CN113141208B - 一种实现光通道路径健康度评估和故障定位的方法及系统 - Google Patents
一种实现光通道路径健康度评估和故障定位的方法及系统 Download PDFInfo
- Publication number
- CN113141208B CN113141208B CN202010059951.1A CN202010059951A CN113141208B CN 113141208 B CN113141208 B CN 113141208B CN 202010059951 A CN202010059951 A CN 202010059951A CN 113141208 B CN113141208 B CN 113141208B
- Authority
- CN
- China
- Prior art keywords
- ots
- optical channel
- channel path
- deep learning
- learning algorithm
- 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
-
- 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
- H04B10/079—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
- H04B10/0793—Network aspects, e.g. central monitoring of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0005—Switch and router aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0073—Provisions for forwarding or routing, e.g. lookup tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种实现光通道路径健康度评估和故障定位的方法及系统,涉及OTN智慧运维领域。该方法包括:建立全网光通道路径的节点分析对象,为其构建源到宿端的路由,并采集全网路由节点的相关性能指标;利用单条光通道路径的相关性能指标,进行多种方案的深度学习算法建模实验,确定最佳模型并抽象成通用模型;调用通用模型,得到光通道路径的误码率预测值,依据预测值评估全网每条光通道路径的健康度;对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。本发明能依据预测值评估光通道路径的健康度,还能根据健康度情况及早发现并定位隐患或故障发生点,实现“早发现、早预防、早干预”的主动运维目的。
Description
技术领域
本发明涉及OTN(Optical Transport Network,光传送网络)智慧运维技术领域,具体来讲是一种实现光通道路径健康度评估和故障定位的方法及系统。
背景技术
在OTN光传送网络中,光纤损伤和故障检测、定位及处理对网络运维来说挑战很大。通常,会发生光纤链路故障\中断\抖动、设备板卡或电源故障、光模块故障等各种不同类型的光传送网络故障。因此,做好网络维护需要从以下几方面入手:光纤故障检测和定位;光路故障预测,实现主动运维;设备故障快速上报和提前预测。
随着ROADM(Reconfigured Optical add/drop multiplexer,可重构分插复用)以及WSON(Wavelength Switched Optical Network,智能光交换网络)技术的应用,随时进行OCH(Optical Channel,光通道)路径的增删、改动操作使网络的性能日益劣化,传统的人工维护手段已无法满足网络发展的需要,急需更加智能化的网络运维工具来辅助完成网络健康的监控。
目前,应用于OTN网络的智能化运维管理主要是针对OCH路径的某一特定指标性能的自动调整。例如中国专利文献CN108768579B(专利申请号:CN201810475653.3)公开了一种基于光通道路径的纤缆光功率自动调整方法及系统,其通过OCH、OMS路径分析构造纤缆链路光功率调整对象,并与调整节点对象、调整纤缆对象进行关联;通过纤缆链路光功率调整对象从设备上获取各监测点的光功率性能参数,利用获取的光功率性能参数计算光功率调整参数;将光功率调整参数下发至设备进行设置调整。
但是,现有方案不能评估色散、电流、温度等除功率外其它性能指标带来的影响,同时也不能实现光路性能预测,无法达到隐患挖掘、故障预测及定位的目的。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种实现光通道路径健康度评估和故障定位的方法及系统,不仅能依据预测值评估光通道路径的健康度,还能根据健康度情况及早发现并定位隐患或故障发生点,从而实现“早发现、早预防、早干预”的主动运维目的。
为达到以上目的,本发明提供一种实现光通道路径健康度评估和故障定位的方法,包括以下步骤:
A、建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的所有路由节点的相关性能指标;
B、利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型;
C、将所述最佳的深度学习算法模型抽象成通用模型;
D、调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度;对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
在上述技术方案的基础上,所述光通道路径的节点分析对象包括OCH分析对象和OTS分析对象;所述步骤A,具体包括以下操作:
建立全网所有OCH分析对象,并分别构建源端到宿端的OCH路由;对OCH路由中各个网元间的OTS链路,建立OTS分析对象,并分别构建源端到宿端的OTS路由;
依据OCH/OTS路由,获取线路盘性能指标以及光合/分波盘、放大盘的输入光功率、输出光功率;所述线路盘性能指标包括:激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率;
获取OTS路由的源端和宿端的光功率。
在上述技术方案的基础上,所述步骤B中的多种预设方案包括以下三种:
方案一、使用历史误码率预测未来误码率,构建深度学习算法模型;方案二、使用OTS分段光衰预测未来误码率,构建深度学习算法模型;方案三、使用线路盘所有性能指标预测未来误码率,构建深度学习算法模型。
在上述技术方案的基础上,所述步骤D中,调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度,具体包括以下操作:
根据确定的最佳深度学习算法模型,对应构建宿端口误码率与历史误码率或OTS分段光衰或线路盘所有性能指标的相关系数矩阵,并取相关系数大于等于0.5的N项作为健康度关联因子;
根据相关系数,将不同的健康度关联因子赋予不同的权重,计算每条光通道路径的健康度分值;
调用步骤C中的通用模型,得到每条光通道路径的宿端口误码率未来的预测值,结合所述健康度分值,评估全网每条光通道路径的健康度,所述健康度包括故障、亚健康和健康;将健康度评估为故障或亚健康的,定义为不健康的光通道路径。
在上述技术方案的基础上,步骤D中,所述OTS分段光衰的变化,按照以下方式得出:
使用单条OTS历史光功率预测未来OTS光功率,构建单条OTS的深度学习算法模型;若构建的单条OTS的深度学习算法模型表现优良,则抽象成OTS通用模型;通过调用所述OTS通用模型,得到每条OTS预测的未来光功率;依据预测的OTS光功率,计算每条OTS上纤缆衰耗未来值,得到OTS分段光衰的变化。
在上述技术方案的基础上,所述步骤C,具体包括以下操作:依据所述最佳的深度学习算法模型整理数据,将单批次送入模型的数据作为一条OCH路径的特征数据;通过分批输入不同的OCH路径的特征数据,抽象出全网泛化的通用模型。
在上述技术方案的基础上,在步骤A、B之间,还包括以下操作:对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。
本发明还提一种实现光通道路径健康度评估和故障定位的系统,包括性能数据采集模块、建模实验模块、通用模型抽象模块、健康度评估模块和故障定位模块;
所述性能数据采集模块,用于:建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的所有路由节点的相关性能指标;
所述建模实验模块,用于:利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型;
所述通用模型抽象模块,用于:将所述最佳的深度学习算法模型抽象成通用模型;
所述健康度评估模块,用于:通过调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度;
所述故障定位模块,用于:对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
在上述技术方案的基础上,所述光通道路径的节点分析对象包括OCH分析对象和OTS分析对象;所述性能数据采集模块进行性能数据采集的具体流程包括:
建立全网所有OCH分析对象,并分别构建源端到宿端的OCH路由;对OCH路由中各个网元间的OTS链路,建立OTS分析对象,并分别构建源端到宿端的OTS路由;
依据OCH/OTS路由,获取线路盘性能指标以及光合/分波盘、放大盘的输入光功率、输出光功率;所述线路盘性能指标包括:激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率;
获取OTS路由的源端和宿端的光功率。
在上述技术方案的基础上,所述建模实验模块进行多种预设方案的深度学习算法建模实验时,所述多种预设方案包括以下三种:
方案一、使用历史误码率预测未来误码率,构建深度学习算法模型;方案二、使用OTS分段光衰预测未来误码率,构建深度学习算法模型;方案三、使用线路盘所有性能指标预测未来误码率,构建深度学习算法模型。
在上述技术方案的基础上,所述健康度评估模块进行健康度评估的具体流程包括:
根据确定的最佳深度学习算法模型,对应构建宿端口误码率与历史误码率或OTS分段光衰或线路盘所有性能指标的相关系数矩阵,并取相关系数大于等于0.5的N项作为健康度关联因子;
根据相关系数,将不同的健康度关联因子赋予不同的权重,计算每条光通道路径的健康度分值;
通过调用所述通用模型,得到每条光通道路径的宿端口误码率未来的预测值,结合所述健康度分值,评估全网每条光通道路径的健康度,所述健康度包括故障、亚健康和健康;将健康度评估为故障或亚健康的,定义为不健康的光通道路径。
在上述技术方案的基础上,所述故障定位模块所依据的OTS分段光衰的变化,按照以下方式得出:
使用单条OTS历史光功率预测未来OTS光功率,构建单条OTS的深度学习算法模型;若构建的单条OTS的深度学习算法模型表现优良,则抽象成OTS通用模型;通过调用所述OTS通用模型,得到每条OTS预测的未来光功率;依据预测的OTS光功率,计算每条OTS上纤缆衰耗未来值,得到OTS分段光衰的变化。
在上述技术方案的基础上,所述通用模型抽象模块进行通用模型抽象的具体流程包括:依据所述最佳的深度学习算法模型整理数据,将单批次送入模型的数据作为一条OCH路径的特征数据;通过分批输入不同的OCH路径的特征数据,抽象出全网泛化的通用模型。
在上述技术方案的基础上,该系统还包括数据预处理模块,其用于对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。
本发明的有益效果在于:
(1)本发明利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,确定出最佳的深度学习算法模型;将最佳模型抽象成通用模型,并利用通用模型预测出全网光通道路径的误码率的未来值,依据预测值评估全网每条光通道路径的健康度;并根据健康度评估情况结合OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
与现有技术相比,本发明将OTN网络中性能值之间非线性关系用机器学习算法模拟,从而预测未来趋势及判断网络健康度,实现“早发现、早预防、早干预”的主动运维目的,满足了实际使用需求。
(2)本发明中,在评估全网每条光通道路径的健康度时,依据相关性大小构建权值矩阵,对光通道上不同指标不同相关性进行算法加权,计算出每条光通道路径的健康度分值;最后,结合模型预测出的性能指标的未来值,评估出全网每条光通道路径的健康度。整个评估过程既考虑了多个性能指标不同的相关性大小,也考虑了单个性能指标内不同性能值的波动,使得评估准确度更高。
(3)本发明中,在进行建模实验处理前,会进行过滤异常数据、统计数据分布、计算最大最小值、补全缺失值、数据合并、数据特征分析、归一化等预处理,有效提高了建模实验所需的数据质量。
附图说明
图1为本发明实施例中实现光通道路径健康度评估和故障定位的方法的流程图;
图2为一种示例中构建的OCH路由、OTS路由的示意图;
图3为一种典型神经网络模型的示意图;
图4为本发明实施例中方案一构建的深度学习算法模型的示意图;
图5为本发明实施例中方案二构建的深度学习算法模型的示意图;
图6为本发明实施例中方案三构建的深度学习算法模型的示意图;
图7为本发明实施例中构建的单条OTS的深度学习算法模型的示意图;
图8为本发明实施例中实现光通道路径健康度评估和故障定位的系统的结构框图;
图9为另一种实现光通道路径健康度评估和故障定位的系统的结构框图。
具体实施方式
首先,对本发明的设计原理作进一步说明:本发明涉及OTN网络智慧运维技术领域,旨在对OCH路径及单盘间的连接关系进行分析,提取OCH所包含线路盘的信息和纤缆链路色散、电流、温度、功率、误码率等性能指标;通过深度学习算法构建相关性指标和误码率的关联神经网络,预测宿端口的误码率未来值,跟踪OCH性能发展趋势,从而实现光通道路径的性能劣化趋势分析和健康度评估。并且,根据健康度评估情况结合单条OCH上OTS(Optical Transmission Section,光传送段)的功率变化,及早发现并定位隐患或故障发生点,最终达到“早发现、早预防、早干预”的主动运维目的,满足用户的需求。
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合说明书附图以及具体的实施例对本发明的技术方案进行详细的说明。
但需说明的是:接下来要介绍的示例仅是一些具体的例子,而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
实施例一
参见图1所示,本实施例提供了一种实现光通道路径健康度评估和故障定位的方法,该方法包括以下步骤:
A、建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的所有路由节点的相关性能指标。
B、利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型。
C、将最佳的深度学习算法模型抽象成通用模型。可以理解的是,将最佳的深度学习算法模型抽象成通用模型的目的是实现后台训练输出模型文件,网管前台轻量部署加载通用模型得到预测值。实际应用中,若单条OCH(光通道)路径的一个模型具有十个超参,对于上千条OCH的全网来说,则需要上万个超参,而超参的调整和优化都需要人工投入。若采用通用模型,可使得超参数量锐减,超参的减少可以减小模型训练人工参与度;且通用模型相较于单条OCH路径的模型,只是牺牲了少许精度,但换来了模型轻量部署和模型训练的效率。因此,本实施例中,若建模方案在单条光通道路径上表现优良(实验精度结果最理想),被确定为最佳的深度学习算法模型,则依据该最佳的深度学习算法模型整理数据,将单批次送入模型的数据作为一条OCH路径的特征数据,通过分批输入不同的OCH路径的特征数据,抽象出全网泛化的通用模型。
D、调用通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度;对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
可以理解的是,本实施例中,光通道路径的节点分析对象包括OCH分析对象和OTS分析对象。其中,OTS分析对象的光纤链路损耗变化趋势可辅助OCH故障定位。在此基础上,作为一种可选的实施方式,本实施例中的步骤A,具体包括以下操作:
A1、建立全网所有OCH分析对象,并分别构建源端到宿端的OCH路由。
A2、对OCH路由中各个网元间的OTS链路,建立OTS分析对象,并分别构建源端到宿端的OTS路由。
上述步骤中构建的OCH路由、OTS路由的示例可参见图2所示。可以理解的是,在OTN网络中,线路盘实现了单波信号的光→电或电→光的信号转换和处理;光合/分波盘完成了单波→多波或多波→单波的转换;光放大盘对光信号进行放大,并与光纤共同实现了光信号的长距离传输。如图2中所示,由源端线路盘经过有限个网元NE,到达宿端线路盘,最终构成了单条OCH。网元与网元之间的拓扑连纤构成了单条OTS。单条OCH的宿端口误码率表征了单条OCH的传输信道质量,单条OCH上OTS的光功率变化(即光衰的变化)表征了分段连纤的信道质量。
A3、依据OCH/OTS路由,获取线路盘性能指标,所述线路盘性能指标包括但不限于:激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率;获取光合/分波盘、放大盘的输入光功率、输出光功率。实际操作时,对每个单项性能指标,网管平台可根据实际情况每隔一段时间进行一个性能指标的保存。本实施例中,作为一种可选地实施方式,采用每隔15分钟保存一个性能指标的方式,因此,24小时有96个性能指标数据。
A4、获取OTS路由的源端和宿端端口上报的光功率。可以理解的是,在计算纤缆实际衰耗(即OTS分段光衰)时,可根据纤缆实际衰耗=源端输出光功率–宿端输入光功率,计算得出。
实施例二
可以理解的是,数据质量以及对数据本身的信息挖掘是模型预测精度的关键点。在实际现网中采集数据,往往存在数据采集困难、数据缺失、数据分布不均衡、数据格式不一致等问题。因此,在进行建模实验处理前,为了提高数据质量,可进行过滤异常数据、统计数据分布、计算最大最小值、补全缺失值、数据合并、数据特征分析、归一化等预处理,从而得到建模实验所需的输入数据,即机器学习模型训练输入数据。
基于上述考虑,本实施例提供一种实现光通道路径健康度评估和故障定位的方法,其基本步骤与实施例一相同,不同之处在于,作为一种优选的实施方式,在步骤A、B之间,还包括以下操作:对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。具体来说,包括以下操作:
1)先将采集的全网光通道路径的所有路由节点的相关性能指标组织成连续的时间序列,构造机器学习的样本特征数据;
2)再对上述样本特征数据进行异常数据过滤、最大最小值计算以及数据样本分布区间统计;
3)最后,补全缺失值、合并数据、分析数据特征、对误码率取log10,归一化得到建模实验所需的输入数据。
实施例三
本实施例提供的一种实现光通道路径健康度评估和故障定位的方法,其基本步骤与实施例一相同,不同之处在于,作为一种可选的实施方式,该方法的步骤B,具体包括以下步骤:
B1、从采集的全网光通道路径的所有相关性能指标中,选择单条光通道路径的所有相关性能指标(若之前进行过数据的预处理操作,则是在得到的输入数据中,选择单条光通道路径的所有数据),进行三种预设方案的深度学习算法建模实验;其中,三种预设方案分别为:
方案一、使用历史误码率预测未来误码率,构建深度学习算法模型;
方案二、使用OTS分段光衰预测未来误码率,构建深度学习算法模型;
方案三、使用线路盘所有性能指标预测未来误码率,构建深度学习算法模型。
B2、对比上述三种预设方案的深度学习算法建模实验的精度结果,从中确定出最佳的深度学习算法模型。本实施例中,对比三种方案的建模实验精度结果,确定方案三构建的深度学习算法模型为最佳模型。并且该深度学习算法模型的探索效果说明宿端口误码率与线路盘所有的性能指标最相关。但需要说明的是,实际应用中,由于数据质量以及对数据本身的信息挖掘是模型预测精度的关键点,因此,根据实际数据情况的变化,也可出现方案一或方案二构建的深度学习算法模型为最佳模型的情况,本实施例不做具体限定。若确定方案一为最佳模型,则说明宿端口误码率与历史误码率最相关;若确定方案二为最佳模型,则说明宿端口误码率与OTS分段光衰最相关。
可以理解的是,深度学习算法模型对解决非线性关系问题效果显著,它的构建过程是一种数据和模型的探索。依据实际数据样本,组织不同的模型输入输出,通过训练模型后得到不同输入输出的关系神经网络。将测试数据输入模型,模型会输出预测结果,最后依据预测值和真实值偏差结果,评估模型好坏,选择最优的模型。最终最优模型的方案和真实样本数据相关。
由于本发明的设计原理是通过深度学习算法构建相关性指标和误码率的关联神经网络,预测宿端口的误码率未来值,跟踪OCH性能发展趋势,从而实现光通道路径的性能劣化趋势分析和健康度评估。因此,在进行多种预设方案的设计时,选择从三种思路着手。思路一:认为误码率与其自身历史情况强相关,使用历史的误码率预测未来的误码率。思路二:认为误码率的变化,是因为相应影响因子的改变,而因子的改变都会带来网元间功率衰耗的变化,所以,用功率的差值来间接表征关联因素的变化,使用OTS分段光衰预测未来的误码率。思路三:认为OCH上所有性能的变化,都能通过线路盘的性能指标体现,所以,使用线路盘的所有性能指标预测未来误码率。
进一步地,如图3所示,神经网络模型结构通常分为输入层、隐藏层和输出层三类,每一层都由神经元构成。输入层代表输入样本数据组成的向量,输出层代表预测结果向量,运用神经网络构成输入和输出的关联关系。输入层将输入数据整形成三维向量,和Dense(全连接层)相连,实现多特征融合,即所有输入数据的线性加权,Dropout实现全连接层神经元和隐藏层神经元之间概率性丢失,以防止过拟合。隐藏层由LSTM(Long Short-TermMemory,长短周期记忆模型)构成,介于输入和输出之间,可能不止一层,相邻两层间的神经元相连。输出层使用Relu激活函数,并将三维向量整形为二维向量。本实施例中,上述三种思路构建的深度学习算法模型框架分别如图4、图5和图6所示。具体来说,如图4所示,思路一构建的深度学习算法模型使用历史的误码率预测未来的误码率,比如使用10天的历史误码率,t时刻开始的960个点和t+1时刻开始的960个点,预测未来的10天960个点的误码率。如图5所示,思路二构建的深度学习算法模型认为误码率的变化,是因为相应影响因子的改变;而因子的改变都会带来网元间功率衰耗的变化;功率直接表征了光通道中光信号的强度,每条OCH包含多条OTS,每条OTS上可计算分段光衰(源端输出光功率-宿端输入光功率);所以,用功率的差值(即OTS分段光衰)来间接表征关联因素的变化,也就是使用OTS分段光衰预测未来误码率。如图6所示,思路三构建的深度学习算法模型认为OCH上所有性能的变化,都能通过线路盘(源盘和宿盘)的性能指标体现,通过激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率等性能指标预测宿端口未来误码率。
实施例四
本实施例提供的一种实现光通道路径健康度评估和故障定位的方法,其基本步骤与实施例三相同,不同之处在于,作为一种可选的实施方式,该方法的步骤D中,调用通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度,具体包括以下步骤:
D11、根据确定的最佳深度学习算法模型,对应构建宿端口误码率与历史误码率或OTS分段光衰或线路盘所有性能指标的相关系数矩阵,并取相关系数大于等于0.5的N项作为健康度关联因子。
本实施例中,以确定的最佳深度学习算法模型为方案三构建的深度学习算法模型为例,对上述步骤做举例说明:
根据方案三构建的深度学习算法模型,可确定OCH宿端口误码率与线路盘所有的性能指标最相关,则对应构建宿端口误码率与线路盘所有的性能指标的相关系数矩阵,并取相关系数大于等于0.5的前20项作为健康度关联因子。
例如,以全网的96条OCH为例,依据历史真实性能指标数据进行数据分析,得到宿端口误码率相关系数矩阵:
反向OCH | 正向OCH | |
1 | 源误码率 | 源误码率 |
2 | OLP_OTN(保护盘1)输入光功率 | OA收输出光功率 |
3 | OA发VOA衰减值 | OLP_OTN(保护盘1)输入光功率 |
4 | OLP_OTN(保护盘2)输入光功率 | 宿端口输入光功率 |
5 | OA发输出光功率 | OA收输入光功率 |
6 | OA发输入光功率 | ODU分波盘输入光功率 |
7 | OA发VOA衰减值 | 宿盘输出光功率 |
8 | 宿盘输出光功率 | 宿盘色散补偿值 |
9 | 源盘输入光功率 | 源盘色散补偿值 |
10 | 源盘色散补偿值 | 宿盘激光器偏置电流 |
11 | 宿盘输出光功率 | OMU合波盘VOA衰减值 |
12 | 宿盘模块工作温度 | 源端输出光功率 |
13 | 源盘输出光功率 | OA收机壳温度 |
14 | 源盘模块工作温度 | 源盘输入光功率 |
15 | 宿盘色散补偿值 | OA收输出光功率 |
16 | 宿盘输入光功率 | 源盘模块工作温度 |
17 | 源盘激光器偏置电流 | OA收机壳温度 |
18 | ODU分波盘输入光功率 | OA收VOA衰减值 |
19 | OA发机壳温度 | 源盘输出光功率 |
20 | OA发输出光功率 | 宿盘模块工作温度 |
其中,相关系数大于等于0.5的有以下20项:
(1)源误码率、源盘输入光功率、源盘色散补偿值、源盘模块工作温度、源盘激光器偏置电流、源端输出光功率;
(2)宿端口输入光功率、宿盘色散补偿值、宿盘激光器偏置电流、宿盘模块工作温度、宿端输出光功率;
(3)OA收输出光功率、OA收VOA衰减值、OA收机壳温度;
(4)OA发输入光功率、OA发输出光功率、OA发VOA衰减值;
(5)OLP_OTN输入光功率
(6)OMU合波盘VOA衰减值
(7)ODU分波盘输入光功率
D12、根据关联系数,将不同的健康度关联因子赋予不同的权重,计算每条光通道路径的健康度分值。
同样,还是以确定的最佳深度学习算法模型为方案三构建的深度学习算法模型为例,对上述步骤做举例说明:
根据相关系数,将20个不同的健康度关联因子(即性能指标值1至20)统一格式化处理:统计每个性能指标的一个月的数据分布,得到每个性能指标的标准值。计算T时刻每个性能指标的偏差率导数。性能值偏离正常分布范围越远,性能值W越小,代表性能值越差。依据相关性大小对不同性能值赋予不同的权重Q1~Q20,计算每条光通道路径T时刻的健康度分值PT,计算公式为:最后,计算得到全网每条光通道路径的健康度分值P。
D13、调用步骤C中的通用模型,得到每条光通道路径的宿端口误码率未来的预测值,结合健康度分值,评估全网每条光通道路径的健康度。实际操作中,评估出的健康度可包括故障、亚健康和健康三种。其中,健康度评估为故障或亚健康的,可定义为不健康的光通道路径。具体来说,三种健康度的评估标准可参考如下:
故障—预测的未来误码率超越现网设置的静态门限值,预警状态。
亚健康—预测的未来误码率越高,且健康度分值越低,说明该条光通道路径的亚健康状态越严重,即为具有隐患的光通道。
健康—预测的未来误码率越低,且健康度分值越高,说明光通道路径越健康。
实施例五
本实施例提供的一种实现光通道路径健康度评估和故障定位的方法,其基本步骤与实施例一相同,不同之处在于,作为一种可选的实施方式,该方法的步骤D中,所述OTS分段光衰的变化,按照以下方式得出:
步骤1、认为OTS光功率与其自身历史情况强相关,使用单条OTS历史光功率预测未来OTS光功率,构建单条OTS的深度学习算法模型。如图7所示,构建的单条OTS的深度学习算法模型中,使用历史的OTS光功率预测未来的OTS光功率,比如使用10天的光功率,t时刻开始的960个点和t+1时刻开始的960个点,预测未来的10天960个点的光功率。
步骤2、若构建的单条OTS的深度学习算法模型表现优良(精度结果高、预测误差值小),则将该单条OTS的深度学习算法模型抽象成OTS通用模型。
步骤3、通过调用该OTS通用模型,输入OTS历史光功率数据,模型输出预测的未来OTS光功率,从而得到每条OTS预测的未来光功率;依据预测的光功率,计算每条OTS上纤缆衰耗未来值,从而得到OTS分段光衰的变化。可以理解的是,计算每条OTS上纤缆衰耗(即OTS分段光衰)时,可根据纤缆衰耗=源端输出光功率–宿端输入光功率,计算得出。
另外,需要说明的是,在实际应用中,上述步骤1、2的操作,也可分别与实施例一中的步骤B、C同步执行,而仅在步骤D中执行上述步骤3即可。本实施例仅作为一种可选实施方式的说明,并不做具体限定。
实施例六
基于同一发明构思,本发明实施例还提供了一种实现光通道路径健康度评估和故障定位的系统,由于该系统解决问题的原理与上述实施例一至实施例五的方法相似,因此该系统的实施可以参见方法的实施,重复之处不再赘述。
具体来说,参见图8所示,本实施例提供的一种实现光通道路径健康度评估和故障定位的系统,包括性能数据采集模块、建模实验模块、通用模型抽象模块、健康度评估模块和故障定位模块。其中,性能数据采集模块用于:建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的路由节点的相关性能指标。建模实验模块用于:利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型。通用模型抽象模块用于:将最佳的深度学习算法模型抽象成通用模型。健康度评估模块用于:通过调用通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度。故障定位模块用于:对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
进一步地,作为一种优选的实施方式,如图9所示,该系统还可包括数据预处理模块,其用于:对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。具体来说,该数据预处理模块对相关性能指标进行预处理的具体流程包括:
1)先将采集的全网光通道路径的所有路由节点的相关性能指标组织成连续的时间序列,构造机器学习的样本特征数据;
2)再对上述样本特征数据进行异常数据过滤、最大最小值计算以及数据样本分布区间统计;
3)最后,补全缺失值、合并数据、分析数据特征、对误码率取log10,归一化得到建模实验所需的输入数据。
注意:上述的具体实施例仅是例子而非限制,且本领域技术人员可以根据本发明的构思从上述分开描述的各个实施例中合并和组合一些步骤和装置来实现本发明的效果,这种合并和组合而成的实施例也被包括在本发明中,在此不一一描述这种合并和组合。
本发明实施例中提及的优点、优势、效果等仅是示例,而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,本发明实施例公开的上述具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明实施例必须采用上述具体的细节来实现。
本发明实施例中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子,并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。本发明实施例所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。本发明实施例所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
本发明实施例中的步骤流程图以及以上方法描述仅作为例示性的例子,并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤。如本领域技术人员将认识到的,可以按任意顺序进行以上实施例中的步骤的顺序。诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序;这些词语仅用于引导读者通读这些方法的描述。此外,例如使用冠词“一个”、“一”或者“该”对于单数的要素的任何引用不被解释为将该要素限制为单数。
另外,本发明各个实施例中的步骤和装置并非仅限定于某个实施例中实行,事实上,可以根据本发明的概念来结合本文中的各个实施例中相关的部分步骤和部分装置,以构思新的实施例,而这些新的实施例也包括在本发明的范围内。
本发明实施例中的各个操作可以通过能够进行相应的功能的任何适当的手段而进行。该手段可以包括各种硬件和/或软件组件和/或模块,包括但不限于硬件的电路或处理器。
本发明实施例的方法包括用于实现上述的方法的一个或多个动作。方法和/或动作可以彼此互换而不脱离权利要求的范围。换句话说,除非指定了动作的具体顺序,否则可以修改具体动作的顺序和/或使用而不脱离权利要求的范围。
本发明实施例中的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现,功能可以作为一个或多个指令存储在切实的计算机可读介质上。存储介质可以是可以由计算机访问的任何可用的切实介质。通过例子而不是限制,这样的计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光碟存储、磁碟存储或其他磁存储器件或者可以用于携带或存储指令或数据结构形式的期望的程序代码并且可以由计算机访问的任何其他切实介质。如在此使用的,碟(disk)和盘(disc)包括紧凑盘(CD)、激光盘、光盘、DVD(Digital Versatile Disc,数字多功能光盘)、软碟和蓝光盘,其中碟通过磁再现数据,而盘利用激光光学地再现数据。
因此,计算机程序产品可以进行在此给出的操作。例如,这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质,该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
其他例子和实现方式在本发明实施例和所附权利要求的范围和精神内。例如,由于软件的本质,以上所述的功能可以使用由处理器、硬件、固件、硬连线或这些的任意的组合执行的软件实现。实现功能的特征也可以物理地位于各个位置,包括被分发以便功能的部分在不同的物理位置处实现。
本领域技术人员可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。且本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (14)
1.一种实现光通道路径健康度评估和故障定位的方法,其特征在于,该方法包括以下步骤:
A、建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的所有路由节点的相关性能指标;
B、利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型;
C、将所述最佳的深度学习算法模型抽象成通用模型;
D、调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度;对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
2.如权利要求1所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,所述光通道路径的节点分析对象包括OCH分析对象和OTS分析对象;
所述步骤A,具体包括以下操作:
建立全网所有OCH分析对象,并分别构建源端到宿端的OCH路由;
对OCH路由中各个网元间的OTS链路,建立OTS分析对象,并分别构建源端到宿端的OTS路由;
依据OCH/OTS路由,获取线路盘性能指标以及光合/分波盘、放大盘的输入光功率、输出光功率;所述线路盘性能指标包括:激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率;
获取OTS路由的源端和宿端的光功率。
3.如权利要求2所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,所述步骤B中的多种预设方案包括以下三种:
方案一、使用历史误码率预测未来误码率,构建深度学习算法模型;
方案二、使用OTS分段光衰预测未来误码率,构建深度学习算法模型;
方案三、使用线路盘所有性能指标预测未来误码率,构建深度学习算法模型。
4.如权利要求3所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,所述步骤D中,调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度,具体包括以下操作:
根据确定的最佳深度学习算法模型,对应构建宿端口误码率与历史误码率或OTS分段光衰或线路盘所有性能指标的相关系数矩阵,并取相关系数大于等于0.5的N项作为健康度关联因子;
根据相关系数,将不同的健康度关联因子赋予不同的权重,计算每条光通道路径的健康度分值;
调用步骤C中的通用模型,得到每条光通道路径的宿端口误码率未来的预测值,结合所述健康度分值,评估全网每条光通道路径的健康度,所述健康度包括故障、亚健康和健康;将健康度评估为故障或亚健康的,定义为不健康的光通道路径。
5.如权利要求2所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,步骤D中,所述OTS分段光衰的变化,按照以下方式得出:
使用单条OTS历史光功率预测未来OTS光功率,构建单条OTS的深度学习算法模型;
若构建的单条OTS的深度学习算法模型表现优良,则抽象成OTS通用模型;
通过调用所述OTS通用模型,得到每条OTS预测的未来光功率;依据预测的OTS光功率,计算每条OTS上纤缆衰耗未来值,得到OTS分段光衰的变化。
6.如权利要求1至5中任一项所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,所述步骤C,具体包括以下操作:
依据所述最佳的深度学习算法模型整理数据,将单批次送入模型的数据作为一条OCH路径的特征数据;通过分批输入不同的OCH路径的特征数据,抽象出全网泛化的通用模型。
7.如权利要求1至5中任一项所述的实现光通道路径健康度评估和故障定位的方法,其特征在于,在步骤A、B之间,还包括以下操作:对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。
8.一种实现光通道路径健康度评估和故障定位的系统,其特征在于:该系统包括性能数据采集模块、建模实验模块、通用模型抽象模块、健康度评估模块和故障定位模块;
所述性能数据采集模块,用于:建立全网光通道路径的节点分析对象,为其构建源端到宿端的路由;并采集全网光通道路径的所有路由节点的相关性能指标;
所述建模实验模块,用于:利用单条光通道路径的所有相关性能指标,进行多种预设方案的深度学习算法建模实验,通过比较建模实验精度结果,确定最佳的深度学习算法模型;
所述通用模型抽象模块,用于:将所述最佳的深度学习算法模型抽象成通用模型;
所述健康度评估模块,用于:通过调用所述通用模型,得到全网光通道路径的误码率的预测值,依据预测值评估全网每条光通道路径的健康度;
所述故障定位模块,用于:对于不健康的光通道路径,依据OTS分段光衰的变化,定位隐患或故障发生的具体连纤。
9.如权利要求8所述的实现光通道路径健康度评估和故障定位的系统,其特征在于,所述光通道路径的节点分析对象包括OCH分析对象和OTS分析对象;所述性能数据采集模块进行性能数据采集的具体流程包括:
建立全网所有OCH分析对象,并分别构建源端到宿端的OCH路由;
对OCH路由中各个网元间的OTS链路,建立OTS分析对象,并分别构建源端到宿端的OTS路由;
依据OCH/OTS路由,获取线路盘性能指标以及光合/分波盘、放大盘的输入光功率、输出光功率;所述线路盘性能指标包括:激光器工作温度、激光器偏置电流LASER_BIAS、输入光功率、输出光功率、模块工作温度、激光器制冷电流LASER_TEC、色散补偿值、偏振模色散补偿值、不可纠错帧比率、误码率;
获取OTS路由的源端和宿端的光功率。
10.如权利要求9所述的实现光通道路径健康度评估和故障定位的系统,其特征在于,所述建模实验模块进行多种预设方案的深度学习算法建模实验时,所述多种预设方案包括以下三种:
方案一、使用历史误码率预测未来误码率,构建深度学习算法模型;
方案二、使用OTS分段光衰预测未来误码率,构建深度学习算法模型;
方案三、使用线路盘所有性能指标预测未来误码率,构建深度学习算法模型。
11.如权利要求10所述的实现光通道路径健康度评估和故障定位的系统,其特征在于,所述健康度评估模块进行健康度评估的具体流程包括:
根据确定的最佳深度学习算法模型,对应构建宿端口误码率与历史误码率或OTS分段光衰或线路盘所有性能指标的相关系数矩阵,并取相关系数大于等于0.5的N项作为健康度关联因子;
根据相关系数,将不同的健康度关联因子赋予不同的权重,计算每条光通道路径的健康度分值;
通过调用所述通用模型,得到每条光通道路径的宿端口误码率未来的预测值,结合所述健康度分值,评估全网每条光通道路径的健康度,所述健康度包括故障、亚健康和健康;将健康度评估为故障或亚健康的,定义为不健康的光通道路径。
12.如权利要求9所述的实现光通道路径健康度评估和故障定位的系统,其特征在于,所述故障定位模块所依据的OTS分段光衰的变化,按照以下方式得出:
使用单条OTS历史光功率预测未来OTS光功率,构建单条OTS的深度学习算法模型;
若构建的单条OTS的深度学习算法模型表现优良,则抽象成OTS通用模型;
通过调用所述OTS通用模型,得到每条OTS预测的未来光功率;依据预测的OTS光功率,计算每条OTS上纤缆衰耗未来值,得到OTS分段光衰的变化。
13.如权利要求8至12中任一项所述的实现光通道路径健康度评估和故障定位的系统,其特征在于,所述通用模型抽象模块进行通用模型抽象的具体流程包括:
依据所述最佳的深度学习算法模型整理数据,将单批次送入模型的数据作为一条OCH路径的特征数据;通过分批输入不同的OCH路径的特征数据,抽象出全网泛化的通用模型。
14.如权利要求8至12中任一项所述的实现光通道路径健康度评估和故障定位的系统,其特征在于:该系统还包括数据预处理模块,其用于对采集的全网光通道路径的所有路由节点的相关性能指标进行预处理,得到建模实验所需的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059951.1A CN113141208B (zh) | 2020-01-19 | 2020-01-19 | 一种实现光通道路径健康度评估和故障定位的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059951.1A CN113141208B (zh) | 2020-01-19 | 2020-01-19 | 一种实现光通道路径健康度评估和故障定位的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113141208A CN113141208A (zh) | 2021-07-20 |
CN113141208B true CN113141208B (zh) | 2022-02-15 |
Family
ID=76808758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059951.1A Active CN113141208B (zh) | 2020-01-19 | 2020-01-19 | 一种实现光通道路径健康度评估和故障定位的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113141208B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872024A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 面向光纤激光系统多源物理监测量的智能故障诊断方法 |
CN114362817A (zh) * | 2021-12-14 | 2022-04-15 | 国网湖北省电力有限公司信息通信公司 | 闭环自动化光缆线路自动运维系统 |
CN113938185B (zh) * | 2021-12-16 | 2022-03-22 | 北京中昱光通科技有限公司 | 一种基于roadm系统的olp光线路保护方法及系统 |
CN117376085A (zh) * | 2022-06-29 | 2024-01-09 | 中兴通讯股份有限公司 | 光网络健康监测方法、管理单元、系统及存储介质 |
CN117375711A (zh) * | 2022-06-29 | 2024-01-09 | 中兴通讯股份有限公司 | 光缆检测定位方法、通信设备以及介质 |
CN115441945A (zh) * | 2022-08-19 | 2022-12-06 | 武汉邮电科学研究院有限公司 | 光功率预测方法及装置 |
CN116362059B (zh) * | 2023-05-30 | 2023-08-01 | 交通运输部公路科学研究所 | 一种道路土层性能劣化评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107508632A (zh) * | 2016-06-14 | 2017-12-22 | 中国移动通信集团广东有限公司 | 一种同路由光缆故障定位方法和装置 |
CN108768579A (zh) * | 2018-05-17 | 2018-11-06 | 烽火通信科技股份有限公司 | 一种基于光通道路径的纤缆光功率自动调整方法及系统 |
WO2019170873A1 (en) * | 2018-03-08 | 2019-09-12 | Politecnico Di Milano | "method for monitoring an optical communications system" |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
-
2020
- 2020-01-19 CN CN202010059951.1A patent/CN113141208B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107508632A (zh) * | 2016-06-14 | 2017-12-22 | 中国移动通信集团广东有限公司 | 一种同路由光缆故障定位方法和装置 |
WO2019170873A1 (en) * | 2018-03-08 | 2019-09-12 | Politecnico Di Milano | "method for monitoring an optical communications system" |
CN108768579A (zh) * | 2018-05-17 | 2018-11-06 | 烽火通信科技股份有限公司 | 一种基于光通道路径的纤缆光功率自动调整方法及系统 |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
WDM全光网络的故障定位;孙俊;《光通信研究》;20021230(第06期);10-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN113141208A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113141208B (zh) | 一种实现光通道路径健康度评估和故障定位的方法及系统 | |
KR102483025B1 (ko) | 운영 유지 시스템 및 방법 | |
Taghavinejad et al. | Intrusion detection in IoT-based smart grid using hybrid decision tree | |
CN110147387B (zh) | 一种根因分析方法、装置、设备及存储介质 | |
US8028061B2 (en) | Methods, systems, and computer program products extracting network behavioral metrics and tracking network behavioral changes | |
CN110445665B (zh) | 基于改进gsp的电力通信网络告警关联挖掘方法 | |
US7466663B2 (en) | Method and apparatus for identifying components of a network having high importance for network integrity | |
Khatib et al. | Self-healing in mobile networks with big data | |
EP2568664A1 (en) | Apparatus and method for detecting critical nodes and critical links in a multi-hop network | |
CN105099759A (zh) | 一种检测方法及装置 | |
CN109951306B (zh) | 告警的处理方法、装置、设备及介质 | |
US11972334B2 (en) | Method and apparatus for generating a combined isolation forest model for detecting anomalies in data | |
CN114866137B (zh) | 电力光缆网的检测方法及装置 | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN112752172B (zh) | 一种基于迁移学习的光通道故障诊断方法和系统 | |
Takiddin et al. | Robust graph autoencoder-based detection of false data injection attacks against data poisoning in smart grids | |
Zhang et al. | Adaptive failure prediction using long short-term memory in optical network | |
Chung et al. | Fault classification and timing prediction based on shipment inspection data and maintenance reports for semiconductor manufacturing equipment | |
JP2018064160A (ja) | 故障位置特定装置、故障位置特定方法、および、故障位置特定プログラム | |
Liu et al. | AI-Assisted Failure Location Platform for Optical Network | |
CN107210930A (zh) | 用于向网络的对象指派性能指示符的方法和系统 | |
CN115632887A (zh) | 一种区块链网络异常数据检测方法、装置及设备 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
Nyarko-Boateng et al. | Tracing the exact location of failures in underground optical networks using LSTM deep learning model | |
CN114154864A (zh) | 针对电力微气象监测数据的质量评估方法及处理器 |
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 |