CN114598386B - 一种光网络通信软故障检测方法及装置 - Google Patents

Abstract

本发明提供一种光网络通信软故障检测方法及装置，通过相干接收机获取待检测光网络的待检测数字谱，在与标准数字谱在对数域做差后，利用预设自动编码器提取特征并进行重建，预设自动编码器是基于正常运行状态下光网络产生的数字残差谱进行训练得到的，能够在挖掘正常运行状态下样本数字残差谱的特征后进行精准重建，而当待检测光网络存在软故障时，预设自动编码器则不能适应其特征差异并完成软故障样本的数字残差谱的重建，则会使得软故障状态下待检测数字残差谱的重建结果与原本数字残差谱存在较大的重构误差。通过判断重构误差是否超过阈值，以判断待检测光网络是否存在软故障。

Description

一种光网络通信软故障检测方法及装置

技术领域

本发明涉及光电子技术和光纤通信技术领域，尤其涉及一种光网络通信软故障检测方法及装置。

背景技术

随着科技的发展，云服务、高清视频、5G等新兴技术得到了广泛的应用，与此同时也提高了对光网络传输容量的要求。为了实现大容量传输、提高频谱利用率，弹性光网络是一个很好的方案。然而，这也使网络的冗余减少，对于传输的可靠性是一大挑战。随着网络复杂性的增加，更多的故障被引入，其中软故障(软故障是指那些将缓慢而轻微地劣化传输性能，不会直接导致服务中断的故障)对网络的影响较为缓慢轻微，很难被察觉。但是如果没有得到及时的处理，软故障将逐渐演化硬故障，并给传输系统带来沉重的打击。因此，光网络中的软故障管理技术越来越受到人们重视。

近年来，作为一种自动化、可塑性、普适性强，能够很好地描述非线性问题的工具，机器学习技术吸引了众多研究者的兴趣，在软故障管理中的应用也十分广泛。但是，训练机器学习模型需要大量数据，而实际部署网络的设计较为保守，出现故障的概率非常小，因此较难得到软故障数据用于训练。而且，由于机器学习技术的训练成本较高，人们希望完成训练的模型能够在未曾见过的样本上也体现出较好的性能，以减少训练成本，这对模型的泛化能力提出了较高的要求。

发明内容

鉴于此，本发明实施例提供了一种光网络通信软故障检测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，解决光网络软故障难以察觉和检测的问题。

本发明的技术方案如下：

一方面，本发明提供一种光网络通信软故障检测方法，包括：

由相干接收机获取待检测光网络的待检测数字谱；

获取标准数字谱，将所述待检测数字谱与所述标准数字谱在对数域作差得到待检测残差谱；

将所述待检测残差谱输入预设自动编码器(Auto-Encoder,AE)以提取所述待检测残差谱的特征，并根据所述特征进行残差谱重构得到重构残差谱；

计算所述重构残差谱与所述待检测残差谱的重构误差，若所述重构误差大于设定阈值则判断所述待检测光网络发生软故障，若所述重构误差小于设定阈值则判断所述待检测光网络正常运行；

其中，所述标准数字谱是由相干接收机采集正常运行状态下样本光网络的多个样本数字谱并求平均得到的；

所述预设自动编码器是采用训练样本集对初始网络模型进行训练得到的，所述初始网络模型包括用于提取所述待检测残差谱的特征的残差谱特征提取模块，以及用于根据所述特征进行残差谱重构的残差谱重构模块；所述训练样本集包括多个样本，每个样本将一个所述样本数字谱与所述标准数字谱在对数域作差得到样本残差谱，每个样本以所述样本残差谱作为所述初始网络模型训练过程中的输入和输出。

在一些实施例中，所述残差谱特征提取模块包括依次连接的输入层、卷积层、最大池化层、第一全连接层和第二全连接层；所述残差谱重构模块包括第三全连接层和输出层。

在一些实施例中，所述方法还包括：将所述训练样本集按照设定比例分为训练集和测试集，所述训练集用于训练所述初始网络模型，所述测试集用于对训练得到的所述预设自动编码器进行验证和参数调整。

在一些实施例中，所述测试集为多个正常状态下样本残差谱和软故障状态下样本残差谱的集合。

在一些实施例中，所述重构误差为均方误差。

在一些实施例中，所述训练样本集是采集多套样本光网络在正常运行状态下的样本数字谱并计算对应的样本残差谱得到，以验证泛化性，各套样本光网络至少包括：光背靠背形式传输、经80km光纤传输、经160km光纤传输和经240km光纤传输。

在一些实施例中，所述样本光网络通过依次连接的激光器、任意波形发生器、双偏同向正交马赫曾德尔调制器和带宽可变波长选择开关发射相干光信号，并通过依次连接的光带通滤波器、集成相干接收机和数字信号示波器接收所述相干光信号，检出样本数字谱。

在一些实施例中，所述待检测数字谱和所述样本数字谱是基于快速傅里叶变换得到的幅度谱密度，或根据周期图法或Welch方法(即一种修正周期图功率谱密度估计方法)得到的功率谱密度。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本发明的有益效果至少是：

所述光网络通信软故障检测方法及装置中，通过集成相干接收机获取待检测光网络的待检测数字谱，在与标准数字谱在对数域做差后，利用预设自动编码器提取特征并进行重建，预设自动编码器是基于正常运行状态下光网络的残差谱进行训练得到的，能够在挖掘正常运行状态下残差谱的特征后进行精准重建，而当待检测光网络存在软故障时，预设自动编码器则不能适应其特征差异并完成残差谱的重建，则会使得软故障状态下待检测残差谱的重建结果与原本状态存在较大的重构误差。通过判断重构误差是否超过阈值，以判断待检测光网络是否存在软故障。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明一实施例所述光网络通信软故障检测方法的流程示意图；

图2为本发明一实施例所述光网络通信软故障检测方法的逻辑示意图；

图3为本发明一实施例所述光网络通信软故障检测方法中预设自动编码模块的结构图；

图4为本发明一实施例所述光网络通信软故障检测方法中预设自动编码模块输入谱和重构谱的对比图，其中，(a)为正常样本，(b)为软故障样本，PSD为功率谱密度；

图5为本发明一实施例所述实验系统的结构示意图；

图6为本发明一实施例基于数字残差谱的软故障检测方法以及基于误码率的软故障检测方法在预测五种传输系统样本时的正确检测率对比图；

图7为本发明一实施例从假负率的角度对软故障检测方案在五种传输系统上的泛化性对比图，其中，(a)为基于人工提取特征的软故障检测方案，(b)为基于自动编码器的软故障检测方法，FNR为假负率；

图8为本发明一实施例从F1分数的角度对软故障检测方案在五种传输系统上的泛化性对比图，其中，(a)为基于人工提取特征的软故障检测方案，(b)为基于自动编码器的软故障检测方法。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

由于机器学习技术的训练成本较高，而本申请希望完成训练的模型能够在未曾见过的样本上也体现出较好的性能，以减少训练成本，这对模型的泛化能力提出了较高的要求。

本发明提出了一种基于数字残差谱的软故障检测方案。从相干接收机中提取数字谱作为原始数据，不需要额外的器件即可完成，大大降低了成本。在对数字谱预处理得到数字残差谱后，直接将数字残差谱输入自动编码器(Auto-Encoder,AE)中获取能够用于软故障检测的信息，相较于基于人工凭经验提取特征的方式，具有较高的智能性。在AE的训练阶段只使用正常样本，由于在网络正常运行时，可以源源不断地获取正常样本，降低了获取训练数据的压力。AE的中间层提取的特征可以用于软故障识别，即只需要训练一个模型，十分有利于机器学习模型的实际部署。

具体的，本发明提供一种光网络通信软故障检测方法，如图1和图2所示，包括步骤S101～S104：

步骤S101：由相干接收机获取待检测光网络的待检测数字谱。

步骤S102：获取标准数字谱，将待检测数字谱与标准数字谱在对数域作差得到待检测残差谱。

步骤S103：将待检测残差谱输入预设自动编码器以提取待检测残差谱的特征，并根据特征进行残差谱重构得到重构数字谱。

步骤S104：计算重构残差谱与待检测残差谱的重构误差，若重构误差大于设定阈值则判断待检测光网络发生软故障，若重构误差小于设定阈值则判断待检测光网络正常运行。

其中，标准数字谱是由相干接收机采集正常运行状态下样本光网络的多个样本数字谱并求平均得到的。

预设自动编码器是采用训练样本集对初始网络模型进行训练得到的，初始网络模型包括用于提取待检测残差谱的特征的残差谱特征提取模块，以及用于根据特征进行残差谱重构的残差谱重构模块；训练样本集包括多个样本，每个样本将一个样本数字谱与标准数字谱在对数域作差得到样本残差谱，每个样本以所述样本残差谱作为所述初始网络模型训练过程中的输入和输出。

在本实施例中，预设自动编码器通过预训练，能够对正常工作状态下光网络的残差谱进行特征提取和残差谱重建，残差谱特征提取模块可以用于挖掘光网络中待检测数字谱与标准数字谱在对数域残差谱的特征，残差谱重构模块能够基于残差谱的特征对输入预设自动编码器的原始谱进行重建。通过对大量正常样本的学习，预设自动编码器能够对于正常状态下的光网络的残差谱进行精确重建。但是，当光网络发生软故障时，待检测数字谱对应的待检测残差谱经预设自动编码器所挖掘得到的特征就会显著区别于正常工作状态，以使得预设自动编码器重建得到的残差谱与原残差谱存在较大的重构误差。通过对重构误差进行判断就可以实现对光网络软故障的检测。

进一步的，预设自动编码器的训练方式如下：

1.构建训练样本集，由于基于机器学习的模型训练需要依赖大量的数据，如果以软故障状态下的数据训练模型进行直接检出，一方面由于客观因素难以获取大量软故障状态下的光网络数据(光网络数据即是指由相干接收机检出的数字谱)用于训练，导致难以训练得到高效且精确的软故障检出模型；另一方面，对于多样化的软故障，在没有足够数据的情况下，难以对软故障检出获得足够的泛化能力。因此，本实施例中，获取正常运行状态下的光网络数据，构建训练样本集，目的在于通过识别是否为正常状态，而反向确定光网络是否存在软故障。

具体的，基于通用的光网络通信结构，在发射端通过任意波形发生器和调制器进行信号的输出，通过光纤传输后，在接收端由相干接收机进行接收处理，本发明在样本光网路中，采用集成相干接收机采集得到的样本数字谱构建样本训练集。本实施例中，在5种传输链路下共采集了10000个正常样本，每个链路采集2000个，分别验证了5种链路所训练的模型各自的泛化性，在验证某模型泛化性时，选择对应的链路下得到的正常样本的85％作为训练集训练模型。五个系统分别是光背靠背(optical back-to-back,OB2B)系统、80km系统、160km系统、240km(1)系统与240km(2)系统。其中，光背靠背是指不经过光纤传输，双偏同向正交马赫曾德尔调制器的输出端与集成相干接收机的输入端直接连接；80km系统是指经80km光纤传输，160km系统是指经160km光纤传输；光背靠背系统、80km系统和160km系统均包含一个带宽可变波长选择开关(bandwidth-variable wavelength selectiveswitch，BV-WSS)。240km(1)系统与240km(2)系统均是经240km光纤传输，均包含两个BV-WSS，240km(1)系统中与滤波器相关的软故障通过BV-WSS 1引入，240km(2)系统中与滤波器相关的软故障通过BV-WSS 2引入。需要强调的是，样本数字谱可以是基于快速傅里叶变换得到的幅度谱密度，或根据周期图法或Welch方法(一种修正周期图功率谱密度估计方法)得到的功率谱密度。

2.构建初始网络模型，本实施例中，引入机器学习挖掘正常状态下样本残差谱的特征，并基于特征进行残差谱重建。初始网络模型包含两部分，一是用于提取待检测残差谱的特征的残差谱特征提取模块，二是用于根据特征进行残差谱重构的残差谱重构模块。

在一些实施例中，如图3所示，残差谱特征提取模块包括依次连接的输入层、卷积层、最大池化层、第一全连接层和第二全连接层；残差谱重构模块包括第三全连接层和输出层。

残差谱特征提取模块首先用一维卷积层探测输入谱(即输入的样本残差谱)的形状信息，例如边缘和角度；最大池化层用来去除冗余的数据；然后第一全连接层和第二全连接层逐渐降低维度，随后输出特征。示例性的，卷积层使用的卷积窗口大小为3，最大池化层的padding设置为same，最终提取的特征个数为16。

3.利用样本训练集对初始网络模型进行训练，得到预设自动编码器。训练过程中，样本训练集中每个样本包含一个正常运行状态下的样本残差谱，一方面，样本数字谱与标准数字谱在对数域做差得到的样本残差谱作为初始网络模型的输入，另一方面样本残差谱作为标签用于与重构的残差谱计算损失，通过最小化损失函数求解和评估模型。本实施例中，可以采用通用的损失函数如交叉熵损失函数或均方误差。可以设置设定数量的迭代次数或设定损失值作为训练的终止条件，最终得到预设自动编码器。

这里需要说明的是，标准数字谱是相干接收机采集正常运行状态下样本光网络的多个样本数字谱并求平均得到的。将样本数字谱与标准数字谱在对数域作差，得到样本残差谱。具体的，设线性尺度下数字谱为P，将它转为对数域表示的方式可以为：

P'＝10*lg(P)； (1)

进一步的，将样本数字谱和标准数字谱转化至对数域后，作差得到样本残差谱。

经过大量正常样本的训练，预设自动编码器能够实现对正常工作状态下相干接收器获取的残差谱进行特征提取和重建，并保证重构残差谱与原始的残差谱接近。这里，可以采用重构误差来评价重构残差谱与原残差谱的偏差，在一些实施例中，重构误差为均方误差。

在一些实施例中，所述方法还包括：将训练样本集按照设定比例分为训练集和测试集，训练集用于训练初始网络模型，测试集用于对训练得到的预设自动编码器进行验证和参数调整。示例性的，训练样本集的数据量为85％，测试集的数据量为15％。

在一些实施例中，样本光网络通过依次连接的激光器、任意波形发生器、双偏同向正交马赫曾德尔调制器和带宽可变波长选择开关发射相干光信号，并通过依次连接的光带通滤波器、集成相干接收机和数字信号示波器接收所述相干光信号，检出样本数字谱。

在一些实施例中，测试集为多个正常状态下样本残差谱和软故障状态下样本残差谱的集合。其中，软故障状态下的样本残差谱可以采用少量的现有软故障数据，也可以通过构建实验系统进行模拟，具体的，实验系统可以包括依次连接的激光器、任意波形发生器AWG、双偏同向正交马赫曾德尔调制器DP-IQ MZM、带宽可变波长选择开关BV-WSS、光纤、光带通滤波器OBPF、集成相干接收机ICR、数字信号示波器DSO和数字信号处理器DSP。通过将BV-WSS带宽以1GHz为步长从30.25GHz降低到24.5GHz，以模拟滤波器紧缩(FT)故障；通过将BV-WSS中心频率以1GHz为步长在5GHz到11GHz的范围内失谐，以模拟滤波器中心频率偏移(FS)；通过将发射机的激光器发射频率偏移以0.5GHz为步长在1.5GHz到3.5GHz的范围内变化，以模拟激光器频率偏移(LD)。在相应的软故障模拟状态下采集软故障数据。

在一些实施例中，训练样本集是采集多套样本光网络在正常运行状态下的样本残差谱并计算对应的样本残差谱得到，以验证泛化性，各套样本光网络至少包括：光背靠背形式传输、经80km光纤传输、经160km光纤传输和经240km光纤传输。

在检测步骤S101和步骤S102中，首先获取待检测光网络中相干接收器接收的待检测数字谱，按照预设自动编码器的输入要求，首先将待检测数字谱与标准数字谱在对数域作差得到待检测残差谱。计算和处理方式可以参照前文。待检测数字谱可以是基于快速傅里叶变换得到的幅度谱密度，或根据周期图法或Welch方法(一种修正周期图功率谱密度估计方法)得到的功率谱密度。

在步骤S103中，待检测残差谱输入预设自动编码器之后，由其中的残差谱特征提取模块先进行特征提取，再由残差谱重构模块根据提取的特征进行残差谱重构，得到重构残差谱。

由于预设自动编码器是基于正常样本进行训练的，其对正常样本能够准确的重建，而对于发生软故障的待测光网络的重构残差谱，由于提取的特征与正常样本的特征存在差异，会导致基于正常样本训练得到的预设自动编码器的模型参数不能适应软故障状态下待测光网络的待检测残差谱，最终使得重构得到的重构残差谱与原残差谱存在较大的重构误差。因此，步骤S104中，计算重构残差谱与待检测残差谱的重构误差，判断是否存在软故障。重构误差可以采用均方误差，其具体数值可以根据实际应用场景进行设置。可以采用多个正常运行状态下的样本残差谱进行重构误差计算，取重构误差的最大值作为设定阈值。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

下面结合具体实施例对本发明进行说明：

本实施例提出的基于数字残差谱的软故障检测方法的逻辑图如图2所示。通过将大量正常样本的样本数字谱取平均得到标准数字谱，通过将样本的数字谱与标准数字谱在对数域作差得到样本残差谱。通过将一个正常样本残差谱集合的一部分作为训练集训练自动编码器，再将此正常样本残差谱集合的剩余部分与软故障残差谱集合混合作为测试集测试完成训练的自动编码器，并进行参数调整得到预设自动编码器。

预设自动编码器的结构图如图3所示，它由一个残差谱特征提取模块和一个残差谱重构模块组成，下称残差谱特征提取模块为编码器，称残差谱重构模块为解码器。编码器通过设置卷积层、最大池化层、两个全连接层，将输入谱转换为特征。解码器通过一个全连接层将得到的特征重构为谱数据。

重构误差被定义为输入谱与重构谱之间的误差，本实施例选用均方误差(meansquare error,MSE)来计算重构误差。由于预设自动编码器是完全由正常残差谱训练的，所以它对正常残差谱的重构误差较小，而对软故障残差谱的重构误差较大。

正常样本和软故障样本基于预设自动编码器的输入谱与重构谱的对比如图4所示，可以发现正常样本的输入谱与重构谱具有较好的一致性，而软故障的输入谱与重构谱差异较大，这种差异将通过重构误差量化。通过设置合理的阈值，若样本的重构误差小于此阈值，则将该样本判决为正常样本；若样本的重构误差大于此阈值，则将该样本判决为软故障样本。

本实施例还提出的基于数字残差谱的软故障检测方案的实验系统，如图5所示，面向的是相干光传输场合。实验系统可选的包括依次连接的激光器、任意波形发生器AWG、双偏同向正交马赫曾德尔调制器DP-IQ MZM、带宽可变波长选择开关BV-WSS、光纤、光带通滤波器OBPF、集成相干接收机ICR、数字信号示波器DSO和数字信号处理模块DSP。

在此实验系统中，所传输的信号为30Gbaud、带宽31.5GHz的偏振复用16QAM信号。为了探究泛化性，一共构建了五个系统，分别是光背靠背(optical back-to-back,OB2B)系统、80km系统、160km系统、240km(1)系统与240km(2)系统。其中，光背靠背是指不经过光纤传输，双偏同向正交马赫曾德尔调制器与集成相干接收机直接连接；80km系统是指经80km光纤传输，160km系统是指经160km光纤传输；光背靠背系统、80km系统和160km系统均包含一个带宽可变波长选择开关(bandwidth-variable wavelength selective switch，BV-WSS)。240km(1)系统与240km(2)系统均是经240km光纤传输，均包含两个BV-WSS，240km(1)系统中与滤波器相关的软故障通过BV-WSS 1引入，240km(2)系统中与滤波器相关的软故障通过BV-WSS 2引入。

在链路正常工作时采集正常样本，每个系统分别采集了2000个正常样本。对每个系统引入三种软故障，每个故障幅度下采集10个样本(故障幅度衡量了所发生的软故障的严重程度，以滤波器紧缩故障为例，若正常状态时BV-WSS带宽为37.5GHz，而软故障发生时带宽降到30GHz，此时故障幅度为7.5GHz)，通过将用来引入故障的BV-WSS带宽以1GHz为步长从30.25GHz降低到24.5GHz，以模拟滤波器紧缩(FT)故障；通过将用来引入故障的BV-WSS中心频率以1GHz为步长在5GHz到11GHz的范围内失谐，以模拟滤波器中心频率偏移(FS)；通过将发射机的激光器发射频率偏移以0.5GHz为步长在1.5GHz到3.5GHz的范围内变化，以模拟激光器频率偏移(LD)。在相应的软故障模拟状态下采集软故障数据。其中，每当一个与软故障相关的参数被改变时，其余系统参数保持不变，最终采集了10000个正常样本与1550个软故障样本。

将基于实验系统产生的数据，分别利用本实施例的基于数字残差谱以及基于误码率(BER)的两种软故障检测方法进行软故障检测，在正确检测率上的性能对比如图6所示。

分别对比了预测五个传输系统时的性能，对于每个传输系统，用85％的正常样本训练自动编码器，再将其余15％的正常样本和软故障样本混合作为测试集，然后设定一个该系统下的重构误差阈值。在基于误码率(BER)的方案中，为每个传输系统设置一个阈值，若样本的BER低于此阈值则被判决为正常样本，若样本BER高于此阈值则被判决为软故障样本。如图6所示，基于数字残差谱与AE的方案明显比基于BER的方案的正确检测率高。

进一步的，还将基于自动编码器的软故障检测方案与基于人工提取特征的软故障检测方案的泛化性进行比较。

在探究泛化性时，先选定一个传输系统，用该传输系统的正常样本训练自动编码器，并确定该传输系统的最优重构误差阈值，然后将此训练好的模型直接用于对其他传输系统测试集的预测。为了描述系统性能，给出如表一所示的混淆矩阵：

表一 混淆矩阵

首先从假负率(false negative rate,FNR)的角度对比，FNR定义如下：

FNR越低则模型性能越好。如图7所示，基于数字残差谱与自动编码器的软故障检测方法具有更低的FNR，使用同一训练模型，在对五个传输系统进行预测时，FNR均低于3.87％。再从F1分数的角度对比，F1分数综合评估了正确检测软故障样本与正确检测正常样本的情况，F1分数越高说明模型性能越好，其计算方式如下：

其中，Precision与Recall分别表示精确率和召回率，计算方式分别如下：

如图8所示，基于数字残差谱与自动编码器的软故障检测方法具有更高的F1分数，尤其是使用240km(2)系统训练的模型预测其他系统时，平均F1分数较基于人工提取特征的方案提高了22.24％。

所以，本实施例提出的基于数字残差谱的软故障检测方法，具有智能性强、泛化性强、成本低、检测准确率高等优点。

综上所述，所述光网络通信软故障检测方法及装置中，通过相干接收机获取待检测光网络的待检测数字谱，在与标准数字谱在对数域做差后，利用预设自动编码器提取残差谱的特征并进行重建，预设自动编码器是基于正常运行状态下光网络的数字谱进行训练得到的，能够在挖掘正常运行状态下残差谱的特征后进行精准重建，而当待检测光网络存在软故障时，预设自动编码器则不能适应其特征差异并完成残差谱的重建，则会使得软故障状态下待检测残差谱的重建结果与原本状态存在较大的重构误差。通过判断重构误差是否超过阈值，以判断待检测光网络是否存在软故障。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，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。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种光网络通信软故障检测方法，其特征在于，包括：

由相干接收机获取待检测光网络的待检测数字谱；

获取标准数字谱，将所述待检测数字谱与所述标准数字谱在对数域作差得到待检测残差谱；

将所述待检测残差谱输入预设自动编码器以提取所述待检测残差谱的特征，并根据所述特征进行残差谱重构得到重构残差谱；

计算所述重构残差谱与所述待检测残差谱的重构误差，若所述重构误差大于设定阈值则判断所述待检测光网络发生软故障，若所述重构误差小于设定阈值则判断所述待检测光网络正常运行；

其中，所述标准数字谱是由相干接收机采集正常运行状态下样本光网络的多个样本数字谱并求平均得到的；

所述预设自动编码器是采用训练样本集对初始网络模型进行训练得到的，所述初始网络模型包括用于提取所述待检测残差谱的特征的残差谱特征提取模块，以及用于根据所述特征进行残差谱重构的残差谱重构模块；所述训练样本集包括多个样本，每个样本将一个所述样本数字谱与所述标准数字谱在对数域作差得到样本残差谱，每个样本以所述样本残差谱作为所述初始网络模型训练过程中的输入和输出；

所述残差谱特征提取模块包括依次连接的输入层、卷积层、最大池化层、第一全连接层和第二全连接层；所述残差谱重构模块包括第三全连接层和输出层；所述待检测数字谱和所述样本数字谱是基于快速傅里叶变换得到的幅度谱密度，或根据周期图法或Welch方法得到的功率谱密度。

2.根据权利要求1所述的光网络通信软故障检测方法，其特征在于，所述方法还包括：将所述训练样本集按照设定比例分为训练集和测试集，所述训练集用于训练所述初始网络模型，所述测试集用于对训练得到的所述预设自动编码器进行验证和参数调整。

3.根据权利要求2所述的光网络通信软故障检测方法，其特征在于，所述测试集为多个正常状态下样本残差谱和软故障状态下样本残差谱的集合。

4.根据权利要求1所述的光网络通信软故障检测方法，其特征在于，所述重构误差为均方误差。

5.根据权利要求1所述的光网络通信软故障检测方法，其特征在于，所述训练样本集是采集多套样本光网络在正常运行状态下的样本数字谱并计算对应的样本残差谱得到，以验证泛化性，各套样本光网络至少包括：光背靠背形式传输、经80km光纤传输、经160km光纤传输和经240km光纤传输。

6.根据权利要求5所述的光网络通信软故障检测方法，其特征在于，所述样本光网络通过依次连接的激光器、任意波形发生器、双偏同向正交马赫曾德尔调制器和带宽可变波长选择开关发射相干光信号，并通过依次连接的光带通滤波器、集成相干接收机和数字信号示波器接收所述相干光信号，检出样本数字谱。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。