KR20210031991A - 광 링크 장애 식별 방법, 장치 및 시스템 - Google Patents

Abstract

본 출원의 실시예는 광 링크 장애 식별 방법을 제공하며, 통신 기술 분야에 관한 것이다. 상기 방법은, 네트워크 기기의 성능 데이터를 획득하는 단계, 상기 성능 데이터의 특징 파라미터를 추출하는 단계, 및 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별하는 단계를 포함한다. 상기 방법은 대량의 기기, 많은 회선 장애 및 수동 트러블슈팅 사례 확보의 어려움으로 인해 발생하는 장애 식별의 어려움 및 느린 트러블슈팅의 문제를 해결한다. 또한, 장애 발생시 장애를 신속하게 식별할 수 있어, 트러블슈팅 효율이 향상된다. 광 링크 리스크가 장애를 일으키지 않는 경우, 성능 데이터의 열화를 특징에 기초하여 사전에 찾아내어, 식별 및 경보를 수행한다.

Description

광 링크 장애 식별 방법, 장치 및 시스템

본 출원은 통신 기술 분야에 관한 것으로, 특히 광 링크 장애 식별 방법, 장치 및 시스템에 관한 것이다.

네트워크 시스템의 복잡도 및 송신 용량이 증가함에 따라, 광 섬유 통신의 대 송신 용량 및 고 기밀성 등과 같은 이점 덕분에 광 섬유 통신은 주요 유선 통신 모드가 되었다. 그러나 유리가 일반적으로 광 섬유에서 도파관으로 사용되기 때문에, 광 섬유는 깨지기 쉽고 기계적 강도가 약하다. 그 결과, 사용 중에 광 섬유가 구부러지거나 파손될 수 있다. 또한, 비용을 줄이기 위해, 일반적으로 광 섬유 간의 연결에 광 섬유 커넥터가 사용된다. 그러나 광 섬유 커넥터는 장시간 연결에 사용되면 느슨해질 수 있고, 연결이 지나치게 느슨해질 수 있거나 다른 현상이 발생할 수 있다. 그 결과, 광 섬유 통신에서 광 링크 장애의 비율이 증가하고, 광 링크의 신뢰성이 저하되며, 사용자 경험이 악화된다. 이 경우, 광 링크의 신뢰성을 유지하기 위해 적시에 장애를 교정해야 한다.

현재의 네트워크 시스템 운영 및 유지보수는 일반적으로 장애가 적시에 교정되도록 보장하기 위해 종래의 경보 시스템에 의존한다. 그러나 종래의 경보 시스템에서, 광 링크 네트워크 기기 또는 서비스의 성능 데이터에 대해 임계 값 경보 시스템을 확립하고, 관찰 시스템에서 광 링크 네트워크 기기 또는 서비스의 성능 데이터 지시자와 기준 임계 값을 비교하여, 최소 작업 요건이 충족되는지 모니터링한다. 최소 작업 요건이 충족되지 않으면, 경보 프롬프트가 전송되어, 광 링크의 신뢰성 유지를 위해 장애를 적시에 교정할 수 있도록 한다. 네트워크 시스템은 복잡하고, 네트워크 시스템에는 상당히 많은 양의 경보 프롬프트가 있으며, 경보 프롬프트에는 많은 다른 문제가 있다. 따라서 네트워크 운영 및 유지보수 담당자는 경보 프롬프트만으로는 유효한 경보 정보를 획득할 수 없고 경보 프롬프트로부터 정확한 장애 모드를 획득할 수도 없으며, 장애는 수동으로만 트러블슈팅될 수 있다. 그러나 수동 트러블슈팅은 효율이 낮고 장애 교정 지연이 과도하게 크다. 결과적으로, 사용자는 오랜 시간 영향을 받고 조작이 복잡하다. 또한, 단일 시점의 네트워크 기기 및 서비스의 성능 데이터와 수동으로 특정된 기준 임계 값을 사용하여 결정을 수행하기 때문에, 경보 누락 또는 오 경보가 발생하기 쉬우며; 결과적으로 정확도가 낮다.

본 발명의 실시예는 광 링크 장애 식별 방법을 제공한다. 광 링크 네트워크상의 네트워크 시스템의 운영 및 유지보수 중에, 예를 들어, 경보 프롬프트의 낮은 효율성 및 경보 프롬프트로부터 정확한 장애 모드를 획득하지 못하여 낮은 장애 처리 효율 및 지나치게 긴 장애 교정 지연이 야기되어, 사용자는 장시간 영향을 받으며, 조작이 복잡하다. 이 방법은 이러한 문제를 해결한다. 경보 임계 값을 수동으로 설정하지 않고도 장애 모드를 정확하게 식별할 수 있도록, 성능 데이터의 특징 파라미터를 추출하고 특징 파라미터를 사용하여 장애 모드를 식별하여, 장애 처리 효율을 향상시키고 사용자 조작을 단순화한다.

전술한 목적을 달성하기 위해, 본 출원에서는 다음과 같은 기술적 방안이 사용된다.

제1 측면에 따르면, 광 링크 장애 식별 방법이 제공되며, 상기 광 링크 장애 식별 방법은, 적어도 수신 광 파워를 포함하는, 광 링크상의 네트워크 기기의 성능 데이터를 획득하는 단계; 미리 설정된 시간 윈도 내에 있는 상기 성능 데이터(performance data)의 변화를 지시하는 데 사용되는 특징 파라미터(feature parameter)를 추출하는 단계; 및 상기 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드(fault mode)를 식별하는 단계를 포함하고, 상기 성능 데이터는 상기 미리 설정된 시간 윈도 내의 시간 시퀀스이다.

가능한 구현예에서, 상기 성능 데이터는 송신 광 파워 및/또는 광 섬유 길이를 더 포함한다.

가능한 구현예에서, 상기 특징 파라미터는 상기 성능 데이터의 이상 레벨(abnormality level)을 나타내는 데 사용되는 특징 파라미터 및/또는 상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 특징 파라미터를 포함한다.

가능한 구현예에서, 상기 성능 데이터의 이상 레벨을 나타내는 데 사용되는 특징 파라미터는 다음 파라미터:

상기 미리 설정된 시간 윈도 내의 상기 수신 광 파워의 무작위 변화의 레벨인 지터 레벨(jitter level);

상기 미리 설정된 시간 윈도의 총 지속 시간(total duration)에 대한 상기 수신 광 파워에서의 약광의 지속 시간의 비율인 약광 비율(weak-light ratio);

상기 미리 설정된 시간 윈도의 총 지속 시간에 대한 상기 수신 광 파워에서의 강광의 지속 시간의 비율인 강광 비율(strong-light ratio); 및

상기 미리 설정된 시간 윈도의 총 지속 시간에 대한 상기 수신 광 파워에서의 무광 지속 시간의 비율인 무광 비율(no-light ratio) 중 하나 또는 임의의 조합을 포함한다.

가능한 구현예에서, 상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 파라미터는 다음 파라미터:

상기 수신 광 파워의 피팅 처리 결과(fitting processing result)의 변동 카운트(fluctuation count)를 나타내는 데 사용되는 바운스 카운트(bounce count);

상기 수신 광 파워의 피팅 처리 결과의 하락 추세를 나타내는 데 사용되는 열화 레벨(deterioration level);

상기 수신 광 파워의 피팅 처리 결과의 상승 추세를 나타내는 데 사용되는 상승 카운트(rise count); 및

상기 수신 광 파워가 상기 미리 설정된 시간 윈도 내에서 이력 평균 광 파워(historical average optical power)에서 벗어난 횟수를 나타내는 데 사용되는 돌변 카운트(sudden change count) 중 하나 또는 임의의 조합을 포함한다.

가능한 구현예에서, 상기 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드를 식별하는 단계는 구체적으로,

상기 특징 파라미터와 장애 모드 식별 모델을 대조하여 상기 장애 모드를 결정하는 단계를 포함한다.

가능한 구현예에서, 상기 광 링크 장애 식별 방법은,

알려진 장애 모드의 이력 데이터(historical data)를 사용하여, 특징 파라미터 및 장애 모드에 대응하는 상기 장애 모드 식별 모델을 트레이닝(training)하는 단계를 더 포함하고,

상기 이력 데이터는 특징 파라미터 및 상기 특징 파라미터에 대응하는 장애 모드를 포함한다.

가능한 구현예에서, 상기 특징 파라미터에 기초하여 장애 모드를 식별한 후, 상기 광 링크 장애 식별 방법은,

식별된 장애 모드를 상기 특징 파라미터에 대응하는 실제 장애 모드와 비교하고, 상기 식별된 장애 모드가 상기 실제 장애 모드와 일치하지 않으면, 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트(training set)에 추가하는 단계를 더 포함한다.

가능한 구현예에서, 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트에 추가하는 단계 후에, 상기 광 링크 장애 식별 방법은,

상기 트레이닝 세트를 트레이닝하여 새로운 장애 모드 식별 모델을 확립하는 단계를 더 포함하고, 상기 트레이닝 세트는 상기 장애 모드 식별 모델의 트레이닝에 사용되는 이력 데이터, 추가된 특징 파라미터 및 상기 특징 파라미터에 대응하는 추가된 실제 장애 모드로 구성된다.

다른 측면에 따르면, 광 링크 장애 식별 장치가 제공되며, 상기 광 링크 장애 식별 장치는, 적어도 수신 광 파워를 포함하는, 광 링크상의 네트워크 기기의 성능 데이터를 획득하도록 구성된 획득 유닛 - 상기 획득 유닛에 의해 획득되는 성능 데이터는 상기 미리 설정된 시간 윈도 내의 시간 시퀀스임 -; 미리 설정된 시간 윈도 내에서 상기 획득 유닛에 의해 획득되는 성능 데이터의 변화를 지시하는 데 사용되는 특징 파라미터를 추출하도록 구성된 추출 유닛; 및 상기 추출 유닛에 의해 추출되는 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드를 식별하도록 구성된 식별 유닛을 포함한다.

가능한 구현예에서, 상기 획득 유닛에 의해 획득되는 성능 데이터는 송신 광 파워 및/또는 광 섬유 길이를 더 포함한다.

가능한 구현예에서, 상기 획득 유닛에 의해 획득되는 특징 파라미터는 상기 성능 데이터의 이상 레벨을 나타내는 데 사용되는 특징 파라미터 및/또는 상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 특징 파라미터를 포함한다.

가능한 구현예에서, 상기 식별 유닛은 매칭 모듈 및 출력 모듈을 포함하고,

상기 매칭 모듈은 상기 추출 유닛에 의해 추출되는 특징 파라미터와 장애 모드 식별 모델을 대조하여 상기 장애 모드를 결정하도록 구성되고;

상기 출력 모듈은 상기 매칭 모듈에 의해 결정되는 장애 모드를 외부의 광 네트워크 기기에 출력하도록 구성된다.

가능한 구현예에서, 상기 광 링크 장애 식별 장치는, 알려진 장애 모드의 이력 데이터를 사용하여, 상기 특징 파라미터 및 상기 장애 모드에 대응하는 상기 장애 모드 식별 모델을 트레이닝하도록 구성된 트레이닝 유닛을 더 포함하고, 상기 이력 데이터는 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 장애 모드를 포함한다.

가능한 구현예에서, 상기 광 링크 장애 식별 장치는 비교 유닛 및 추가 유닛을 더 포함하고,

상기 비교 유닛은 상기 식별 유닛에 의해 식별된 장애 모드를 상기 특징 파라미터에 대응하는 실제 장애 모드와 비교하고, 비교 결과를 상기 추가 유닛에 출력하도록 구성되고;

상기 추가 유닛은 상기 비교 유닛으로부터의 출력 결과를 수신하고, 상기 식별된 장애 모드가 상기 실제 장애 모드와 일치하지 않는 경우, 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 상기 트레이닝 세트에 추가하도록 구성된다.

가능한 구현예에서, 상기 광 링크 장애 식별 장치는, 상기 트레이닝 세트를 트레이닝하여 새로운 장애 모드 식별 모델을 확립하도록 구성된 확립 유닛을 더 포함하고, 상기 트레이닝 세트는 상기 장애 모드 식별 모델의 트레이닝에 사용되는 이력 데이터, 추가된 특징 파라미터 및 상기 특징 파라미터에 대응하는 추가된 실제 장애 모드로 구성된다.

다른 측면에 따르면, 광 링크 네트워크 기기 및 온라인 빅 데이터 분석 플랫폼을 포함하는 광 링크 장애 식별 시스템이 제공되며,

상기 온라인 빅 데이터 분석 플랫폼은 청구범위의 제10항 내지 제16항에 따른 장치를 구비하며, 상기 광 링크 네트워크 기기에 의해 업로드되고 적어도 수신 광 파워를 포함하는 성능 데이터를 수신한다.

본 출원의 실시예의 기술적 방안을 보다 명확하게 설명하기 위해, 이하에서는 본 출원의 실시예를 설명하는 데 필요한 첨부도면을 간략하게 설명한다. 이하의 설명에서의 첨부도면은 단지 본 출원의 일부 실시예를 도시하며, 당업자는 창의적인 노력 없이 이러한 첨부도면으로부터 다른 도면을 여전히 도출할 수 있음이 명백하다.
도 1은 광 섬유 통신 시스템에서 광 링크의 개략 구성도의 일례이다.
도 2는 본 출원의 일 실시예에 따른 애플리케이션 시나리오 a의 개략도이다.
도 3은 본 출원의 일 실시예에 따른 애플리케이션 시나리오 b의 개략도이다.
도 4는 본 출원의 일 실시예에 따른 광 링크 장애 식별 방법을 구현하는 개략 흐름도 1이다.
도 5는 본 출원의 일 실시예에 따른 IMSR 피팅 결과의 개략 곡선도이다.
도 6은 본 출원의 일 실시예에 따른 광 링크 장애 식별 방법을 구현하는 개략 흐름도 2이다.
도 7은 본 출원의 일 실시예에 따른 장애 트리 규칙을 사용하여 광 링크 장애 식별 방법을 구현하는 개략 흐름도이다.
도 8은 본 출원의 일 실시예에 따른 이력 데이터를 사용하여 광 링크 장애 식별하는 방법의 개략 흐름도이다.
도 9는 본 출원의 일 실시예에 따른 광 링크 장애 식별 방법을 구현하는 개략적 흐름도 3이다.
도 10은 본 출원의 일 실시예에 따른 광 링크 장애 식별 장치의 개략 구성도이다.
도 11은 본 출원의 일 실시예에 따른 광 링크 장애 식별 시스템에서 데이터 처리 부분의 개략 구성도이다.

이하에서는 본 출원의 실시예에서의 첨부도면을 참조하여 본 출원의 실시예의 기술적 방안을 명확하고 완전하게 설명한다. 설명된 실시예가 본 출원의 모든 실시예가 아니라 일부임이 분명하다. 당업자가 창의적인 노력 없이 본 출원의 실시예에 기초하여 얻은 다른 모든 실시예는 본 출원의 보호 범위 내에 속한다.

본 명세서에서 용어 "및/또는"은 연관된 대상(object)들을 설명하기 위한 연관 관계만을 기술하며 세 가지 관계가 존재할 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 다음 세 가지 경우: A만 존재하는 경우, A와 B 모두 존재하는 경우, 및 B만 존재하는 경우를 나타낼 수 있다.

본 출원의 실시예의 명세서 및 청구범위에서, 용어 "제1", "제2" 등은 서로 다른 객체를 구별하기 위한 것이지만 대상의 특정 순서를 나타내지는 않는다. 예를 들어, 제1 타깃 객체, 제2 타깃 객체 등은 타깃 객체의 특정 순서를 설명하기보다는 서로 다른 타깃 객체를 구별하는 데 사용된다.

또한, 본 출원의 실시예에서, "예를 들어" 또는 "예"라는 단어는 예, 예시, 또는 설명을 제공함을 나타내는 데 사용된다. 본 출원의 실시예에서 "예를 들어" 또는 "예"로 설명된 임의의 실시예 또는 설계 방식은 다른 실시예 또는 설계 방식보다 더 바람직하거나 더 많은 이점을 갖는 것으로 설명되어서는 안 된다. 정확하게 말하면, "예를 들어" 또는 "예"와 같은 단어의 사용은 특정 방식으로 관련 개념을 표현하기 위한 것이다.

본 출원의 실시예들의 설명에서, 달리 언급되지 않는 한, "복수"는 적어도 두 개를 의미한다. 예를 들어, 복수의 처리 유닛은 적어도 두개의 처리 유닛이고, 복수의 시스템은 적어도 두개의 시스템이다.

이하에서는 첨부 도면을 참조하여 본 출원의 기술적 방안을 설명한다.

현재, 광 섬유 통신은 유선 통신의 일종이다. 확산 스펙트럼 통신 및 위성 통신과 비교하면, 광 섬유 통신은 큰 통신 용량, 긴 전송 거리, 작은 감쇠, 작은 크기 및 높은 간섭 방지 성능을 가지며, 용량 확장이 쉽고, 대량의 비철금속 자원(non-ferrous metal resource)을 절약할 수 있다. 예를 들어, 광 섬유 통신에서 광 섬유의 잠재적 대역폭은 최대 20THz일 수 있다.

광 섬유 통신 시스템에서, 광 링크는 광 송신기, 광 섬유, 광 수신기 및 기타 필요한 광 구성요소로 구성된다. 광 링크의 원리는 다양한 토폴로지 구조의 광 상호연결 네트워크를 획득하기 위해, 광학적 방법을 사용하여 인터네트워킹(internetworking)을 구현하는 것이다. 광 링크는 광 섬유 통신 기술을 사용하여 사운드, 이미지, 데이터 신호를 송신한다.

도 1은 광 섬유 통신 시스템에서 광 링크의 개략 구성도이다. 도 1에 도시된 바와 같이, 광 링크는 광 송신기, 광 중계 증폭기, 광 수신기 및 여러 조인트 섬유(joint fiber)를 포함한다. 광 송신기는 N개의 광 트랜스폰더(optical transponder), 광 멀티플렉서(optical multiplexer), 부스터 증폭기(booster-Amplifier, 약칭하여 BA) 및 광 감독 채널 송신기(optical supervisory channel transmitter)를 포함한다. N개의 광 트랜스폰더는 N개의 광파를 수신하도록 구성되며, 모든 광 트랜스폰더에는 광-전기 변환 기능과 신호 처리 기능이 있다. 광 멀티플렉서는 서로 다른 파장의 N개의 광 신호를 전송을 위해 하나의 광 섬유로 다중화하도록 구성된다. BA는 서로 다른 파장을 가진 N개의 다중화된 신호에 대해 파워 부스팅(power boosting) 및 송신을 수행하도록 구성된다. 광 감독 채널 송신기는 시스템에서 채널 각각의 송신 상태를 모니터링하고 신호를 전송하도록 구성된다. 광 중계 증폭기는 광 감독 채널 수신기, 선로 증폭기(Line-Amplifier, 약칭하여 LA) 및 광 감독 채널 송신기를 포함한다. 광 감독 채널 수신기는 시스템의 각 채널의 전송 상태를 모니터링하고 신호를 수신하도록 구성된다. LA는 선로 송신 손실(line transmission loss)을 주기적으로 보상하도록 구성된다. 광 감독 채널 송신기는 광 송신기에서의 광 감독 채널 송신기와 동일한 기능을 가지고 있다. 광 수신기는 광 감독 채널 수신기, 전치 증폭기(Pre-Amplifier, 약칭하여 PA), 광 디멀티플렉서(optical demultiplexer) 및 N개의 광 수신 측을 포함한다. 광 감독 채널 수신기의 기능은 광 중계 증폭기에서의 광 감독 채널 수신기의 기능과 일치한다. PA는 수신기의 감도를 향상시키기 위해, 신호를 증폭하도록 구성된다(예: 광 신호 잡음 비율(Optical Signal Noise Ratio, 약칭하여 OSNR)이 요건(비교적 작은 잡음 지수를 요구함)을 충족하는 경우, 비교적 높은 입력 전력은 수신 감도를 향상시키기 위해, 수신기 자체의 잡음을 억제할 수 있다). 광 디멀티플렉서는 광 강도 및 파장에 기초하여 서로 다른 세그먼트에서 복수의 광 신호를 공간적으로 분리하도록 구성된다. N개의 광 수신 측은 N개의 파장을 가진 분할 광 신호(split optical signal)를 수신하도록 구성된다. 광 섬유는 광 송신기를 광 중계 미터에 연결하도록 구성되고, 광 중계 미터는 광 수신기에 연결되어 광 링크를 형성한다.

광 링크 구성은 광 섬유 통신 시스템에서 광 링크 구성을 한정하는 것이 아니라, 광 섬유 통신 시스템에서 광 링크 구성의 구현의 예로서 이해되어야 함에 유의해야 한다.

전술한 설명에서, 광 섬유는 일반적으로 유리를 도파관으로 사용하여 빛의 형태로 일단에서 타단으로 정보를 송신하기 때문에 송신 매체로 사용된다. 또한, 저손실 유리 광 섬유는 대역폭의 제약이 거의 없어, 광 섬유를 편리한 송신 도구로 만든다. 또한, 송신 도구로서 광 섬유는 다양한 이점이 있다. 예를 들어 광 섬유는 감도가 높고 전자기 노이즈의 간섭을 받지 않으며; 작고, 가볍고, 수명이 길며, 가격이 저렴하며; 절연, 내고압성, 내고온성, 내식성이 있고, 특수 작업 환경에 적합하며; 환경 요건에 따라 조정될 수 있는 기하학적 형상을 가지고, 신호 전송을 용이하게 하며; 높은 대역폭, 큰 통신 용량, 작은 감쇠 및 큰 전송 범위를 가지고, 누화(crosstalk)가 낮고 송신 품질이 높고, 기밀성(confidentiality)이 높으며; 원료의 배치 및 이동을 용이하게 한다. 그러나 광 섬유는 유리를 도파관으로 사용하기 때문에, 광 섬유는 깨지기 쉽고 기계적 강도가 약하다. 그 결과, 사용 중에 광 섬유가 구부러지거나 파손될 수 있다. 또한, 비용을 줄이기 위해, 일반적으로 광 섬유 커넥터가 광 섬유 연결에 사용된다. 그러나 광 섬유 커넥터를 장시간 연결에 사용하면, 연결이 헐거워지거나 연결이 지나치게 느슨해지는 현상이 발생하여, 광 링크에 장애를 일으킬 수 있다.

광 섬유를 제외한 네트워크 시스템의 각 구성 요소는 단순하게 네트워크의 기기로 이해될 수 있다는 것에 유의해야 한다.

구체적으로, 광 링크상의 네트워크 기기는 광 회선 단말기(Optical Line Terminal, OLT), 광 네트워크 유닛(Optical Network Unit, ONU) 등일 수 있다. OLT는 수동 광 케이블, 광 분할기/결합기 등으로 구성된 광 분배 네트워크(optical distribution network )를 사용하여 복수의 ONU에 연결되는 네트워크 기기이다.

광 링크상의 네트워크 기기는 송신 기능을 갖고 소프트웨어 프로그램을 실행할 수 있는 하드웨어 기기 등일 수 있으며, 앞서 열거한 기기 또는 단말기뿐만이 아니라는 점을 이해해야 한다.

본 출원은 광 링크 장애 식별 방법을 제공한다. 이 광 링크 장애 식별 방법은 OLT 및 ONU에 적용될 수 있거나, 온라인 빅 데이터 분석 플랫폼에 적용될 수 있다. 이 광 링크 장애 식별 방법에서, 광 링크상의 장애는 광 링크상의 네트워크 기기의 성능 데이터를 획득하고 분석함으로써 식별한다. 먼저, 적어도 수신 광 파워를 포함하는 네트워크 기기의 성능 데이터가 획득된다. 그런 다음, 미리 설정된 기간 내에 있는 성능 데이터를 지시하는 데 사용되는 특징 파라미터가 추출된다. 마지막으로, 특징 파라미터에 기초하여 장애 모드를 식별한다.

광 링크상의 광 링크 장애 식별 장치는 또한 네트워크 기기에 포함된 상이한 칩 및 상이한 소프트웨어 프로그램에 기초하여 상이한 기능, 성능, 신뢰도 등을 갖는다. 예를 들어, 도 3에 도시된 바와 같이, OLT는 특징 파라미터 추출 모델과 장애 모드 식별 모델을 가지고 있어, OLT는 특징 파라미터를 추출하고 장애 모드를 식별할 수 있다. 도 2에 도시된 바와 같이, 온라인 빅 데이터 분석 플랫폼에 특징 파라미터 추출 모델과 장애 모드 식별 모델이 배치되어 있다. 이 경우, 온라인 빅 데이터 분석 플랫폼은 특징 파라미터를 추출하고 장애 모드를 식별하며, OLT는 성능 데이터를 획득하여 업로드한다.

구체적으로, 도 2에 도시된 바와 같이, 시나리오 (a)에서, ONU는 KPI 데이터를 OLT에 송신하고; 특징 파라미터 추출 모델 및 장애 모드 식별 모델을 구비한 온라인 빅 데이터 분석 플랫폼은 OLT로부터 주기적으로(예: 15분마다) KPI 데이터를 수집하고; KPI 데이터를 획득한 후, 온라인 빅 데이터 분석 플랫폼은 특징 파라미터 추출 모델 또는 알고리즘을 사용하거나 다른 방식으로 KPI 데이터에 대한 특징 파라미터 추출을 수행하여, KPI 데이터의 특징 파라미터를 획득한 다음, 장애 모드 식별 모델을 사용하여 KPI 데이터의 특징 파라미터에 기초하여 장애 모드 식별을 수행하여 광 링크의 장애 모드를 결정한다. 도 3에 도시된 바와 같이, 시나리오 (b)에서, ONU는 특징 파라미터 추출 모델 및 장애 모드 식별 모델을 구비한 OLT에 KPI 데이터를 송신하고; OLT는 KPI 데이터를 획득한 후, 특징 파라미터 추출 모델 또는 알고리즘을 사용하여 또는 다른 방식으로 KPI 데이터에 대한 특징 추출을 수행하여, KPI 데이터의 특징 파라미터를 획득하고, 장애 모드 식별 모델을 사용하여 KPI 데이터의 특징 파라미터에 기초한 장애 모드 식별을 수행하며, 식별된 장애 모드를 온라인 빅 데이터 분석 플랫폼에 보고한다. 본 실시예에서, 다음 실시예에서의 추출 방식에 추가하여, 특징 파라미터 추출은 종래 기술의 파라미터 추출 방식으로 구현될 수 있음에 유의해야 한다. 본 실시예에서는 이를 특별히 한정하지 않는다.

상기한 방법에서는 광 링크상의 네트워크 기기상에서 송신되는 성능 데이터를 획득하고, 성능 데이터의 특징 파라미터를 추출하여, 성능 특징에 기초하여 광 링크상의 장애 모드를 신속하게 식별하고, 식별된 장애 모드를 보고한다. 이 방법은 대량의 기기 데이터, 대량의 회선 장애, 관련 데이터 및 트러블슈팅 상태의 획득 곤란 등으로 인해 야기되는 광 링크 장애의 상태 및 원인 파악의 어려움, 장애 모드 식별의 효율 저하 등의 네트워크 시스템의 문제를 해결한다. 또한, 이 방법에 따르면, 수동으로 경보 임계 값을 구성하지 않고도 광 링크 장애 및 원인을 적시에 정확하게 식별할 수 있어, 트러블슈팅 효율 및 정확도를 향상시키고 광 링크 장애를 빠르고 정확하게 식별할 수 있는 효과적인 구현 방법을 제공한다.

도 4는 본 출원의 일 실시예에 따른 광 링크 장애 식별 방법의 개략 흐름도이다. 이 방법은 다음 단계를 포함한다.

401. 적어도 수신 광 파워를 포함하는 광 링크상의 네트워크 기기의 성능 데이터를 획득한다.

본 실시예에서의 성능 데이터는 적어도 광 링크 네트워크 기기의 수신 광 파워를 포함해야 하며, 물론, 광 링크 네트워크 기기의 송신 광 파워 및 광 링크 네트워크 기기에 연결된 광 섬유의 길이 데이터 중 적어도 하나를 대안으로 포함할 수 있다. 물론, 성능 데이터는 광 링크 네트워크 기기로부터 수집되고 분석되어야 하는 성능 데이터일 수 있거나, 실시간으로 획득되는 단기 KPI 데이터일 수 있다. 본 실시예에서, 네트워크 기기의 성능 데이터는 미리 설정된 시간 윈도 내에 있고 네트워크 기기로부터 수집되는 시간 시퀀스라는 점에 유의해야 한다. 성능 데이터에 포함된 수신 광 파워는 (시간, 광 파워 값)으로 표현될 수 있으며, 예를 들어(2018-01-06:00:00:00, -20dB)는 2018년 1월 6일 00:00:00에 수집된 광 파워가 - 20dB임을 지시한다.

402. 미리 설정된 시간 윈도 내에 있는 성능 데이터의 변경을 지시하는 데 사용되는 특징 파라미터를 추출한다.

구체적으로, 본 출원의 일 실시예에서 특징 추출의 알고리즘은 미리 설정된 시간 윈도 내에 있는 네트워크 기기의 성능 데이터를 빅 데이터 기술을 사용하여, 분석하여 특징 파라미터를 추출하는 것이다. 특징 파라미터는 미리 설정된 시간 윈도 내에 있는 네트워크 기기의 성능 데이터의 변경 상태를 나타내는 데 사용된다. 본 실시예에서 특징 파라미터는 성능 데이터의 이상 레벨을 나타내는 데 사용되는 파라미터, 성능 데이터의 변화 추세를 나타내는 데 사용되는 파라미터 등을 포함할 수 있음에 유의해야 한다. 성능 데이터의 이상 레벨을 나타내는 데 사용되는 파라미터는 지터 레벨, 약광 비율, 강광 비율, 무광 비율 중 적어도 하나를 포함한다. 성능 데이터의 변화 추세를 나타내는 데 사용되는 파라미터는 바운스 카운트, 열화 레벨, 상승 카운트 및 돌변 카운트 중 적어도 하나를 포함한다. 특징 파라미터의 표현 형식은 한정되지 않는다. 특징 파라미터는 표, 그래프 또는 텍스트를 사용하여 나타낼 수 있다. 예를 들어, 특징 파라미터의 벡터 형식은 다음과 같이 나타낼 수 있다: 시간 윈도 내의 특징 파라미터 =

이며, 여기서

은 지터 레벨이고,

는 약광 비율이고,

은 강광 비율이고,

는 무광 비율이고,

는 바운스 카운트이고,

은 열화 카운트이고,

은 열화 레벨이고,

은 상승 카운트이고,

은 돌변 카운트이고, 등이다.

본 실시예에서 특징 파라미터의 고유 값의 의미는 다음과 같이 표현될 수 있다:

지터 레벨은 미리 설정된 시간 윈도 내의 수신 광 파워의 무작위 변화 레벨이며, 일반적으로 전체 표준 편차로 표현된다.

약광 비율은 미리 설정된 시간 윈도의 총 지속 시간에 대한, 미리 설정된 시간 윈도 내의 네트워크 기기의 수신 광 파워에서의 약광의 지속 시간의 비율이다. 즉, 약광 비율은 미리 설정된 시간 윈도 내의 약광 레이트(weak-light rate)를 지시하는 데 사용된다. 구체적으로, 약광 임계 값은 미리 설정된 시간 윈도 내에서, 광 파워 값이 약광 임계 값 미만이고 무광 임계 값보다 큰 부분의 비율을 계산하기 위해 설정된다. 예를 들어, 약광 임계 값이 -30dB로 설정되고, 윈도 내의 30개 시점에 대응하는 광 파워 값이 약광 임계 값보다 작고 무광 임계 값보다 크고, 윈도 내에 총 100개의 데이터 시점이 있으면, 약광 비율은 0.3이다.

강광 비율은 미리 설정된 시간 윈도의 총 지속 시간에 대한, 미리 설정된 시간 윈도 내의 네트워크 기기의 수신 광 파워에서의 강광의 지속 시간의 비율이다. 즉, 강광 비율은 미리 설정된 시간 윈도 내의 강광 레이트(strong-light rate)를 지시하는 데 사용된다. 구체적으로, 강광 임계 값은 미리 설정된 시간 윈도 내에서, 광 파워 값이 강광 임계 값보다 큰 부분의 비율을 계산하기 위해 설정된다. 예를 들어, 강광 임계 값이 -8dB로 설정되고, 윈도 내의 40개 시점에 대응하는 광 파워 값이 강광 임계 값보다 크고, 윈도 내에는 총 100개의 데이터 시점이 있으면, 강광 비율은 0.4이다.

무광 비율은 미리 설정된 시간 윈도의 총 지속 시간에 대한, 미리 설정된 시간 윈도 내의 네트워크 기기의 수신 광 파워에서의 무광의 지속 시간의 비율이다. 즉, 무광 비율은 미리 설정된 시간 윈도 내의 무광 레이트(no-light rate)를 지시하는 데 사용된다. 구체적으로, 무광 임계 값은 미리 설정된 시간 윈도 내에서, 광 파워 값이 무광 임계 값보다 작은 부분의 비율을 계산하기 위해 설정된다. 예를 들어, 강광 임계 값이 -35dB로 설정되고, 윈도 내의 50개 시점에 대응하는 광 파워 값이 무광 임계 값보다 작고, 윈도 내에는 총 100개의 데이터 시점이 있으면, 무광 비율은 0.5이다.

지정된 약광 임계 값의 단위는 네트워크 기기의 성능 데이터의 단위라는 것에 유의해야 한다. 또한, 지정된 약광 임계 값, 강광 임계 값 및 무광 임계 값은 예일뿐이다.

본 실시예에서는, 성능 데이터의 변화 추세를 분석할 때, 네트워크 기기의 수신 광 파워에 대해 피팅 처리를 수행해야 하며, 피팅 처리 결과를 사용하여 성능 데이터의 변화 추세를 나타낸다. 본 실시예에서는, 설명을 위한 예로서 선형 피팅 연산(linear fitting operation)이 사용된다. 물론, 특정 애플리케이션이 이에 한정되는 것은 아니며, 본 실시예의 선형 피팅 결과는 곡선 형태로 표현된다.

바운스 카운트는 선형 피팅 결과에서 인접한 두 세그먼트의 양의 값과 음의 값에 기초하여 획득되며, 수신 광 파워 데이터의 피팅 처리 결과의 변동 카운트를 나타내는 데 사용된다. 열화 레벨은 선형 피팅 결과의 모든 세그먼트에서 통계 값이 음인 세그먼트의 수량에 기초하여 획득되며, 미리 설정된 시간 윈도 내에서 선형 피팅 결과의 하강 레벨, 즉 수신 광 파워의 피팅 결과의 하강 추세를 나타내는 데 사용된다. 상승 카운트는 선형 피팅 결과의 모든 세그먼트에서 통계 값이 양의 실수인 세그먼트의 수량에 기초하여 획득되며, 미리 설정된 시간 윈도 내에서 선형 피팅 결과의 상승 레벨을 나타내는 데 사용된다. 돌변 카운트는 수신 광 파워가 미리 설정된 시간 윈도 내에서 이력 평균 광 파워에서 벗어난 횟수를 나타내는 데 사용된다.

이하에서는 예를 사용하여 수신 광 파워에 대한 선형 피팅 연산을 수행하고 성능 데이터의 변화 추세를 나타내는 데 사용되는 각각의 특징 파라미터를 획득하는 것을 설명한다. 실제 애플리케이션 프로세스에서는 이에 한정되지 않는다.

반복 다중 세그먼트화 회귀(Iterative Multi-Segmented Regression, 약칭하여 IMSR) 알고리즘을 사용하고 최대 수량 N의 반복 전환점을 구성하여, N개의 미지의 전환점(turning point)에 대응하는 반복 세그먼트화 회귀 모델(iterative segmented regression model)을 연구하여, 인접한 전환점 사이의 복수의 세그먼트의 추세 특징을 알아냈다. 미지의 전환점의 수량 n은 반복 전환점의 수량 N 이하이다. 구체적으로, 도 5는 미리 설정된 시간 윈도 내에 있는 수신 광 파워 데이터에 대해 IMSR 알고리즘을 사용하여 피팅 연산을 수행한 피팅 결과를 보여준다.

짙은 회색 점은 원래의 광 파워에서의 시간 시퀀스이고 밝은 회색 선은 IMSR 피팅 결과이며, 전환점의 수량은 n = 8(시작점과 끝점 포함)을 충족한다.

각각의 기간의 전환점은

이며, 1에서 N까지의 반복 전환점 중, 모든 가능한 전환점의 수량에 대응하는 피팅 곡선의 잔차 제곱 합(Sum of Squares due to Error, 약칭하여 SSE)의 최솟값은 전환점은 Argmin 함수를 사용하여 계산되는데, 예를 들어, 아래의 식 1은, n(1∼N) 반복 전환점 중 잔차 제곱 합이 최소인 각각의 전환점

의 값이 Argmin 함수를 사용하여 계산됨을 나타낸다:

구체적으로, 아래의 식 2는 식 1에서 SSE의 계산 결과를 얻기 위해 사용된다. 즉, 구간 [

]에서 피팅 모델의 잔차 제곱 합의 최솟값이 계산되며, 여기서 T1과 Tn은 모두 전환 시점이다.

식 1 및 식 2에서 반복 전환점의 수량 n은 가능한 모든 전환점 수량을 나타내며, 반복 세그먼트화 회귀 모델은 n개의 미지의 전환점의 잔차 제곱 합, 즉 모든 전환점 구간의 피팅 모델의 잔차 제곱 합을 계산하는 데 사용된다. 잔차는 통계 데이터 선(statistical data line)의 대응하는 위치와 회귀 선(regression line)의 대응하는 위치의 차이이며, 잔차 제곱 합은 모든 잔차의 제곱의 합이며 무작위 오차(random error)의 효과를 나타낸다. SSE 값이 작을수록 대응하는 전환점의 수량 n 및 모든 전환 시점

을 피팅하는 최상의 효과를 나타낸다. 선형 피팅은 구간 [

] 내의 피팅 모델에 사용할 수 있다. SSE 값이 가장 작을 때 사용되는 선형 피팅은 피팅 모델과 실제 관찰점 사이의 오차를 최소화한다.

아래의 식 3은 반복 세그먼트화 회귀 모델에 적합한 선형 방정식이다.

의 값은 대응하는 구간 내의 시점의 성능 데이터이고,

는 피팅된 선 세그먼트(line segment)의 추세 계수이고,

는 피팅된 선 세그먼트의 추세 절편(trend intercept)이고, 반복 세그먼트화 회귀 모델을 사용하여 출력되는 데이터는 각각 전환점 T이고, 각각의 세그먼트에 대응하는 선형 피팅의 추세 계수

는 각각의 세그먼트에 대응하고, T는 반복 전환점에 대응하는 성능 데이터에 대응하는 시간의 값이다.

IMSR 알고리즘을 사용하여 미리 설정된 시간 윈도 내에서 수신 광 파워에 대해 선형 피팅 연산을 수행하여 획득되는 피팅 결과에 기초하여, 바운스 카운트, 열화 카운트, 상승 카운트, 돌변 카운트의 정량화된 값이 결정되고, 관련 파라미터가 구성된다. 구체적인 방법은 다음과 같다:

바운스 카운트: 세그먼트 각각의 피팅된 추세 계수에 기초하여 인접 세그먼트에 역 추세 계수가 있는지가 결정된다. i번째 세그먼트에서의 추세 계수가 음의 실수이고(이 세그먼트가 하락 추세를 보임을 지시함), 근처의 (i+1)번째 세그먼트에서의 추세 계수가 양의 실수이면(이 세그먼트가 상승 추세를 보임을 지시함), 바운스는 이 두 세그먼트에 기록된다. 대안으로, 상승/하강 추세 계수 임계 값이 더 설정될 수 있으며, 식별된 바운스 레벨은 i번째 세그먼트에서의 추세 계수와 임계 값 사이의 비교에 기초하여 제어된다. 대안으로, 각각의 세그먼트에서 수신 광 파워에 대한 변화 범위 임계 값이 설정될 수 있다. 수신 광 파워에 대한 변화 범위 임계 값은 수신 광 파워의 변화가 이 임계 값보다 클 때 발생하는 바운스만 카운팅되도록 한정하는 데 사용된다. 최종적으로 계산된 바운스 카운트는 정수이다.

열화 카운트: 추세 계수가 음의 실수인 세그먼트의 수량이 세그먼트 각각의 피팅 추세 계수에 기초하여 계산된다. 대안으로, 추세 계수 열화 임계 값이 추가로 구성되고, 열화 임계 값을 사용하여 추세 계수가 열화 임계 값보다 작은 세그먼트의 수를 카운팅한다. 대안으로, 세그먼트 각각의 광 파워 변화 범위 임계 값이 설정될 수 있다. 즉, 광 파워 변화가 광 파워 변화 범위 임계 값보다 큰 세그먼트의 수량 만 카운팅된다.

열화 레벨: 열화가 존재하는 모든 구간에 대해(전술한 열화 카운트 결정 방식과 동일), 미리 설정된 시간 윈도의 이후 기간에 미리 설정된 시간 구간 내의 추세 계수가 열화 레벨로서 출력된다.

상승 카운트: 추세 계수가 양의 실수인 세그먼트의 수량은 세그먼트의 피팅된 추세 계수에 기초하여 계산된다. 대안으로, 추세 계수 상승 임계 값이 설정될 수 있다. 즉, 추세 계수가 상승 임계 값보다 큰 세그먼트의 수량만 카운팅된다. 대안으로, 세그먼트 각각의 광 파워 범위 임계 값이 설정될 수 있다. 즉, 광 출력 변화가 광 출력 범위 임계 값보다 큰 세그먼트의 수량만 카운팅된다.

돌변 카운트: 전환점 중에서 두 개의 인접한 전환점이 인접한 시점이고 두 점에 대응하는 광 출력의 차이의 절대 값이 지정된 편차 임계 값보다 크면, 돌변이 기록된다. 돌변 카운트는 '+/-'를 사용하여 나타낼 수 있으며, '+'는 돌변 상승을 나타내고, '-'는 돌변 하락을 나타낸다.

403. 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별한다.

본 출원의 일 실시예에서는, 장애 모드 식별 알고리즘을 사용하여 특징 파라미터를 분석하고, 기존 장애 모드에서의 특징 파라미터를 참조하여 장애 식별을 수행한다. 구체적으로, 장애 모드 식별 알고리즘에서 장애 모드 식별을 위해, 기존 장애 모드의 특징 파라미터에 기초하여 특징 파라미터를 장애 모드 식별 모델과 대조하여 장애 모드를 결정한다.

예를 들어, 단계 402에서 획득된 수신 광 파워 데이터에 대한 특징 파라미터는 지터 레벨, 약광 비율, 강광 비율, 무광 비율, 바운스 카운트, 열화 카운트, 상승 카운트, 돌변 카운트 등일 수 있다. 장애 모드는 광 파워의 특징 파라미터에 포함된 각각의 변수의 값에 기초하여 식별된다.

본 출원의 일 실시예에서, 광 링크상에는 복수의 네트워크 기기가 있다. 광 링크상의 네트워크 기기의 성능 데이터는 실시간으로 모니터링하여 광 링크상의 네트워크 기기의 성능 데이터를 신속하게 획득할 수 있다. 모니터링은 온라인으로 송신되는 데이터에 대한 실시간 모니터링, 또는 송신되는 데이터에 대한 주기적 모니터링일 수 있다. 예를 들어, 네트워크 기기의 성능 데이터는 15초마다 획득된다. 모니터링의 구체적인 구현은 여기서 특별히 한정하지 않는다. 네트워크 기기의 성능 데이터를 획득하고, 장애 모드 식별 알고리즘을 사용하여 장애 모드를 식별한다. 이러한 방식으로, 네트워크 시스템에서 광 링크상의 장애 모드를 획득함에 있어, 엄청난 양의 기기 데이터, 큰 비율의 회선 장애 및 수동 트러블슈팅 사례 획득의 어려움에 의해 야기되는 어려움을 극복하고, 광 링크상의 장애 모드를 경보 임계 값을 설정할 필요가 없는 상태에서 적시에 정확하게 식별할 수 있다.

본 출원에서는 두 가지 장애 모드 식별 방식이 제공된다: 한 방식에서는, 장애 트리 규칙을 미리 구성하고, 특징 파라미터를 장애 트리 규칙과 대조함으로써 장애 사례를 획득한다. 다른 방식에서는, 데이터 모델링을 통해 특징 파라미터 및 장애 모드에 대응하는 장애 모드 식별 모델을 확립하고, 알려진 장애 사례를 포함하는 장애 모드의 이력 데이터를 사용하여 장애 모드 식별 모델을 트레이닝하며, 트레이닝된 모델을 온라인으로 적용하여 라이브 네트워크상의 장애 사례를 식별한다.

도 8은 본 출원의 일 실시예에 따른 이력 데이터를 사용하여 광 링크 장애를 식별하는 방법의 개략 흐름도이다. 이 방법의 단계는 다음과 같다.

801. 알려진 장애 모드의 이력 데이터에 기초하여, 특징 파라미터 및 장애 모드에 대응하는 장애 모드 식별 모델을 트레이닝한다.

장애 모드 식별 모델을 트레이닝하는 것은 알려진 장애 모드의 이력 데이터에 기초하여 특징 파라미터를 추출하고, 특징 파라미터에 기초하여 장애 모드 식별 모델을 확립하는 것이다. 이력 데이터는 특징 파라미터 및 특징 파라미터에 대응하는 장애 모드를 포함한다.

이력 데이터에 기초하여 장애 식별 모델을 확립하는 것은 분류 알고리즘 또는 판단 기능을 갖는 회귀 알고리즘을 이용하여 트레이닝을 수행하고, 장애 모드 식별 모델을 확립하는 것이다. 구체적으로, 분류 알고리즘 또는 결정 기능을 갖는 회귀 알고리즘은 기울기 부스팅 결정 트리(Gradient Boosting Decison Tree, 이하 약칭하여 GBDT), 랜덤 포레스트 알고리즘(random forest algorithm) 등일 수 있다.

알고리즘이 GBDT 알고리즘인 경우, 이력 데이터에 대해 복수 라운드의 반복이 수행되고, 각각의 반복 라운드에서 약한 분류기(weak classifier)가 생성되고, 각각의 분류기는 이전 라운드에서의 분류기의 잔차에 기초하여 트레이닝되며, 최종 총 모델(final total model)은 모든 라운드의 트레이닝에서 획득된 약한 분류기에 대해 가중치 합산을 수행하여 획득된 모델이다. 각각의 라운드에서 생성되는 약한 분류기는 손실 함수를 가지고 있다. 현재 모델에서 손실 함수의 음의 기울기 값은 피팅된 회귀 트리를 획득하기 위해 회귀 부스팅 알고리즘에서 잔차의 근사 값으로 사용된다. 각각의 반복 라운드에서, 현재 모델에서 손실 함수의 음의 기울기가 핑되므로, 손실 함수는 가능한 한 작다. 이러한 방식으로, GBDT 알고리즘을 사용하여 이력 데이터의 특징 파라미터를 정확하게 생성할 수 있다. 특징 파라미터는 이력 데이터에 대응하는 특징 조합이다. 그런 다음 특징 파라미터에 기초하여 장애 모드 식별 모델이 확립된다.

알고리즘이 랜덤 포레스트 알고리즘인 경우, 부트스트랩 리샘플링 기술(bootstrap resampling technology)을 사용하여 이력 데이터 중의 N개의 트레이닝 샘플 세트를 대체하여 K개의 샘플을 무작위로 반복 선택하여, 새로운 트레이닝 샘플 세트를 생성한 다음, 부트스트랩 샘플에 기초하여 K개의 분류 트리를 생성하여 램덤 포레스트(random forest)를 형성한다. 특징 파라미터는 분류 트리 투표 점수(classification tree voting score)에 기초하여 결정된다. 그 후, 결정된 특징 파라미터에 기초하여 이력 데이터에 대응하는 장애 모드 식별 모델이 확립된다.

802. 트레이닝된 장애 모드 식별 모델을 온라인으로 적용하고, 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별한다.

트레이닝된 모델은 단계 801에서의 장애 모드 식별 모델이다. 장애 모드 식별 모델은 도 4의 단계 403에 적용될 수 있다. 단계 403에서, 장애 모드 식별 모델을 적용하여 특징 파라미터를 식별한다.

본 출원의 일 실시예에서, 트레이닝 후에, 알려진 장애 모드의 이력 데이터에 기초하여 장애 모드 식별 모델을 트레이닝한 후, 상기한 방법은 다음을 더 포함한다: 이력 데이터를 트레이닝 세트로서 사용하고 이에 상응하여 트레이닝 세트 및 모드 식별 모델을 저장하는 단계.

본 출원의 일 실시예에서, 장애 모드 식별 모델은 알려진 장애 모드의 이력 데이터에 기초한 트레이닝을 통해 획득된다. 이 경우 장애 모드 식별 모델에 의해 식별되는 특징 파라미터는 알고리즘을 사용하여 이력 데이터에 기초하여 결정되는 특징 파라미터와 일치한다. 따라서, 장애 모드 식별 모델과 이력 데이터 사이에는 대응관계가 있다. 장애 모드 식별 모델은 이력 데이터에 기초한 트레이닝을 통해 획득된다. 따라서 이력 데이터는 장애 모드 식별 모델을 트레이닝하기 위한 트레이닝 세트로 사용된다. 이에 상응하여 트레이닝 세트 및 장애 모드 식별 모델을 저장하는 것은 트레이닝 세트 및 장애 모드 식별 모델을 대응관계를 갖는 저장 유닛에 저장하는 것일 수 있거나, 트레이닝 세트 및 장애 모드 식별 모델이 상응하게 표시되거나 라벨 부여된 후에 트레이닝 세트 및 장애 모드 식별 모델을 저장하는 것일 수 있다. 트레이닝 세트와 장애 모드 식별 모델을 대응되게 저장하는 방식은 여기서 특별히 한정되지 않는다는 점에 유의해야 한다.

본 출원의 일 실시예에서, 장애 모드 식별 모델은 수동 경험에 기초하여 미리 구성된 장애 트리 규칙에 따라 확립된 식별 모델이다.

도 7은 본 출원의 일 실시예에 따른 장애 트리 규칙을 사용하여 광 링크 장애를 식별하는 방법의 개략 흐름도이다. 구체적으로, 이 방법을 구현하는 단계는 다음 단계를 포함한다.

701. 수동 경험에 기초하여 장애 트리 규칙을 미리 정의하고, 장애 트리 규칙에 따라 장애 모드 식별 모델을 확립한다: 수동 경험에 기초하여 장애 트리 규칙을 미리 정의하는 것은 수동 경험에 기초한 알려진 장애 모드에 기초하여 장애 트리를 정의한 다음, 장애 트리에 기초하여 장애 트리 규칙을 정의하고; 그런 다음 장애 트리 규칙에 따라 장애 모드 식별 모델을 확립하는 것이다. 장애 트리는 특수한 역 트리형의 논리적 인과 관계도이다. 장애 트리에서, 이벤트 심볼, 논리 게이트 심볼 및 전이 심볼은 시스템에서의 다양한 이벤트 사이의 인과 관계를 설명하는 데 사용된다. 논리 게이트의 입력 이벤트는 출력 이벤트의 "원인"이고, 논리 게이트의 출력 이벤트는 입력 이벤트의 "결과"이다.

구체적으로, 본 출원의 이 실시예에서, 장애 트리는 광 링크상의 알려진 장애 모드 및 광 링크상의 알려진 장애(예: 광 링크상의 광 섬유의 구부러짐, 광 스플리터(optical splitter) 없는 직접 연결 또는 광 섬유 절단)의 사용에 의한 수동 경험에 기초하여 획득되며, 장애 트리 규칙은 공식화된다.

예를 들어, 광 링크상의 광 섬유의 구부러짐 및 광 스플리터 없는 직접 연결은 광 링크상의 알려진 장애 모드이다. 광 섬유의 구부리짐에 대응하는 비교적 명백한 특징 규칙은 다음과 같을 수 있다: 바운스 카운트 > 0, 열화 카운트 > 0, 상승 카운트 > 0, 열화 레벨 > 미리 설정된 임계 값, 및 지터 레벨 > 특정 임계 값. 추출된 특징이 위의 규칙을 충족하면, 추출된 특징은 광 섬유의 구부러짐으로 식별된다. 특정 임계 값은 수동 경험에 기초하여 미리 설정된 값이다. 광 스플리터가 없는 직접 연결에 대응하는 명백한 특징 규칙은 다음과 같을 수 있다: 강광 비율 > 특정 임계 값, 상승 카운트 > 0, 돌변 카운트 > 0, 및 열화 카운트 = 0. 추출된 특징이 이 규칙을 충족하면, 추출된 특징은 광 스플리터 없는 직접 연결로 식별된다. 특정 임계 값은 장애 사례의 특징에 기초하여 설정된 임계 값이며, 각각의 장애 모드는 자신의 특정 규칙이 있으며, 수동 경험에 기초하여 다른 임계 값에 대응할 수도 있다.

702. 확립된 장애 모드 식별 모델을 온라인으로 적용하고, 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별한다.

장애 모드 식별 모델은 도 4의 단계 403에 적용될 수 있다. 단계 403에서, 장애 모드 식별 모델을 적용하여 특징 파라미터를 식별한다. 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별하는 구체적인 프로세스는, 장애 트리 규칙을 추출된 특징 파라미터와 대조하는 것이다. 대조에 성공하면, 장애 모드를 식별할 수 있다.

예를 들어, 도 6에 도시된 바와 같이, 성능 데이터는 미리 설정된 시간 윈도 내의 시간 시퀀스이며; 광 링크상의 장애 모드가 광 섬유가 구부러진 것인 경우, 수동 경험에 기초하여 광 섬유의 구부러짐에 대해 다음과 같은 장애 트리 규칙이 설정된다: 바운스 카운트가 0보다 크고, 열화 카운트가 0보다 크고, 상승 카운트가 0보다 크고, 열화 레벨이 0.2보다 크고, 지터 레벨이 0.5보다 크다. 광 파워 데이터의 특성 파라미터가 다음: 바운스 카운트 2이고, 열화 카운트가 2이고, 상승 카운트 2이고, 열화 레벨이 2이고, 지터 레벨이 1.92인 경우, 광 섬유의 구부러짐에 대한 장애 트리 규칙 세트에 기초하여 다음과 같이 학습될 수 있다: 광 섬유 굽힘에 대한 트리 규칙 세트: 바운스 카운트가 0보다 크고, 열화 카운트가 0보다 크고, 상승 카운트가 0보다 크고, 열화 레벨이 0.2보다 크고 지터 레벨이 0.5보다 크다. 이 경우, 장애 모드가 광 섬유의 구부러짐인 것이 학습된다.

본 출원의 일 실시예에서, 장애 모드 식별 알고리즘을 사용하여 특징 파라미터에 기초하여 장애 모드를 식별한 후, 상기한 방법은 다음을 더 포함한다: 식별된 장애 모드를 특징 파라미터에 대응하는 실제 장애 모드와 비교하는 단계, 및 식별된 장애 모드가 실제 장애 모드와 일치하지 않으면, 특징 파라미터 및 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트에 추가하는 단계.

도 9는 본 출원의 일 실시예에 따른 광 링크 장애 식별 방법을 구현하기 위해 사용되는 또 다른 개략 흐름도이다. 도 9에 도시된 바와 같이, 온라인 적용시에, 수집된 성능 데이터로부터 특징 파라미터를 추출하고, 장애 모드 식별 모델을 트레이닝함으로써 온라인 식별을 수행한다. 유지보수 엔지니어는 모델 트레이닝 정확도를 향상시키기 위해, 점검을 통해 실제 장애 모드를 추가로 획득하고 장애 모드의 정확도를 피드백하고 피드백된 데이터를 트레이닝 세트에 업데이트할 수 있다. 또한, 도 9로부터 알 수 있듯이, 장애 식별 모델은 오프라인 모드에서 피드백되고 감독되며, 장애는 온라인 모드에서 식별된다. 감독은 장애 모드 식별 모델의 정확도에 대한 감독임을 알 수 있다.

실제 장애 모드는 유지보수 엔지니어가 광 링크상의 장애 모드를 유지할 때 실제로 처리되는 장애 모드이다. 장애 모드는 획득된 네트워크 기기의 성능 데이터에 기초하여 식별되는 장애 모드이다. 상응하게 저장된 장애 모드는 유지보수 엔지니어에 의해 유지되는 실제 장애 모드와 비교되거나 장애 모드와 실제 장애 모드 사이의 일관성을 획득하기 위해 데이터베이스에 있어, 확립된 장애 모드 식별 모델의 식별 결과의 정확성을 보장한다. 장애 모드가 실제 장애 모드와 일치하면, 장애 모드 식별 모델의 식별 결과가 정확함을 지시한다. 장애 모드가 실제 장애 모드와 일치하지 않으면, 장애 모드 식별 모델의 식별 결과가 부정확하고, 장애 모드 식별 모델을 재확립되어야 함을 지시한다.

장애 모드 식별 모델을 재확립해야 하는 경우, 장애 모드에 대응하는 저장된 성능 데이터는 트레이닝 세트에 피드백되어야 하고, 트레이닝 세트는 새로운 장애 모드 식별 모델을 확립하기 위해 트레이닝된다. 성능 데이터가 피드백되기 전에, 트레이닝 세트는 장애 모드 식별 모델의 트레이닝 중에 사용된 이력 데이터를 포함한다. 성능 데이터가 피드백된 후, 트레이닝 세트는 피드백된 성능 데이터 및 장애 모드 식별 모델의 트레이닝 중에 사용되는 데이터의 이력을 포함한다.

본 출원의 일 실시예는 광 링크 장애 식별 방법을 제공한다. 이 광 링크 장애 식별 방법은, 실시간으로 광 링크상의 네트워크 기기의 성능 데이터를 모니터링하는 단계; 네트워크 기기로부터 성능 데이터를 획득하는 단계; 특징 추출 알고리즘을 사용하여 성능 데이터의 특징 파라미터를 추출하는 단계; 및 장애 모드 식별 모델을 사용하여 특징 파라미터에 대해 장애 모드 식별을 수행하여 식별 결과를 획득하는 단계를 포함한다. 장애 모드 식별 모델은 두 부분: 오프라인 장애 모드 식별 모델과 온라인 업데이트 장애 모드 식별 모델을 포함한다. 오프라인 장애 모드 식별 모델은, 온라인 식별 전에, 광 링크상의 기존 장애 사례에 대응하는 이력 데이터를 사용하여 트레이닝을 수행하여 획득된 장애 모드 식별 모델이다. 온라인 업데이트 장애 모드 식별 모델은 피드백 데이터로서, 장애 모드 식별 모델에 의해 식별된 부정확한 장애 모드에 대응하는 성능 데이터를 사용하고, 피드백 데이터를 트레이닝 세트에 업데이트하고, 업데이트된 트레이닝 세트를 사용하여 트레이닝을 수행하여 새로운 장애 모드 식별 모델을 획득하며, 새로운 장애 모드 식별 모델을 온라인 프로그램 또는 기기에 업데이트한다. 온라인 모드는 시스템이 중단없이 실시간 성능 데이터를 여전히 수집하고 있고, 장애 모드 식별 모델이 수집된 성능 데이터의 특징 파라미터에 대한 식별을 중단하지 않는 것을 지시한다.

본 출원의 일 실시예는 광 링크 장애 식별 방법을 제공한다. 이 광 링크 장애 식별 방법은 온라인 빅 데이터 분석 플랫폼이나 광 링크 네트워크 기기에 적용될 수 있다.

도 2에 도시된 바와 같이, 이 방법을 온라인 빅 데이터 분석 플랫폼에 적용하는 경우, 온라인 빅 데이터 분석 플랫폼은 광 링크상의 장애 식별 부분이며 ONU에 의해 OLT를 사용하여 송신되는 KPI 데이터와 빅 데이터 분석 트레이닝 플랫폼의 장애 모드 식별 모델을 수신한다. 빅 데이터 분석 트레이닝 플랫폼은 이력 성능 데이터 또는 특징 파라미터에 기초하여 장애 모드 식별 모델을 트레이닝하고, 온라인 빅 데이터 분석 플랫폼에 적용된 빅 데이터 분석 트레이닝 플랫폼은 장애 모드가 식별되었음을 지시하는 데이터를 트레이닝하여 새로운 장애 모드 식별 모델을 획득한 다음, 새로운 장애 모드 식별 모델이 온라인 빅 데이터 분석 플랫폼에 업데이트된다. ONU는 광 섬유를 사용하여 OLT에 연결된다.

상세한 프로세스는 다음과 같다:

ONU는 KPI 데이터를 OLT에 전송한다. OLT는 KPI 데이터를 수신하고 주기적으로 KPI 데이터를 온라인 빅 데이터 분석 플랫폼에 전송한다. 온라인 빅 데이터 분석 플랫폼은 수신된 KPI 데이터에 대해 특징 파라미터 추출을 수행하여 KPI 데이터의 특징 파라미터를 획득한 후, 장애 모드 식별 모델을 사용하여 KPI 데이터의 특징 파라미터에 대한 식별을 수행하고; 장애 모드 식별 후의 KPI 데이터를 트레이닝을 위해 빅 데이터 분석 트레이닝 플랫폼에 전송하여, 새로운 장애 모드 식별 모델을 획득하고, 새로운 장애 모드 식별 모델을 온라인 빅 데이터 분석 플랫폼에 업데이트한다.

도 3에 도시된 바와 같이, 이 방법이 광 링크 네트워크 기기에 적용되는 경우, 광 링크 네트워크 기기 OLT는 광 링크상의 장애 식별 부분이다. OLT는 ONU에 의해 송신되는 KPI 데이터를 수신하고, 온라인 빅 데이터 분석 플랫폼을 사용하여 KPI 데이터를 빅 데이터 분석 트레이닝 플랫폼으로 송신하여, 장애 모드 식별 모델을 트레이닝한다. 온라인 빅 데이터 분석 플랫폼은 OLT에 의해 보고되는 장애 모드 식별 결과를 수신하도록 구성되며, 추가로, 데이터 피드백 및 트레이닝을 통해 획득된 새로운 장애 모드 식별 모델 업데이트를 위해 장애 모드 식별 결과를 빅 데이터 분석 트레이닝 플랫폼으로 송신하도록 구성된다. 새로운 장애 모드 식별 모델은 피드백 데이터에 기초하여 빅 데이터 분석 트레이닝 플랫폼에 의해 트레이닝되는 새로운 장애 모드 식별 모델이다. OLT는 칩을 포함하며, 칩은 장애를 식별하도록 구성된다.

상세한 프로세스는 다음과 같다:

ONU가 KPI 데이터를 OLT에 전송한다. OLT는 KPI 데이터를 수신하고, 특징 마이닝 모델 및 장애 모드 식별 모델을 사용하여 KPI 데이터에 대해 장애 식별을 수행하고, 온라인 빅 데이터 분석 플랫폼에 장애 모드를 보고한다. 온라인 빅 데이터 분석 플랫폼은 모드 식별 후에 획득된 데이터를, 빅 데이터 분석 트레이닝 플랫폼에 송신한다. 빅 데이터 분석 트레이닝 플랫폼은 온라인 빅 데이터 분석 플랫폼에 새로운 장애 모드 식별 모델을 송신한다. 온라인 빅 데이터 분석 플랫폼은 새로운 장애 모드 식별 모델을 OLT에 업데이트한다. OLT는 광 섬유를 사용하여 ONU에 연결된다.

ONU는 주기적으로 KPI 데이터를 OLT에 전송한다. OLT는 KPI 데이터에 대해 특징 마이닝 또는 특징 추출을 수행하고, KPI 데이터의 성능 특징을 획득하고, 장애 모드 식별 모델을 사용하여 성능 특징에 기초하여 장애를 식별한다. 진단 결과를 획득한 후, OLT는 진단 결과 내의 장애 모드를 온라인 빅 데이터 분석 플랫폼에 보고한다. 또한, 빅 데이터 분석 트레이닝 플랫폼은 주기적으로 모델 트레이닝을 수행하고, 온라인 빅 데이터 분석 플랫폼에 모델을 제공한다. 온라인 빅 데이터 분석 플랫폼은 장애 진단을 위해 모델을 OLT에 업데이트한다.

동일한 기술 개념에 기초하여, 본 출원의 일 실시예는 전술한 방법 실시예를 구현하기 위해, 광 링크 장애 식별 장치를 더 제공한다.

도 10에 도시된 바와 같이, 본 출원의 일 실시예는 광 링크 장애 식별 장치(1000)를 제공한다.

광 링크 장애 식별 장치(100)는 적어도 수신 광 파워를 포함하는, 광 링크상의 네트워크 기기의 성능 데이터를 획득하도록 구성된 획득 유닛(1010) - 여기서 획득 유닛(1010)에 의해 획득되는 성능 데이터는 미리 설정된 시간 윈도 내의 시간 시퀀스임 -; 미리 설정된 시간 윈도 내에서 획득 유닛(1010)에 의해 획득되는 성능 데이터의 변화를 지시하는 데 사용되는 특징 파라미터를 추출하도록 구성된 추출 유닛(1020); 및 추출 유닛(1020)에 의해 추출되는 특징 파라미터에 기초하여 광 링크상의 장애 모드를 식별하도록 구성된 식별 유닛(1030)을 포함한다.

획득 유닛(1010)에 의해 획득되는 성능 데이터는 송신 광 파워 및/또는 광 섬유 길이를 더 포함한다. 매칭 모듈은 추출 유닛(1020)에 의해 추출되는 특징 파라미터와 장애 모드 식별 모델을 대조하여 장애 모드를 결정하도록 구성된다. 출력 모듈은 매칭 모듈에 의해 결정되는 장애 모드를 외부의 광 네트워크 기기에 출력하도록 구성된다.

본 출원의 다른 실시예에서 제공되는 광 링크 장애 식별 장치는, 알려진 장애 모드의 이력 데이터를 사용하여, 특징 파라미터 및 장애 모드에 대응하는 장애 모드 식별 모델을 트레이닝하도록 구성된 트레이닝 유닛을 더 포함한다. 이력 데이터는 특징 파라미터 및 특징 파라미터에 대응하는 장애 모드를 포함한다.

본 출원의 다른 실시예에서 제공되는 광 링크 장애 식별 장치는 비교 유닛 및 추가 유닛을 더 포함한다. 비교 유닛은 식별 유닛에 의해 식별된 장애 모드를 특징 파라미터에 대응하는 실제 장애 모드와 비교하고, 비교 결과를 추가 유닛에 출력하도록 구성되고; 추가 유닛은 비교 유닛으로부터의 출력 결과를 수신하고, 식별된 장애 모드가 실제 장애 모드와 일치하지 않는 경우, 특징 파라미터 및 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트에 추가하도록 구성된다.

본 출원의 다른 실시예에서 제공되는 광 링크 장애 식별 장치는, 트레이닝 세트를 트레이닝하여 새로운 장애 모드 식별 모델을 확립하도록 구성된 확립 유닛을 더 포함한다. 트레이닝 세트는 장애 모드 식별 모델의 트레이닝에 사용되는 이력 데이터, 추가된 특징 파라미터 및 특징 파라미터에 대응하는 추가된 실제 장애 모드로 구성된다.

동일한 기술 개념에 기초하여, 본 출원의 일 실시예는 광 링크 장애 식별 시스템을 더 제공한다. 이 광 링크 장애 식별 시스템의 구성은 기존의 광 링크 시스템의 구성과 유사할 수 있다. 두 구성은 모두 광 네트워크 기기, 광 회선 단말기 및 온라인 빅 데이터 분석 플랫폼을 포함할 수 있다. 구성 간의 차이점은 전술한 실시예에서 언급된 광 링크 장애 식별 장치가 예를 들어 시나리오 b에서는, 광 회선 단말기에 배치될 수 있거나; 예룰 들어, 시나리오 a에서는 온라인 빅 데이터 분석 플랫폼에 배치될 수 있다는 점에 있다. 광 링크 장애 식별 장치와 다른 유닛 사이의 연결 및 대응하는 관련 조작은 이미 전술한 실시예에서 설명하였으며, 여기서는 다시 설명하지 않는다.

본 출원의 실시예에서 제공되는 광 링크 장애 식별 장치에 포함된 추출 유닛 및 식별 유닛은 프로세서에 의해 구현될 수 있음에 유의해야 한다. 추출 유닛과 식별 유닛은 다른 모듈에 연결된다. 도 11에 도시된 바와 같이, 광 링크 장애 식별 시스템의 처리 부분은 프로세서(111) 및 메모리(112)를 포함할 수 있다. 메모리(112)는 지시 정보를 저장하도록 구성될 수 있고, 또한 프로세서(111)에 의해 실행되는 코드, 명령어 등을 저장하도록 구성될 수 있다.

저장 유닛은 예를 들어 메모리일 수 있다. 네트워크 기기가 저장 유닛을 포함하는 경우, 저장 유닛은 컴퓨터로 실행 가능한 명령어를 저장하도록 구성되고, 처리 유닛은 저장 유닛에 연결되며, 처리 유닛은 저장 유닛에 저장된 컴퓨터 명령어를 실행하여, 광 링크 장애 식별 시스템이 특징 파라미터를 식별할 수 있도록 한다.

선택적으로, 광 링크 장애 식별 시스템이 복수의 네트워크 기기로 구성되는 경우, 선택적으로, 광 링크 장애 식별 시스템이 복수의 네트워크 기기의 소프트웨어 프로그램을 통합한 칩이면, 이 칩은, 처리 모듈을 포함하며, 여기서 처리 모듈은 프로세서에 의해 구현될 수 있고, 처리 회로는 저장 유닛에 저장된 컴퓨터로 실행 가능한 명령어를 실행할 수 있으며; 저장 유닛은 칩 내의 저장 유닛, 예를 들어 레지스터 또는 버퍼일 수 있거나; 또는 저장 유닛은 단말기 내에 위치하지만 칩 외부에 있는 저장 유닛, 예를 들어 판독 전용 메모리(read-only memory, 약칭하여 ROM) 또는 정적 정보 및 명령어를 저장할 수 있는 다른 유형의 정적 저장 기기, 랜덤 액세스 메모리(random access memory, 약칭하여 RAM) 등일 수 있다.

선택적으로, 저장 유닛은 칩 내의 저장 유닛, 예를 들어 레지스터 또는 버퍼이거나; 또는 저장 유닛은 단말기 내에 위치하지만 칩 외부에 있는 저장 유닛, 예를 들어 판독 전용 메모리(read-only memory, ROM) 또는 정적 정보 및 명령어를 저장할 수 있는 다른 유형의 정적 저장 기기, 랜덤 액세스 메모리(random access memory, 약칭하여 RAM) 등일 수 있다. 저장 유닛은 칩 내의 저장 유닛, 예를 들어 레지스터 또는 버퍼이거나; 또는 저장 유닛은 단말기 내에 위치하지만 칩 외부에 있는 저장 유닛, 예를 들어 판독 전용 메모리(read-only memory, 약칭하여 ROM) 또는 정적 정보 및 명령어를 저장할 수 있는 다른 유형의 정적 저장 기기, 랜덤 액세스 메모리(random access memory, 약칭하여 RAM) 등일 수 있다.

전술한 실시예의 전부 또는 일부는 소프트웨어, 하드웨어, 펌웨어, 또는 이들의 임의의 조합을 사용하여 구현될 수 있다. 실시예를 구현하기 위해 소프트웨어가 사용될 때, 실시예의 전부 또는 일부는 컴퓨터 프로그램 제품의 형태로 구현될 수 있다. 컴퓨터 프로그램 제품은 하나 이상의 컴퓨터 명령어를 포함한다. 컴퓨터 프로그램 명령어가 컴퓨터에 로드되어 실행될 때, 본 출원에 따른 프로시저 또는 기능의 전부 또는 일부가 생성된다. 컴퓨터는 범용 컴퓨터, 전용 컴퓨터, 컴퓨터 네트워크 또는 다른 프로그램 가능한 장치일 수 있다. 컴퓨터 명령어는 컴퓨터로 판독 가능한 저장 매체에 저장될 수 있거나 컴퓨터로 판독 가능한 저장 매체에서 다른 컴퓨터로 판독 가능한 저장 매체로 송신될 수 있다. 예를 들어, 컴퓨터 명령은 웹 사이트, 컴퓨터, 서버 또는 데이터 센터에서 유선(예: 동축 케이블, 광 섬유 또는 디지털 가입자 회선) 또는 무선(예: 적외선, 라디오 또는 마이크로파) 방식으로, 다른 웹 사이트, 컴퓨터, 서버 또는 데이터 센터에 송신될 수 있다. 컴퓨터로 판독 가능한 저장 매체는 컴퓨터 또는 하나 이상의 사용 가능한 매체를 통합한, 서버 또는 데이터 센터와 같은 데이터 저장 기기에 의해 액세스 가능한 임의의 사용 가능한 매체일 수 있다. 사용 가능한 매체는 자기 매체(예: 플로피 디스크, 하드 디스크 또는 자기 테이프), 광학 매체(예: DVD), 반도체 매체(예: 솔리드 스테이트 드라이브), 등일 수 있다.

동일한 기술 개념에 기초하여, 본 출원의 실시예는 컴퓨터로 판독 가능한 저장 매체를 더 제공한다. 컴퓨터로 판독 가능한 저장 매체는 컴퓨터 프로그램을 저장하고, 컴퓨터 프로그램은 하나 이상의 코드 세그먼트를 포함하며, 하나 이상의 코드 세그먼트는 온라인 빅 데이터 분석 플랫폼 또는 OLT를 제어하여 전술한 방법 실시예를 구현하도록 하기 위해, 원격 서버에 의해 실행될 수 있다.

동일한 기술 개념에 기초하여, 본 출원의 실시예는 컴퓨터 프로그램을 더 제공한다. 컴퓨터 프로그램이 원격 서버에 의해 실행될 때, 컴퓨터 프로그램은 전술한 방법 실시예를 구현하도록 사용된다.

프로그램은 프로세서와 함께 캡슐화되는 저장 매체에 전적으로 또는 부분적으로 저장될 수 있거나, 프로세서와 함께 캡슐화되지 않은 메모리에 부분적으로 또전적으로 저장될 수 있다.

동일한 기술 개념에 기초하여, 본 출원의 실시예는 프로세서를 더 제공한다. 프로세서는 전술한 방법 실시예를 구현하도록 구성된다. 프로세서는 칩일 수 있다.

당업자는 전술한 하나 이상의 예에서, 본 출원의 실시예에서 설명된 기능들이 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합을 사용하여 구현될 수 있다는 것을 알아야 한다. 소프트웨어가 실시예를 구현하기 위해 사용될 때, 전술한 기능은 컴퓨터로 판독 가능한 매체에 저장되거나 컴퓨터로 판독 가능한 매체의 하나 이상의 명령어 또는 코드로서 전송될 수 있다. 컴퓨터로 판독 가능한 매체는 컴퓨터 저장 매체 및 통신 매체를 포함하며, 여기서 통신 매체는 컴퓨터 프로그램이 한 장소에서 다른 장소로 전송될 수 있게 하는 임의의 매체를 포함한다. 저장 매체는 범용 또는 전용 컴퓨터에 액세스할 수 있는 임의의 이용 가능한 매체일 수 있다.

전술한 구체적인 구현에서는 본 출원의 실시예의 목적, 기술적 방안 및 유익한 효과를 더 상세히 설명하였다. 전술한 설명은 본 출원의 실시예의 구체적인 구현일 뿐이며, 본 출원의 실시예의 보호 범위를 한정하려는 의도가 아님을 이해해야 한다. 본 출원의 실시예의 기술적 방안에 기초하여 이루어진 모든 수정, 동등한 대체 또는 개선은 본 출원의 실시예의 보호 범위에 속한다.

Claims (17)

1. 광 링크 장애 식별 방법으로서,
   적어도 수신 광 파워를 포함하는, 광 링크상의 네트워크 기기의 성능 데이터를 획득하는 단계;
   미리 설정된 시간 윈도 내에 있는 상기 성능 데이터의 변화를 지시하는 데 사용되는 특징 파라미터를 추출하는 단계; 및
   상기 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드를 식별하는 단계를 포함하고,
   상기 성능 데이터는 상기 미리 설정된 시간 윈도 내의 시간 시퀀스인,
   광 링크 장애 식별 방법.
2. 제1항에 있어서,
   상기 성능 데이터는 송신 광 파워 및/또는 광 섬유 길이를 더 포함하는, 광 링크 장애 식별 방법.
3. 제1항 또는 제2항에 있어서,
   상기 특징 파라미터는 상기 성능 데이터의 이상 레벨을 나타내는 데 사용되는 특징 파라미터 및/또는 상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 특징 파라미터를 포함하는, 광 링크 장애 식별 방법.
4. 제3항에 있어서,
   상기 성능 데이터의 이상 레벨을 나타내는 데 사용되는 특징 파라미터는 다음 파라미터:
   상기 미리 설정된 시간 윈도 내의 상기 수신 광 파워의 무작위 변화의 레벨인 지터 레벨;
   상기 미리 설정된 시간 윈도의 총 지속 시간에 대한 상기 수신 광 파워에서의 약광 지속 시간의 비율인 약광 비율;
   상기 미리 설정된 시간 윈도의 총 지속 시간에 대한 상기 수신 광 파워에서의 강광의 지속 시간의 비율인 강광 비율; 및
   상기 미리 설정된 시간 윈도의 총 지속 시간에 대한 상기 수신 광 파워에서의 무광 지속 시간의 비율인 무광 비율 중 하나 또는 임의의 조합을 포함하는, 광 링크 장애 식별 방법.
5. 제3항 또는 제4항에 있어서,
   상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 파라미터는 다음 파라미터:
   상기 수신 광 파워의 피팅 처리 결과의 변동 카운트를 나타내는 데 사용되는 바운스 카운트;
   상기 수신 광 파워의 피팅 처리 결과의 하락 추세를 나타내는 데 사용되는 열화 레벨;
   상기 수신 광 파워의 피팅 처리 결과의 상승 추세를 나타내는 데 사용되는 상승 카운트; 및
   상기 수신 광 파워가 상기 미리 설정된 시간 윈도 내에서 이력 평균 광 파워에서 벗어난 횟수를 나타내는 데 사용되는 돌변 카운트 중 하나 또는 임의의 조합을 포함하는, 광 링크 장애 식별 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서,
   상기 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드를 식별하는 단계는 구체적으로,
   상기 특징 파라미터와 장애 모드 식별 모델을 대조하여 상기 장애 모드를 결정하는 단계를 포함하는, 광 링크 장애 식별 방법.
7. 제6항에 있어서,
   상기 광 링크 장애 식별 방법은,
   알려진 장애 모드의 이력 데이터를 사용하여, 특징 파라미터 및 장애 모드에 대응하는 상기 장애 모드 식별 모델을 트레이닝하는 단계를 더 포함하고,
   상기 이력 데이터는 특징 파라미터 및 상기 특징 파라미터에 대응하는 장애 모드를 포함하는, 광 링크 장애 식별 방법.
8. 제7항에 있어서,
   상기 특징 파라미터에 기초하여 장애 모드를 식별한 후, 상기 광 링크 장애 식별 방법은,
   식별된 장애 모드를 상기 특징 파라미터에 대응하는 실제 장애 모드와 비교하고, 상기 식별된 장애 모드가 상기 실제 장애 모드와 일치하지 않으면, 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트에 추가하는 단계를 더 포함하는 광 링크 장애 식별 방법.
9. 제8항에 있어서,
   상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 트레이닝 세트에 추가하는 단계 후에, 상기 광 링크 장애 식별 방법은,
   상기 트레이닝 세트를 트레이닝하여 새로운 장애 모드 식별 모델을 확립하는 단계를 더 포함하고, 상기 트레이닝 세트는 상기 장애 모드 식별 모델의 트레이닝에 사용되는 이력 데이터, 추가된 특징 파라미터 및 상기 특징 파라미터에 대응하는 추가된 실제 장애 모드로 구성되는, 광 링크 장애 식별 방법.
10. 광 링크 장애 식별 장치로서,
    적어도 수신 광 파워를 포함하는, 광 링크상의 네트워크 기기의 성능 데이터를 획득하도록 구성된 획득 유닛 - 상기 획득 유닛에 의해 획득되는 성능 데이터는 상기 미리 설정된 시간 윈도 내의 시간 시퀀스임 -;
    미리 설정된 시간 윈도 내에서 상기 획득 유닛에 의해 획득되는 성능 데이터의 변화를 지시하는 데 사용되는 특징 파라미터를 추출하도록 구성된 추출 유닛; 및
    상기 추출 유닛에 의해 추출되는 특징 파라미터에 기초하여 상기 광 링크상의 장애 모드를 식별하도록 구성된 식별 유닛
    을 포함하는 광 링크 장애 식별 장치.
11. 제10항에 있어서,
    상기 획득 유닛에 의해 획득되는 성능 데이터는 송신 광 파워 및/또는 광 섬유 길이를 더 포함하는, 광 링크 장애 식별 장치.
12. 제10항 또는 제11항에 있어서,
    상기 획득 유닛에 의해 획득되는 특징 파라미터는 상기 성능 데이터의 이상 레벨을 나타내는 데 사용되는 특징 파라미터 및/또는 상기 성능 데이터의 변화 추세를 나타내는 데 사용되는 특징 파라미터를 포함하는, 광 링크 장애 식별 장치.
13. 제10항 내지 제12항 중 어느 한 항에 있어서,
    상기 식별 유닛은 매칭 모듈 및 출력 모듈을 포함하고,
    상기 매칭 모듈은 상기 추출 유닛에 의해 추출되는 특징 파라미터와 장애 모드 식별 모델을 대조하여 상기 장애 모드를 결정하도록 구성되고;
    상기 출력 모듈은 상기 매칭 모듈에 의해 결정되는 장애 모드를 외부의 광 네트워크 기기에 출력하도록 구성되는, 광 링크 장애 식별 장치.
14. 제13항에 있어서,
    상기 광 링크 장애 식별 장치는,
    알려진 장애 모드의 이력 데이터를 사용하여, 특징 파라미터 및 장애 모드에 대응하는 상기 장애 모드 식별 모델을 트레이닝하도록 구성된 트레이닝 유닛을 더 포함하고, 상기 이력 데이터는 특징 파라미터 및 상기 특징 파라미터에 대응하는 장애 모드를 포함하는, 광 링크 장애 식별 장치.
15. 제14항에 있어서,
    상기 광 링크 장애 식별 장치는 비교 유닛 및 추가 유닛을 더 포함하고,
    상기 비교 유닛은 상기 식별 유닛에 의해 식별된 장애 모드를 상기 특징 파라미터에 대응하는 실제 장애 모드와 비교하고, 비교 결과를 상기 추가 유닛에 출력하도록 구성되고;
    상기 추가 유닛은 상기 비교 유닛으로부터의 출력 결과를 수신하고, 상기 식별된 장애 모드가 상기 실제 장애 모드와 일치하지 않는 경우, 상기 특징 파라미터 및 상기 특징 파라미터에 대응하는 실제 장애 모드를 상기 트레이닝 세트에 추가하도록 구성되는, 광 링크 장애 식별 장치.
16. 제15항에 있어서,
    상기 광 링크 장애 식별 장치는, 상기 트레이닝 세트를 트레이닝하여 새로운 장애 모드 식별 모델을 확립하도록 구성된 확립 유닛을 더 포함하고, 상기 트레이닝 세트는 상기 장애 모드 식별 모델의 트레이닝에 사용되는 이력 데이터, 추가된 특징 파라미터 및 상기 특징 파라미터에 대응하는 추가된 실제 장애 모드로 구성되는, 광 링크 장애 식별 장치.
17. 광 링크 네트워크 기기 및 온라인 빅 데이터 분석 플랫폼을 포함하는 광 링크 장애 식별 시스템으로서,
    상기 온라인 빅 데이터 분석 플랫폼은 제10항 내지 제16항에 따른 장치를 구비하며, 상기 광 링크 네트워크 기기에 의해 업로드되고 적어도 수신 광 파워를 포함하는 성능 데이터를 수신하는,
    광 링크 장애 식별 시스템.

Images