一种基于机器学习的光传输系统链路误码预测方法和装置与流程

本发明涉及光传输系统，特别是涉及一种基于机器学习的光传输系统链路误码预测方法和装置。

背景技术：

1、光网络是信息社会的基石，是电信、电气、金融和其他垂直工业网络不可或缺的。光网络性能的任何下降都可能导致服务中断，并对最终用户产生负面影响，需要耗时的故障排除过程。

2、统计数据显示，近50％的光服务故障源于光网络内光传输系统链路的恶化。这种退化通常表现出早期症状，例如光链路误码率、温度和输入光功率变化的不稳定性或性能退化。不幸的是，传统的操作和维护(o&m)方法通常无法识别此类信号，这使得几乎不可能预测网络性能下降并执行抢占式维护。

3、光传输系统链路通常是指发射机和接收机之间的点对点光链路。光传输系统技术已经从准同步数字体系(plesiochronous digital hierarchy，简写为：pdh)发展到同步光网络(synchronous optical network，简写为：sonet)/同步数字体系体系(synchronousdigital hierarchy，简写为：sdh)，然后发展到当前的光传输网络(optical transportnetwork，简写为：otn)技术。在实际网络中，光传输系统链路的性能通常以比特交织奇偶校验(bip)相关的再生部分错误为特征，如比特交织奇偶校验错误(bit interleavedparity，简写为：bip)、背景块错误(background block error，简写为：bbe)、错误秒(errored second，简写为：es)、严重错误秒(severely errored second，简写为：ses)和不可用秒(unavailable seconds，简写为：uas)。这些误差是基于帧开销的bip字节信息计算的，如图1所示，作为otn帧开销的示例。

4、通常情况下，光传输系统以15分钟或24小时的规则间隔测量和记录与光传输系统相关的bip(比特交织奇偶校验)的性能。当在这些间隔期间记录的性能值等于零时，表明光传输系统正常工作，即处于“健康”状态。然而，当记录到非零性能值时，这表明系统中发生了传输错误或“劣化”，这需要工程师的进行必要的维护工作才能纠正。

5、由于bip相关的性能值是一定周期内的统计值，且bip相关的性能值大部分是“零”，这使得直接准确预测它具有挑战性。鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

技术实现思路

1、本发明要解决的技术问题是由于bip相关的性能值是一定周期内的统计值，且bip相关的性能值大部分是“零”，这使得直接准确预测它具有挑战性。。

2、本发明采用如下技术方案：

3、第一方面，本发明提供了一种基于机器学习的光传输系统链路误码预测方法，包括：

4、通过随机森林的基尼重要性选择会造成链路误码的重要特征；

5、利用所选的重要特征基于最大似然的逻辑回归对误码预测进行建模和机器学习训练模型；

6、使用机器学习训练好的模型以所选择链路误码的重要特征作为输入计算未来时段的误码概率。

7、优选的，具体为：

8、所述基尼重要性是对因对特定特征进行分割而导致的节点杂质的减少进行的量化，据此确定与构建决策树最相关的一个或者多个重要特征。从而只使用重要特征中一小部分强变量进行分类，使所述强变量在高维数据上具有优异的性能。

9、优选的，所述造成链路误码的重要特征具体包括：光链路误码率chan_ber、光信噪比osnr、输入光功率iop、输出光功率oop、机盘温度board_temp、激光器温度laser_temp、激光器偏置电流laser_bias、色散补偿值dc_value、偏振模色散补偿pmdc_value和fec校正的总错误数量corr_total中的一项或者多项。

10、优选的，所述通过随机森林的基尼重要性选择会造成该链路误码的重要特征，具体包括：

11、对于每个决策树，在每个节点上，通过比较使用相应特征分割节点和不使用相应特征分割节点的基尼杂质的差异来度量相应特征的重要性；其中，决策树是通过抽取不同的特征组合，以相应的是否造成链路误码作为分支生成依据所构建而成；

12、对于每个决策树，在决策树的每个节点上，计算使用相应特征分割节点时的基尼杂质gini_split，以及不使用该特征分割节点时的基尼杂质gini_no_split；

13、通过计算两者之间的差异delta gini＝gini_no_split-gini_split，来度量相应特征在相应节点的基尼重要性，根据所述基尼重要性筛选得到重要特征。

14、优选的，所述基尼杂质计算公式为：

15、

16、其中，k表示特征的索引，pk表示属于特征k的样本在节点中的比例；所述基尼杂质是衡量从集合中随机选择的元素如果根据标记在子集中的分布进行随机标记情况下，被错误标记的频率的指标；

17、其中，使用相应特征分割节点时的基尼杂质gini被表述为gini_split；不使用该特征分割节点时的基尼杂质gini被表述为gini_no_split。

18、优选的，所述度量相应特征在相应节点的基尼重要性，具体包括：

19、对于每个重要特征，通过对随机森林中所有决策树的基尼杂质进行加权平均来计算特征的基尼重要性。

20、优选的，所述利用所选的重要特征基于最大似然的逻辑回归对误码预测进行建模，具体包括：

21、此处的目标y是利用下面建模按照“0”和“1”分类后的值，建模包括：

22、

23、其中，x为输入的重要特征向量，w为机器学习模型中需要求的向量参数，其向量维度与重要特征向量x的维度一致，t为倒置矩阵符号，p(y＝1|x)为误码的概率，p(y＝0|x)为无误码的概率。

24、优选的，w为机器学习模型中需要求的参数，具体包括：

25、最大似然的逻辑回归由似然函数表征，相应似然函数表示在给定观测数据集的条件下，模型参数的概率；对于逻辑回归模型，似然函数表示为：

26、l(w)＝π[p(y＝1|x)^y*(1-p(y＝1|x))^(1-y)]；

27、其中，π表示连乘操作；通过最大化似然函数找到最佳的模型参数w，使得似然函数最大化。

28、优选的，所述通过最大化似然函数找到最佳的模型参数w，具体包括：

29、似然函数是一个高阶可微连续凸函数，对似然函数对数化得到：

30、

31、为得到最大化似然的参数w，将其转化为优化最小化代价函数参数优化函数为：

32、

33、从而根据梯度下降算法或牛顿法，求出最佳的w；其中，n为样本数，x为一个或者多个重要特征构成的向量。

34、第三方面，本发明还提供了一种基于机器学习的光传输系统链路误码预测装置，用于实现第一方面所述的基于机器学习的光传输系统链路误码预测方法，所述装置包括：

35、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至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行第一方面所述的基于机器学习的光传输系统链路误码预测方法。

36、第四方面，本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成第一方面所述的基于机器学习的光传输系统链路误码预测方法。

37、本发明提出了一种利用机器学习预测光传输系统链路性能退化概率的新方法。该方法包括利用随机森林的基尼系数重要性来识别影响光传输系统链路性能的关键特征，然后基于极大似然应用逻辑回归来训练和预测光传输链系统的误码概率，综合提高了整个系统的分析准确性和鲁棒性。