基于深度神经网络的光网络故障定位技术研究

发布时间：2022-01-20 05:08

　　为维护网络服务正常运行,保证业务数据能够可靠传输,光网络中的故障定位技术具有非常重要的研究价值。随着光网络规模的日趋庞大和结构的日趋复杂,赋予光网络中的故障定位问题更大的挑战。结合深度神经网络,提出了基于深度神经网络的光网络故障定位方法,挖掘告警数据中的深层信息,从而提高光网络中故障定位的准确性。首先分析了深度神经网络的原理,并使用预处理过的告警数据集训练不同参数的故障定位模型,选取最佳的参数,最后与现有的故障定位算法进行比较。经过试验,基于深度神经网络的光网络故障定位的准确率和时延更好,准确率达到95%以上,时延在0.30～0.40 ms之间。 

【文章来源】：激光杂志. 2020,41(07)北大核心

【文章页数】：7 页

【部分图文】：

DNN的网络结构

告警样本集的维度是一维，而采用的深度神经网络模型结构的维度为二维，因此需要根据告警数据样本集的特点(见图2)，进行升维处理。数据训练集需要包含所有关键性的样本数据，如每次输入输出的极值。将告警数据集随机调整次序后，分别输入模型进行多次训练。训练集是确定模型后，用来训练参数的数据集，用训练集对模型训练完毕后，再用验证集对模型测试，测试模型是否准确。为保证准确性和公平性，模型的训练和验证都选取同一域数据。

当光通信网络中同时存在多个故障时，以深度神经网络为基础的故障判别模型将出现多组输出(见图3)。我们引入事务Transaction用来收集故障定位的详细信息，Transaction的数量和种类就对应了故障判别模型输出故障的数量和类型。此时，不难将基于深度神经网络故障判别模型的光网络和Transaction=1的多故障定位信息等同起来。下面，我们将通过两个故障的例子帮助我们更好的认识光网络多故障定位过程。故障源(Source)、故障发生的时间(Time)、故障类型(Fault Type)及故障对应告警名称(Alarm Name)是故障数据库中最重要的四个要素。在基于神经网络的故障判别模型分析处理故障信息前，首先要获取告警发生的时间t，同时分析告警知识库中的信息，以这些信息为判据提炼总结与故障相关的信息和规则。这里我们假设存在两种故障类型光缆中断故障Fault Type1和板卡故障Fault Type2，两次故障发生的时间间隔为td，则这两次故障所对的的告警数据集时间范围为[t-td,t]。若系统中的某个节点在某一时刻发生光缆中断故障Fault Type1，该节点将在第一时间上报告警alarm1。故障相邻节点将同时产生告警alarm2，并一同上报，随后生成Condition1。在网络某个不同于刚刚提到的节点发生板卡故障Fault Type2，该节点将上报由故障产生的告警信息alarm5和alarm6，与此同时与该故障节点相邻的节点将上报告警信息alarm7，即产生Condition2。这样基于神经网络的故障判别模型就满足了分析故障源信息的条件。故障判别模型将利用Condition1和Condition2在数据库中查询相关的告警信息集合，并记录查询结果，保存为alarm set1和alarm set2。两类告警集合中包含各种告警相关的详细信息，比如告警名称、节点处信息、线缆连接关系和单板信息等。事务Transaction1和Transaction2利用这些信息，结合告警数据集中的时间信息，修正光缆中断故障和板卡故障的发生时间并实现对故障源信息的分析(见图4)，最终确定告警源Source1和Source2。最后，在故障信息数据库中把与故障类型(Fault Type)对应的故障发生时间(Time)、告警名称(Alarm Name)、故障源(Source)四个要素分别存储起来。

【参考文献】：
博士论文
[1]弹性光网络中多链路故障生存性技术的研究[D]. 马辰.北京邮电大学 2016

硕士论文
[1]基于深度学习的光网络故障定位技术研究[D]. 王菲.北京邮电大学 2019
[2]下一代智能光网络故障定位算法的研究[D]. 张晓艳.国防科学技术大学 2005



本文编号：3598229