為維護(hù)網(wǎng)絡(luò)服務(wù)正常運(yùn)行,保證業(yè)務(wù)數(shù)據(jù)能夠可靠傳輸,光網(wǎng)絡(luò)中的故障定位技術(shù)具有非常重要的研究?jī)r(jià)值。隨著光網(wǎng)絡(luò)規(guī)模的日趨龐大和結(jié)構(gòu)的日趨復(fù)雜,賦予光網(wǎng)絡(luò)中的故障定位問題更大的挑戰(zhàn)。結(jié)合深度神經(jīng)網(wǎng)絡(luò),提出了基于深度神經(jīng)網(wǎng)絡(luò)的光網(wǎng)絡(luò)故障定位方法,挖掘告警數(shù)據(jù)中的深層信息,從而提高光網(wǎng)絡(luò)中故障定位的準(zhǔn)確性。首先分析了深度神經(jīng)網(wǎng)絡(luò)的原理,并使用預(yù)處理過的告警數(shù)據(jù)集訓(xùn)練不同參數(shù)的故障定位模型,選取最佳的參數(shù),最后與現(xiàn)有的故障定位算法進(jìn)行比較。經(jīng)過試驗(yàn),基于深度神經(jīng)網(wǎng)絡(luò)的光網(wǎng)絡(luò)故障定位的準(zhǔn)確率和時(shí)延更好,準(zhǔn)確率達(dá)到95%以上,時(shí)延在0.30～0.40 ms之間。 

【文章來源】：激光雜志. 2020,41(07)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

DNN的網(wǎng)絡(luò)結(jié)構(gòu)

告警樣本集的維度是一維，而采用的深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的維度為二維，因此需要根據(jù)告警數(shù)據(jù)樣本集的特點(diǎn)(見圖2)，進(jìn)行升維處理。數(shù)據(jù)訓(xùn)練集需要包含所有關(guān)鍵性的樣本數(shù)據(jù)，如每次輸入輸出的極值。將告警數(shù)據(jù)集隨機(jī)調(diào)整次序后，分別輸入模型進(jìn)行多次訓(xùn)練。訓(xùn)練集是確定模型后，用來訓(xùn)練參數(shù)的數(shù)據(jù)集，用訓(xùn)練集對(duì)模型訓(xùn)練完畢后，再用驗(yàn)證集對(duì)模型測(cè)試，測(cè)試模型是否準(zhǔn)確。為保證準(zhǔn)確性和公平性，模型的訓(xùn)練和驗(yàn)證都選取同一域數(shù)據(jù)。

當(dāng)光通信網(wǎng)絡(luò)中同時(shí)存在多個(gè)故障時(shí)，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的故障判別模型將出現(xiàn)多組輸出(見圖3)。我們引入事務(wù)Transaction用來收集故障定位的詳細(xì)信息，Transaction的數(shù)量和種類就對(duì)應(yīng)了故障判別模型輸出故障的數(shù)量和類型。此時(shí)，不難將基于深度神經(jīng)網(wǎng)絡(luò)故障判別模型的光網(wǎng)絡(luò)和Transaction=1的多故障定位信息等同起來。下面，我們將通過兩個(gè)故障的例子幫助我們更好的認(rèn)識(shí)光網(wǎng)絡(luò)多故障定位過程。故障源(Source)、故障發(fā)生的時(shí)間(Time)、故障類型(Fault Type)及故障對(duì)應(yīng)告警名稱(Alarm Name)是故障數(shù)據(jù)庫(kù)中最重要的四個(gè)要素。在基于神經(jīng)網(wǎng)絡(luò)的故障判別模型分析處理故障信息前，首先要獲取告警發(fā)生的時(shí)間t，同時(shí)分析告警知識(shí)庫(kù)中的信息，以這些信息為判據(jù)提煉總結(jié)與故障相關(guān)的信息和規(guī)則。這里我們假設(shè)存在兩種故障類型光纜中斷故障Fault Type1和板卡故障Fault Type2，兩次故障發(fā)生的時(shí)間間隔為td，則這兩次故障所對(duì)的的告警數(shù)據(jù)集時(shí)間范圍為[t-td,t]。若系統(tǒng)中的某個(gè)節(jié)點(diǎn)在某一時(shí)刻發(fā)生光纜中斷故障Fault Type1，該節(jié)點(diǎn)將在第一時(shí)間上報(bào)告警alarm1。故障相鄰節(jié)點(diǎn)將同時(shí)產(chǎn)生告警alarm2，并一同上報(bào)，隨后生成Condition1。在網(wǎng)絡(luò)某個(gè)不同于剛剛提到的節(jié)點(diǎn)發(fā)生板卡故障Fault Type2，該節(jié)點(diǎn)將上報(bào)由故障產(chǎn)生的告警信息alarm5和alarm6，與此同時(shí)與該故障節(jié)點(diǎn)相鄰的節(jié)點(diǎn)將上報(bào)告警信息alarm7，即產(chǎn)生Condition2。這樣基于神經(jīng)網(wǎng)絡(luò)的故障判別模型就滿足了分析故障源信息的條件。故障判別模型將利用Condition1和Condition2在數(shù)據(jù)庫(kù)中查詢相關(guān)的告警信息集合，并記錄查詢結(jié)果，保存為alarm set1和alarm set2。兩類告警集合中包含各種告警相關(guān)的詳細(xì)信息，比如告警名稱、節(jié)點(diǎn)處信息、線纜連接關(guān)系和單板信息等。事務(wù)Transaction1和Transaction2利用這些信息，結(jié)合告警數(shù)據(jù)集中的時(shí)間信息，修正光纜中斷故障和板卡故障的發(fā)生時(shí)間并實(shí)現(xiàn)對(duì)故障源信息的分析(見圖4)，最終確定告警源Source1和Source2。最后，在故障信息數(shù)據(jù)庫(kù)中把與故障類型(Fault Type)對(duì)應(yīng)的故障發(fā)生時(shí)間(Time)、告警名稱(Alarm Name)、故障源(Source)四個(gè)要素分別存儲(chǔ)起來。

【參考文獻(xiàn)】：
博士論文
[1]彈性光網(wǎng)絡(luò)中多鏈路故障生存性技術(shù)的研究[D]. 馬辰.北京郵電大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的光網(wǎng)絡(luò)故障定位技術(shù)研究[D]. 王菲.北京郵電大學(xué) 2019
[2]下一代智能光網(wǎng)絡(luò)故障定位算法的研究[D]. 張曉艷.國(guó)防科學(xué)技術(shù)大學(xué) 2005



本文編號(hào)：3598229