CN115086806A - 一种基于分类算法的gpon弱光故障定位方法及*** - Google Patents
一种基于分类算法的gpon弱光故障定位方法及*** Download PDFInfo
- Publication number
- CN115086806A CN115086806A CN202210226385.8A CN202210226385A CN115086806A CN 115086806 A CN115086806 A CN 115086806A CN 202210226385 A CN202210226385 A CN 202210226385A CN 115086806 A CN115086806 A CN 115086806A
- Authority
- CN
- China
- Prior art keywords
- fault
- weak light
- onu
- data
- optical splitter
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0081—Fault tolerance; Redundancy; Recovery; Reconfigurability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于分类算法的GPON弱光故障定位方法及***,其技术方案要点是:包括:采集并汇聚ONU光功率数据;结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本;运用所述训练样本构建基于分类算法的GPON弱光故障定位模型;应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据;本申请具有提高故障的定位及调度处理效率的优点。
Description
技术领域
本发明涉及通信网络管理技术领域,更具体地说,它涉及一种基于分类算法的GPON弱光故障定位方法及***。
背景技术
随着家庭宽带业务迅速发展、用户数与日俱增,对家庭宽带的网络质量和维护效率提出了更高要求。主流的宽带接入技术为GPON技术,而GPON网络弱光是家宽网络维护的常见问题。GPON网络主要由OLT、ODN和ONU三个部分组成,GPON网络的弱光主要表现在ONU弱光,即ONU接收光功率系小于ONU接收灵敏度,引发用户网络不稳定、频繁掉线、网速慢等问题。因此快速定位、处理GPON弱光故障有着重要的意义。
GPON网络通常由大量光纤和无源器件组成,ODN等网元往往成为网络监控盲点,难以直接定位。目前,主要通过维护人员从OLT到一级分光器、二级分光器、ONU逐级排查的手段进行故障处理,存在成本高、效率低等问题。CN112822128A提供一种PON***报文镜像方法及PON***,除获取二层网络报文外能进一步获取多PON交互报文,可以辅助定位PON***局端和终端设备的ODN链路侧故障问题。CN108810671A提供一种在基于GPON***原有的OMCI管理通道,收集ONU基础数据(物理链路状态、认证状态等)并上报至OLT的方法,解决ONU无法和网管平台通信时难以收集相关信息的问题,提高在网设备的故障处理效率和准确率。总的来说,这些方法通过收集报文、ONU基础数据等信息进行分析处理,提升故障定位处理效率。
然而,对所有类型ONU报文进行采集、逐一细致分析,部署、分析成本巨大,在大型通信网络中难以全面铺开应用。此外,传统通过维护人员逐级排查分析定位的方法需要消耗大量人力成本,网络中不同故障点一般由不同维护班组人员处理,在没有初步定位时需要同时派发故障工单给多个维护班组,导致大量维护人力资源浪费,因此还有待改进的空间。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于分类算法的GPON弱光故障定位方法及***,具有提高故障的定位及调度处理效率的优点。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于分类算法的GPON弱光故障定位方法,包括:
采集并汇聚ONU光功率数据;
结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本;
运用所述训练样本构建基于分类算法的GPON弱光故障定位模型;
应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据。
可选的,所述采集并汇聚ONU光功率数据,包括:
开启OLT周期性任务定时采集ONU光功率,所述OLT周期性任务的时间间隔记为T1;
以周期T2为时间间隔对采集的所有ONU光功率进行汇聚、同步;其中,T2>T1。
可选的,所述结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本,包括:
基于网络资源数据及ONU光功率数据,计算所有一级分光器和二级分光器中各个T1时间段内的弱光ONU占比,记为弱光特征数据;
其中,所述网络资源数据为GPON网络中网元间的拓扑连接关系,包括OLT至一级分光器、一级分光器至二级分光器、二级分光器至ONU的连接关系,OLT至一级分光器间的主干光路称为B段、一级分光器至二级分光器间的分支光路称为C1段、二级分光器至ONU间的分支光路称为C2段;
结合弱光特征数据和历史故障数据构建训练样本。
可选的,所述结合弱光特征数据和历史故障数据构建训练样本,包括:
获取历史故障数据的故障定位信息及其对应的故障时间段;
根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本。
可选的,所述根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本,包括:
当故障定位信息为C2段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第一类别-C2异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为C1段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为B段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第三类别-B异常-一级分光器下弱光ONU占比。
可选的,所述运用所述训练样本构建基于分类算法的GPON弱光故障定位模型,包括:
运用训练样本,训练输出基于分类算法的GPON弱光故障定位模型;
所述基于分类算法的GPON弱光故障定位模型的输入为一级分光器下弱光ONU占比和二级分光器下弱光ONU占比;
所述基于分类算法的GPON弱光故障定位模型输出为故障段定位数据;所述分类算法包括支持向量机、KNN算法、朴素贝叶斯、神经网络和遗传算法中的至少一种。
可选的,所述分类算法选用支持向量机算法,采用间接法构造第一分类器和第二分类器;
其中,第一分类器的输入为二级分光器ONU占比,输出为C2段故障定位信息、或C1/B段故障定位信息,使用第一类别和第二类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;第二分类器输入为一级分光器ONU占比,输出为B段故障定位信息、或C1/C2段故障定位信息,使用第三类别和第四类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;
通过训练样本计算后,得到基于分类算法的GPON弱光故障定位模型的两个阈值,包括第一分类器二级分光器弱光ONU占比阈值TSH1、及第二分类器一级分光器弱光ONU占比阈值TSH2。
可选的,所述应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据,包括:
根据所述ONU光功率数据计算各个OLT下每个T1的时间段的一级分光器和二级分光器的ONU占比;
发生弱光故障时,查询该故障上联所属的一级分光器和二级分光器及故障发生时间最近一个T1的时间段中故障上联所属的一级分光器和二级分光器的弱光ONU占比;
根据该故障上联所属的一级分光器和二级分光器的弱光ONU占比结合所述基于分类算法的GPON弱光故障定位模型进行判断,输出故障段定位数据。
可选的,所述根据故障上联所属的一级分光器和二级分光器的弱光ONU占比结合GPON弱光故障定位模型进行判断,包括:
判断该故障上联所属的二级分光器的弱光ONU占比是否超过TSH1,若未超过,则判定C2段故障;若超过,则判断该故障上联所属一级分光器的弱光ONU占比是否超过TSH2,若未超过,则判定C1段故障;若超过,则判定B段故障。
一种基于分类算法的GPON弱光故障定位***,采集模块、数据预处理模块、分类算法模型构建模块、告警预处理模块和人机交互模块;
所述采集模块,用于从人机交互模块获取采集任务周期T1、汇聚同步周期T2等参数,采集ONU光功率数据供数据预处理模块使用;采集资源拓扑数据及历史故障数据供分类算法模型构建模块使用;采集ONU弱光告警数据及资源拓扑数据供告警预处理模块使用;
所述数据预处理模块,用于进行一级分光器弱光ONU占比和二级分光器弱光ONU占比计算并进行归一化数据预处理,得到弱光ONU占比数据,并输出给分类算法模型构建模块和告警预处理模块;
所述分类算法模型构建模块,用于从采集模块获取资源拓扑数据及历史故障数据,从数据预处理模块获取弱光ONU占比数据,构建训练样本数据;通过训练样本数据训练基于分类算法的GPON弱光故障定位模型,输出给告警预处理模块使用;根据人机交互模块的指令,定期更新基于分类算法的GPON弱光故障定位模型;
所述告警预处理模块,用于从采集模块获取ONU弱光告警数据和资源拓扑数据,从分类算法模型构建模块获取基于分类算法的GPON弱光故障定位模型,从数据预处理模块获取指定时段一级分光器弱光ONU占比和二级分光器弱光ONU占比,对弱光告警进行预处理输出定位原因分类;
所述人机交互模块,用于配置采集任务周期T1、汇聚同步周期T2参数,控制基于分类算法的GPON弱光故障定位模型进行再训练和更新。
综上所述,本发明具有以下有益效果:以一定时间周期采集ONU光功率数据,并对ONU光功率数据进行汇聚同步后,供后续运算及应用;然后结合ONU光功率数据、GPON网络中的网络资源数据、以及历史故障数据构建成训练样本,以供分类算法进行训练,并输出基于分类算法的GPON弱光故障定位模型;发生GPON弱光故障时,通过基于分类算法的GPON弱光故障定位模型对弱光ONU上联所属的一级分光器和二级分光器的ONU光功率数据进行分析,并输出发生弱光故障的故障段定位数据,根据该故障段定位数据向该故障段对应的维修单位派单,由对应的维修单位进行修复处理,本发明综合运用历史故障数据、ONU光功率数据、网络资源数据,利用分类算法构建定位分析模型,运用定位分析模型能简单实现故障的快速定位、精准派单,实现有效支撑GPON弱光故障定位、处理的目的。
附图说明
图1为本发明方法的流程示意图;
图2为GPON网络拓扑示意图;
图3为本发明中训练样本数据图;
图4为GPON弱光故障定位判断流程图;
图5为本发明***的模块组成框图;
图6为本发明***的工作流程示意图;
图7为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的,而不是指示或暗示所指装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
下面结合附图和实施例,对本发明进行详细描述。
本发明提供了一种基于分类算法的GPON弱光故障定位方法及***,如图1所示,包括:
步骤100、采集并汇聚ONU光功率数据;
步骤200、结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本;
步骤300、运用所述训练样本构建基于分类算法的GPON弱光故障定位模型;
步骤400、应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据。
在实际应用中,以一定时间周期采集ONU光功率数据,并对ONU光功率数据进行汇聚同步后,供后续运算及应用;然后结合ONU光功率数据、GPON网络中的网络资源数据、以及历史故障数据构建成训练样本,以供分类算法进行训练,并输出基于分类算法的GPON弱光故障定位模型;发生GPON弱光故障时,通过基于分类算法的GPON弱光故障定位模型对弱光ONU上联所属的一级分光器和二级分光器的ONU光功率数据进行分析,并输出发生弱光故障的故障段定位,根据该故障段定位向该故障段对应的维修单位派单,由对应的维修单位进行修复处理,本发明综合运用历史故障数据、ONU光功率数据、网络资源数据,利用分类算法构建定位分析模型,运用定位分析模型能简单实现故障的快速定位、精准派单,实现有效支撑GPON弱光故障定位、处理的目的。
进一步地,所述采集并汇聚ONU光功率数据,包括:
开启OLT周期性任务定时采集ONU光功率,所述OLT周期性任务的时间间隔记为T1;
以周期T2为时间间隔对采集的所有ONU光功率进行汇聚、同步;其中,T2>T1。
在实际应用中,OLT周期性任务的时间间隔T1及对采集的所有ONU光功率进行汇聚的同步周期T2可以结合故障处理实时性要求及部署运算成本折中考虑,T1的长度影响光功率指标的粒度、T2的长度影响光功率指标的实时性,T1可设置15分钟粒度或小时粒度、T2可设置小时粒度或天粒度;对采集的所有ONU光功率进行汇聚、同步为常用汇聚同步算法,例如压缩算法、冗余算法等。
可选的,所述结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本,包括:
基于网络资源数据及ONU光功率数据,计算所有一级分光器和二级分光器中各个T1时间段内的弱光ONU占比,记为弱光特征数据;
其中,所述网络资源数据为GPON网络中网元间的拓扑连接关系,包括OLT至一级分光器、一级分光器至二级分光器、二级分光器至ONU的连接关系,OLT至一级分光器间的主干光路称为B段、一级分光器至二级分光器间的分支光路称为C1段、二级分光器至ONU间的分支光路称为C2段;
结合弱光特征数据和历史故障数据构建训练样本。
在实际应用中,在获取到网络资源拓扑连接关系数据及采集的ONU光功率数据的基础上,能计算出每个一级分光器、二级分光器中各个时间段(以周期T1为间隔计算)的弱光ONU占比,并以此为定位模型的特征属性。优选地,将ONU收光功率低于-27.0dBm定义为ONU弱光。其中,GPON网络中网元间的拓扑连接关系如图2所示。
可选地,所述结合弱光特征数据和历史故障数据构建训练样本,包括:
获取历史故障数据的故障定位信息及其对应的故障时间段;
根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本。
在实际应用中,故障定位信息根据历史故障工单数据获取,为人工逐级排查定位的故障段结论;故障时间段的选取可根据历史故障工单中的故障发生时间,取故障发生时间后最近一个周期T1的时间段。
进一步地,所述根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本,包括:
当故障定位信息为C2段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第一类别-C2异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为C1段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为B段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第三类别-B异常-一级分光器下弱光ONU占比。
在实际应用中,通过上述对应关系,根据故障定位信息,对不同故障下的一级分光器下弱光ONU占比和二级分光器下弱光ONU占比进行取样,即可得到对应的训练样本数据,该训练样本数据如图3所示。
进一步地,所述运用所述训练样本构建基于分类算法的GPON弱光故障定位模型,包括:
运用训练样本,训练输出基于分类算法的GPON弱光故障定位模型;
所述基于分类算法的GPON弱光故障定位模型的输入为一级分光器下弱光ONU占比和二级分光器下弱光ONU占比;
所述基于分类算法的GPON弱光故障定位模型输出为故障段定位数据;所述分类算法包括支持向量机、KNN算法、朴素贝叶斯、神经网络和遗传算法中的至少一种。
进一步地,所述分类算法选用支持向量机算法,采用间接法构造第一分类器和第二分类器;
其中,第一分类器的输入为二级分光器ONU占比,输出为C2段故障定位信息、或C1/B段故障定位信息,使用第一类别和第二类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;第二分类器输入为一级分光器ONU占比,输出为B段故障定位信息、或C1/C2段故障定位信息,使用第三类别和第四类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;
通过训练样本计算后,得到基于分类算法的GPON弱光故障定位模型的两个阈值,包括第一分类器二级分光器弱光ONU占比阈值TSH1、及第二分类器一级分光器弱光ONU占比阈值TSH2。
在实际应用中,支持向量机算法(Support Vector Machines,SVM)算法作为模型算法,SVM主要解决二值分类问题,而ONU弱光故障段定位数据包括B、C1、C2三类,为解决多类分类问题,可采用间接法构造2个分类器实现。各种类别的训练样本分别选取60组进行训练;模型阈值TSH1及TSH2可能随着网络规模等因素变化而不同,应以一定周期进行重新训练及更新,如每个月或每季度进行计算更新,提升模型的应用成效。
进一步地,如图4所示,所述应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据,包括:
根据所述ONU光功率数据计算各个OLT下每个T1的时间段的一级分光器和二级分光器的ONU占比;
发生弱光故障时,查询该故障上联所属的一级分光器和二级分光器及故障发生时间最近一个T1的时间段中故障上联所属的一级分光器和二级分光器的弱光ONU占比;
根据该故障上联所属的一级分光器和二级分光器的弱光ONU占比结合所述基于分类算法的GPON弱光故障定位模型进行判断,输出故障段定位数据。
进一步地,所述根据故障上联所属的一级分光器和二级分光器的弱光ONU占比结合GPON弱光故障定位模型进行判断,包括:
判断该故障上联所属的二级分光器的弱光ONU占比是否超过TSH1,若未超过,则判定C2段故障;若超过,则判断该故障上联所属一级分光器的弱光ONU占比是否超过TSH2,若未超过,则判定C1段故障;若超过,则判定B段故障。
在实际应用中,C2段处理ONU光模块发射光功率不达标或ONU到二级分光器距离超规范值的问题;C1段处理分支光纤线路或二级分光器损耗问题;B段处理主干光纤线路损耗、一级分光器损耗或PON口光模块故障等问题,对故障上联所属的一级分光器和二级分光器的弱光ONU占比进行分析判定,能够得到精确的故障段定位数据,并根据该故障段定位数据可直接向对应故障段维修班组派单,避免同时派单给多个班组进行逐级排查,提高定位处理效率。
如图5所示,本发明还提供了一种基于分类算法的GPON弱光故障定位***,包括:采集模块10、数据预处理模块20、分类算法模型构建模块30、告警预处理模块40、智能派单模块50和人机交互模块60;
所述采集模块10,用于从人机交互模块获取采集任务周期T1、汇聚同步周期T2等参数,采集ONU光功率数据供数据预处理模块使用;采集资源拓扑数据及历史故障数据供分类算法模型构建模块使用;采集ONU弱光告警数据及资源拓扑数据供告警预处理模块使用;
所述数据预处理模块20,用于进行一级分光器弱光ONU占比和二级分光器弱光ONU占比计算并进行归一化数据预处理,得到弱光ONU占比数据,并输出给分类算法模型构建模块和告警预处理模块;
所述分类算法模型构建模块30,用于从采集模块获取资源拓扑数据及历史故障数据,从数据预处理模块获取弱光ONU占比数据,构建训练样本数据;通过训练样本数据训练基于分类算法的GPON弱光故障定位模型,输出给告警预处理模块使用;根据人机交互模块的指令,定期更新基于分类算法的GPON弱光故障定位模型;
所述告警预处理模块40,用于从采集模块获取ONU弱光告警数据和资源拓扑数据,从分类算法模型构建模块获取基于分类算法的GPON弱光故障定位模型,从数据预处理模块获取指定时段一级分光器弱光ONU占比和二级分光器弱光ONU占比,对弱光告警进行预处理输出定位原因分类,定位结果输出智能派单模块;
所述智能派单模块50,用于接收预处理后的告警数据及初步定位结果,派发故障工单到相应维护班组处理;
所述人机交互模块60,用于配置采集任务周期T1、汇聚同步周期T2参数,控制基于分类算法的GPON弱光故障定位模型进行再训练和更新。
具体来说,如图6所示,采集模块从OLT获取各ONU光功率数据、ONU弱光告警等数据,从资源管理***获取拓扑资源关系数据,从工单***获取历史故障数据。其它模块从采集模块获取数据,获取的形式可以是采集模块推送也可以是其它模块按需获取。
数据预处理模块获取ONU光功率数据及资源数据,计算各个OLT下每个T1的一、二级分光器弱光ONU占比。判断是否需要更新故障定位模型或是否有待处理弱光故障告警,如果有则将相应时间段预处理后数据推送给分类算法模型构建模块或告警预处理模块。
分类模型构建模块从人机交互模块获取模型构建、更新指令,根据资源数据、历史故障数据、弱光ONU占比数据形成训练样本,进而构建基于分类算法的GPON弱光故障定位模型供告警预处理模块使用。
告警预处理模块检测是否有待处理的弱光故障告警,若有则获取所述分光器及相应时间段的弱光ONU占比数据,并获取最新的GPON弱光故障定位模型,实现故障智能定位、原因分类。将故障告警及定位结果推送智能派单模块派单给相应维护班组。其中,获取最新的GPON弱光故障定位模型,优选地,可采用分类模型构建模块更新后主动推送的形式,推送给告警预处理模块。
人机交互模块可对ONU光功率采集任务周期T1、汇聚同步周期T2等参数进行设置,及进行GPON弱光故障定位模型更新的指令操作。
关于一种基于分类算法的GPON弱光故障定位***的具体限定可以参见上文中对于一种基于分类算法的GPON弱光故障定位方法及***的限定,在此不再赘述。上述一种基于分类算法的GPON弱光故障定位***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种基于分类算法的GPON弱光故障定位方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采集并汇聚ONU光功率数据;
结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本;
运用所述训练样本构建基于分类算法的GPON弱光故障定位模型;
应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据。
在一个实施例中,所述采集并汇聚ONU光功率数据,包括:
开启OLT周期性任务定时采集ONU光功率,所述OLT周期性任务的时间间隔记为T1;
以周期T2为时间间隔对采集的所有ONU光功率进行汇聚、同步;其中,T2>T1。
在一个实施例中,所述结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本,包括:
基于网络资源数据及ONU光功率数据,计算所有一级分光器和二级分光器中各个T1时间段内的弱光ONU占比,记为弱光特征数据;
其中,所述网络资源数据为GPON网络中网元间的拓扑连接关系,包括OLT至一级分光器、一级分光器至二级分光器、二级分光器至ONU的连接关系,OLT至一级分光器间的主干光路称为B段、一级分光器至二级分光器间的分支光路称为C1段、二级分光器至ONU间的分支光路称为C2段;
结合弱光特征数据和历史故障数据构建训练样本。
在一个实施例中,所述结合弱光特征数据和历史故障数据构建训练样本,包括:
获取历史故障数据的故障定位信息及其对应的故障时间段;
根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本。
在一个实施例中,所述根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本,包括:
当故障定位信息为C2段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第一类别-C2异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为C1段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为B段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第三类别-B异常-一级分光器下弱光ONU占比。
在一个实施例中,所述运用所述训练样本构建基于分类算法的GPON弱光故障定位模型,包括:
运用训练样本,训练输出基于分类算法的GPON弱光故障定位模型;
所述基于分类算法的GPON弱光故障定位模型的输入为一级分光器下弱光ONU占比和二级分光器下弱光ONU占比;
所述基于分类算法的GPON弱光故障定位模型输出为故障段定位数据;所述分类算法包括支持向量机、KNN算法、朴素贝叶斯、神经网络和遗传算法中的至少一种。
在一个实施例中,所述分类算法选用支持向量机算法,采用间接法构造第一分类器和第二分类器;
其中,第一分类器的输入为二级分光器ONU占比,输出为C2段故障定位信息、或C1/B段故障定位信息,使用第一类别和第二类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;第二分类器输入为一级分光器ONU占比,输出为B段故障定位信息、或C1/C2段故障定位信息,使用第三类别和第四类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;
通过训练样本计算后,得到基于分类算法的GPON弱光故障定位模型的两个阈值,包括第一分类器二级分光器弱光ONU占比阈值TSH1、及第二分类器一级分光器弱光ONU占比阈值TSH2。
在一个实施例中,所述应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据,包括:
根据所述ONU光功率数据计算各个OLT下每个T1的时间段的一级分光器和二级分光器的ONU占比;
发生弱光故障时,查询该故障上联所属的一级分光器和二级分光器及故障发生时间最近一个T1的时间段中故障上联所属的一级分光器和二级分光器的弱光ONU占比;
根据该故障上联所属的一级分光器和二级分光器的弱光ONU占比结合所述基于分类算法的GPON弱光故障定位模型进行判断,输出故障段定位数据。
在一个实施例中,所述根据故障上联所属的一级分光器和二级分光器的弱光ONU占比结合GPON弱光故障定位模型进行判断,包括:
判断该故障上联所属的二级分光器的弱光ONU占比是否超过TSH1,若未超过,则判定C2段故障;若超过,则判断该故障上联所属一级分光器的弱光ONU占比是否超过TSH2,若未超过,则判定C1段故障;若超过,则判定B段故障。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于分类算法的GPON弱光故障定位方法,其特征在于,包括:
采集并汇聚ONU光功率数据;
结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本;
运用所述训练样本构建基于分类算法的GPON弱光故障定位模型;
应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据。
2.根据权利要求1所述的方法,其特征在于,所述采集并汇聚ONU光功率数据,包括:
开启OLT周期性任务定时采集ONU光功率,所述OLT周期性任务的时间间隔记为T1;
以周期T2为时间间隔对采集的所有ONU光功率进行汇聚、同步;其中,T2>T1。
3.根据权利要求2所述的方法,其特征在于,所述结合ONU光功率数据、网络资源数据、历史故障数据构建训练样本,包括:
基于网络资源数据及ONU光功率数据,计算所有一级分光器和二级分光器中各个T1时间段内的弱光ONU占比,记为弱光特征数据;
其中,所述网络资源数据为GPON网络中网元间的拓扑连接关系,包括OLT至一级分光器、一级分光器至二级分光器、二级分光器至ONU的连接关系,OLT至一级分光器间的主干光路称为B段、一级分光器至二级分光器间的分支光路称为C1段、二级分光器至ONU间的分支光路称为C2段;
结合弱光特征数据和历史故障数据构建训练样本。
4.根据权利要求3所述的方法,其特征在于,所述结合弱光特征数据和历史故障数据构建训练样本,包括:
获取历史故障数据的故障定位信息及其对应的故障时间段;
根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本。
5.根据权利要求4所述的方法,其特征在于,所述根据所有故障定位信息、及其对应的故障时间段时的弱光特征数据构建训练样本,包括:
当故障定位信息为C2段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第一类别-C2异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为C1段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第四类别-C1或者C2异常-一级分光器下弱光ONU占比;
当故障定位信息为B段故障时,分别计算该故障定位信息对应的故障时间段时的一级分光器和二级分光器下弱光ONU占比,并形成两条训练样本;其中一条训练样本为第二类别-B或C1异常-二级分光器下弱光ONU占比;另一条训练样本为第三类别-B异常-一级分光器下弱光ONU占比。
6.根据权利要求5所述的方法,其特征在于,所述运用所述训练样本构建基于分类算法的GPON弱光故障定位模型,包括:
运用训练样本,训练输出基于分类算法的GPON弱光故障定位模型;
所述基于分类算法的GPON弱光故障定位模型的输入为一级分光器下弱光ONU占比和二级分光器下弱光ONU占比;
所述基于分类算法的GPON弱光故障定位模型输出为故障段定位数据;所述分类算法包括支持向量机、KNN算法、朴素贝叶斯、神经网络和遗传算法中的至少一种。
7.根据权利要求6所述的方法,其特征在于,所述分类算法选用支持向量机算法,采用间接法构造第一分类器和第二分类器;
其中,第一分类器的输入为二级分光器ONU占比,输出为C2段故障定位信息、或C1/B段故障定位信息,使用第一类别和第二类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;第二分类器输入为一级分光器ONU占比,输出为B段故障定位信息、或C1/C2段故障定位信息,使用第三类别和第四类别的训练样本进行归一化处理后输入基于分类算法的GPON弱光故障定位模型进行训练;
通过训练样本计算后,得到基于分类算法的GPON弱光故障定位模型的两个阈值,包括第一分类器二级分光器弱光ONU占比阈值TSH1、及第二分类器一级分光器弱光ONU占比阈值TSH2。
8.根据权利要求7所述的方法,其特征在于,所述应用所述基于分类算法的GPON弱光故障定位模型,对所述ONU光功率数据进行分析得到故障段定位数据,包括:
根据所述ONU光功率数据计算各个OLT下每个T1的时间段的一级分光器和二级分光器的ONU占比;
发生弱光故障时,查询该故障上联所属的一级分光器和二级分光器及故障发生时间最近一个T1的时间段中故障上联所属的一级分光器和二级分光器的弱光ONU占比;
根据该故障上联所属的一级分光器和二级分光器的弱光ONU占比结合所述基于分类算法的GPON弱光故障定位模型进行判断,输出故障段定位数据。
9.根据权利要求8所述的方法,其特征在于,所述根据故障上联所属的一级分光器和二级分光器的弱光ONU占比结合GPON弱光故障定位模型进行判断,包括:
判断该故障上联所属的二级分光器的弱光ONU占比是否超过TSH1,若未超过,则判定C2段故障;若超过,则判断该故障上联所属一级分光器的弱光ONU占比是否超过TSH2,若未超过,则判定C1段故障;若超过,则判定B段故障。
10.一种基于分类算法的GPON弱光故障定位***,其特征在于,包括:
采集模块、数据预处理模块、分类算法模型构建模块、告警预处理模块和人机交互模块;
所述采集模块,用于从人机交互模块获取采集任务周期T1、汇聚同步周期T2等参数,采集ONU光功率数据供数据预处理模块使用;采集资源拓扑数据及历史故障数据供分类算法模型构建模块使用;采集ONU弱光告警数据及资源拓扑数据供告警预处理模块使用;
所述数据预处理模块,用于进行一级分光器弱光ONU占比和二级分光器弱光ONU占比计算并进行归一化数据预处理,得到弱光ONU占比数据,并输出给分类算法模型构建模块和告警预处理模块;
所述分类算法模型构建模块,用于从采集模块获取资源拓扑数据及历史故障数据,从数据预处理模块获取弱光ONU占比数据,构建训练样本数据;通过训练样本数据训练基于分类算法的GPON弱光故障定位模型,输出给告警预处理模块使用;根据人机交互模块的指令,定期更新基于分类算法的GPON弱光故障定位模型;
所述告警预处理模块,用于从采集模块获取ONU弱光告警数据和资源拓扑数据,从分类算法模型构建模块获取基于分类算法的GPON弱光故障定位模型,从数据预处理模块获取指定时段一级分光器弱光ONU占比和二级分光器弱光ONU占比,对弱光告警进行预处理输出定位原因分类;
所述人机交互模块,用于配置采集任务周期T1、汇聚同步周期T2参数,控制基于分类算法的GPON弱光故障定位模型进行再训练和更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226385.8A CN115086806A (zh) | 2022-03-09 | 2022-03-09 | 一种基于分类算法的gpon弱光故障定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226385.8A CN115086806A (zh) | 2022-03-09 | 2022-03-09 | 一种基于分类算法的gpon弱光故障定位方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115086806A true CN115086806A (zh) | 2022-09-20 |
Family
ID=83247344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226385.8A Pending CN115086806A (zh) | 2022-03-09 | 2022-03-09 | 一种基于分类算法的gpon弱光故障定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086806A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334381A (zh) * | 2022-10-17 | 2022-11-11 | 成都同步新创科技股份有限公司 | 一种光网络无源分光器线路分析管理方法及*** |
CN116094588A (zh) * | 2023-01-04 | 2023-05-09 | 中国联合网络通信集团有限公司 | 光衰管理方法、装置及存储介质 |
-
2022
- 2022-03-09 CN CN202210226385.8A patent/CN115086806A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334381A (zh) * | 2022-10-17 | 2022-11-11 | 成都同步新创科技股份有限公司 | 一种光网络无源分光器线路分析管理方法及*** |
CN116094588A (zh) * | 2023-01-04 | 2023-05-09 | 中国联合网络通信集团有限公司 | 光衰管理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115086806A (zh) | 一种基于分类算法的gpon弱光故障定位方法及*** | |
TWI741505B (zh) | 一種拓撲處理方法和裝置以及系統 | |
EP3829080B1 (en) | Pon fault location method and device | |
CN111176879A (zh) | 设备的故障修复方法及装置 | |
CN101056199B (zh) | 一种点对多点接入网的上行突发性能监控方法,头端设备和接入网*** | |
CN110086260B (zh) | 一种配电网智能感知管控装置 | |
CN110490594A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN112084016B (zh) | 一种基于flink的流计算性能优化***及方法 | |
CN112216061A (zh) | 一种雨水情监测预警方法及*** | |
CN114726740A (zh) | 台区拓扑识别方法、***及智能融合终端 | |
CN114139800A (zh) | 一种大规模异构电力***管理方法及电力*** | |
CN105336143A (zh) | 基于云计算的供电质量检测*** | |
CN104518913A (zh) | 一种基于人工免疫的云服务异常检测方法 | |
CN115016976B (zh) | 一种根因定位方法、装置、设备及存储介质 | |
CN115842760A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN108737164A (zh) | 一种电信网络实时告警过滤方法及装置 | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及*** | |
CN115314358A (zh) | 一种家宽网络的哑网元故障监控方法和装置 | |
CN201499180U (zh) | 一种实现银企互联通信的装置 | |
CN117768014A (zh) | 一种光分配网络故障处理的方法、装置、设备及介质 | |
WO2024109604A1 (zh) | 一种pon***的故障分析方法、装置及设备 | |
CN109494874A (zh) | 一种配电自动化*** | |
CN117154747B (zh) | 一种基于多租户技术的虚拟电厂需求响应***及方法 | |
CN117479051A (zh) | 质差识别方法、装置、光线路终端、***及存储介质 | |
CN113891190B (zh) | 一种基于批量告警还原二级分光器拓扑的算法 |
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 |