TWI700907B

TWI700907B - 光纖迴路障礙診斷方法

Info

Publication number: TWI700907B
Application number: TW108143934A
Authority: TW
Inventors: 梁嘉權; 王志益
Original assignee: 中華電信股份有限公司
Priority date: 2019-12-02
Filing date: 2019-12-02
Publication date: 2020-08-01
Also published as: TW202123642A

Abstract

本發明為一種應用人工智慧技術之光纖迴路障礙診斷方法，係將相關聯的網管參數聚集，進行綜合判斷之特徵提取，再應用人工智慧技術輔助之實作方式與分析，藉以得到障礙根源預測模型，透過該障礙根源預測模型之應用可達成精準判斷光纖寬頻迴路障礙之成因，故能達到節省大量人力物力資源之目的。

Description

光纖迴路障礙診斷方法

本發明係有關於一種網路障礙偵測技術，尤指一種光纖迴路障礙診斷方法。

有別於傳統的點對點的拓墣架構(Point to Point；P2P)所採用的是點對多點型式拓墣(Point to Multi-Point；P2MP)，光纖到家(Fiber To The Home，FTTH)佈建架構是由光線路終端設備(Optical Line Terminal；OLT)經由光分歧器(Optical Splitter)分光傳送給多個光網路單元(Optical Network Unit；ONU)也就是用戶端設備，此方式可大量減少光纖的使用量，並且降低光分配網路(Optical Distribution Network，ODN)佈建的資本支出，但實體層光纖網路的光分歧器有多階架構，讓ODN組成相當複雜，造成光纖障礙查測作業相當困難。於現有技術中，有人提出使用光時域反射器(Optical Time Domain Reflectometer；OTDR)的監測方式，此方法是光時域反射器測試每一路由的時間約花1~2分鐘且購置設備相當昂貴，隨著光纖到家的網路大量採用，此測試方法測試一輪將花費很長之時間，所以在時效性的掌握，顯現出相當大的缺點，並且增加大幅資本支出(Capital Expenditure或CAPEX)。由上述可見，上述現有障礙查測方式仍有諸多缺失，實待加以改良。

綜上，若能找出一種網路障礙偵測技術，特別是，透過多種參數聚集整合以及自動化預判障礙成因，藉以提供維運人員維修建議，應能有效改善查修效率以及節省成本，此將成為本技術領域人員急欲追求之目標。

本發明之目的係提出一種網路障礙偵測技術，係將相關聯網管參數聚集綜合判斷以進行特徵提取，接著應用人工智慧(AI)技術輔助之實作方式與分析，以達成精準判斷光纖寬頻迴路障礙之成因，藉此達到節省人力物力資源之目標。

為達成上述目的與其他目的，本發明係提出一種光纖迴路障礙診斷方法，其包括：提供光收發器之網管資訊；執行該網管資訊之資料清洗後，將清洗後之該網管資訊依據光纖到家障礙特性進行聚集分類與特徵提取；對已特徵提取之該網管資訊進行標註障礙根源；以及應用人工智慧的法則進行障礙根源建模以產生障礙根源預測模型，其中，該障礙根源預測模型於待測電路實測時，係供該待測電路之即時電路查測資料經特徵提取後輸入，藉以得到該待測電路之障礙根源的判斷結果。

於前述方法中，該提供光收發器之網管資訊之步驟係指從被動式光纖網路(xPON)網管系統取得該網管資訊。

於前述方法中，該光纖到家障礙特性包含光網路單元訊號遺失(ONU LOS)狀態、光分配網路(ODN)狀態、誤碼品質狀態、雷射運作狀態以及設備連線狀態之特徵欄位。

於一實施態樣中，該光網路單元訊號遺失狀態所包含之事件包括：正常、LOS事件>0、PON斷線率>50%以及無法判斷。

於一實施態樣中，該光分配網路狀態所包含之事件包括：正常、光纖彎曲障礙、光纖接頭障礙、上下行光損失過低以及無法判斷。

於一實施態樣中，該誤碼品質狀態所包含之事件包括：正常、上行誤碼障礙、下行誤碼障礙以及無法判斷。

於一實施態樣中，該雷射運作狀態所包含之事件包括：正常、光線路終端設備/光網路單元(OLT/ONU)運作異常、光線路終端設備/光網路單元(OLT/ONU)接收光功率過低、光線路終端設備/光網路單元(OLT/ONU)溫度過高、被動式網路單元(ONU)光層資訊以及無法判斷。

於一實施態樣中，該設備連線狀態所包含之事件包括：正常、光網路單元(ONU)斷線、光網路單元(ONU)斷電、光網路單元(ONU)註冊失敗、光線路終端設備(OLT)埠服務異常、其他異常以及無法判斷。

於前述方法中，該障礙根源係包含：光纖接頭損失障礙、光纖接頭反射障礙、光纖彎曲障礙、光線路終端設備/光網路單元(OLT/ONU)溫度過熱障礙、光線路終端設備/光網路單元(OLT/ONU)光模組障礙、光線路終端設備/光網路單元(OLT/ONU)接收模組障礙、光網路單元(ONU)斷電、流氓(Rogue)ONU障礙、用戶主軸光纜斷線、光網路單元(ONU)異常斷線、光網路單元(ONU)註冊不成功、光網路單元(ONU)一週內曾瞬斷過以及光網路單元管理控制介面(OMCI)異常。

於前述方法中，該應用人工智慧的法則進行障礙根源建模之步驟係指使用天真貝氏(Naïve Bayesian)、C4.5決策樹(Decision tree)、支援向量機器(Support Vector Machine)、隨機森林(Random Forest)之機器學習(Machine Learning)以及多層感知機(MultiLayer Perceptron)人工神經網路之人工智慧方法進行建模，且以準確率(Accuracy)、精確度(Precision)及召回率(Recall)評估所建立之該障礙根源預測模型。

綜上可知，本發明所提出之光纖迴路障礙診斷方法，係利用將相關聯網管參數聚集綜合判斷的特徵提取後，藉由具備光纖且查修專業經驗的領域專家負責障礙根源的標註作業，再應用人工智慧技術進行建模，所得到之障礙根源預測模型能提供可診斷光纖寬頻迴路障礙，由上可知，可藉由障礙根源的標註作業，再將聚集特徵提取(Feature Extraction)的分類結果以機器學習及人工智慧方法進行障礙根源建模，並以準確率、精確度及召回率評估該障礙根源預測模型之優劣，後續該模型可供待測電路進行障礙根源之診斷，透過本發明所述方法進行建模，故能精準判斷光纖寬頻迴路障礙之成因，藉以達到節省人力和物力，實際應用上，可減少電信公司光纖到家寬頻服務維護的資本支出(CAPEX)及營業費用支出(Operating Expenditure，OPEX)。

1‧‧‧光網路單元訊號遺失狀態

2‧‧‧光分配網路狀態

3‧‧‧誤碼品質狀態

4‧‧‧雷射運作狀態

5‧‧‧設備連線狀態

6‧‧‧光線路終端設備

7‧‧‧光網路單元

8‧‧‧光分配網路

9‧‧‧電路歷史資料

10‧‧‧特徵提取

11‧‧‧障礙分類標註

12‧‧‧人工智慧建模

13‧‧‧模型評估

14‧‧‧即時電路查測資料

15‧‧‧特徵提取

16‧‧‧障礙根源預測

17‧‧‧障礙分類

S11-S14‧‧‧步驟

請參閱以下有關本發明之詳細說明及其附圖，將可進一步瞭解本發明之技術內容及其目的功效，所附圖式說明如下。

第1圖為本發明之光纖迴路障礙診斷方法的步驟圖。

第2圖為網管參數聚集特徵提取分類圖。

第3圖為FTTH障礙根源預測圖。

以下藉由特定的具體實施形態說明本發明之技術內容，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之優點與功效。然本發明亦可藉由其他不同的具體實施形態加以施行或應用。為利審查委員了解本發明之技術特徵、內容與優點及其所能達到之功效，茲將本發明配合圖式，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍，合先敘明。

第1圖為本發明之光纖迴路障礙診斷方法的步驟圖。如圖所示，於步驟S11中，提供光收發器之網管資訊。本步驟主要目的係取得光收發器之網管資訊，具體而言，可由被動式光纖網路(xPON)網管系統讀取網管原始資訊。

於步驟S12中，執行該網管資訊之資料清洗後，將清洗後之該網管資訊依據光纖到家障礙特性進行聚集分類與特徵提取。具體而說，於前一步驟取得該網管資訊，為了避免資料格式不一致、缺失值和無效值等異常狀況，會先經過資料清洗(Data Cleaning)，而清洗後的該網管資訊，會再進行特徵提取以利後續分析，所述的特徵提取係指光纖到家(FTTH)障礙特性共有五個特徵欄位，分別為光網路單元訊號遺失(ONU LOS)狀態、光分配網路(ODN)狀態、誤碼品質狀態、雷射運作狀態以及設備連線狀態，本發明於該些五個特徵欄位進行特徵提取，該特徵提取之方法是將所有輸入欄位資料包含有數值型與類別型資料，依據欄位屬性相關性聚集，再經由專家或經驗法則加以分類，透過此特徵提取技術可增加障礙根源建模的預測成功率。

於步驟S13中，對已特徵提取之該網管資訊進行標註障礙根源。簡言之，本步驟係對已特徵提取之網管資訊進行障礙根源之標註，其中，該障礙根源可分為十六項，其包含：光纖接頭損失障礙、光纖接頭反射障礙、光纖彎曲障礙、光線路終端設備/光網路單元(OLT/ONU)溫度過熱障礙、光線路終端設備/光網路單元(OLT/ONU)光模組障礙、光線路終端設備/光網路單元(OLT/ONU)接收模組障礙、光網路單元(ONU)斷電、流氓(Rogue)ONU障礙、用戶主軸光纜斷線、光網路單元(ONU)異常斷線、光網路單元(ONU)註冊不成功、光網路單元(ONU)一週內曾瞬斷過以及光網路單元管理控制介面(OMCI)異常。

於步驟S14中，應用人工智慧的法則進行障礙根源建模以產生障礙根源預測模型，其中，該障礙根源預測模型於待測電路實測時，係供該待測電路之即時電路查測資料經特徵提取後輸入，藉以得到該待測電路之障礙根源的判斷結果。本步驟即將經處理的該網管資訊透過人工智慧技術進行建模，亦即，將涵蓋五個特徵欄位以及標註有十六項障礙根源的資料應用人工智慧的法則進行障礙根源之建模。

於一具體實施例中，所謂的障礙根源之建模係指使用天真貝氏(Naïve Bayesian)、C4.5決策樹(Decision tree)、支援向量機器(Support Vector Machine)、隨機森林(Random Forest)之機器學習以及多層感知機(MultiLayer Perceptron)人工神經網路之人工智慧方法來進行建模，且於建模後，透過準確率(Accuracy)、精確度(Precision)及召回率(Recall)評估所建立之障礙根源預測模型的優劣情況。

綜上，本發明針對利用光纖到家(FTTH)服務的原始網管資訊，經過資料清洗以避免處理資料的格式不一致、缺失值及無效值等異常狀況，清洗後的網管資訊先執行特徵提取之程序，接著由查修專業經驗的領域專家或透過經驗法則對網管資訊進行障礙分類標註，其中，前述特徵提取方法是將所有輸入欄位資料包含有數值型與類別型資料，依據欄位屬性相關性聚集再由專家或經驗法則加以分類，透過特徵提取技術可增加障礙根源建模的預測成功率，之後，再將聚集特徵提取的分類結果分別以天真貝氏、C4.5決策樹、支援向量機器、隨機森林等機器學習以及多層感知機人工神經網路的人工智慧方法進行障礙根源建模，最後再以準確率、精確度及召回率來評估模型的優劣。

由上述可知，光纖到家電路障礙因素眾多導致查測作業繁瑣且困難，需具備該領域長期經驗的專家才能勝任並迅速完成障礙排除作業。為了降低查修的專業門檻以及複雜流程，本發明提供快速預判光纖到家的障礙根源，其操作簡便且為經濟之預判方式，主要將網管參數功能相似先聚集特徵提取，再藉由AI技術預判障礙成因，提供給維運人員推薦維修標的，不僅能省下重複查修的時間與提昇效率，另一方面也能大幅提升用戶的使用滿意程度。

第2圖為網管參數聚集特徵提取分類圖。如圖所示，該圖顯示本發明之網管參數聚集分類特徵提取，關於集合關聯網管參數進行綜合診斷分類之特徵提取，主要依據光纖到家障礙特性分成光網路單元訊號遺失(ONU LOS(Loss Of Signal；LOS))狀態1、光分配網路(ODN)狀態2、誤碼品質狀態3、雷射運作狀態4以及設備連線狀態5共五個特徵欄位，其中，該ONU LOS狀態1的項目可由光網路單元(ONU)7獲得，該ODN狀態2的項目可由光分配網路(ODN)8獲取，該誤碼品質狀態3、該雷射運作狀態4及該設備連線狀態5的項目可分別由光線路終端設備(OLT)6與光網路單元(ONU)7取得。

關於網管參數聚集分類特徵提取，根據光纖到家障礙特性共有五個特徵欄位，分別說明如下。ONU LOS狀態1包含的事件有ONU運作正常、LOS事件>0、PON斷線率>50%與無法判斷；ODN狀態2包含的事件有ODN運作正常、光纖彎曲障礙、光纖接頭障礙、上下行光損失過低與無法判斷；誤碼品質狀態3包含的事件有誤碼品質狀態正常、上行誤碼障礙、下行誤碼障礙與無法判斷；雷射運作狀態4包含的事件有雷射運作正常、OLT/ONU運作異常、OLT/ONU接收光功率過低、OLT/ONU溫度過高、無ONU光層資訊與無法判斷；設備連線狀態5包含的事件有設備連線正常、ONU斷線、ONU斷電、ONU註冊失敗、OLT Port服務異常、其他異常與無法判斷。

第3圖為FTTH障礙根源預測圖。如圖所示，主要說明FTTH 障礙根源預測模型之建立與後續應用，於建立障礙根源模型方面，首先，擷取有關網管參數之電路歷史資料9，例如雷射光層資料、電路品質資料、設備告警資料、ONU註冊資料及ONU運作狀態等，將相關的網管參數經特徵提取10後，藉由具備光纖且查修專業經驗的領域專家負責障礙根源的障礙分類標註11，接著，將障礙分類標註11後之資料應用人工智慧的法則進行人工智慧建模12，本發明提供十六項障礙根源診斷結果，其障礙根源分類項目有光纖接頭損失障礙、光纖接頭反射障礙、光纖彎曲障礙、OLT/ONU溫度過熱障礙、OLT/ONU光模組障礙、OLT/ONU接收模組障礙、ONU斷電、流氓(Rogue)ONU障礙、用戶主軸光纜斷線、ONU異常斷線、ONU註冊不成功、ONU一週內曾瞬斷過、與光網路單元管理控制介面(ONU Management and Control Interface；OMCI)異常，最後，以準確率、精確度及召回率來進行模型評估13，藉以評判模型的優劣。

另外，於障礙根源模型應用方面，取得待測電路實測下之即時電路查測資料14，同樣地，亦需經過特徵提取15的流程，將特徵提取15完成之資料輸入至上述已建好的障礙根源預測模型以進行障礙根源預測16，如此即可獲得FTTH障礙根源之預判障礙分類17的結果。

舉例來說，當ONU LOS狀態為ONU運作正常、ODN狀態為光纖彎曲障礙、誤碼品質狀態為下行誤碼障礙、雷射運作狀態為ONU接收光功率過低、設備連線狀態為設備連線正常等狀態下，將上述資料同時輸入已使用隨機森林建模的障礙根源預測模型(已透過準確率、精確度及召回率準則來評估模型)，則障礙根源預測模型可判斷障礙根源為光纖彎曲障礙。

本發明所提供之一種光纖迴路障礙診斷方法，相較習知技術，更具備下列優點：(1)本發明利用相關的網管參數聚集特徵提取後，必須尋求具備光纖且查修專業經驗的領域專家共同參與障礙根源的標註作業，再將特徵提取的分類結果應用人工智慧的法則進行障礙根源建模，即可獲得FTTH障礙根源之預測障礙分類結果，可快速診斷光纖迴路障礙異常之技術，只需透過網管資訊加值即可提供可行、可靠、簡便和經濟之被動式光纖網路障礙診斷方法；(2)本發明可在接取網路ODN、OLT與ONU上，找出FTTH障礙根源之預測障礙，實現快速與大量診斷的目標；(3)本發明降低查修的專業門檻以及繁瑣和困難，導入AI技術可以發揮輔助之功效，提供較佳的服務品質；(4)本發明藉由引進AI技術在寬頻網路之障礙診斷，系統透過以大數據蒐集為基礎之各類演算法，可提供給維運人員智慧分析後的推薦維修標的，不僅能省下重複查修的時間與提昇效率，另一方面也能大幅提升用戶的使用滿意程度；以及(5)本發明可降低網路維運人事成本，更可確保被動式光網路之可靠性及穩定性，進而提昇維護效率，其經濟效益非常明顯。

上列詳細說明乃針對本發明之一可行實施例進行具體說明，惟該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之申請專利範圍中。

S11-S14‧‧‧步驟

Claims

一種光纖迴路障礙診斷方法，其包括：提供光收發器之網管資訊；執行該網管資訊之資料清洗後，將清洗後包含有數值型與類別型資料之該網管資訊的所有輸入欄位資料依據光纖到家障礙特性，進行欄位屬性相關性之聚集與分類以執行特徵提取，其中，該光纖到家障礙特性包含光網路單元訊號遺失(ONU LOS)狀態、光分配網路(ODN)狀態、誤碼品質狀態、雷射運作狀態以及設備連線狀態之特徵欄位；對已特徵提取之該網管資訊進行標註障礙根源；以及應用人工智慧的法則進行障礙根源建模以產生障礙根源預測模型，其中，該障礙根源預測模型於待測電路實測時，係供該待測電路之即時電路查測資料經特徵提取後輸入，藉以得到該待測電路之障礙根源的判斷結果。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該提供光收發器之網管資訊之步驟係指從被動式光纖網路(xPON)網管系統取得該網管資訊。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該光網路單元訊號遺失狀態所包含之事件包括：正常、LOS事件>0、PON斷線率>50%以及無法判斷。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該光分配網路狀態所包含之事件包括：正常、光纖彎曲障礙、光纖接頭障礙、上下行光損失過低以及無法判斷。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該誤碼品質狀態所包含之事件包括：正常、上行誤碼障礙、下行誤碼障礙以及無法判斷。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該雷射運作狀態所包含之事件包括：正常、光線路終端設備/光網路單元(OLT/ONU)運作異常、光線路終端設備/光網路單元(OLT/ONU)接收光功率過低、光線路終端設備/光網路單元(OLT/ONU)溫度過高、被動式網路單元(ONU)光層資訊以及無法判斷。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該設備連線狀態所包含之事件包括：正常、光網路單元(ONU)斷線、光網路單元(ONU)斷電、光網路單元(ONU)註冊失敗、光線路終端設備(OLT)埠服務異常、其他異常以及無法判斷。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該障礙根源係包含：光纖接頭損失障礙、光纖接頭反射障礙、光纖彎曲障礙、光線路終端設備/光網路單元(OLT/ONU)溫度過熱障礙、光線路終端設備/光網路單元(OLT/ONU)光模組障礙、光線路終端設備/光網路單元(OLT/ONU)接收模組障礙、光網路單元(ONU)斷電、流氓(Rogue)ONU障礙、用戶主軸光纜斷線、光網路單元(ONU)異常斷線、光網路單元(ONU)註冊不成功、光網路單元(ONU)一週內曾瞬斷過以及光網路單元管理控制介面(OMCI)異常。
如申請專利範圍第1項所述之光纖迴路障礙診斷方法，其中，該應用人工智慧的法則進行障礙根源建模之步驟係指使用天真貝氏 (Naïve Bayesian)、C4.5決策樹(Decision tree)、支援向量機器(Support Vector Machine)、隨機森林(Random Forest)之機器學習以及多層感知機(MultiLayer Perceptron)人工神經網路之人工智慧方法進行建模，且以準確率(Accuracy)、精確度(Precision)及召回率(Recall)評估所建立之該障礙根源預測模型。