CN113282470A - 一种性能预测方法及装置 - Google Patents

Abstract

本申请实施例提供一种性能预测方法及装置，涉及通信技术领域，解决了现有技术无法快速、准确的预测传输网中设备和线路的性能是否需要优化的技术问题。该性能预测方法包括：获取目标端口在当前时间段内的光功率；将目标端口在当前时间段内的光功率输入到预先训练好的预测模型中，以确定目标端口在未来时间段的误码率；根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。

Description

一种性能预测方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种性能预测方法及装置。

背景技术

随着通信网络的不断发展，传输网网络规模不断扩大，网络复杂度急剧上升，运维人员对网络运行状态的实时有效监控和对通信设备故障的快速准确判断越来越困难，同时随着通信设备及光缆在网运行时间的增加，材料磨损或环境造成的通信设备变形、腐蚀、老化等原因会造成网络原有性能逐渐降低。这种性能劣化会对传输网的安全稳定运行造成巨大影响。然而，现网资源更新计划有时无法满足现网的实际情况，通信设备过早更换会造成资金的浪费，过晚更换会严重影响网络的正常运行。

因此，如何快速、准确的预测传输网中设备和线路的性能是否需要优化，是目前亟需解决的问题。

发明内容

本申请实施例提供一种性能预测方法及装置，解决了现有技术无法快速、准确的预测传输网中设备和线路的性能是否需要优化的技术问题。

为达到上述目的，本申请实施例采用如下技术方案：

第一方面，提供一种性能预测方法，包括：获取目标端口在当前时间段内的光功率；目标端口为传输网中的目标信道对应的设备和线路的端口；将目标端口在当前时间段内的光功率输入到预先训练好的预测模型中，以确定目标端口在未来时间段的误码率；根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。

性能预测装置通过预先训练好的预测模型，对目标端口在当前时间段内的光功率进行预测，以确定目标端口在未来时间段的误码率，并根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。在目标端口对应的设备和线路的性能较差的情况下，性能预测装置可以发出警告，提示运维人员对目标端口对应的设备和线路进行提升性能优化措施(例如更换线路或者升级设备)。相比现有技术，本申请提供的方案中可以快速、准确地预测传输网中设备和线路的性能是否需要优化，提高了网络运维的效率。

第二方面，提供一种性能预测装置，该性能预测装置包括：获取单元和确定单元；获取单元，用于获取传输网设备在第一时间段内的光功率；确定单元，用于将传输网设备在第一时间段内的光功率输入到预先训练好的预测模型中，以确定传输网设备的误码率；确定单元，还用于根据传输网设备的误码率，确定传输网设备是否故障。

第三方面，提供一种性能预测装置，包括存储器和处理器。存储器用于存储计算机执行指令，处理器与存储器通过总线连接。当性能预测装置运行时，处理器执行存储器存储的计算机执行指令，以使性能预测装置执行第一方面所述的性能预测方法。

该性能预测装置可以是网络设备，也可以是网络设备中的一部分装置，例如网络设备中的芯片系统。该芯片系统用于支持网络设备实现第一方面及其任意一种可能的实现方式中所涉及的功能，例如，接收、确定、分流上述性能预测方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。

第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得该计算机执行第一方面所述的性能预测方法。

第五方面，提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面及其任一种可能的设计方式所述的性能预测方法。

需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机存储介质上。其中，第一计算机存储介质可以与性能预测装置的处理器封装在一起的，也可以与性能预测装置的处理器单独封装，本申请实施例对此不作限定。

本发明中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面以及第五方面的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

在本申请实施例中，上述性能预测装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似，属于本发明权利要求及其等同技术的范围之内。

本发明的这些方面或其他方面在以下的描述中会更加简明易懂。

附图说明

图1为本申请实施例提供的一种性能预测装置的硬件结构示意图；

图2为本申请实施例提供的又一种性能预测装置的硬件结构示意图；

图3为本申请实施例提供的一种预测模型训练流程示意图；

图4为本申请实施例提供的又一种预测模型训练流程示意图；

图5为本申请实施例提供的一种性能预测流程示意图；

图6为本申请实施例提供的一种性能预测装置的结构示意图。

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，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。

为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。

随着通信网络的不断发展，传输网网络规模不断扩大，网络复杂度急剧上升，运维人员对网络运行状态的实时有效监控和对通信设备故障的快速准确判断越来越困难，同时随着通信设备及光缆在网运行时间的增加，材料磨损或环境造成的通信设备变形、腐蚀、老化等原因会造成网络原有性能逐渐降低。这种性能劣化会对传输网的安全稳定运行造成巨大影响。然而，现网资源更新计划有时无法满足现网的实际情况，通信设备过早更换会造成资金的浪费，过晚更换会严重影响网络的正常运行。

因此，如何快速、准确的预测传输网中设备和线路的性能是否需要优化，是目前亟需解决的问题。

针对上述问题，本申请实施例提供了一种性能预测方法，性能预测装置通过预先训练好的预测模型，对目标端口在当前时间段内的光功率进行预测，以确定目标端口在未来时间段的误码率，并根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。在目标端口对应的设备和线路的性能较差的情况下，性能预测装置可以发出警告，提示运维人员对目标端口对应的设备和线路进行提升性能优化措施(例如更换线路或者升级设备)。相比现有技术，本申请提供的方案中可以快速、准确地预测传输网中设备和线路的性能是否需要优化，提高了网络运维的效率。

上述性能预测装置可以为用于对目标端口对应的设备和线路的性能进行预测的设备，也可以为该设备中的芯片，还可以为该设备中的片上系统。

可选的，该设备可以是物理机，例如：台式电脑，又称台式机或桌面机(desktopcomputer)、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备。

可选的，上述性能预测装置也可以通过部署在物理机上的虚拟机(virtualmachine，VM)，实现上述性能预测装置所要实现的功能。

为了便于理解，下面对本申请实施例中的性能预测装置的结构进行描述。

图1示出了本申请实施例提供的性能预测装置的一种硬件结构示意图。如图1所示，该性能预测装置包括处理器11，存储器12、通信接口13、总线14。处理器11，存储器12以及通信接口13之间可以通过总线14连接。

处理器11是性能预测装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器11可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。

作为一种实施例，处理器11可以包括一个或多个CPU，例如图1中所示的CPU 0和CPU 1。

存储器12可以是只读存储器(read-only memory，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，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electr icallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

一种可能的实现方式中，存储器12可以独立于处理器11存在，存储器12可以通过总线14与处理器11相连接，用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时，能够实现本发明实施例提供的性能预测方法。

另一种可能的实现方式中，存储器12也可以和处理器11集成在一起。

通信接口13，用于与其他设备通过通信网络连接。所述通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口13可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。

总线14，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

需要指出的是，图1示出的结构并不构成对该性能预测装置的限定。除图1所示部件之外，该性能预测装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

图2示出了本申请实施例中性能预测装置的另一种硬件结构。如图2所示，通信装置可以包括处理器21以及通信接口22。处理器21与通信接口22耦合。

处理器21的功能可以参考上述处理器11的描述。此外，处理器21还具备存储功能，可以参考上述存储器12的功能。

通信接口22用于为处理器21提供数据。该通信接口22可以是通信装置的内部接口，也可以是性能预测装置对外的接口(相当于通信接口13)。

需要指出的是，图1(或图2)中示出的结构并不构成对性能预测装置的限定，除图1(或图2)所示部件之外，该性能预测装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合附图对本申请实施例提供的性能预测方法进行详细介绍。

本申请实施例提供的性能预测方法包括：性能预测装置根据至少一组样本数据、极端梯度提升(eXtreme Gradient Boosting，XGBoost)算法和粒子群算法，训练得到预测模型简称为“预测模型训练流程”)和性能预测装置根据预测模型，对传输网设备的误码率进行预测的流程(简称为“性能预测流程”)。

下面先对“预测模型训练流程”进行描述。

如图3所示，“预测模型训练流程”包括：S301-S302。

S301、性能预测装置获取目标端口在历史时间段内的至少一组样本数据。

其中，目标端口为传输网中的目标信道对应的设备和线路的端口。至少一组样本数据中的每组样本数据包括：第一时刻的至少一个光功率和第二时刻的误码率；第二时刻位于第一时刻之后。

具体的，性能预测装置在训练得到预测模型时，需要获取大量的历史数据作为训练模型的样本数据。在这种情况下，性能预测装置获取目标端口在历史时间段内的至少一组样本数据。

可选的，传输网设备可以周期性的向网络管理系统发送基本数据。其中包括目标端口在该时间段内的光功率和误码率。在这种情况下，性能预测装置可以向网络管理系统发送获取目标端口在历史时间段内的至少一组样本数据的数据请求。相应的，网络管理服务器响应于性能预测装置发送的数据请求，向性能预测装置发送目标端口在历史时间段内的至少一组样本数据。

示例性的，预设当前时刻为2021年3月29日，性能预测装置获取目标端口在在2021年3月1日-2021年3月7日内的样本数据包括两组，第一组为：2021年3月1日15点的光功率和2021年3月6日15点的误码率。第二组为：2021年3月2日15点的光功率和2021年3月7日15点的误码率。

S302、性能预测装置根据至少一组样本数据、XGBoost算法和粒子群算法，训练得到预测模型。

具体的，在获取到目标端口在历史时间段内的至少一组样本数据后，性能预测装置根据至少一组样本数据、XGBoost算法和粒子群算法，训练得到预测模型。

其中，预测模型用于获取传输网设备在当前时间段内的光功率后，预测传输网设备在未来时间段的误码率。

可选的，采用XGBoost算法和粒子群算法构建的预测模型具体包括以下八个步骤：

步骤一：初始化粒子群，包括粒子数量、迭代次数、每个粒子的位置和速度等。

具体的，预设粒子的数量为N。示例性的，N为40-100中的任意数值。

预设迭代次数为T。示例性的，T为500-2000中的任意数值。

预设两个速度系数c₁和c₂。示例性的，c₁＝2，c₂＝2。速度系数主要用来控制粒子的更新速度。

每个粒子的初始化，随机产生N个粒子，每个粒子包含XGBoost算法对应的预测模型需要优化的所有参数。

可选的，XGBoost算法对应的预测模型需要优化的参数共有9个参数，分别为：学习率(learning-rate),迭代次数(n-estimators),树的最大深度(max-depth),孩子节点中最小的样本权重和(min-child-weight),用于训练模型的子样本占整个样本集合的比例(subsample),在建立树时对特征采样的比例(colsample-bytree),在树的叶节点上进行进一步分区所需的最小损失减少(gamma),权重的L1正则化项(reg-alpha),权重的L2正则化项(reg-lambda)。上述参数具体可以参考现有技术中对XGBoost算法的描述，这里对此不再进行详细赘述。

因此每个粒子中有9个值代表一种参数组合的方式。

步骤二：计算每个粒子的适应度值：每个粒子代表XGBoost的参数，将XGBoost预测误码率结果作为粒子的适应度值。

将样本数据按照8:2随机分为训练集和测试集。样本数据包括特征值X＝[x₁,x₂…,x_n]和标签值(Y＝[y₁,y₂…,y_n]),X包括链路上每隔15分钟采集的各个端口的光功率值，Y为对应时刻的误码率，因此，x_n包括某时刻光通路上不同端口的光功率，y_n为未来m天对应的误码率值。

每个粒子作为一种参数组合代入到XGBoost算法中，将训练集输入到XGBoost中进行训练，训练完成后使用测试集进行测试，计算测试结果的均方误差MSE。每个粒子适应度值FitNum如下，FitNum越大，代表粒子的表现更优：

FitNum＝1-MSE；

其中，n为测试集中的至少一组样本数据数量，y_i为测试集中的第i个误码率。

步骤三：计算每个粒子历史最优位置。

对于第i粒子用其适应度值FitNum_i和其个体极值pbest_i比较，如果FitNum_i大于pbest_i，用FitNum_i替换掉pbest_i，否则pbest_i不更新，对每个粒子做此操作，更新每个粒子的pbest_i。

步骤四：计算全局最优的粒子。

对于第i粒子用其适应度值FitNum_i和其全局极值gbest_i比较，如果FitNum_i大于gbest_i，用FitNum_i替换掉gbest_i，否则gbest_i不更新，对每个粒子做此操作，更新全局gbest_i。

步骤五：更新粒子的速度。

第i粒子的速度为ν_i满足下述公式：

ν_i＝ω×v_i+c₁×rand()×(pbest_i-x_i)+c₂×rand()×(gbest_i-x_i)

ω^(t)＝(ω_ini-ω_end)(G_k-g)/G_k+ω_end。

其中，G_k为最大迭代次数，ω_ini为初始的惯性权值(例如0.9)，ω_end为迭代至最大进化代数时的惯性权值(例如0.4)，rand()为随机函数。

步骤六：更新粒子的位置。

第i粒子的位置x_i满足下述公式：

x_i＝x_i+v_i。

步骤七：判断是否满足误码率预测的要求，若满足则进行步骤八，若不满足则重复步骤二-步骤六。

当粒子的适应度值达到固定数值β时，或者迭代次数为T时则输出结果，否则重复步骤二-步骤六。

步骤八：适应度最优的粒子即XGBoost最优的参数以及误码率预测结果。

可选的，结合图3，如图4所示，所述S302中，性能预测装置根据至少一组样本数据、XGBoost算法和粒子群算法，训练得到预测模型的具体方法包括：S401-S405。

S401、性能预测装置从至少一组样本数据中获取第一数据集。

具体的，在获取至少一组样本数据后，性能预测装置可以将至少一组样本数据分为第一数据集和第二数据集，并将第一数据集作为训练集，以及将第二数据集作为测试集。这样一来，性能预测装置可以从至少一组样本数据中获取第一数据集。

S402、性能预测装置对第一数据集执行训练处理操作。

其中，训练处理操作为：将第一数据集输入到与XGBoost算法对应的S个当前模型中，以得到S个处理结果；S个当前模型与S个处理结果一一对应。

具体的，从至少一组样本数据中获取第一数据集后，性能预测装置将第一数据集输入到与XGBoost算法对应的S个当前模型中，以得到S个处理结果。

S403、性能预测装置在训练处理操作的执行次数小于预设次数、且S个处理结果中的每个处理结果均小于预设处理结果的情况下，从至少一组样本数据中获取第二数据集，并根据S个处理结果、粒子群算法和第二数据集，调整当前模型的参数。

具体的，在对第一数据集执行训练处理操作后，若训练处理操作的执行次数为达到预设次数，且S个处理结果中的每个处理结果均小于预设处理结果，说明该预测模型还未到达最优模型。在这种情况下，性能预测装置根据S个处理结果、粒子群算法和第二数据集，调整当前模型的参数。

进一步的，对于S个处理结果中的第i个处理结果而言，性能预测装置根据第二数据集，确定第i个处理结果的均方误差，然后根据均方误差，确定第i个处理结果的适应度值。

第i个处理结果的适应度值和均方误差满足下述公式：

FitNum＝1-MSE；

其中，MSE为均方误差，n为第二至少一组样本数据集中的至少一组样本数据数量，y_i为第二至少一组样本数据集中的第i个误码率，FitNum为第i个处理结果的适应度值。

在确定第i个处理结果的适应度值后，性能预测装置根据粒子群算法和第i个处理结果的适应度值，调整当前模型的参数。

S404、性能预测装置将调整参数后的模型作为当前模型，并根据第一数据集，重新执行训练处理操作，直到训练处理操作的执行次数大于或者等于预设次数，或者S个处理结果中的任意一个处理结果大于或者等于预设处理结果为止。

具体的，在调整当前模型的参数后，性能预测装置将调整参数后的模型作为当前模型，并根据第一数据集，重新执行训练处理操作，直到训练处理操作的执行次数大于或者等于预设次数，或者S个处理结果中的任意一个处理结果大于或者等于预设处理结果为止。即迭代次数满足预设次数，或者处理结果达到固定数值。

S405、性能预测装置将训练处理操作停止时对应的当前模型，确定为预测模型。

具体的，在训练处理操作的执行次数大于或者等于预设次数，或者S个处理结果中的任意一个处理结果大于或者等于预设处理结果后，说明该预测模型已经训练完毕。在这种情况下，性能预测装置将训练处理操作停止时对应的当前模型，确定为预测模型。

接下来对“性能预测流程”进行描述。

采用上述方法训练好预测模型之后，可以根据预测模型，对传输网设备在第一时间段内的光功率进行预测。如图5所示，包括：S501-S503。

S501、性能预测装置获取目标端口在当前时间段内的光功率。

其中，目标端口为传输网中的目标信道对应的设备和线路的端口。

性能预测装置可以根据上述获取目标端口在历史时间段内的至少一组样本数据的方法，获取目标端口在当前时间段内的光功率，具体方法在此不再赘述。

S502、性能预测装置将目标端口在当前时间段内的光功率输入到预先训练好的预测模型中，以确定目标端口在未来时间段的误码率。

示例性的，性能预测装置获取目标端口在2019年11月1日的光功率。将上述光功率输入到预先训练好的预测模型，以确定传输网设备在12月1日的误码率。

S503、性能预测装置根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。

具体的，在确定目标端口在未来时间段的误码率后，性能预测装置根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。

示例性的，在确定目标端口在未来时间段的误码率大于第一阈值时，性能预测装置确定目标端口对应的设备和线路的性能较差。在这种情况下，性能预测装置可以发出警告，提示运维人员对目标端口对应的设备和线路进行提升性能优化措施(例如更换线路或者升级设备)。

本申请提供一种性能预测方法，包括：获取目标端口在当前时间段内的光功率；目标端口为传输网中的目标信道对应的设备和线路的端口；将目标端口在当前时间段内的光功率输入到预先训练好的预测模型中，以确定目标端口在未来时间段的误码率；根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。

性能预测装置通过预先训练好的预测模型，对目标端口在当前时间段内的光功率进行预测，以确定目标端口在未来时间段的误码率，并根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。在目标端口对应的设备和线路的性能较差的情况下，性能预测装置可以发出警告，提示运维人员对目标端口对应的设备和线路进行提升性能优化措施(例如更换线路或者升级设备)。相比现有技术，本申请提供的方案中可以快速、准确地预测传输网中设备和线路的性能是否需要优化，提高了网络运维的效率。

上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本申请实施例可以根据上述方法示例对性能预测装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

如图6所示，为本申请实施例提供的一种性能预测装置600的结构示意图。该性能预测装置600用于快速、准确地对用户行为进行预测，例如用于执行图3、图4所示的预测模型训练的方法，或者图5所示的性能预测的方法。性能预测装置600包括：获取单元601和确定单元602。

获取单元601，用于获取目标端口在当前时间段内的光功率；目标端口为传输网中的目标信道对应的设备和线路的端口。例如，结合图5，获取单元601用于执行S501。

确定单元602，用于将目标端口在当前时间段内的光功率输入到预先训练好的预测模型中，以确定目标端口在未来时间段的误码率。例如，结合图5，确定单元602用于执行S502。

确定单元602，还用于根据目标端口在未来时间段的误码率，确定目标端口对应的设备和线路的性能。例如，结合图5，确定单元602用于执行S503。

可选的，获取单元601，还用于获取目标端口在历史时间段内的至少一组样本数据；至少一组样本数据中的每组样本数据包括：第一时刻的至少一个光功率和第二时刻的误码率；第二时刻位于第一时刻之后。例如，结合图3，获取单元601用于执行S301。

性能预测方法，还包括：训练单元603；

训练单元603，用于根据至少一组样本数据、极端梯度提升XGBoost算法和粒子群算法，训练得到预测模型。例如，结合图3，训练单元603用于执行S302。

可选的，训练单元603，具体用于：

从至少一组样本数据中获取第一数据集。例如，结合图4，训练单元603用于执行S401。

对第一数据集执行训练处理操作，训练处理操作为：将第一数据集输入到与XGBoost算法对应的S个当前模型中，以得到S个处理结果；S个当前模型与S个处理结果一一对应。例如，结合图4，训练单元603用于执行S402。

在训练处理操作的执行次数小于预设次数、且S个处理结果中的每个处理结果均小于预设处理结果的情况下，从至少一组样本数据中获取第二数据集，并根据S个处理结果、粒子群算法和第二数据集，调整当前模型的参数。例如，结合图4，训练单元603用于执行S403。

将调整参数后的模型作为当前模型，并根据第一数据集，重新执行训练处理操作，直到训练处理操作的执行次数大于或者等于预设次数，或者S个处理结果中的任意一个处理结果大于或者等于预设处理结果为止。例如，结合图4，训练单元603用于执行S404。

将训练处理操作停止时对应的当前模型，确定为预测模型。例如，结合图4，训练单元603用于执行S405。

可选的，训练单元603，具体用于：

对于S个处理结果中的第i个处理结果而言，根据第二数据集，确定第i个处理结果的均方误差；

根据均方误差，确定第i个处理结果的适应度值；

第i个处理结果的适应度值和均方误差满足下述公式：

FitNum＝1-MSE；

其中，MSE为均方误差，n为第二数据集中的样本数据的数量，y_i为第二数据集中的第i个误码率，FitNum为第i个处理结果的适应度值；

根据粒子群算法和第i个处理结果的适应度值，调整当前模型的参数。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的性能预测方法中，性能预测装置执行的各个步骤。

本申请实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的性能预测方法中，性能预测装置执行的各个步骤。

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。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该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计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。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。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，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))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。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以用介质集成的服务器、数据中心等数据存储设备。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，SSD))等。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种性能预测方法，其特征在于，包括：

获取目标端口在当前时间段内的光功率；所述目标端口为传输网中的目标信道对应的设备和线路的端口；

将所述目标端口在所述当前时间段内的光功率输入到预先训练好的预测模型中，以确定所述目标端口在未来时间段的误码率；

根据所述目标端口在所述未来时间段的误码率，确定所述目标端口对应的设备和线路的性能。

2.根据权利要求1所述的性能预测方法，其特征在于，所述性能预测方法，还包括：

获取所述目标端口在历史时间段内的至少一组样本数据；所述至少一组样本数据中的每组样本数据包括：第一时刻的至少一个光功率和第二时刻的误码率；所述第二时刻位于所述第一时刻之后；

根据所述至少一组样本数据、极端梯度提升XGBoost算法和粒子群算法，训练得到所述预测模型。

3.根据权利要求2所述的性能预测方法，其特征在于，所述根据所述至少一组样本数据、极端梯度提升XGBoost算法和粒子群算法，训练得到所述预测模型，包括：

从所述至少一组样本数据中获取第一数据集；

对所述第一数据集执行训练处理操作，所述训练处理操作为：将所述第一数据集输入到与所述XGBoost算法对应的S个当前模型中，以得到S个处理结果；所述S个当前模型与所述S个处理结果一一对应；

在所述训练处理操作的执行次数小于预设次数、且所述S个处理结果中的每个处理结果均小于预设处理结果的情况下，从所述至少一组样本数据中获取第二数据集，并根据所述S个处理结果、所述粒子群算法和所述第二数据集，调整所述当前模型的参数；

将调整参数后的模型作为所述当前模型，并根据所述第一数据集，重新执行所述训练处理操作，直到所述训练处理操作的执行次数大于或者等于所述预设次数，或者所述S个处理结果中的任意一个处理结果大于或者等于所述预设处理结果为止；

将所述训练处理操作停止时对应的当前模型，确定为所述预测模型。

4.根据权利要求3所述的性能预测方法，其特征在于，所述根据所述S个处理结果、所述粒子群算法和所述第二数据集，调整所述当前模型的参数，包括：

对于所述S个处理结果中的第i个处理结果而言，根据所述第二数据集，确定所述第i个处理结果的均方误差；

根据所述均方误差，确定所述第i个处理结果的适应度值；

所述第i个处理结果的适应度值和所述均方误差满足下述公式：

FitNum＝1-MSE；

其中，MSE为所述均方误差，n为所述第二数据集中的样本数据的数量，y_i为所述第二数据集中的第i个误码率，FitNum为所述第i个处理结果的适应度值；

根据所述粒子群算法和所述第i个处理结果的适应度值，调整所述当前模型的参数。

5.一种性能预测装置，其特征在于，包括：获取单元和确定单元；

所述获取单元，用于获取目标端口在当前时间段内的光功率；所述目标端口为传输网中的目标信道对应的设备和线路的端口；

所述确定单元，用于将所述目标端口在所述当前时间段内的光功率输入到预先训练好的预测模型中，以确定所述目标端口在未来时间段的误码率；

所述确定单元，还用于根据所述目标端口在所述未来时间段的误码率，确定所述目标端口对应的设备和线路的性能。

6.根据权利要求5所述的性能预测装置，其特征在于，

所述获取单元，还用于获取所述目标端口在历史时间段内的至少一组样本数据；所述至少一组样本数据中的每组样本数据包括：第一时刻的至少一个光功率和第二时刻的误码率；所述第二时刻位于所述第一时刻之后；

所述性能预测装置还包括：训练单元；

所述训练单元，用于根据所述至少一组样本数据、极端梯度提升XGBoost算法和粒子群算法，训练得到所述预测模型。

7.根据权利要求6所述的性能预测装置，其特征在于，所述训练单元，具体用于：

从所述至少一组样本数据中获取第一数据集；

对所述第一数据集执行训练处理操作，所述训练处理操作为：将所述第一数据集输入到与所述XGBoost算法对应的S个当前模型中，以得到S个处理结果；所述S个当前模型与所述S个处理结果一一对应；

在所述训练处理操作的执行次数小于预设次数、且所述S个处理结果中的每个处理结果均小于预设处理结果的情况下，从所述至少一组样本数据中获取第二数据集，并根据所述S个处理结果、所述粒子群算法和所述第二数据集，调整所述当前模型的参数；

将调整参数后的模型作为所述当前模型，并根据所述第一数据集，重新执行所述训练处理操作，直到所述训练处理操作的执行次数大于或者等于所述预设次数，或者所述S个处理结果中的任意一个处理结果大于或者等于所述预设处理结果为止；

将所述训练处理操作停止时对应的当前模型，确定为所述预测模型。

8.根据权利要求7所述的性能预测装置，其特征在于，所述训练单元，具体用于：

对于所述S个处理结果中的第i个处理结果而言，根据所述第二数据集，确定所述第i个处理结果的均方误差；

根据所述均方误差，确定所述第i个处理结果的适应度值；

所述第i个处理结果的适应度值和所述均方误差满足下述公式：

FitNum＝1-MSE；

其中，MSE为所述均方误差，n为所述第二数据集中的样本数据的数量，y_i为所述第二数据集中的第i个误码率，FitNum为所述第i个处理结果的适应度值；

根据所述粒子群算法和所述第i个处理结果的适应度值，调整所述当前模型的参数。

9.一种性能预测装置，其特征在于，包括存储器和处理器；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过总线连接；

当所述性能预测装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述性能预测装置执行如权利要求1-4任一项所述的性能预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机执行指令，当所述计算机执行指令在计算机上运行时，使得所述计算机执行如权利要求1-4任一项所述的性能预测方法。

Images