗口重复步骤301-303，并且计数器值保持等于初始值(例如，零)。在任何情况下，如果检测模块在当前测量窗口中未检测到任何异常，则优选地将计数器值重置为初始值。

如果检测模块在所考虑的测量窗口中检测到异常，则它优选地以能使运营商可获得的信令消息的形式发布与所考虑的光信道有关的警报警告(步骤304和305)。此外，检测模块优选地更新(即，增加一个单位)指示检测到的异常数的计数器。

此外，检测模块优选地将计数器值与预定义的阈值AN进行比较，其中AN是大于或等于1的整数(步骤306)。如果计数器值不超过阈值AN，则优选地相对于下一个测量窗口重复步骤301、302和303。

在计数器值等于预定义的阈值AN的情况下(即，在检测模块已经检测到AN个连续异常的情况下)，检测模块优选地发布与所考虑的光信道有关的异常警报(步骤307)。优选地，以发送给识别模块的信令消息的形式来发布异常警报。

可以将阈值AN的值设置为1，在这种情况下，当检测到传输参数的样本中发现的每一个异常时，发布异常警报，或者可以将其设置为大于1的整数值，在这种情况下，当检测到在传输参数的样本中发现的一系列连续异常时，发布异常警报。阈值AN的预定义的值可以由网络运营商设置。

作为上述描述的补充或替代，一旦检测模块生成了AN个连续警报警告，则运营商也可以“手动”生成异常警告。

阈值AN的值可以通过观察例如在不存在和存在故障的情况下的传输参数的测量的历史数据来预先确定。在所考虑的传输参数是FEC前BER的情况下，值AN可以例如取决于预定义的FEC前BER值，在该值之上，由于所考虑的故障，接收器性能被认为是不可接受的(例如，0.01％或0.1％)。在这种情况下，可以在FEC前BER的值超过被认为不可接受的值之前，基于第一分类器在历史测量数据中检测到的异常数量来确定阈值AN。AN的值也可以取决于要针对FEC前BER达到被认为不可接受的值的时刻(即，相对于发生故障的实际时刻)的异常警报要获得的时间预计。

根据本发明，在接收到异常警报时，识别模块优选地执行识别算法，该识别算法识别由(多个)异常指示的后续故障的原因。优选地，识别模块使用检测模块的相同输入数据。特别地，识别算法优选地将当前测量窗口(即，在其中检测到AN个连续异常的序列的最后一个异常的窗口)的输入数据映射到故障原因的一组识别类内的类(步骤308)。替代地，步骤308的识别算法的执行可以提供AN个测量窗口序列的每个测量窗口(在步骤305为其发布警报警告)或序列的最后AN'个测量窗口的输入数据在相应的识别类中的映射，其中AN'是大于或等于1且小于AN的整数。在这种情况下，例如，故障原因的识别可以通过在步骤308结束时考虑由所获得的结果填充最多的识别类来自动进行，或者可以由运营商逐个窗口地分析所获得的结果来确定。

识别类的集合优选地对应于预定义的原因集合，其包括例如：所考虑的光信道的滤波器未对准、光信道的过度衰减、激光和/或光电二极管的故障、光纤的弯曲、或它们的组合。

由于通过根据本发明的方法执行的识别，可以在系统故障实际发生之前识别出系统故障。特别地，由于本发明，可以在该故障引起网络设备故障之前识别一个或多个故障网络设备，从而中断光信道。因此，以这种方式可以保证设备的及时维修、重新配置或可能的更换。在修理、重新配置或更换设备时，可以重新配置受所识别的软故障影响的光信道，从而不会发生违反所提供的服务约定的服务水平协议(SLA)的情况，因此提供给最终用户的服务质量(QoS)得到尊重。

在下面的描述中，将更详细地描述本发明的检测和识别模块。该描述将参考图4的流程图。

根据本发明的实施例，检测算法优选地包括第一分类器，优选地基于机器学习(ML)技术。第一分类器的ML技术可以是以下之一：二进制支持矢量机(SVM)、随机森林(RF)、多类SVM、人工神经网络(NN)。如上所述，根据这些实施例，第一分类器被配置为从传输参数的值中获得的输入数据(对应于通常用于描述ML技术的术语中的所谓“特征”)开始，自动检测每个所考虑的测量窗口内异常的存在或不存在。特别地，第一分类器优选地将从测量窗口中的传输参数的值获得的输入数据映射到对应于异常存在的第一类或对应于异常不存在的第二类。根据本发明的其他实施例，该检测算法可以基于实际发生故障之前的测量窗口中的其他异常检测技术，例如基于所考虑的窗口的传输参数值与适当的阈值之间的比较的技术。

根据本发明的方法，识别算法包括第二分类器，优选地基于ML技术。第二分类器的ML技术可以是人工神经网络。如上所述，根据本发明，第二分类器被配置为通过分析故障原因对与检测到的异常相对应的测量窗口内部的在接收器处测量的传输参数的值的影响来自动进行故障原因的识别。特别地，第二分类器优选地将从测量窗口中的传输参数的值获得的输入数据映射到属于预定义的一组类的类中，每个类对应于不同的故障原因。

根据本发明的优选实施例，第一分类器和第二分类器均优选地基于ML技术。众所周知，这些类型的分类器是通过自动学习过程(特别是半监督或全监督)来教导的。

图4示出了根据本发明优选实施例的用于第一分类器和第二分类器的学习的过程的流程图。

在监测单元的初始配置过程中，在将检测和识别模块投入现场运行之前，接收器优选地在测试中测量与检查中的光信道有关的所考虑的传输参数的值长达足够的时间，以收集用于分类器的训练的数据。在此过程中收集的传输参数的测量包括指示不存在异常的量度和指示由于所考虑的光信道上的故障的可能原因而导致存在异常的量度。如上所述，每个可能的原因实际上与第二分类器的一组识别类的相应类相关联。该初始测量时间在下文中也将被称为“训练数据收集活动”。在该活动期间，接收器优选地按预定义的周期T对传输参数的值进行采样，该周期可以包括在例如3秒和110秒之间(步骤401)。

在步骤402，在获取了由接收器测量的样本之后，数据获取模块优选地对样本本身执行预处理，例如以减少噪声(步骤402)。根据上面已描述的，由数据获取模块收集和预处理的值被组织为一系列传输参数的测量窗口(步骤403)，每个窗口的持续时间W可以包括在5到300分钟之间，例如15分钟。在每个测量窗口内，传输参数的样本数量等于C＝W/T。为了学习数据收集，优选地，所有测量窗口均包含相同数量的样本C，并且相对于下一窗口可以是不相交的(没有共同的样本)或部分重叠。换句话说，传输参数的每个测量窗口可以包括一个或多个传输参数的样本，这些样本对于一个或多个连续的测量窗口也是公共的：例如，每个窗口可以包含C个传输参数的样本，其中前C'<C个样本也属于前一窗口。假设N指示在初始配置过程中收集的传输参数的测量窗口数。

在步骤403，优选地，在训练数据收集活动期间收集的传输参数的测量窗口的数据被存储在数据库中。

一旦已经收集了学习数据，则在步骤404，数据获取模块优选地从这些数据的每个测量窗口的值开始确定所考虑的分类器的一个或多个输入数据。特别地，根据本发明的一些实施例，用于第一分类器的相同输入数据也用作第二分类器的输入数据(在学习过程期间和在现场操作期间)。为了确定输入数据，数据获取模块还可以通过应用已知的快速傅立叶变换(FFT)算法来确定所考虑的测量窗口的值的频谱。例如，输入数据可以包括：样本的平均值、样本的最大值、样本的最小值、样本的标准差、样本的均方值、样本的峰-峰值(即，最小值和最大值之间的差)、频谱的一个或多个值。

在同一步骤404处，数据获取模块优选地将输入数据组织成对应的多维矢量(输入矢量)，其中，每个输入矢量与传输参数的相关测量窗口相关联。在以下描述中，以下符号将用于指示一般性输入矢量：

IV_i＝{x_1i；x_2i；…；x_Mi}

其中i(i＝1，…，N)是指示单个测量窗口的整数索引，N是大于或等于1的整数，指示所考虑的测量窗口的总数，M是大于或等于1的整数，指示每个输入矢量的输入数据数，并且x_1i，x_2i，…，x_Mi是与第i个测量窗口相对应的输入数据的值。

然后将每个输入矢量(以及因此与每个测量窗口有关的数据)与第一分类器的对应输出矢量相关联。特别地，对应于相关测量窗口中的异常存在的每个输入矢量与第一分类器的第一输出矢量相关联，进而与检测算法的第一类相关联；类似地，对应于相关测量窗口中异常不存在的每个输入矢量与第一分类器的第二输出矢量相关联，进而与检测算法的第二类相关联。在以下描述中，以下符号将用于指示第一分类器的一般性输出矢量：

OV1_i＝{y_i},

其中y_i是与第i个测量窗口相对应的唯一输出数据的值。实际上，由于第一分类器对输入数据执行二进制分类，所以每个输出矢量可以仅包括一个值y_i。例如，可以设置y_i＝1以指示异常存在，并设置y_i＝0以指示异常不存在。

此外，根据本发明的上述实施例，每个输入矢量IV_i也与第二分类器的对应输出矢量相关联。在以下描述中，以下符号将用于指示第二分类器的一般性输出矢量。

OV2_i＝{y_1i；y_2i；…；y_Pi},

其中，P为大于等于1的整数，指示第二分类器的每个输出矢量的输出数据数，并且y_1i，y_2i，…，y_Pi为与第i个测量窗口对应的输出数据的值。优选地，数字P取决于分类器的类的数量。特别地，根据本发明的实施例，输出矢量是维度等于类的数量的二进制值的矢量，其中除了对应于所识别的类的分量(其可以被设置为1)之外，所有矢量分量都等于零。例如，如果P＝4，即，如果类为4，例如指示为C1、C2、C3、C4，则识别与类C2相关联的原因的输出矢量可以如下：{0；1；0；0}。

利用在训练数据收集活动期间收集的数据获得的、包括第一分类器的输入矢量和对应的输出矢量的每一对，形成了针对检测算法的学习有用的所谓的“例子”。类似地，利用在训练数据收集活动期间收集的数据获得的、包括第二分类器的输入矢量和对应的输出矢量的每一对，形成了针对识别算法的学习有用的所谓的“例子”。每个例子对应于传输参数的相应测量窗口。对于每个分类器，从一组相关例子中，提取出训练例子的相应子集(也称为“训练集”)和测试例子的相应子集(也称为“测试集”)。

在步骤405期间，检测模块优选地执行半监督或全监督学习技术，以使用相应训练集的例子来训练第一分类器。类似地，识别模块优选地执行半监督或全监督学习技术，以使用相应训练集的例子来训练第二分类器。

此外，检测模块和识别模块都优选地执行交叉验证技术，以在训练阶段分别迭代地优化检测算法和识别算法(图4的流程图中未示出的阶段)。所使用的技术可以是例如已知的“留一法交叉验证”技术。众所周知，交叉验证技术的应用有利地允许避免所谓的“过拟合”并减少测试例子上的错误。例如，在分类器包括人工神经网络的情况下，可以优化网络的中间层的数量和每个中间层的节点的数量。如果分类器包括SVM(二进制或多类)，则可以优化内核类型，而如果分类器包括随机森林，则可以优化树的数量。

在每个分类器的实际训练阶段结束时，检测模块和识别模块优选地使用相应测试集的例子来执行各个分类器的测试过程(步骤406)。

一旦如上所述对第一分类器和第二分类器进行了训练，则检测模块和识别模块能够“现场”操作(即，它们能够在训练数据收集活动之后在系统1的正常操作期间进行操作)，以根据上文已经参照图3的流程图描述的内容，分别检测传输参数的测量窗口中的异常和识别其原因。

应当注意，根据本发明，用于确定用于训练和测试检测和识别算法的例子集合的数据收集过程(上面已经参考检测模块和识别模块的初始配置阶段进行了描述)即使在所考虑的光通信系统的正常操作期间，仍继续执行。以此方式，有利地，可用于检测和识别算法的学习的例子集合可以连续地适应于光通信系统尤其是光通信网络的可变状况。以此方式，有利地，在存在与先前未知或先前未观察到的原因相关联的故障的情况下，检测和识别模块可以学习所考虑的传输参数的趋势是什么。

根据本发明的优选实施例，用于实现检测算法和识别算法这两者的传输参数是在接收器处测量的FEC前BER。根据本发明的示例性实施例，第一分类器和第二分类器的每个输入矢量IV_i可以包括以下16个特征：

x_1i＝第i个测量窗口内的BER平均值；

x_2i＝第i个测量窗口内BER的均方值；

x_3i＝第i个测量窗口内BER的峰-峰值(即，BER的最小值和最大值之差)；

x_4i＝第i个测量窗口内BER的标准差；

x_5i＝第i个测量窗口内的BER的最大值；

x_6i＝第i个测量窗口内的BER的最小值；

x_7i-x_16i＝通过将FFT应用于第i个测量窗口的样本而获得的BER频谱的10个最大值。

图5示意性地示出了用于测试根据本发明的方法的示例性光通信系统。特别地，图5中所示的系统是380km长的爱立信传输系统的方案，包括发送器(为简单起见，其可以对应于图1的第一发送器11)和接收器(为简单起见，其可以对应于图1的第二接收器21)。系统使用PM-QPSK调制，传输速率为100Gb/s和30.071G波特。信号通过EDFA类型的6个放大器系列51、52、53、54、55、56(掺铒光纤放大器)放大，然后通过VOA(可变光衰减器)衰减器。该系统还包括第一BV-WSS(带宽可变-波长选择开关)开关57，其被配置为在系统中引入故障，该故障模仿两个典型故障之一：滤波器未对准或不希望的放大器增益降低(即，过度的光信道衰减)。该系统还包括第二BV-WSS开关58，其不引起任何故障，因为它仅用于减少接收器处的噪声。第一放大器51和第一开关57之间的光纤部分长60km，而其他部分长80km。

考虑在训练数据收集活动期间通过在接收器处测量FEC前BER长达24小时而获得的例子集合，考虑BER的采样周期等于3秒，发明人对根据本发明的方法进行测试。

基于四种不同的ML技术和故障识别算法，测试四种不同的故障检测算法。下面将示意性地描述这些算法(称为算法A、算法B、算法C、算法D和算法E)。

算法A

-ML技术：二进制SVM

-内核：径向基函数(gamma＝0.1)

-训练例子数：500至3400个例子之间，无异常

-测试例子数：200至700个例子之间，无异常；以及2000个例子，有异常

-验证技术：留一法交叉验证

-输入数据(第i个例子)：16个数据x_1i-x_16i，如上所述

-输出数据(第i个例子)：异常存在时y_i＝1，异常不存在时y_i＝0

算法B

-ML技术：多类SVM

-内核：三次多项式

-训练例子数：3000个例子无异常，2000个例子有异常-测试例子数：1000

-验证技术：留一法交叉验证

-输入数据(第i个例子)：16个数据x_1i-x_16i，如上所述

算法C

-ML技术：RF

-分裂标准：基尼杂质

-训练例子数：3000个例子无异常，2000个例子有异常

-测试例子数：1000

-验证技术：留一法交叉验证

-输入数据(第i个例子)：16个数据x_1i-x_16i，如上所述

算法D

-ML技术：人工神经网络

-隐藏层数：1

-隐藏层的节点数：10

-激活函数：Relu(整流线性单元)

-优化器：L-BFGS(有限记忆Broyden-Fletcher-Goldfarb-Shannon)算法

-训练例子数：3000个例子无异常，2000个例子有异常

-测试例子数：1000

-验证技术：留一法交叉验证

-输入数据(第i个例子)：16个数据x_1i-x_16i，如上所述

-输出数据(第i个例子)：异常存在时y_i＝1，异常不存在时y_i＝0算法A是半监督分类算法，而算法B、C和D是全监督算法。因此，对于算法A，相对于其他算法，较少的训练例子就足够了，并且特别地，不必提供表示“异常”情况的例子，即，与异常存在有关的例子，而仅提供表示测量窗口中不存在异常的例子。

就故障识别而言，测试以下算法：

算法E

-ML技术：人工神经网络

-隐藏层数：2

-每个隐藏层的节点数：5

-激活函数：Relu(整流线性单元)

-优化器：随机梯度下降算法

-训练例子数：从1800到2000(其中约50％是滤波器未对准的例子，约50％是过度衰减的例子)

-测试例子数：600

-验证技术：留一法交叉验证

-输入数据(第i个例子)：16个数据x_1i-x_16i，如上所述-输出数据(第i个例子)：过滤器未对准存在时{1；0}，过度衰减存在时{0；1}

图6a和6b示出了针对检测算法在图5的系统上执行的测试结果。特别地，对于测量窗口内的FEC前BER的采样周期T的不同值，图6a中的图在纵坐标轴上将算法A的分类结果的精度(该精度被指示为“Acc.”并且被表示为百分比)显示为随测量窗口的持续时间W(在横坐标轴上显示，以分钟表示)变化。精度被确定为正确分类的测试例子数与所使用的测试例子总数之比。对于采样周期T，考虑以下值：22s、44s、66s、88s、110s。特别地，正方形标记用于与T＝22s相关的图，全圆形标记用于与T＝44s相关的图，十字形标记用于与T＝66s相关的图，空圆形标记用于与T＝88s相关的图，并且三角形标记用于与T＝110s相关的图。

从图中可以观察到，对于减小的采样周期值，减小的持续时间的窗口足以收集大量有助于优化精度的BER样本：对于持续时间等于约18分钟的窗口，精度实际达到100％。对于更高的BER采样周期值，需要更长的测量窗口持续时间，以确保考虑到更大数量的BER样本，从中提取大量输入数据。例如，对于等于44s的采样周期T，测量窗口必须具有约73分钟的持续时间才能获得98％的精度。

图6b中的图在纵坐标的左轴上显示了算法B、C和D的精度(精度以“Acc”表示，并以百分比表示)以及它们的计算复杂度的量度，计算复杂度的量度以学习阶段的持续时间表示(显示在纵坐标的右轴上，以ms表示)。对于每种算法，当这些参数变化时，即T＝22s和W＝36分钟，采样周期T和测量窗口的持续时间W的使用值是与每种算法提供的最大精度相对应的值。从图中可以看出，算法D是表现了最低计算复杂度的算法，但另一方面，它却提供了降低最多的精度(98.2％)。算法B比算法D(99％)提供更高的精度，但需要更长时间用于学习。算法C在精度和复杂度之间提供折衷：面对比算法B低得多的复杂度，它提供了最高的精度(99.1％)。

对于在测量窗口中BER的采样周期T的不同值(3s、6s、9s)，图7在纵坐标轴上将算法E的结果的精度(精度表示为“Acc.”，并以百分比表示)显示为随测量窗口持续时间W(横坐标轴上，以分钟表示)变化。特别地，正方形指示符用于与T＝3s相关的图，全圆形标记用于与T＝6s相关的图，而十字形标记用于与T＝9s相关的图。可以看出，精度随着测量窗口持续时间的增加而提高。另外，对于给定的测量窗口持续时间，精度随着采样周期值的增加而降低，因为减少了从中提取输入数据的BER样本的量。通常，持续时间约15分钟的测量窗口足以为BER采样周期的任何值提供100％的精度。

有利地，由发明人进行的测试结果表明，根据本发明的方法的检测和识别算法允许检测在测量窗口中存在的异常并识别其原因。有利地，这允许在软故障发生之前对其进行快速检测，从而网络运营商可以快速实现特定的故障修复过程，以确保与其客户约定的QoS。这也允许限制实现传统的故障个性化措施的成本，否则是必要的。所描述的方法保证了软故障原因的自动个性化，这允许减少修复故障所需的平均时间(或平均修复时间，MTTR)。此外，可以预见并避免大多数故障的事实增加了所提供服务的可用性。此外，所描述的方法避免了保护系统的实现，因此避免了要部署在网络中的设备的尺寸超标。

从最终用户的角度来看，所描述的方法允许提高给他们提供的服务的质量，因为它允许避免由于软故障而导致服务中断。

还应当注意，根据本发明的方法可以适用于不仅识别在初始配置阶段期间预定义的故障原因，如上所述，而且还可以“学习”以识别在所考虑的系统中还未知或先前未观察到的故障原因。因此，很明显，它可以应用于在结构和组成上不一定先验已知的任何光通信系统和网络。特别地，它可以适用于具有例如不同地理规模或不同数量和类型的设备的不同类型的光通信系统。实际上，上述ML技术的使用有利地允许基于系统的特征和可能的故障原因对识别算法进行专门训练，而且还允许识别在系统功能运行期间可能出现的“新原因”。这可以通过在分类器输出数据中添加新类并在用于学习的例子集合中添加新例子来实现，其中新例子包括其样本指示新故障类型的测量窗口。

最后，根据本发明将ML技术用于故障检测和识别算法允许利用代表被监测系统的“历史”的数据、基于传输参数之间的直接关系来创建监测方法，特别是它们在测量窗口中的趋势以及精确导致这一特定趋势的故障原因。事实上，该方法提供了在接收器处连续测量传输参数并为学习例子集合收集数据的事实允许有利地相对于被监测系统的动态状况来获得高度适应和灵活的方法。

Claims

1.一种用于监测光通信系统(1)的方法，所述光通信系统包括连接发送器(11)和接收器(21)的至少一个光信道，所述方法包括：

a)在所述接收器(21)处，测量所述光信道的传输参数长达预定义的测量时间间隔；

b)基于在所述时间间隔中对所述传输参数的测量，检查在所述测量中至少一个异常的存在，所述至少一个异常指示所述系统的后续故障；以及

c)在存在所述至少一个异常的情况下，向所述测量应用识别算法，所述算法包括分类器，其中，所述分类器被配置为基于所述测量来识别所述故障的原因，所述分类器基于机器学习技术。

2.根据权利要求1所述的方法，其中，所述步骤a)包括：

a1)按预定义的周期在所述间隔中对所述传输参数的值进行采样，并在所述传输参数的测量窗口中收集所述样本，所述测量窗口具有预定义的持续时间；以及

a2)从所述样本开始，确定所述分类器的一个或多个输入数据，

其中，所述输入数据包括与所述测量窗口中的传输参数的样本有关的一个或多个统计值。

3.根据权利要求2所述的方法，其中，所述统计值包括以下中的一个或多个：样本的平均值、最大值、最小值、标准差、均方值、峰-峰值、一种或多种频谱组分。

4.根据权利要求2或3所述的方法，其中，所述方法包括在至少两个连续的测量窗口中收集所述传输参数的样本，其中，所述至少两个测量窗口是不相交的或至少部分地重叠的，检查在所述至少两个测量窗口中的每个测量窗口中异常的存在，并且在每个测量窗口中存在异常的情况下，应用所述识别算法。

5.根据前述权利要求中的任一项所述的方法，其中，所述传输参数是与所述光信道相关联的FEC前BER。

6.根据前述权利要求中的任一项所述的方法，其中，所述机器学习技术包括人工神经网络。

7.根据前述权利要求中的任一项所述的方法，其中，所述步骤b)包括向所述测量应用检测算法，所述检测算法包括基于另一机器学习技术的另一分类器。

8.根据权利要求7所述的方法，其中，所述另一机器学习技术包括以下中的一个：二进制支持矢量机、随机森林、多类SVM、人工神经网络。

9.根据前述权利要求中的任一项所述的方法，其中，所述方法还包括初始配置步骤，并且所述初始配置步骤包括应用自动学习算法以基于所述传输参数的一组测量训练所述分类器，所述一组测量指示所述故障的至少两个可能的原因。

10.一种用于光通信系统(1)的监测单元，所述系统(1)包括连接发送器(11)和接收器(21)的至少一个光信道，所述单元包括：

-数据获取模块，被配置为从所述接收器(21)收集所述光信道的传输参数的测量长达预定义的测量时间间隔；

-检测模块，被配置为基于在所述时间间隔中的所述传输参数的测量，检查在所述测量中至少一个异常的存在，所述至少一个异常指示所述系统的后续故障；以及

-识别模块，被配置为在存在所述至少一个异常的情况下，向所述测量应用识别算法，所述算法包括分类器，其中所述分类器被配置为基于所述测量来识别所述故障的原因，所述分类器基于机器学习技术。