一种光网络故障校验方法和设备与流程

本发明涉及网络故障检测，特别是指一种光网络故障校验方法。

背景技术：

全光网络中，故障定位的复杂性随着网络拓扑结构规模日益增加，而网络管理者收到的告警信息大量冗余。通过理论研究证明，单纯的依靠收集网络告警信息来定位多链路故障是一个np问题。网络管理者仅根据收集到的告警信息，不能够准确判断当前网络中发生故障源的位置。

目前典型的故障定位技术，主要包括:(1)人工测试方法；(2)模糊逻辑故障诊断方法；(3)故障诊断专家系统。

人工测试法是在出现故障后，由人工去确定故障的具体位置，这种方法不适宜大型网络，且不能实时对受损业务进行保护。

模糊逻辑是建立在多值逻辑基础上，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。模糊逻辑诊断方法(fl-fd)就是依据设备故障的模糊征兆进行模糊状态识别、模糊推理并做出决策，判别出发生故障的原因。fl-fd是通过所出现故障征兆的隶属度推断出各种故障原因的隶属度，以表征各种故障存在的倾向性。

故障诊断专家系统是将专家系统应用到故障诊断之中，从工程知识条目获取到知识条目存储和推理分析，采用专家系统进行故障诊，充分发挥专家系统的强大知识处理能力的优势，凭借经验获得一些难以由数据模型描述的信息和结论，并根据故障现象发生的环境和目标系统的结构层次等信息，很快地做出判定和危害度决策。故障诊断专家系统的核心问题是它的学习能力问题，知识的自动获取一直是故障诊断专家系统的难点。

在实际运行过程中，故障往往表现为复杂性、不确定性和多故障并发性等，运用单一的故障诊断技术，存在精度不高、推理能力差等问题，难以获得满意的诊断效果。

技术实现要素：

有鉴于此本发明提出一种基于人工智能的光网络故障校验方法，提高故障诊断的精确性和工作效率。

基于上述目的，本发明提供了一种光网络故障校验方法，所述方法包括：

采集光网络故障数据，包括节点单板的性能信息和告警信息；

对所述告警信息经过神经网络模型训练确定可疑节点单板的位置，记录可疑节点单板的性能信息；

根据所述可疑节点单板的性能信息运用支持向量机算法，确定故障节点单板的位置；

将所述故障节点单板的位置与所述可疑节点单板的位置进行比对；如果位置一致，则进行故障维护；如果位置不一致，则进行下一周期的光网络故障数据采集。

所述的光网络故障校验方法，还包括对告警信息的预处理，包括对数据进行标准化处理和存储。

所述的光网络故障校验方法，所述标准化数据按照：告警级别-告警名称-告警源节点-告警持续时间-可疑节点单板的位置的格式进行存储；其存储过程包括：在所述告警信息进行数据预处理的时候，保存告警级别-告警名称-告警源节点-告警持续时间的信息；经过所述人工神经网络模型确定可疑节点单板的位置后，再增加所述可疑节点单板的位置的信息。

所述的光网络故障校验方法，所述采集光网络故障数据最多采集4个节点发出的所述告警信息，不足4个节点的用补0的方式，保证所述告警信息预处理的数据格式相同，并保存所述数据便于进行所述神经网络模型训练。

所述的光网络故障校验方法，所述可疑节点单板的性能信息为一种以上，通过n折交叉验证法抽取相关度较高的性能信息，形成可疑节点单板的相关度较高的性能信息。

所述的光网络故障校验方法，所述n折交叉验证法，n为10。

所述的光网络故障校验方法，所述可疑节点单板的相关度较高的性能信息包括：输入光功率、偏置电流、光纤温度、环境温度、输出光功率。

所述的光网络故障校验方法，所述可疑节点单板的相关度较高的性能信息和所述相关度较高的性能信息每天的最大值、最小值和平均值作为所述支持向量机算法的输入数据；若输出结果是1，则判断为故障节点单板，若输出结果是0则表示所述可疑节点单板是正常节点单板。

所述的光网络故障校验方法，所述采集告警信息以5-30分钟为一个周期。

一种光网络故障校验设备，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行光网络故障校验的方法。

从上面所述可以看出，本发明提供的是一种基于人工智能的光网络故障校验方法和设备。利用神经网络对光网络数据内部联系的挖掘和学习，完成对不同种类不同特征故障点进行高准确率的定位。同时，可以借助定位点单板的性能数据利用支持支持向量机(svm)算法，对可能发生故障的单板和正常单板进行二次校验，进一步提升了定位的成功率，有利于提高运维人员的工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于光网络故障校验方法示意图；

图2为本发明实施例基于光网络6节点拓扑示意图；

图3为本发明实施例基于光网络机器学习模型示意图。

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，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“步骤101”和“步骤102”等的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，仅为了表述的方便，不应理解为对本发明实施例特定步骤顺序的限定，后续实施例对此不再一一说明。

本发明是一种适用于wdm网络的光网络故障校验方法，如图1所示，方法包括：

步骤101，采集光网络故障数据，包括节点单板的性能信息和告警信息；

所述采集光网络故障数据，包括节点单板的性能信息和告警信息。对所述告警信息进行数据预处理。所述数据预处理包括数据标准化和数据存储。所述告警信息包括：告警名称，告警级别，告警源节点，告警持续时间等信息，而将告警信息按照告警级别-告警名称-告警源节点-告警持续时间的格式，形成标准化数据，将此标准化数据保存在数据库中，就是数据存储，存储数据是为了后续机器学习时使用。所述标准化数据在后续的故障定位过程中，是输入数据。

所述节点单板的性能信息包括各种物理层的相关性能信息，如温度，湿度，电流，输入或输出功率等，这些性能信息与光网络节点的设备有关。本发明将物理层的单板性能信息用于校验是保证本发明校验准确率的重要手段。收集光网络节点设备的正常状态和故障状态下两种情况的性能数据。

光网络故障发生时，最多同时引起4个节点发生告警，不足4个节点的数据可以用补0的方式，使得每条数据的格式相同。从而形成一个数据集，根据上述数据集，我们将数据集的前16个指标设置为神经网络故障定位模型的特征，将其作为神经网络的输入。

步骤102对所述告警信息经过神经网络模型训练确定可疑节点单板的位置，记录可疑节点单板的性能信息；

根据数据预处理后筛选出的数据进行可疑节点单板定位，在所述数据标准化的信息后增加-故障节点单板位置，记录可疑节点单板的性能信息并与节点单板的正常性能信息进行比对，明确可疑节点单板的位置。

所述故障定位就是运用神经网络模型根据所述标准化数据进行定位；由于一个节点中的单板可能引起多个节点产生告警数据，例如某个节点的某一块单板发生故障，引起节点1、节点2、节点3和节点4同时产生告警数据，参见图2。

本实施例将4个节点的告警级别-告警名称-告警源节点-告警持续时间同时串联起来，再在串联后的数据末尾加上发生故障的节点单板位置作为该数据的标签作为一条数据集。数据集的最后一项故障单板位置作为标签，即将其作为神经网络模型的输出。告警节点中的故障单板位置是不确定的，因此我们将输出的故障单板设置成故障点标记为1，非故障点标记为0。对收集到的故障数据和正常数据进行1:1的平衡处理之后，如图3所示，将训练集投入到人工神经网络中进行训练。当神经网络中的损失函数趋于收敛时，判定该神经网络模型训练成功。当光网络中有多节点告警时，将节点的相关告警数据进行标准化，使之符合已经训练好的神经网络的输入格式，输出的结果是可疑的故障点。

步骤103根据所述可疑节点单板的性能信息运用支持向量机算法，确定故障节点单板的位置。

所述故障校验是根据所述可疑节点单板的性能信息进行联合分析的得到初步故障单板的定位，再运用svm算法从多种不同属性中抽取光节点属性的特征来准确判断该节点是否发生故障，确定故障节点单板的位置。而筛选出和单板故障最相关的性能数据，性能数据选择的好坏直接影响svm算法的预测准确率。本发明专利使用n折交叉验证法，n至少是10，选择相关度最高的五种性能数据：输入光功率、偏置电流、光纤温度、环境温度、输出光功率五种数据，选取上述的五种性能数据每天的最大值、最小值和平均值，因此每个数据样本包含了15种特征并将其作为支持向量x。建立svm模型，如图3所示。本发明专利使用的svm为二分类，根据收集到的性能数据将发生故障的节点单板则标记为1，没有发生故障的单板标记为0,1和0为性能数据的标签。将生成的支持向量x＝(x1,x2,向量。板)与标签做好对应形成真正的数据集。选择rbf作为核函数,c为10，进行训练。当svm的损失函数也趋于收敛时，判定svm模型训练成功。

可疑节点单板的性能数据挑出输入光功率、偏置电流、光纤温度、环境温度、输出光功率这五种性能数据每天的最大值、最小值和平均值作为已训练好的svm模型的输入，根据结果即看输出是0还是1,如果是1判断确实为故障节点，0则表示不是故障节点。

步骤104将所述故障节点单板的位置与所述可疑节点单板的位置进行比对；如果位置一致，则进行故障维护；如果位置不一致，则进行下一周期的光网络故障数据采集。

将所述故障节点单板的位置与所述可疑节点单板的位置进行比对校验；定位一致的，说明是故障节点，需要进行故障维护；如果校验结果出现不一致，则需要进行下一周期的数据收集。

数据在5-30分钟内进行一次采集，通常以15分钟为一周期。再将训练好的神经网络模型存储到数据库。

在明确故障位置后，网络维护之前将网络业务切换到保护路径再进行网络故障维护。

在一个实施例中，如图2所示，当节点2-单板1发生故障时，节点1、节点2、节点3会同时发生告警。将三个节点的相关告警数据串联起来为节点1告警级别-节点1告警名称-节点1位置-节点1告警持续时间-节点2告警级别-节点2告警名称-节点2位置-节点2告警持续时间-节点3告警级别-节点3告警名称-节点3位置-节点3告警持续时间-节点4告警级别-节点4告警名称-节点4位置-节点4告警持续时间，将此信息作为训练好的神经网络模型的输入信息。将神经网络的输出的节点单板可能为节点2-单板1也可能为其他节点的性能数据作为svm模型的输入信息，根据svm的输出判断是否发生故障。若神经网络输出为节点2-单板1，并且svm的预测结果也为1则将训练好的神经网络模型和svm模型存储到知识库。

本发明提出了一种基于人工智能的故障校验方法，具体涉及了基于神经网络的故障定位方法以及基于针对预测定位点的故障校验的方法。利用神经网络对光网络数据内部联系的挖掘和学习，完成对不同种类不同特征故障点进行高准确率的定位。同时，可以借助定位点单板的性能数据利用svm算法，对可能发生故障的单板和正常单板进行二次校验，进一步提升了定位的成功率，有利于提高维护人员的工作效率。

在本发明的另一方面，本发明还提供了一种人工智能的光网络故障校验设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任意一个实施例所述的光网络故障校验的方法。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。