CN113194366B - 一种基于闭环约束的业务配置合理性校验方法与装置 - Google Patents

Abstract

本发明公开了一种基于闭环约束的业务配置合理性校验方法与装置，识别端到端业务所在的闭环和各组成环，确定各组成环对应的原始参数类型列表；每个组成环根据原始采样数据计算特征值并确定主要特征值，确定原始参数类型列表中的主要参数类型；通过业务正常时的采样数据计算主要参数类型对应的典型数据并构造典型数据集，计算最大可容忍误差，并通过不断新增的采样数据更新最大可容忍误差；基于主要参数类型的当前采样数据和配置数据构造待判定数据集，计算待判定数据集与典型数据集间的误差是否在最大可容忍误差范围内，判断业务配置是否合理。上述方案可借助实时采样数据，根据实时运行环境对业务配置合理性进行判定。

Description

一种基于闭环约束的业务配置合理性校验方法与装置

技术领域

本发明属于通信技术领域，更具体地，涉及一种基于闭环约束的业务配置合理性校验方法与装置。

背景技术

随着对更大带宽、更高速率、更低时延的需求不断增强，光网络的稳定维持能力、快速诊断和恢复能力面临的挑战性也越来越大，进而对网络设备实时状态和实时能力感知的关注也日益增多。

一方面，各种传感器技术发展和应用日益成熟，也为通信网络中对网络能力和业务运行的实时感知能力提供了一种可能手段。为了提高网络实时状态感知能力，不但需要感知业务所在端到端的可工作状态和工作性能，而且将承载业务的器件/设备本身的工作状态、可靠性和工作环境等也加入到可感知的范围。通过实时采集网络设备相关的各类数据，能够深入掌握网络设备的工作状态和能力，为后续准确的网络稳定性控制和分析提供原始数据资料。

另一方面，随着对光网络更高速率、更大带宽、更低时延的需求增强，网络业务配置也变得越来越复杂。这些配置不但包括端口、连接关系、调制格式等确定性配置参数，而且也逐步将影响业务传输质量的不确定性参数加入到业务配置参数中来；其中，不确定性参数带有较强的随机属性，对于网络的实时状态感知和掌控要求更高。随着配置的参数类型逐步增多，保证业务能够正常运行且不对网络造成不可逆影响的要求变得更高。而这些业务配置数据是否合理，是否会对当前的网络造成不可逆的影响；或者网络已经出现了问题，进行历史数据回溯时业务配置是否合理，这都需要进行业务配置的合理性校验。在网络具备实时感知能力的前提下，对于业务配置在特定时间节点下的合理性校验就变为可能。

具体地，业务配置合理性的校验主要应用在以下场景：

1)端到端业务变化引起的配置更新，在当前网络工作场景下，是否满足当前业务需求并同时不对网络造成有损害的负面影响；

2)端到端业务的容灾恢复时，原有的业务配置数据是否能够满足当前恢复以后的网络的业务合理性需求，并能够正确地恢复业务；

3)故障溯源时，针对端到端业务业务配置进行不同时间点的场景的回溯，并分析判断任意时刻的业务配置是否已经发生不合理的异常；

4)业务预测调优过程中发生的新的配置变化，是否影响到所在网络其他业务和设备工作状态。

当前针对于业务配置的校验主要停留在数据的有无和正确性校验上，对于复杂的业务配置，特别是对于复杂网络环境下、对实时性和随机性敏感的业务配置合理性校验，暂时没有较好的方案。而综合以上分析可知，随着网络设备状态和性能感知越来越实时化和智能化，更多基于设备甚至是器件级的业务配置数据成为可能；这些配置参数中，很多数据并不仅仅呈现出正确或错误场景，随机性数据也可能成为影响光业务配置合理性的重要因素，因此需要解决存在随机性工作状态的场景下业务配置的合理性校验。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于闭环约束的业务配置合理性校验方法与装置，其目的在于根据当前网络的实时运行环境，对业务配置合理性进行判定，由此解决当前针对于业务配置的校验主要停留在数据的有无和正确性校验上的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于闭环约束的业务配置合理性校验方法，包括：

识别端到端业务所在的闭环和所述闭环上的各组成环，并确定各组成环对应的原始参数类型列表；

针对每个组成环，根据原始采样数据计算特征值并确定主要特征值，进而通过所述主要特征值确定所述原始参数类型列表中的主要参数类型；

通过业务正常时的采样数据计算所述主要参数类型对应的典型数据并构造典型数据集，结合所述典型数据集和所述原始采样数据计算最大可容忍误差，并通过不断新增的采样数据更新所述最大可容忍误差；

基于所述主要参数类型对应的当前采样数据和配置数据构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，进而判断业务配置是否合理。

优选地，所述识别端到端业务所在的闭环和所述闭环上的各组成环，并确定各组成环对应的原始参数类型列表，具体为：

根据光线路识别端到端业务所在的闭环和所述闭环上的各组成环；

确定各组成环对应的原始参数类型列表；其中，对于每个组成环，所述原始参数类型列表中包含有多个原始参数类型；

针对每个组成环，将对应原始参数类型列表中的多个原始参数类型进行两两独立性校验，校验完成后筛选出m个独立参数类型。

优选地，针对每个组成环，所述将对应原始参数类型列表中的多个原始参数类型进行两两独立性校验，校验完成后筛选出m个独立参数类型，具体为：

将对应原始参数类型列表中的多个原始参数类型进行两两组合，生成一组合列表；

从所述组合列表中依次选取组合并利用χ²独立性校验方法进行判定，当判定结果为相关时，通过去除法来更新对应原始参数类型列表；

当所述组合列表中的组合选取完毕后，将当前对应原始参数类型列表中剩余的m个原始参数类型确定为独立参数类型。

优选地，针对每个组成环，所述根据原始采样数据计算特征值并确定主要特征值，进而通过所述主要特征值确定所述原始参数类型列表中的主要参数类型，具体为：

分别对筛选出的m个独立参数类型进行编码，并在关系表M中记录各独立参数类型与编码的对应关系；

根据m个独立参数类型对应的原始采样数据计算得到包含有m个特征值的特征值列表，根据预设判定条件从所述特征值列表中选出k个主要特征值，并在关系表Z’中记录各主要特征值与编码的对应关系；其中k≤m；

从所述关系表Z’中读取k个编码，并从所述关系表M中读取对应的k个独立参数类型作为主要参数类型，同时更新主要参数类型个数为k。

优选地，当有p组原始采样数据时，所述根据m个独立参数类型对应的原始采样数据计算得到包含有m个特征值的特征值列表，根据预设判定条件从所述特征值列表中选出k个主要特征值，并在关系表Z’中记录各主要特征值与编码的对应关系，具体为：

基于m个独立参数类型对应的p组原始采样数据得到矩阵X，在所述矩阵X的基础上通过协方差矩阵计算和奇异值分解计算得到包含有m个特征值的特征值列表，并在关系表Z中记录各特征值与编码的对应关系；

将所述特征值列表中的各特征值从大到小进行排序，根据预设判定条件从排序后的特征值列表中选出前k个特征值作为主要特征值，并在关系表Z中找到各主要特征值与编码的对应关系加入到关系表Z’中；

当有新的采样数据加入时，在关系表Z”中记录新得到的各主要特征值与编码的对应关系，并将关系表Z”和关系表Z’取并集得到新的关系表Z’。

优选地，当确定出k个主要参数类型时，所述通过业务正常时的采样数据计算所述主要参数类型对应的典型数据并构造典型数据集，结合所述典型数据集和所述原始采样数据计算最大可容忍误差，并通过不断新增的采样数据更新所述最大可容忍误差，具体为：

判定业务是否正常，当业务判定为正常时，获取当前采样数据；

根据所述k个主要参数类型对应的当前采样数据和原始采样数据，计算出对应的k组典型数据，并基于k组典型数据构造典型数据集；

结合所述典型数据集和所述k个主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差；

当新增一次正常业务对应的采样数据时，重新构造典型数据集，并基于新的典型数据集更新所述最大可容忍误差。

优选地，所述根据所述k个主要参数类型对应的当前采样数据和原始采样数据，计算出对应的k组典型数据，具体为：

分别校验所述k个主要参数类型对应的当前采样数据是否在对应已标定的约束区间内，如果在则将对应的当前采样数据加入到对应的原始采样数据中更新对应均值，并将更新后的均值作为该主要参数类型对应的典型数据。

优选地，当有p组原始采样数据时，所述结合所述典型数据集和所述k个主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差，具体为：

结合所述典型数据集和所述k个主要参数类型对应的p组原始采样数据，分别计算出对应的p个采样误差；

根据所述p个采样误差，通过正态分布模型中的3σ模型求解合理评判值，并将该合理评判值作为最大可容忍误差。

优选地，当确定出k个主要参数类型时，所述基于所述主要参数类型对应的当前采样数据和配置数据构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，进而判断业务配置是否合理，具体为：

判定当前的业务配置是否需要进行合理性校验，当需要进行业务配置合理性校验时，利用配置数据覆盖当前采样数据中对应主要参数类型的数据，形成包含有k组待判定数据的待判定数据集；

计算所述待判定数据集与所述典型数据集间的误差，并判断该误差是否在所述最大可容忍误差范围内；如果该误差在所述最大可容忍误差范围内，则判定为业务配置合理，否则判定为业务配置不合理。

按照本发明的另一方面，提供了一种基于闭环约束的业务配置合理性校验装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成第一方面所述的基于闭环约束的业务配置合理性校验方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：本发明提供的业务配置合理性校验方法中，寻找端到端业务所在的闭环和各组成环，并利用实时的网络设备采样数据求解端到端业务的主要参数类型、典型数据集以及最大可容忍误差，然后根据主要参数类型融合端到端业务配置数据+当前采样数据，计算与典型数据集之间的误差是否在最大可容忍误差范围以内，进而判定业务配置是否合理。通过上述方案，可借助于网络设备/环境感知下的实时采样数据，根据当前网络的实时运行环境对业务配置合理性进行判定，由此弥补当前校验仅停留在数据的有无和正确性校验上的缺陷。

附图说明

图1是本发明实施例提供的一种基于闭环约束的业务配置合理性校验方法流程图；

图2是本发明实施例提供的一种识别闭环并确定各组成环对应的原始参数类型列表的流程图；

图3是本发明实施例提供的一种端到端光层业务的光线路结构示意图；

图4是本发明实施例提供的一种原始参数类型独立性校验的流程图；

图5是本发明实施例提供的一种基于原始采样数据确定主要参数类型的流程图；

图6是本发明实施例提供的一种基于原始采样数据确定主要特征值的流程图；

图7是本发明实施例提供的一种计算并更新最大可容忍误差的流程图；

图8是本发明实施例提供的一种基于最大可容忍误差进行业务配置合理性校验的流程图；

图9是本发明实施例提供的一种基于闭环约束的业务配置合理性校验装置架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例1

为解决当前针对于业务配置的校验主要停留在数据的有无和正确性校验上的技术问题，本发明实施例提供了一种基于闭环约束的业务配置合理性校验方法，如图1所示，主要包括以下步骤：

步骤10，识别端到端业务所在的闭环和所述闭环上的各组成环，并确定各组成环对应的原始参数类型列表。

端到端业务所在的闭环也就是误差检验的边界，对于一条端到端光层业务，从光线路的发射器沿途经过合波器、放大器、分波器等多个器件最终到达接收器，这就是一个完整的边界，而沿途经过的各器件就是各组成环。对于每个组成环，影响光信号质量的参数指标有很多，这些参数指标此处统称为原始参数类型，因此每个组成环对应形成一个原始参数类型列表C，所述原始参数类型列表C中包含有多个原始参数类型，假设包含m个原始参数类型，则有C＝{c₁,c₂,...,c_m}。通常，所述多个原始参数类型中包括但不限于以下几个方面：

1)器件本身的特性指标，例如材质、光的非线性效应、制造工艺、工作温度范围等等，来自于传感器采集；

2)器件所在部署环境的特性指标，例如气压、温度、湿度、含硫/含汞耐受等等，来自于传感器采集；

3)器件工作特性指标，例如寿命老化、疲劳、弯折等等，来自于传感器采集；

4)业务逻辑配置，例如端口配置、光波道增减、连接关系、功率锁定、光增益或者衰减配置等等，来自于端到端业务配置。

其中，所述原始参数类型总体上可分为可配置参数类型和其他参数类型两大类；顾名思义，所述可配置参数类型就是指可以对相应的参数指标进行数据配置，而业务配置合理性校验其实主要就是校验所述可配置参数类型对应的配置数据是否合理。其中，更具体的识别确定过程可参考实施例2，在此不做赘述。

步骤20，针对每个组成环，根据原始采样数据计算特征值并确定主要特征值，进而通过所述主要特征值确定所述原始参数类型列表中的主要参数类型。

原始采样数据具体可借助于网络设备/环境感知下的数据，能够反应当前网络的实时运行环境，而且为保证计算的准确性，通常会采集多组。针对某个组成环，假设采样p次，则共有p组原始采样数据，每组原始采样数据中又包括m个数据，分别对应m个原始参数类型。为了后续构造典型数据，这里需要从m个原始参数类型中进一步筛选出k个最具有代表性的参数类型，此处称为主要参数类型，k≤m。筛选过程大致如下：

根据p组原始采样数据构造一个矩阵，通过对该矩阵处理得到一个特征值列表，该特征值列表中包含有m个特征值，分别对应m个原始参数类型；然后根据预设判定条件从所述特征值列表中选出k个主要特征值，这k个主要特征值对应的k个原始参数类型即为主要参数类型。其中，所述预设判定条件为：至少包含所有可配置参数类型且特征值无明显变化。由于业务配置合理性校验其实主要就是校验所述可配置参数类型对应的配置数据是否合理，因此k个主要参数类型中需包含所有可配置参数类型；而特征值如果变化过大也会影响计算准确性，因此特征值需无明显变化。其中，更具体的筛选过程可参考实施例2，在此不做赘述。

步骤30，通过业务正常时的采样数据计算所述主要参数类型对应的典型数据并构造典型数据集，结合所述典型数据集和所述原始采样数据计算最大可容忍误差，并通过不断新增的采样数据更新所述最大可容忍误差。

这里的采样数据仍然是借助于网络设备/环境感知下的数据，当判定业务为正常时，获取当前采样数据(即当前判定时刻对应的采样数据)，根据k个主要参数类型对应的当前采样数据计算出对应的k个典型数据，进而得到典型数据集；再结合这k个主要参数类型对应的p组原始采样数据可计算得到p个采样误差，进而根据这p个采样误差计算出最大可容忍误差；每当新增一次业务正常时的采样数据时，需按照上述方法更新所述最大可容忍误差。其中，更具体的计算过程可参考实施例2，在此不做赘述。

步骤40，基于所述主要参数类型对应的当前采样数据和配置数据构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，进而判断业务配置是否合理。

由前述步骤可知，k个主要参数类型中包含所有的可配置参数类型，假设可配置参数类型的总个数为k’(k’≤k)，则所述k个主要参数类型中包括k’个可配置参数类型和k-k’个其他参数类型，而所述配置数据是指针对所述k’个可配置参数类型配置的数据。当需要进行业务配置合理性校验时，基于k个主要参数类型对应的当前采样数据和k’个可配置参数类型对应的配置数据构造待判定数据集，也就是将可配置参数类型对应的当前采样数据替换为对应的配置数据，则所述待判定数据集中实际上包含k-k’个其他参数类型对应的当前采样数据和k’个可配置参数类型对应的配置数据。然后计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，如果在则判定为业务配置合理，否则判定为业务配置不合理。其中，更具体的校验过程可参考实施例2，在此不做赘述。

本发明提供的业务配置合理性校验方法中，寻找端到端业务所在的闭环和各组成环，并利用实时的网络设备采样数据求解端到端业务的主要参数类型、典型数据集以及最大可容忍误差，然后根据主要参数类型融合端到端业务配置数据+当前采样数据，计算与典型数据集之间的误差是否在最大可容忍误差范围以内，进而判定业务配置是否合理。通过上述方案，可借助于网络设备/环境感知下的实时采样数据，根据当前网络的实时运行环境对业务配置合理性进行判定，由此弥补当前校验仅停留在数据的有无和正确性校验上的缺陷。

实施例2

在上述实施例1的基础上，本发明实施例进一步以端到端光层业务为例，结合附图对业务配置合理性校验过程中的各步骤展开具体介绍。

在步骤10中，识别闭环和各组成环，并确定各组成环对应的原始参数类型。具体过程可参考图2，包括以下步骤：

步骤101，根据光线路识别端到端业务所在的闭环和所述闭环上的各组成环。

以端到端光层业务为例，所述闭环即误差校验的边界为该业务所在的光线路，从发射器到对端接收器为止，其组成环为该光线路上的各相关组成器件。具体如下：端到端光层业务从发射器开始，经过合波器、衰减器、放大器、分波器再至接收器，中间可能经过若干个合波器、分波器以及若干个放大器，同时也包含连接各器件的光纤。为了使描述简洁清晰，本发明实施例以光线路中包含一个发射器、一个合波器、若干放大器、一个分波器及一个接收器为例，如图3所示，从发射器到接收器为止即为一个完整的闭环；当然，包含有其他器件以及不同数量时，可以此类推。

步骤102，确定各组成环对应的原始参数类型列表；其中，对于每个组成环，所述原始参数类型列表中包含有多个原始参数类型。

以光线路中的一个放大器为例，所述原始参数类型列表中至少需要包含以下原始参数类型：

1)放大器固有属性，包含增益、噪声指数等参数类型。

2)放大器所在环境特性，包含温度、湿度、振动等参数类型。

3)放大器工作特性，包含工作时长等参数类型。

4)放大器的业务逻辑配置，包含放大器输入/输出功率、平坦度配置等参数类型。

针对该放大器，原始参数类型列表C中包括该放大器的增益、噪声指数、温度、湿度、输入功率、输出功率、平坦度、光纤长度、光纤直径、光纤弯曲度等m个原始参数类型。为方便记录，可采用C＝{c₁,c₂,...,c_m}进行标识，c_j即为其中第j个原始参数类型，j∈1,2,...,m。

步骤103，针对每个组成环，将对应原始参数类型列表中的多个原始参数类型进行两两独立性校验，校验完成后筛选出m个独立参数类型。

在优选方案中，考虑到某些参数数据不同业务层次的原始参数类型，需要对所述原始参数类型列表C中的所有原始参数类型进行两两独立性校验，具体过程可参考图4，包括以下步骤：

步骤1031，将对应原始参数类型列表中的多个原始参数类型进行两两组合，生成一组合列表V。具体如下：

V＝(c₁,c₂),(c₁,c₃),...,(c_m,c_m-1)＝{v₁,v₂,...,v_n},其中

例如，在上述实施例中，当原始参数类型列表C中包括放大器的增益、噪声指数、温度、湿度、输入功率、输出功率、平坦度、光纤长度、光纤直径、光纤弯曲度等m个原始参数类型时，对应组合有(增益、环境温度)、(增益、环境湿度)、(增益、输入功率)、(增益、噪声指数)、(输入功率、噪声指数)、(输入功率、增益)、(输入功率、平坦度)、(输出功率、平坦度)等n个。

步骤1032，从所述组合列表V中依次选取组合并利用χ²独立性校验方法进行判定，当判定结果为相关时，通过去除法来更新对应原始参数类型列表。

具体地，先从所述组合列表V中任选一组合v_t＝(c_x,c_y)，其中t∈1,2,...,n，x∈1,2,...,m，y∈1,2,...,m，该组合v_t表示原始参数类型列表C中第x个原始参数类型c_x和第y个原始参数类型c_y的组合，利用χ²独立性校验方法对该组合进行判定。当判定结果为相关时，表明对应的两个原始参数类型具备相同属性性质，需要任选其中一个去除；此处以去除c_y为例，使原始参数类型列表C得到更新，并通过m＝m-1更新原始参数类型列表C中的参数类型个数；同时去除所述组合列表V中所有存在c_y的组合，后续仅保留一个与其他原始参数类型进行独立性校验即可。当判定结果为不相关时，则将组合v_t＝(c_x,c_y)标定为无关，例如可将无关标记为1，保留这两个原始参数类型。

步骤1033，当所述组合列表V中的组合选取完毕后，将当前对应原始参数类型列表中剩余的m个原始参数类型确定为独立参数类型。

继续从所述组合列表V循环选取其余两个原始参数类型的组合，按照步骤1032中的方法进行判定，不断更新原始参数类型列表C和原始参数类型个数m，直至所述组合列表V中的组合选取并判定完毕；此时原始参数类型列表C中剩余的m个原始参数类型就是筛选出的独立参数类型，仍记为c₁,c₂,...,c_m。例如，在上述实施例中，最终确定该放大器的增益、噪声指数、温度、湿度、输入功率、输出功率、平坦度、光纤长度、光纤直径和光纤弯曲度这10个为独立参数类型，则分别记为c₁,c₂,...,c₁₀。

在步骤20中，根据原始采样数据计算特征值并确定主要特征值，再通过主要特征值确定主要参数类型。具体过程可参考图5，包括以下步骤：

步骤201，分别对筛选出的m个独立参数类型进行编码，并在关系表M中记录各独立参数类型与编码的对应关系。

假设m个独立参数类型c₁,c₂,...,c_m分别编码为id₁,id₂,...,id_m，则关系表M中的对应关系描述如下：

M＝{(id₁,c₁),(id₂,c₂),...,(id_m,c_m)}；

例如，在上述实施例中已选出c₁,c₂,...,c₁₀这10个独立参数类型，假设分别进行数字编码1,2,...,10，则有M＝{(1,c₁),(2,c₂),...,(10,c₁₀)}。

步骤202，根据m个独立参数类型对应的原始采样数据计算得到包含有m个特征值的特征值列表，根据预设判定条件从所述特征值列表中选出k个主要特征值，并在关系表Z’中记录各主要特征值与编码的对应关系；其中k≤m。

以采样p次为例，则第i次采样得到的原始采样数据x⁽ⁱ⁾具体表示为：

其中i∈1,2,...,p；

x⁽ⁱ⁾由m个参数数据构成，在这里实际上是一个列向量，其中

表示独立参数类型c₁对应的采样数据，

表示独立参数类型c₂对应的采样数据，...，以此类推，

表示独立参数类型c_m对应的采样数据。具体过程可参考图6，包括以下步骤：

步骤2021，基于m个独立参数类型对应的p组原始采样数据得到矩阵X，在所述矩阵X的基础上通过协方差矩阵计算和奇异值分解计算得到包含有m个特征值的特征值列表，并在关系表Z中记录各特征值与编码的对应关系。

具体地，先对p组原始采样数据进行归一化处理，构造无量纲归一化数据矩阵X，然后利用协方差矩阵计算公式计算协方差矩阵E_conv，再通过奇异值分解(SVD)计算得到特征值列表Λ＝(λ₁,λ₂,...,λ_m)，最后基于关系表M，在关系表Z中记录各特征值λ_j与编码id_j的对应关系，相当于保留了特征值在矩阵中的位置信息与独立参数类型的对应关系。关系表Z如下：

Z＝(λ₁,id₁),(λ₂,id₂),...,(λ_m,id_m)；

此时各特征值λ_j可与各独立参数类型c_j达到一一对应关系，即进行任意排序后仍然能够找到与各独立参数类型的对应关系。其中：

矩阵X由p次采样的原始采样数据构成：X＝(x⁽¹⁾,x⁽²⁾,...,x^(p))；

第i次采样的归一化处理公式为：

其中，i∈1,2,...,p，j∈1,2,...,m，目的是将第i次采样的每个采样数据均做归一化处理以达到无量纲化，保证后续对于特征值进行排序的时候有意义。其中，

即第i次采样时第j个独立参数类型c_j对应的采样数据，μ_j表示第j个独立

参数类型c_j从第1次到第p次的采样均值，σ为对应标准差。其中：

采样均值μ_j的计算公式为：，j∈1,2,...,m；

协方差矩阵计算公式为：

T表示矩阵转置；

奇异值分解公式为：SVD(E_conv)＝UΣV，对角矩阵

其中对角元素λ₁,λ₂,...,λ_m即为m个特征值，并组成特征值列表Λ＝(λ₁,λ₂,...,λ_m)。

步骤2022，将所述特征值列表中的各特征值从大到小进行排序，根据预设判定条件从排序后的特征值列表中选出前k个特征值作为主要特征值，并在关系表Z中找到各主要特征值与编码的对应关系加入到关系表Z’中。

具体地，按照λ₁,λ₂,...,λ_m即从大到小进行排序后，根据预设判定条件选出前k个特征值作为主要特征值，所述预设判定条件为：至少包含所有可配置参数类型且特征值无明显变化，是否有明显变化具体可在各特征值排序后通过碎石图进行判定，从而得到k个主要特征值λ₁,λ₂,...,λ_k，形成主要特征值列表Λ'＝(λ₁,λ₂,...,λ_k)；然后根据Λ'中的每个主要特征值所在位置在关系表Z中找到并加入到关系表Z’中，具体如下：

Z'＝(λ₁,id₁),(λ₂,id₂),...,(λ_k,id_k)

步骤2023，当有新的采样数据加入时，在关系表Z”中记录新得到的各主要特征值与编码的对应关系，并将关系表Z”和关系表Z’取并集得到新的关系表Z’。

每当有新的采样数据时，通过p＝p+1更新采样次数p，继续跳转至步骤2021进行计算，可新计算得到一个关系表Z”，然后将新得到的关系表Z”和关系表Z’取并集即可得到新的关系表Z’。当不断有新的采样数据时，关系表Z’不断得到更新。

步骤203，从所述关系表Z’中读取k个编码id₁,id₂,...,id_k，并从所述关系表M中读取对应的k个独立参数类型c₁,c₂,...,c_k作为主要参数类型，同时更新主要参数类型个数为k。

在步骤30中，通过业务正常时的采样数据计算典型数据，结合典型数据集和原始采样数据计算并更新最大可容忍误差。具体过程可参考图7，包括以下步骤：

步骤301，判定业务是否正常，当业务判定为正常时，获取当前采样数据。其中，当业务无业务故障告警或者明显异常性能告警时，可判定为业务正常，获取当前采样数据，执行步骤302；否则，跳转至步骤304。

步骤302，根据所述k个主要参数类型对应的当前采样数据和原始采样数据，计算出对应的k组典型数据，并基于k组典型数据构造典型数据集。

分别校验所述k个主要参数类型对应的当前采样数据是否在对应已标定的约束区间内(如果参数类型本身具有数值标定区间，如器件出厂规格等，就需要判定对应当前采样数据是否在对应已标定的约束区间内)；如果在则将对应的当前采样数据加入到对应的原始采样数据中，更新采样次数p，进而更新对应采样均值，并将更新后的均值作为该主要参数类型对应的典型数据；如果不在则判定为业务不正常，跳转至步骤304。其中：

第j个主要参数类型c_j对应的典型数据为：

其中j∈1,2,...,k；典型数据集表示为：

步骤303，结合所述典型数据集和所述k个主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差。

首先，结合所述典型数据集x^ref和所述k个主要参数类型对应的p组原始采样数据x⁽¹⁾,x⁽²⁾,...,x^(p)，分别计算出对应的p个采样误差ε₁,ε₁,...,ε_p；其中，采样误差的计算公式具体为：

i∈1,2,...,p，符号||||表示向量之间的距离。

然后，根据所述p个采样误差ε₁,ε₂,...,ε_p，通过正态分布模型中的3σ模型求解合理评判值ε_max＝μ_ε+3σ_ε，并将该合理评判值作为最大可容忍误差。其中，μ_ε为误差期望值，计算公式为：

σ_ε为误差标准差，计算公式为：

步骤304，当新增一次正常业务对应的采样数据时，重新构造典型数据集，并基于新的典型数据集更新所述最大可容忍误差。

当新增一次采样时，判定是否属于正常业务，如果是正常业务则通过p＝p+1更新p值，重新执行步骤301-步骤303，进而对所述最大可容忍误差ε_max进行更新。当不断有新的正常业务下的采样数据时，所述最大可容忍误差ε_max可不断得到更新。

在步骤40中，构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内。具体过程可参考图8，包括以下步骤：

步骤401，判定当前的业务配置是否需要进行合理性校验，当需要进行业务配置合理性校验时，利用配置数据覆盖当前采样数据中对应主要参数类型的数据，形成包含有k组待判定数据的待判定数据集。

其中，当主动发起校验请求或者业务变化自动发起校验请求时，证明需要进行业务配置合理性校验，此时构造待判定数据集；否则继续等待。结合实施例1，待判定数据集的构造过程为：以k个主要参数类型对应的当前采样数据为基础，利用k’个可配置参数类型对应的配置数据覆盖对应的当前采样数据，形成待判定数据集

实际上包含k-k’个其他参数类型对应的当前采样数据和k’个可配置参数类型对应的配置数据。

例如，假设存在放大器的增益、环境温度、环境湿度、输入功率、输出功率、平坦度等9个主要参数类型，且其中的输入功率和增益这两个为可配置参数类型。如果某一时刻t₁需要进行合理性校验，则读取t₁时刻的9个主要参数类型对应的采样数据，然后用t₁时刻输入功率的配置数据覆盖输入功率对应的采样数据，用t₁时刻增益的配置数据覆盖增益对应的采样数据，形成待判定数据集

实际上包含输入功率和增益对应的配置数据+剩余7个主要参数类型对应的当前采样数据。

步骤402，计算所述待判定数据集与所述典型数据集间的误差，并判断该误差是否在所述最大可容忍误差范围内；如果该误差在所述最大可容忍误差范围内，则判定为业务配置合理，否则判定为业务配置不合理。

其中，所述待判定数据集x^(verify)与所述典型数据集x^ref的误差计算公式为：

当ε_verify≤ε_max时，判定为合理，否则判定为不合理。

通过本发明实施例提供的业务配置合理性校验方法，可借助于网络设备/环境感知下的实时采样数据，根据当前网络的实时运行环境对业务配置合理性进行判定，由此弥补当前校验仅停留在数据的有无和正确性校验上的缺陷。

实施例3

在上述实施例1和实施例2提供的基于闭环约束的业务配置合理性校验方法的基础上，本发明还提供了一种可用于实现上述方法的基于闭环约束的业务配置合理性校验装置，如图9所示，是本发明实施例的装置架构示意图。本实施例的基于闭环约束的业务配置合理性校验装置包括一个或多个处理器21以及存储器22。其中，图9中以一个处理器21为例。

所述处理器21和所述存储器22可以通过总线或者其他方式连接，图9中以通过总线连接为例。

所述存储器22作为一种基于闭环约束的业务配置合理性校验方法非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如实施例1中的基于闭环约束的业务配置合理性校验方法。所述处理器21通过运行存储在所述存储器22中的非易失性软件程序、指令以及模块，从而执行基于闭环约束的业务配置合理性校验装置的各种功能应用以及数据处理，即实现实施例1和实施例2的基于闭环约束的业务配置合理性校验方法。

所述存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，所述存储器22可选包括相对于所述处理器21远程设置的存储器，这些远程存储器可以通过网络连接至所述处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器22中，当被所述一个或者多个处理器21执行时，执行上述实施例1中的基于闭环约束的业务配置合理性校验方法，例如，执行以上描述的图1、图2、图4-图8所示的各个步骤。

本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于闭环约束的业务配置合理性校验方法，其特征在于，包括：

识别端到端业务所在的闭环和所述闭环上的各组成环，并确定各组成环对应的原始参数类型列表；

针对每个组成环，根据原始采样数据计算特征值并确定主要特征值，进而通过所述主要特征值确定所述原始参数类型列表中的主要参数类型；

根据主要参数类型对应的当前采样数据和原始采样数据构造典型数据集，结合所述典型数据集和主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差，当新增一次正常业务对应的采样数据时更新所述最大可容忍误差；

基于所述主要参数类型对应的当前采样数据和配置数据构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，进而判断业务配置是否合理。

2.如权利要求1所述的基于闭环约束的业务配置合理性校验方法，其特征在于，所述识别端到端业务所在的闭环和所述闭环上的各组成环，并确定各组成环对应的原始参数类型列表，具体为：

根据光线路识别端到端业务所在的闭环和所述闭环上的各组成环；

确定各组成环对应的原始参数类型列表；其中，对于每个组成环，所述原始参数类型列表中包含有多个原始参数类型；

针对每个组成环，将对应原始参数类型列表中的多个原始参数类型进行两两独立性校验，校验完成后筛选出m个独立参数类型。

3.如权利要求2所述的基于闭环约束的业务配置合理性校验方法，其特征在于，针对每个组成环，所述将对应原始参数类型列表中的多个原始参数类型进行两两独立性校验，校验完成后筛选出m个独立参数类型，具体为：

将对应原始参数类型列表中的多个原始参数类型进行两两组合，生成一组合列表；

从所述组合列表中依次选取组合并利用χ²独立性校验方法进行判定，当判定结果为相关时，通过去除法来更新对应原始参数类型列表；

当所述组合列表中的组合选取完毕后，将当前对应原始参数类型列表中剩余的m个原始参数类型确定为独立参数类型。

4.如权利要求2所述的基于闭环约束的业务配置合理性校验方法，其特征在于，针对每个组成环，所述根据原始采样数据计算特征值并确定主要特征值，进而通过所述主要特征值确定所述原始参数类型列表中的主要参数类型，具体为：

分别对筛选出的m个独立参数类型进行编码，并在关系表M中记录各独立参数类型与编码的对应关系；

根据m个独立参数类型对应的原始采样数据计算得到包含有m个特征值的特征值列表，根据预设判定条件从所述特征值列表中选出k个主要特征值，并在关系表Z’中记录各主要特征值与编码的对应关系；其中k≤m；

从所述关系表Z’中读取k个编码，并从所述关系表M中读取对应的k个独立参数类型作为主要参数类型，同时更新主要参数类型个数为k。

5.如权利要求4所述的基于闭环约束的业务配置合理性校验方法，其特征在于，当有p组原始采样数据时，所述根据m个独立参数类型对应的原始采样数据计算得到包含有m个特征值的特征值列表，根据预设判定条件从所述特征值列表中选出k个主要特征值，并在关系表Z’中记录各主要特征值与编码的对应关系，具体为：

基于m个独立参数类型对应的p组原始采样数据得到矩阵X，在所述矩阵X的基础上通过协方差矩阵计算和奇异值分解计算得到包含有m个特征值的特征值列表，并在关系表Z中记录各特征值与编码的对应关系；

将所述特征值列表中的各特征值从大到小进行排序，根据预设判定条件从排序后的特征值列表中选出前k个特征值作为主要特征值，并在关系表Z中找到各主要特征值与编码的对应关系加入到关系表Z’中；

当有新的采样数据加入时，在关系表Z”中记录新得到的各主要特征值与编码的对应关系，并将关系表Z”和关系表Z’取并集得到新的关系表Z’。

6.如权利要求1所述的基于闭环约束的业务配置合理性校验方法，其特征在于，当确定出k个主要参数类型时，所述根据主要参数类型对应的当前采样数据和原始采样数据构造典型数据集，结合所述典型数据集和主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差，当新增一次正常业务对应的采样数据时更新所述最大可容忍误差，具体为：

判定业务是否正常，当业务判定为正常时，获取当前采样数据；

根据所述k个主要参数类型对应的当前采样数据和原始采样数据，计算出对应的k组典型数据，并基于k组典型数据构造典型数据集；

结合所述典型数据集和所述k个主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差；

当新增一次正常业务对应的采样数据时，重新构造典型数据集，并基于新的典型数据集更新所述最大可容忍误差。

7.如权利要求6所述的基于闭环约束的业务配置合理性校验方法，其特征在于，所述根据所述k个主要参数类型对应的当前采样数据和原始采样数据，计算出对应的k组典型数据，具体为：

分别校验所述k个主要参数类型对应的当前采样数据是否在对应已标定的约束区间内，如果在则将对应的当前采样数据加入到对应的原始采样数据中更新对应均值，并将更新后的均值作为该主要参数类型对应的典型数据。

8.如权利要求6所述的基于闭环约束的业务配置合理性校验方法，其特征在于，当有p组原始采样数据时，所述结合所述典型数据集和所述k个主要参数类型对应的原始采样数据计算采样误差，进而根据所述采样误差计算最大可容忍误差，具体为：

结合所述典型数据集和所述k个主要参数类型对应的p组原始采样数据，分别计算出对应的p个采样误差；

根据所述p个采样误差，通过正态分布模型中的3σ模型求解合理评判值，并将该合理评判值作为最大可容忍误差。

9.如权利要求1所述的基于闭环约束的业务配置合理性校验方法，其特征在于，当确定出k个主要参数类型时，所述基于所述主要参数类型对应的当前采样数据和配置数据构造待判定数据集，并计算所述待判定数据集与所述典型数据集间的误差是否在所述最大可容忍误差范围内，进而判断业务配置是否合理，具体为：

判定当前的业务配置是否需要进行合理性校验，当需要进行业务配置合理性校验时，利用配置数据覆盖当前采样数据中对应主要参数类型的数据，形成包含有k组待判定数据的待判定数据集；

计算所述待判定数据集与所述典型数据集间的误差，并判断该误差是否在所述最大可容忍误差范围内；如果该误差在所述最大可容忍误差范围内，则判定为业务配置合理，否则判定为业务配置不合理。

10.一种基于闭环约束的业务配置合理性校验装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成权利要求1-9任一所述的基于闭环约束的业务配置合理性校验方法。

Images