CN110611531B - 一种光模块故障诊断和预警的方法、装置以及*** - Google Patents
一种光模块故障诊断和预警的方法、装置以及*** Download PDFInfo
- Publication number
- CN110611531B CN110611531B CN201910822924.2A CN201910822924A CN110611531B CN 110611531 B CN110611531 B CN 110611531B CN 201910822924 A CN201910822924 A CN 201910822924A CN 110611531 B CN110611531 B CN 110611531B
- Authority
- CN
- China
- Prior art keywords
- sample
- abnormal
- period
- data
- optical module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种光模块故障诊断和预警的方法、装置以及***，用于解决现有技术中存在的无法给出光模块的故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。所述方法包括：实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。
Description
技术领域
本发明涉及光通信技术领域，特别涉及一种光模块故障诊断和预警的方法、装置以及***。
背景技术
光模块作为光通信网络的重要组成部分，主要负责通信过程中光信号与电信号的转换。长期以来，对于光模块的运维都是在感知通信业务受到影响后，由运维人员反查光模块故障进行替换或修复，这种被动运维方式导致通信业务受影响时间长，运维成本高。所以，实现光模块运维的自动化和智能化是十分必要的。
目前，现有的光模块故障诊断和预警的方法主要有以下几种：(1)基于温度、使用时长以及电流：根据光模块的温度和使用时长估计正常电流大小，通过比较实时电流大小和正常电流大小，判断光模块是否故障；(2)基于累计统计参数：通过比较光模块的使用时长、总拔插次数、报警次数与预设阈值的大小，估计光模块所处的寿命阶段；(3)基于数字诊断检测(Digital Diagnostics Monitoring，DDM)参数：先对采集的DDM参数进行一定数学加工，如计算方差等，再通过比较参数与预设阈值大小，判断光模块是否故障。但是这些方法要么无法给出光模块的故障概率，要么无法进行光模块故障预警或者由于使用静态的故障阈值参数去判断会随着光模块生产厂商不同、运行的环境不同、使用强度不同而改变的参数，导致适应能力有限。可见，现有技术中存在无法给出光模块的故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。
发明内容
本发明实施例提供一种光模块故障诊断和预警的方法、装置以及***，用于解决现有技术中存在的无法准确给出光模块故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。
第一方面，为解决上述技术问题，本申请实施例提供一种光模块故障诊断和预警的方法，该方法的技术方案如下：
实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；
若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；
若不匹配，则确定光模块在第一周期不存在故障。
在本申请实施例中，可以实时获取光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对第一周期的DDM数据进行处理，确定第一异常向量，然后根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断第一异常向量样本频繁项集中的异常向量是否匹配，若匹配，则确定光模块在第一周期的故障概率为样本频繁项集中的异常向量相对应的样本置信度，若不匹配，则确定光模块在第一周期不存在故障，由于样本置信度为一个确切的概率，且异常检测模型是采用能够根据环境不同、厂商不同、使用频率不同而变化的故障阈值参数对多个DDM数据的参数进行异常诊断的模型，从而解决现有技术中无法准确给出光模块故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题，提高光模块的运维效率，减轻运维人员的工作负担。
结合第一方面，在第一方面的第一种可选实施方式中，实时获取所述光模块的第一周期的数字诊断检测DDM数据之前，包括：
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；
根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；
根据所述样本异常向量集，生成所述异常检测模型。
在本申请实施例中，可以获取异常检测模型的样本DDM数据集，根据样本DDM数据集，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集，其中，异常检测方法参数集与异常检测方法集一一对应，然后根据异常检测参数集、异常检测方法集以及异常检测方法参数集，确定异常检测模型的样本异常向量集，然后根据样本异常向量集，生成异常检测模型，从而解决现有技术中因为使用会静态的故障阈值参数去判断会随着光模块生产厂商不同、运行的环境不同、使用强度不同而改变的参数，导致判断光模块是否故障的模型适应能力有限的技术问题。
结合第一方面的第一种可选实施方式，在第一方面的第二种可选实施方式中，所述异常检测参数集为包括至少一个异常检测参数的集合；所述异常检测参数是对所述异常检测参数对应的一个周期的DDM数据的参数进行数学计算确定的数值，所述DDM数据的参数包括光模块的工作温度参数、工作电压参数、偏置电压参数、接收光功率参数、发射光功率参数中的至少一种。
结合第一方面的第一种可选实施方式，在第一方面的第三种可选实施方式中，根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定样本异常向量集包括：
根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；
判断所述第一异常检测参数是否在所述异常检测区间之内；
若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；
若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；
根据所述分量大小，确定所述周期的DDM数据对应的异常向量。
结合第一方面的第二种可选实施方式，在第一方面的第四种可选实施方式中，所述样本异常向量用于表示所述样本DDM数据是否异常，包括：
所述样本异常向量包括多个向量；其中，不同的向量用于表示所述样本DDM数据的不同的异常检测参数是否异常；
若所述分量大小为第一预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数异常；
若所述分量大小为第二预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数不异常。
结合第一方面的第一种可选实施方式，在第一方面的第五种可选实施方式中，根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集之前，还包括：
获取所述样本DDM数据集对应的端口故障数据集；其中，一个周期的样本DDM数据对应一个端口故障数据；
根据所述样本DDM数据集对应的样本异常向量集以及所述端口故障数据集，通过频繁项集挖掘算法，确定所述样本DDM数据集对应的样本频繁项集和样本置信度集。
结合第一方面，在第一方面的第六种可选实施方式中，还包括：
根据所述第一周期的DDM数据，通过时间序列分析算法，确定所述光模块的第二周期的DDM数据；其中，所述第二周期是在时间上位于所述第一周期之后的周期；
根据所述第二周期的DDM数据，确定所述光模块在第二周期的故障概率；
若所述故障概率大于第三预设阈值，则根据所述故障概率，生成预警信息；其中，所述预警信息用于表示所述光模块在第二周期的故障概率；
将所述预警信息发送到设定的运维人员的用户终端。
在本申请实施例中，可以根据第一周期的DDM数据，通过时间序列分析算法，确定光模块的第二周期的DDM数据，根据第二周期的DDM数据，确定光模块在第二周期的故障概率，若故障概率大于第三预设阈值，则根据故障概率，生成用于表示光模块在第二周期的故障概率的预警信息，将预警信息发送到设定的运维人员的用户终端，由于第二周期的DDM数据是基于第一周期的DDM数据预测得到的，则本方法可以基于当前数据获取对未来数据的预测，从而可以确定光模块在未来时间发生故障的概率，解决现有技术中无法对未来故障进行预判的技术问题。
第二方面，提供一种光模块故障诊断和预警的装置，包括：
确定模块，用于实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
处理模块，用于根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。
结合第二方面，在第二方面的第一种可选实施方式中，所述装置还包括生成模块，用于：
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；
根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；
根据所述样本异常向量集，生成所述异常检测模型。
结合第二方面的第一种可选实施方式，在第二方面的第二种可选实施方式中，所述确定模块，还用于：
根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；
判断所述第一异常检测参数是否在所述异常检测区间之内；
若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；
若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；
根据所述分量大小，确定所述周期的DDM数据对应的异常向量。
结合第二方面的第一种可选实施方式，在第二方面的第三种可选实施方式中，所述确定模块，还用于：
获取所述样本DDM数据集对应的端口故障数据集；其中，一个周期的样本DDM数据对应一个端口故障数据；
根据所述样本DDM数据集对应的样本异常向量集以及所述端口故障数据集，通过频繁项集挖掘算法，确定所述样本DDM数据集对应的样本频繁项集和样本置信度集。
结合第二方面，在第二方面的第四种可选实施方式中，所述装置还包括发送模块，用于：
根据所述第一周期的DDM数据，通过时间序列分析算法，确定所述光模块的第二周期的DDM数据；其中，所述第二周期是在时间上位于所述第一周期之后的周期；
根据所述第二周期的DDM数据，确定所述光模块在第二周期的故障概率；
若所述故障概率大于第三预设阈值，则根据所述故障概率，生成预警信息；其中，所述预警信息用于表示所述光模块在第二周期的故障概率；
将所述预警信息发送到设定的运维人员的用户终端。
第三方面，提供一种光模块故障诊断和预警的***，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中的任一种实施方式包括的步骤。
第四方面，提供一种存储介质，该存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面中的任一实施方式包括的步骤。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例。
图1为本申请实施例中的一种***的结构示意图；
图2为本申请实施例中的光模块故障诊断和预警的方法的流程图；
图3为本申请实施例中的光模块故障诊断和预警的装置的结构示意图；
图4为本申请实施例中的光模块故障诊断和预警的***的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，能够以不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例中，“至少一个”可以表示一个或者至少两个，例如可以是一个、两个、三个或者更多个，本申请实施例不做限制。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
目前，现有的光模块故障诊断和预警的方法主要有以下几种：(1)基于温度、使用时长以及电流：根据光模块的温度和使用时长估计正常电流大小，通过比较实时电流大小和正常电流大小，判断光模块是否故障；(2)基于累计统计参数：通过比较光模块的使用时长、总拔插次数、报警次数与预设阈值的大小，估计光模块所处的寿命阶段；(3)基于数字诊断检测(Digital Diagnostics Monitoring，DDM)参数：先对采集的DDM参数进行一定数学加工，如计算方差等，再通过比较参数与预设阈值大小，判断光模块是否故障。但是这些方法要么无法给出光模块的故障概率，要么无法进行光模块故障预警或者由于使用静态的故障阈值参数去判断会随着光模块生产厂商不同、运行的环境不同、使用强度不同而改变的参数，导致适应能力有限。可见，现有技术中存在无法给出光模块的故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。
鉴于此，本申请实施例提供一种光模块故障诊断和预警的方法，该方法可以实时获取光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对第一周期的DDM数据进行处理，确定第一异常向量，然后根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断第一异常向量样本频繁项集中的异常向量是否匹配，若匹配，则确定光模块在第一周期的故障概率为样本频繁项集中的异常向量相对应的样本置信度，若不匹配，则确定光模块在第一周期不存在故障，从而解决现有技术中无法准确给出光模块故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题，提高光模块的运维效率，减轻运维人员的工作负担。
为了更好的理解上述技术方案，下面通过说明书附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
图1为本申请实施例所提供方法可适用的一种光模块故障诊断和预警的***的结构，当然本申请实施例所提供的方法可以适用到多种光模块故障诊断和预警的***上，应当理解图1所示的光模块故障诊断和预警的***是对可适用本申请实施例所提供方法的光模块故障诊断和预警的***的详细的说明，而不是对可适用本申请实施例所提供方法的光模块故障诊断和预警的***的限定。
图1所示的光模块故障诊断和预警的***包括收发机101、存储器102、处理器103、总线接口104。收发机101、存储器102以及处理器103通过总线接口104连接。收发机101用于发送和接收信息。存储器102用于存储程序指令。处理器103用于调用存储器102中存储的程序指令，按照获得的程序指令执行光模块故障诊断和预警的方法中包括的所有步骤。
请参见图2，本申请实施例提供一种光模块故障诊断和预警的方法，该方法可以由前述图1所示的***执行。该方法的具体流程描述如下。
步骤201：实时获取光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对第一周期的DDM数据进行处理，确定第一异常向量。
在本申请实施例中，在实时获取光模块的第一周期的数字诊断检测DDM数据之前，先生成异常检测模型，其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常。
具体的，可通过部署在光模块故障诊断和预警的***的处理器上的网络管理***(Network Management System)，获取异常检测模型的样本DDM数据集，其中，所述样本DDM数据集包括多个周期的DDM数据，然后根据多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集，其中，所述异常检测方法参数集与异常检测方法集一一对应，然后根据异常检测参数集、异常检测方法集以及异常检测方法参数集，确定异常检测模型的样本异常向量集，即根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间，判断第一异常检测参数是否在所述异常检测区间之内，若不在，则确定第一异常检测参数异常，第一异常检测参数对应的分量大小为第一预设阈值；若在，则确定第一异常检测参数不异常，第一异常检测参数对应的分量大小为第二预设阈值，根据分量大小，确定所述周期的DDM数据对应的异常向量，其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量，然后根据样本异常向量集，生成异常检测模型。为了便于理解，下面以举例的形式进行说明：
例如，网络管理***中的简单网络管理协议(Simple Network ManagementProtocol，SNMP)以一小时为周期连续采集一个月的光模块的DDM数据，获取异常检测模型的包括多个周期的DDM数据的样本DDM数据集；
根据所述样本DDM数据集，确定所述样本数据集中的一个周期的DDM数据对应的异常检测参数集为工作电压最大值、工作温度最大值、偏置电流最大值、接收光功率最大值、发射光功率最大值，对应的异常检测方法集为高斯异常检测、箱形图异常检测，对应的异常检测方法参数集为高斯异常检测参数、箱形图异常检测参数；
若高斯异常检测参数为3，箱形图异常检测参数为1.5，工作电压最大值为3.7V，在高斯异常检测下的工作电压最大值所对应的异常检测区间为(3.2V，3.6V)，在箱形图异常检测下的工作电压最大值所对应的异常检测区间为(3.3V，3.8V)，则工作电压最大值在高斯异常检测下异常，在箱形图异常检测下不异常，确定工作电压最大值对应的分量大小为第一预设阈值；
若高斯异常检测参数为3，箱形图异常检测参数为1.5，工作温度最大值为70℃，在高斯异常检测下的工作温度最大值所对应的异常检测区间为(10℃，60℃)，在箱形图异常检测下的工作温度最大值所对应的异常检测区间为(15℃，60℃)，则工作温度最大值在高斯异常检测下异常，在箱形图异常检测下异常，确定工作温度最大值对应的分量大小为第一预设阈值；
若高斯异常检测参数为3，箱形图异常检测参数为1.5，偏置电流最大值为65mA，在高斯异常检测下的偏置电流最大值所对应的异常检测区间为(5mA，75mA)，在箱形图异常检测下的偏置电流最大值所对应的异常检测区间为(6mA，75mA)，则偏置电流最大值在高斯异常检测下不异常，在箱形图异常检测下不异常，确定工作温度最大值对应的分量大小为第二预设阈值；
若高斯异常检测参数为3，箱形图异常检测参数为1.5，接收光功率最大值为-13dBm，在高斯异常检测下的接收光功率最大值所对应的异常检测区间为(-11dBm，0dBm)，在箱形图异常检测下的接收光功率最大值所对应的异常检测区间为(-10dBm，0dBm)，则接收光功率最大值在高斯异常检测下异常，在箱形图异常检测下异常，确定工作温度最大值对应的分量大小为第一预设阈值；
若高斯异常检测参数为3，箱形图异常检测参数为1.5，发射光功率最大值为-19dBm，在高斯异常检测下的发射光功率最大值所对应的异常检测区间为(-13dBm，0dBm)，在箱形图异常检测下的发射光功率最大值所对应的异常检测区间为(-13dBm，0dBm)，则发射光功率最大值在高斯异常检测下异常，在箱形图异常检测下异常，确定工作温度最大值对应的分量大小为第一预设阈值；
根据所述分量大小，获取该周期的DDM数据对应的异常向量，所述异常向量包括多个分量，其中，不同的分量用于表示不同的DDM数据的异常检测参数是否异常，若所述分量大小为第一预设阈值，则表示所述分量对应的所述DDM数据的异常检测参数异常；若所述分量大小为第二预设阈值，则表示所述分量对应的所述DDM数据的异常检测参数不异常；
基于同样的方法，获取多个周期的DDM数据对应的异常向量，确定样本异常向量集，生成异常检测模型。
在本申请实施例中，在生成异常检测模型之后，可以通过部署在光模块故障诊断和预警的***中的网络管理***，实时获取光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对第一周期的DDM数据进行处理，确定第一异常向量。
步骤202：根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断第一异常向量与样本频繁项集中的异常向量是否匹配。
在本申请实施例中，在根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集之前，先确定异常检测模型的样本频繁项集以及对应的样本置信度集，其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率。
具体的，可通过部署在光模块故障诊断和预警的***的处理器上的网络管理***(Network Management System)，获取样本DDM数据集对应的端口故障数据集，其中，一个周期的样本DDM数据对应一个端口故障数据，然后根据样本DDM数据集对应的样本异常向量集以及端口故障数据集，通过频繁项集挖掘算法，例如关联分析Apriori算法、频繁模式树fp-growth(Frequent Pattern Tree)算法，获取样本DDM数据集对应的样本频繁项集和样本置信度集，即确定异常检测模型的样本频繁项集以及对应的样本置信度集。
在本申请实施例中，当确定样本DDM数据集对应的样本频繁项集和样本置信度集之后，可根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断第一异常向量与样本频繁项集中的异常向量是否匹配。
步骤203：若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。
在本申请实施例中，当确定第一异常向量与样本频繁项集中的异常向量相匹配之后，可以确定光模块在第一周期的故障概率为样本频繁项集中的异常向量相对应的样本置信度；当确定第一异常向量与样本频繁项集中的异常向量不相匹配之后，可以确定光模块在第一周期的故障概率为0，即不存在故障。
在确定光模块在第一周期的故障概率之后，可能出现光模块在第二周期出现故障的问题，其中，所述第二周期是在时间上位于所述第一周期之后的周期，基于该问题，在本申请实施例中，当确定光模块在第一周期的故障概率之后，确定光模块在第二周期的故障概率，若第二周期的故障概率大于第三预设阈值，则生成用于表示所述光模块在第二周期的故障概率的预警信息，将预警信息发送到设定的运维人员的用户终端。
具体的，根据第一周期的DDM数据，通过时间序列分析算法，确定光模块的第二周期的DDM数据，然后根据第二周期的DDM数据，确定光模块在第二周期的故障概率，判断第二周期的故障概率是否大于第三预设阈值，若大于，则生成用于表示所述光模块在第二周期的故障概率的预警信息，将预警信息发送到设定的运维人员的用户终端。为了便于理解，下面以举例的形式进行说明：
若第二周期的故障概率为0.3，与第二周期的故障概率相对应的第三预设阈值为0.5，则确定光模块在第二周期出现故障的可能较低；
若第二周期的故障概率为0.7，与第二周期的故障概率相对应的第三预设阈值为0.5，则确定光模块在第二周期出现故障的可能较高，生成用于表示所述光模块在第二周期的故障概率的预警信息，通过光模块故障诊断与预警的***中的收发机将预警信息发送到设定的运维人员的用户终端。
另外，上述所有周期均可通过用户自行设定周期大小，在本申请实施例中，所有周期的大小相同。
基于同一发明构思，本申请实施例提供一种光模块故障诊断和预警的装置，该光模块故障诊断和预警的装置能够实现前述的光模块故障诊断和预警的方法对应的功能。该光模块故障诊断和预警的装置可以是硬件结构、软件模块、或硬件结构加软件模块。该光模块故障诊断和预警的装置可以由芯片***实现，芯片***可以由芯片构成，也可以包含芯片和其他分立器件。请参见图3所示，该光模块故障诊断和预警的装置包括确定模块301、处理模块302，其中：
确定模块301，用于实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
处理模块302，用于根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。
一种可选实施方式中，光模块故障诊断和预警的装置还包括生成模块，用于：
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；
根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；
根据所述样本异常向量集，生成所述异常检测模型。
一种可选实施方式中，确定模块301，还用于：
根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；
判断所述第一异常检测参数是否在所述异常检测区间之内；
若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；
若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；
根据所述分量大小，确定所述周期的DDM数据对应的异常向量。
一种可选实施方式中，确定模块301，还用于：
获取所述样本DDM数据集对应的端口故障数据集；其中，一个周期的样本DDM数据对应一个端口故障数据；
根据所述样本DDM数据集对应的样本异常向量集以及所述端口故障数据集，通过频繁项集挖掘算法，确定所述样本DDM数据集对应的样本频繁项集和样本置信度集。
一种可选实施方式中，光模块故障诊断和预警的装置还包括发送模块，用于：
根据所述第一周期的DDM数据，通过时间序列分析算法，确定所述光模块的第二周期的DDM数据；其中，所述第二周期是在时间上位于所述第一周期之后的周期；
根据所述第二周期的DDM数据，确定所述光模块在第二周期的故障概率；
若所述故障概率大于第三预设阈值，则根据所述故障概率，生成预警信息；其中，所述预警信息用于表示所述光模块在第二周期的故障概率；
将所述预警信息发送到设定的运维人员的用户终端。
基于同一发明构思，本申请实施例提供一种光模块故障诊断和预警的***，请参见图4所述，该光模块故障诊断和预警的***包括至少一个处理器402，以及与至少一个处理器连接的存储器401，本申请实施例中不限定处理器402与存储器401之间的具体连接介质，图4是以处理器402和存储器401之间通过总线400连接为例，总线400在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不以此为限。总线400可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，存储器401存储有可被至少一个处理器402执行的指令，至少一个处理器402通过调用存储器401存储的指令，可以执行前述的光模块故障诊断和预警的方法中所包括的步骤。
其中，处理器402是光模块故障诊断和预警的***的控制中心，可以利用各种接口和线路连接整个光模块故障诊断和预警的***的各个部分，通过执行存储在存储器401内的指令，从而实现光模块故障诊断和预警的***的各种功能。可选的，处理器402可包括一个或多个处理单元，处理器402可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器402中。在一些实施例中，处理器402和存储器401可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
存储器401作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器401可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器401还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
处理器402可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的光模块故障诊断和预警的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
通过对处理器402进行设计编程，可以将前述实施例中介绍的光模块故障诊断和预警的方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的光模块故障诊断和预警的方法的步骤，如何对处理器402进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的光模块故障诊断和预警的方法的步骤。
在一些可能的实施方式中，本申请提供的光模块故障诊断和预警的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在光模块故障诊断和预警的***上运行时，程序代码用于使该光模块故障诊断和预警的***执行本说明书上述描述的根据本申请各种示例性实施方式的光模块故障诊断和预警的方法中的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种光模块故障诊断和预警的方法，其特征在于，包括：
实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；
若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；
若不匹配，则确定光模块在第一周期不存在故障。
2.如权利要求1所述的方法，其特征在于，实时获取所述光模块的第一周期的数字诊断检测DDM数据之前，包括：
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；
根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；
根据所述样本异常向量集，生成所述异常检测模型。
3.如权利要求2所述的方法，其特征在于，所述异常检测参数集为包括至少一个异常检测参数的集合；所述异常检测参数是对所述异常检测参数对应的一个周期的DDM数据的参数进行数学计算确定的数值，所述DDM数据的参数包括光模块的工作温度参数、工作电压参数、偏置电压参数、接收光功率参数、发射光功率参数中的至少一种。
4.如权利要求2所述的方法，其特征在于，根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定样本异常向量集包括：
根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；
判断所述第一异常检测参数是否在所述异常检测区间之内；
若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；
若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；
根据所述分量大小，确定所述周期的DDM数据对应的异常向量。
5.如权利要求3所述的方法，其特征在于，所述样本异常向量用于表示所述样本DDM数据是否异常，包括：
所述样本异常向量包括多个分量；其中，不同的分量用于表示所述样本DDM数据的不同的异常检测参数是否异常；
若所述分量大小为第一预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数异常；
若所述分量大小为第二预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数不异常。
6.如权利要求2所述的方法，其特征在于，根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集之前，还包括：
获取所述样本DDM数据集对应的端口故障数据集；其中，一个周期的样本DDM数据对应一个端口故障数据；
根据所述样本DDM数据集对应的样本异常向量集以及所述端口故障数据集，通过频繁项集挖掘算法，确定所述样本DDM数据集对应的样本频繁项集和样本置信度集。
7.如权利要求1所述的方法，其特征在于，还包括：
根据所述第一周期的DDM数据，通过时间序列分析算法，确定所述光模块的第二周期的DDM数据；其中，所述第二周期是在时间上位于所述第一周期之后的周期；
根据所述第二周期的DDM数据，确定所述光模块在第二周期的故障概率；
若所述故障概率大于第三预设阈值，则根据所述故障概率，生成预警信息；其中，所述预警信息用于表示所述光模块在第二周期的故障概率；
将所述预警信息发送到设定的运维人员的用户终端。
8.一种光模块故障诊断和预警的装置，其特征在于，包括：
确定模块，用于实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
处理模块，用于根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。
9.一种光模块故障诊断和预警的***，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1-7任一项所述的方法包括的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1-7任一项所述的方法包括的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822924.2A CN110611531B (zh) | 2019-09-02 | 2019-09-02 | 一种光模块故障诊断和预警的方法、装置以及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822924.2A CN110611531B (zh) | 2019-09-02 | 2019-09-02 | 一种光模块故障诊断和预警的方法、装置以及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110611531A CN110611531A (zh) | 2019-12-24 |
| CN110611531B true CN110611531B (zh) | 2021-02-12 |
Family
ID=68891173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910822924.2A Active CN110611531B (zh) | 2019-09-02 | 2019-09-02 | 一种光模块故障诊断和预警的方法、装置以及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110611531B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111049571B (zh) * | 2019-12-29 | 2021-06-29 | 苏州浪潮智能科技有限公司 | 光模块故障预测方法、装置及计算机可读存储介质 |
| CN113434747A (zh) * | 2021-06-09 | 2021-09-24 | 佳源科技股份有限公司 | 一种基于序列模式的异常行为跟踪装置及方法 |
| CN114389688B (zh) * | 2022-01-04 | 2023-06-13 | 烽火通信科技股份有限公司 | 一种光模块性能预测的方法和装置 |
| CN114152407B (zh) * | 2022-02-10 | 2022-04-15 | 山东鹰联光电科技股份有限公司 | 一种掺铒光纤放大器温度监测及预警方法 |
| CN117014069B (zh) * | 2023-09-25 | 2024-01-12 | 腾讯科技（深圳）有限公司 | 故障预测方法、装置、电子设备、存储介质及程序产品 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102386974B (zh) * | 2011-12-13 | 2014-10-22 | 中国电信股份有限公司 | Pon网络故障检测方法和装置 |
| CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
| CN106842106A (zh) * | 2017-02-23 | 2017-06-13 | 广东电网有限责任公司茂名供电局 | 电能表故障预测方法和装置 |
| CN109948808A (zh) * | 2017-11-15 | 2019-06-28 | 许继集团有限公司 | 变电站设备故障案例库的建库方法、故障诊断方法及*** |
| CN110147898A (zh) * | 2017-11-28 | 2019-08-20 | 中车株洲电力机车研究所有限公司 | 基于故障日志的风电机组故障预测方法、装置及介质 |
| CN108008332B (zh) * | 2017-11-29 | 2020-02-14 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
-
2019
- 2019-09-02 CN CN201910822924.2A patent/CN110611531B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110611531A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110611531B (zh) | 一种光模块故障诊断和预警的方法、装置以及*** | |
| US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
| US20170317916A1 (en) | Control system, control method, control program, and recording medium | |
| CN108268023B (zh) | 一种轨道交通站台门远程故障诊断方法及*** | |
| CN113658414B (zh) | 矿场设备故障预警方法、装置、终端设备及存储介质 | |
| US20140055273A1 (en) | Method of alarming abnormal state of automated manufacturing system based on plc signal pattern | |
| CN105205394A (zh) | 用于入侵检测的数据检测方法和装置 | |
| KR102515853B1 (ko) | 배터리 셀 단위를 기반으로 하는 이상 진단 장치, 시스템 및 방법 | |
| CN110632498A (zh) | 测试方法和*** | |
| CN114170705A (zh) | 车辆数据上传方法、装置和设备 | |
| CN109217922A (zh) | 一种光模块上报接收信号丢失告警的方法及装置 | |
| CN109947636A (zh) | 异常线程定位方法及装置 | |
| CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
| CN117707112A (zh) | 一种故障诊断方法、***、设备及存储介质 | |
| CN103472814B (zh) | 用于监测车辆故障的方法和*** | |
| CN109254898B (zh) | 一种软件模块执行顺序监视方法及监视*** | |
| CN113835961B (zh) | 告警信息监控方法、装置、服务器及存储介质 | |
| CN110598797A (zh) | 故障的检测方法及装置、存储介质和电子装置 | |
| CN114244686B (zh) | 通讯故障的检测方法、装置及*** | |
| CN107238754B (zh) | 一种检测电量的方法和装置 | |
| EP4117236A1 (en) | Anomaly detection across domains | |
| CN115422555B (zh) | 后门程序检测方法、装置、电子设备及存储介质 | |
| CN113485284B (zh) | 报文数据的处理方法、装置、设备及存储介质 | |
| US20230305551A1 (en) | Method and system for automated fault detection | |
| CN114356617B (zh) | 注错测试方法、装置、***及计算设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |