用于监控电信网络的方法和设备与流程

本发明涉及电信领域。特别地，本发明涉及一种用于监控电信网络的方法和设备。

背景技术：

诸如dsl线路、电力线通信信道、无线信道等的电信信道可能受到各种损害的影响。可能影响dsl线路的损害示例包括桥接抽头(bridgetap)、阻抗不匹配、分离器丢失、分离器错误连接、电容耦合、电阻耦合、绝缘故障……。损害会影响服务质量，例如速度降低、错误服务、连接损失。因此，对于网络运营商，希望检测这些损害并识别它们以便相应地和有效地行动。

已经提出通过分析dsl线路的信道频率响应(通常以db表示并称为hlog)来检测影响dsl线路的损害。然而，可靠和有效的损害检测仍然是一个挑战。

技术实现要素：

因此，本发明的实施例的目的是提出一种用于监控电信网络的方法和设备，其没有示出现有技术的固有缺点。

因此，实施例涉及一种用于监控包括一个或多个电信信道的电信网络的设备，该设备包括被配置用于以下操作的装置：

-通过选择卷积层的数量、用于各个卷积层的滤波器的数量、和/或用于各个卷积层的滤波器的大小中的至少一个，设计卷积神经网络，所述卷积神经网络被配置用于根据电信信道的信道频率响应来确定所述电信信道的损害类型；

-基于训练数据训练所述卷积神经网络，所述训练数据针对各个电信信道指定信道频率响应和相关联的损害类型。

该设备可以包括至少一个处理器和至少一个存储器，该存储器存储计算机程序代码，该至少一个存储器和该计算机程序代码被配置用于与该至少一个处理器一起使该设备至少执行：

-通过选择卷积层的数量、用于各个卷积层的滤波器的数量、和/或用于各个卷积层的滤波器的大小中的至少一个，设计卷积神经网络，所述卷积神经网络被配置用于根据电信信道的信道频率响应来确定所述电信信道的损害类型；

-基于训练数据训练所述卷积神经网络，所述训练数据针对各个电信信道指定信道频率响应和相关的损害类型。

在一些实施例中，设计卷积神经网络包括根据多个电信信道的信道频率响应的分析结果来选择所述卷积层的数量、所述滤波器的数量、和/或所述滤波器的大小中的至少一个。

在一些实施例中，所述装置被配置用于：

-确定各个信道频率响应的基频，

-基于该确定的基频确定至少一个基频分布，

-根据所述至少一个基频分布选择所述卷积层的数量。

在一些实施例中，所述设备被配置用于：

-确定各个信道频率响应的滞后，

-基于所述确定的基频确定至少一个滞后分布，

-根据所述至少一个滞后分布选择所述滤波器大小。

在一些实施例中，所述装置被配置用于：

-确定信道频率响应的yin函数，

-基于所述yin函数确定所述基频和/或所述滞后。

在一些实施例中，电信信道包括dsl线路，其中所述信道频率响应是hlog，并且所述卷积神经网络包括第一卷积层，该第一卷积层包括8到16个大小在4到12之间的滤波器。

在一些实施例中，卷积神经网络包括至少第二卷积层。

在一些实施例中，所述装置被配置用于利用所述训练的卷积神经网络，根据电信信道的信道频率响应来确定与所述电信信道相关联的损害类型。

在一些实施例中，所述装置被配置用于基于检测的损害类型来控制与所述电信信道相关联的接入节点和/或客户端设备的配置变化。

实施例还涉及一种用于监控包括一个或多个电信信道的电信网络的方法，该方法包括：

-通过选择卷积层的数量、用于各个卷积层的滤波器的数量、和/或用于各个卷积层的滤波器的大小中的至少一个，设计卷积神经网络，所述卷积神经网络被配置用于根据电信信道的信道频率响应来确定所述电信信道的损害类型

-基于训练数据训练所述卷积神经网络，所述训练数据针对各个电信信道指定信道频率响应和相关联的损害类型。

实施例还涉及一种包括指令的计算机程序，所述指令用于在由计算机执行时执行前述方法。计算机程序可以存储在计算机可读介质上。计算机可读介质可以是非暂时性计算机可读介质。

附图说明

通过参考以下结合附图对实施例的描述，本发明的上述和其他目的和特征将变得更加明显，并且本发明本身将被最好地理解，其中：

图1是电信网络的框图，

图2是受桥接抽头影响的电信线路的信道频率响应图，

图3是用于监控图1的电信网络的卷积神经网络的框图，

图4是用于监控图1的电信网络的方法的步骤的流程图，

图5和图6是变分估计量和相关分布的图，

图7是用于监控图1的电信网络的方法的步骤的流程图，以及

图8是监控设备的结构图。

具体实施方式

图1是电信网络1的框图。电信网络1包括一个或多个接入节点2(仅示出其中一个)、多个客户端设备3、多个电信信道4和监控设备5。接入节点2包括多个端口，各个客户端设备3通过电信信道4连接到这些端口。

在一个实施例中，电信信道4是dsl线路。接入节点2和客户端设备3被配置用于通过使用dsl技术(例如adsl、vdsl2、g.fast……)的dsl线路进行通信。接入节点2例如是dslam，客户端设备3例如是cpe、dsl调制解调器……。

在另一个实施例中，电信信道4是配置用于分发电力的电力线。接入节点2和客户端设备3被配置用于通过使用电力线通信(plc)技术的电力线进行通信。

在一个实施例中，电信信道4是无线信道。接入节点2和客户端设备3被配置用于通过使用无线电技术(例如基于蜂窝无线电标准)的无线信道进行通信。接入节点2例如是基站，客户端设备3例如是移动用户终端。

接入节点2提供描述其端口(或换句话说，所连接的电信信道4)的功能的操作数据。操作数据指定操作参数，其包括各个电信信道4的信道频率响应。通常，这些操作参数可以以规则的时间间隔(例如每天或每15分钟)可用于每个客户端设备3(每个端口或电信信道4)。

监控设备5被配置用于从接入节点2获得操作数据，并用于基于所述操作数据检测影响电信信道4的损害。下面参考图2至图8更详细地描述监控设备5的功能。

电信信道4的信道频率响应(cfr)根据频率指定电信信道的衰减。在dsl线路的情况下，它通常以db表示并称为hlog。

用于指定hlog的通用格式是以db为单位表示的超过512个音调或音调组的曲线。这可能是由更大的信道频率响应(例如，在更多音调上指定的)的聚合引起的。例如，在vdsl217mhz中，测量的4096个音调的hlog可以以1：8的比率聚合，从而提供512个音调的hlog曲线。一些实施例使用512音调的这种通用格式。其他实施例使用其他格式。

信道频率响应对任何损害的存在都是敏感的，或者通常对任何意外拓扑配置的存在是敏感的。例如，在dsl线路上存在“双路径”或“桥接抽头”时，hlog形状呈现其一些下降。图2是受桥接抽头影响的dsl线路的信道频率响应(cfr)的曲线图。在该示例中，考虑到在较高频率中信噪比可能较低，仅考虑前480个音调(512个中)。

图3是由监控设备5使用的卷积神经网络10(cnn)的框图。卷积神经网络10被配置用于根据电信信道4的信道频率响应确定所述电信信道4的损害类型。

卷积神经网络10的输入是矢量12，其指定对于各个频率的信道频率响应的值。

在一些实施例中，通过预处理大小为n2>n1的矢量11来确定大小为n1的矢量12。预处理可以包括音调聚合和/或去除受噪声影响更多的较高音调。例如，矢量11是根据之前讨论的hlog格式的大小n2＝512的矢量，并且通过保持第一n1＝480个音调来确定矢量12。

卷积神经网络10包括一组或多组卷积层，其后是池化层(poolinglayer)。在所示的例子中，卷积神经网络10依次包括：包括滤波器14的第一卷积层13、产生特征矢量16的第一池化层15、包括滤波器18的第二卷积层17、产生特征矢量20的第二池化层19、包括输入层22、一个或多个隐藏层23和输出层24的完全连接的神经网络21。

作为输出，卷积神经网络10返回信道频率曲线的诊断，优选地以给定置信度报告。例如，根据可从cfr以及健康类别识别的已知损害的列表，卷积神经网络10为每个类别提出置信度值。这些是置信度值。可以选择最高的一个来提出诊断。因此，在一些实施例中，输出矢量25针对各个损害类型指定概率或置信度。较高的值对应于检测的损害类型。该输出矢量25可以例如利用softmax层作为输出层24来确定。

卷积神经网络10的设计、训练和使用由监控设备5执行，如现在更详细描述的。

基于领域知识设计卷积神经网络10并且确定卷积神经网络10的尺寸。以下讨论基于先前讨论的cfr的格式(基于512音调的hlog)。如果使用cfr的另一种格式作为卷积神经网络10的输入，则可以相应地调整卷积神经网络10的设计和尺寸。例如，当仅前480个音调用于长循环的噪声鲁棒性时，进行微调。

想要在曲线中跟踪的损害的较小图案至少呈现出至少超过8个音调的形状。利用较小的卷积内核(即滤波器/内核大小<<8)，除了它们将引入更高的噪声依赖性之外，将主要不会受益于减轻卷积滤波提供的空间相邻值的能力(即将相邻值减轻为一个更具代表性的值)。相反，使用较大的内核(即内核/滤波器大小>>8)不能提取分布在大约8个音调上的这种小图案。因此，第一卷积层13的所选滤波器大小可以在4和12之间，优选值为8。

卷积滤波的另一个重要方面是使用的滤波器的数量。从机器学习最佳实践理论来看，模型的复杂性越低，其概括的能力越高。由于使用的滤波器数量与要分类的特征数量以及因此复杂性之间存在直接关系，越低越好。但是，无论如何，希望提取足够的特征，以便能够准确检测不同的损害。因此需要权衡利弊。在这里，领域专业知识将予以指导。实际上，从不同的损害中，可以看到存在形状，像倾角、峰值、振荡、突然减少/增加、平滑增加/减少等。因此，存在8到16个基本形状，但并不多。提出超过16个滤波器(因为这在计算机视觉中很常见)在本文并不相关。相反，提出较少的滤波器(例如4个)将不允许检测或区分某些基本形状，使得不可能检测或分离不同的损害。相应地，在一些实施例中，第一卷积层13包括8到16个(包括在内)滤波器14。

图案的另一个主要方面在于重复基本形状。根据损害的性质，曲线上会出现几种基本特征。在桥接抽头的情况下，这种抽头越长，将出现越多的重复出现。在那种情况下，第一倾角的位置也将向左移动。因此需要捕获基本特征的这种重复行为。为此，从神经网络的角度来看，需要引入另一个“层”。这个额外的层将减轻(如前所述由先前的卷积层提取的)基本形状的存在，而在其邻域中可能发生另一个。同样，对于第二卷积层17，执行一些滤波，滤波器18的大小和数量将由领域专业知识引导。与第一层类似的考虑仍然有效(例如，较少数量的滤波器执行得更好，但是存在能够捕获所有不同重复方面的所需量)。

在提出一些大小之前，读者应该注意到由第一卷积层13提取的特征不是这样馈送到第二卷积层17。在它们之间，存在一个被执行的称为池化层15的下采样步骤。这是因为随着卷积缓和相邻值，相邻输出之间存在信息冗余。因此，在这个阶段有机会降低模型复杂性。例如，池化层15以1:8的比率执行最大池化(下采样)，并且cfr变换为大小为64的不同特征矢量16。因此，提取的内核形状存在于64个矢量内的更高值。已知它们可以是远的，优选具有大小范围在8和16之间的滤波器18的卷积。对于前一层，同样如此，因为重复方面可能不同，即使对于每类损害(例如，桥接抽头本身预期的不同类型的重复)，也可以选择第二卷积层17处的滤波器的数量为16。由于预期不同的潜在重复情况，它会更高。在由池化层19以1:8的比率执行的另一个最大池化步骤之后，存在由第二卷积层20的每个滤波器产生的8个值的序列。在对大小＝8的不同序列进行扁平化之后，因此存在大小如下的特征图：

size(fc_map)＝size(input)*m/p1*n/p2

＝512*8/8*16/8

＝1024

其中，m和n分别是第一和第二卷积层中的滤波器数量，p1和p2分别是第1层和第2层中的池化比率。

分类阶段也由神经元组成并且属于相同的卷积神经网络10。与卷积部分相比，目的是建立所有特征和损害之间的关系。在那个阶段，因此没有卷积过滤也没有池化，而只有所有神经元之间朝向其他层神经元的连接。例如，分类由完全连接的神经网络21执行。除了这些方面之外，通常，为特征提取和分类提出的神经元模型之间的主要差异在于激活函数之间的差异。通常，整流线性单元(relu)激活函数被用于使用神经元执行卷积(这是线性过程)，而双曲正切激活函数优选用于分类。这是优选方案。这里的主要调整因素是使用中的神经元数量。在特征数量和输出类别数量之间，可以选择512个神经元的量。从领域专业知识来看，现阶段没有正当理由通过添加额外的层来在模型中引入额外的复杂性。因此选择单个隐藏层23，并且最终将其连接到输出层24，输出层24仅执行softmax操作以便归一化所有输出置信度值(即所有置信值的总和＝1)。

通过根据多个电信信道4的信道频率响应的分析结果，自动选择卷积层的数量、滤波器的数量和/或滤波器的大小中的至少一个，卷积神经网络10的这种域感知设计和尺寸确定由监控设备5执行。

图4和7是由监控设备5执行的用于监控电信网络1的方法的流程图。更具体地，图4涉及卷积神经网络10的设计和训练，图7涉及通过使用训练的卷积神经网络10进行的损害检测。

监控设备5获得卷积神经网络10的训练数据(步骤s1)。训练数据包括指定各个电信线路4的信道频率响应的cfr数据，以及指定与各个电信线路4相关联的损害类型的标签数据。

例如，监控设备5从一个或多个接入节点2和/或从数据库接收cfr曲线，其中网络运营商已经存储了cfr曲线。监控设备5可以对cfr曲线应用预处理，例如，如果需要，用于转换为卷积神经网络10使用的格式。

标签数据指定与各个电信线路4相关联的标签。标签数据可以为每个电信线路指定标签，其中对每个电信线路cfr数据指定了cfr曲线，或者仅为这些电信线路4的一部分指定标签。标签指定与cfr曲线相关联的损害类型。这可以包括健康类别和可能影响电信信道4的预定数量的已知损害。在dsl线路的情况下，损害的示例包括桥接抽头、阻抗不匹配、分离器丢失、分离器错误连接、电容耦合、电阻耦合、绝缘故障......标签数据可以例如从数据库获得，其中存储了由专家使用cfr分析工具确定的故障检修数据。

然后，监控设备5分析cfr数据(步骤s2)以确定分析结果，并基于分析结果设计卷积神经网络10(步骤s3)。设计卷积神经网络10可以包括选择卷积层的数量、滤波器的数量和/或各个卷积层的滤波器的大小中的至少一个。设计卷积神经网络10还可以包括为完全连接的神经网络21选择隐藏层的数量、神经元的数量和激活函数的类型。更一般地，可以在该步骤基于对多个电信信道的信道频率响应的分析结果，确定卷积神经网络10的任何超参数。然而，可以预先确定一些(超)参数，包括之前提到的那些参数。

如前所述，大多数cnn调整过程都在于理解要跟踪的图案，以便最好地调整超参数(滤波器大小、滤波器数量、层数……)。此外，这些不同数量的超参数最终与“变化类型”以及输入曲线(hlog)中出现的“变化组合”相关。因此，已知要跟踪的图案，cnn设计过程可以由经典变分估计器辅助，以使这些超参数适应那些变化。

合适的变分估计器的示例是在音频处理中使用的那些，例如用于跟踪基频或“基音(pitch)”。基本的那些基于傅里叶变换，后来跟踪频率图中的最高峰(在我们的例子中，这意味着跟踪在hlog图中出现的重复频率)。自相关也可能是合适的。另一个例子是yin估计器，跟踪信号的基频/图案，但是对于幅度调制是鲁棒的，并且渐进式偏移(如hlog的减少行为)可以更好地工作。

这些变分估计器允许对于每个hlog，跟踪：

1.是否有重复行为，

2.如果有，哪个是重复的/重复之间的基频/滞后。

应用于设计过程，第一点给出了关于在卷积神经网络10的特征提取阶段添加额外隐藏层的必要性的指示。而第二方面相反地给出了关于最小内核或滤波器的大小的指示。

图5是呈现重复图案的现实cfr曲线的yin函数的图。通过分别跟踪最小值本身和第一较低值在容差内的位置，可以获得关于重复的存在以及类似图案之间的滞后的指示。实际上，如图5所示，yin曲线的最小值的深度指示输入曲线上发生的重复水平，无论包络变化以及(变化的)偏移(即曲线的绝对幅度可能对于hlog而言正在减少)如何。因此，跟踪这样的值指示曲线上存在的重复程度。相反，检查最小值的第一位置(滞后)指示两个图案之间的距离。

因此，在一些实施例中，在步骤s2，监控设备5确定cfr数据的各cfr曲线的yin函数，并且对于各yin函数，确定最小值和滞后(最小值的第一位置)。监控设备5确定最小值和滞后的分布，例如通过对各个类别(对应于标签或损害类型)计算滞后直方图和最小值直方图。这在图6中说明。

然后，在步骤s3，监控设备5根据分布确定内核大小(滤波器大小)和卷积层的数量：

-根据滞后分布，可以确定能够检测每个类别中的基本图案所需的最小内核大小。这例如通过估计每个分布的10％处的滞后值并且例如取不同类别分布的平均值/中值或最小值来进行。

-从值分布来看，如果至少对于一类损害50％处的值足够低(低于阈值)，则需要添加额外的卷积层(以执行组合)，以至少检测当前类型的损害。

监控设备5基于训练数据训练卷积神经网络10(步骤s4)。这可能包括确定滤波器参数、权重……。

训练的卷积神经网络10可以由监控设备5用于检测对电信信道4的损害。

监控设备5获得指定电信信道4的信道频率响应的cfr数据(步骤t1)。在一些实施例中，所获得的信道频率响应具有卷积神经网络10的适当输入格式。在其他实施例中，监控设备5预处理信道频率响应以转换为该适当输入格式。

然后，监控设备5基于所获得的信道频率响应和训练的卷积神经网络10，确定与电信信道4相关联的损害类型(步骤t2)。如参考图3所述，这可以包括选择输出矢量25中具有最高置信度的类别。

监控设备5可以执行与检测的损害类型相关联的动作(步骤t3)。这可能包括以下至少一个：

-控制在检测的损害类型的用户界面上的存储和/或显示，

-控制与电信信道4相关联的接入节点2和/或客户端设备3以改变配置参数，例如通过发送配置消息，

-在接入节点2、客户端设备3和/或电信信道4上发送对现场维护干预的请求，

-生成告警，

-……

在电信网络1中，卷积神经网络10用于检测在多种可能的损害类型中与电信信道4相关联的损害类型。由于相同的卷积神经网络10考虑了不同的可能的损害类型并且选择了最可能的损害类型，所以减少或避免了不准确诊断和误报的风险。可以存在或避免存在高置信度的并发/相反诊断。

此外，卷积神经网络10的设计允许概括不同于训练数据中所存在的电信信道4的检测能力。例如，具有训练的卷积神经网络10的监控设备5可以与具有不同介质、拓扑、电线标准尺寸、绝缘体……的电信线路一起使用。

而且，卷积神经网络10可以用于检测任何损害类型，对于该任何损害类型，标记的训练数据是可获得的。因此，可以改善检测覆盖范围。

此外，由于卷积神经网络10的拓扑和/或一个或多个超参数由监控设备5基于域感知知识自动选择，因此特别是与不知道域的方法相比，提高了准确性，其中，将使用交叉验证数据测试和验证超参数的不同组合。

图8是监控设备5的结构图，其包括至少一个处理器6和至少一个存储器7。存储器7存储计算机程序代码p。至少一个存储器7和计算机程序代码被配置用于与至少一个处理器6一起使监控设备至少执行上面参考图1至7描述的方法。

需要注意的是，图中所示的各种元件的功能可以通过使用专用硬件以及能够执行与适当软件相关联的软件的硬件来提供。当由处理器提供时，所述功能可以由单个专用处理器、单个共享处理器或例如在云计算架构中的多个单独的处理器(其中一些处理器可以是共享的)提供。此外，术语“处理器”的明确使用不应被解释为专指能够执行软件的硬件，并且可以隐含地包括但不限于数字信号处理器(dsp)硬件、网络处理器、专用集成电路(asic)、现场可编程门阵列(fpga)、用于存储软件的只读存储器(rom)、随机存取存储器(ram)和非易失性存储器。也可以包括其他常规和/或定制的硬件。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或甚至手动地执行，特定技术可由实施者选择，如从上下文中更具体地理解的。

本领域技术人员应该进一步理解，这里的任何框图表示体现本发明原理的说明性电路的概念图。类似地，应当理解，任何流程图表示可以基本上在计算机可读介质中表示并且由计算机或处理器执行的各种过程，无论是否明确地示出了这样的计算机或处理器。

虽然以上结合具体实施例描述了本发明的原理，但应清楚地理解，该描述仅作为示例而不是对如所附权利要求中限定的本发明范围的限制。