一种实现光链路故障识别的方法、装置及系统制造方法及图纸

本申请实施例中提供一种实现光链路故障识别的方法，涉及通信技术领域，包括：获取网络设备上的性能数据，提取所述性能数据的特征参数；依据所述特征参数进行光链路中的故障模式识别；解决了光链路中因设备数量庞大、线路故障多、人工排查情况难获得导致的故障情况识别难、处理慢等问题；达到了在故障发生时快速识别故障，提高排障效率；并在光链路隐患未导致故障发生时，可提前通过特征发现性能数据劣化，识别并预警等。

A method, device and system for fault identification of optical link

【技术实现步骤摘要】
一种实现光链路故障识别的方法、装置及系统
本申请涉及通信
，尤其涉及一种实现光链路故障识别的方法、装置及系统。
技术介绍
随着网络系统的复杂性和传输容量增大，光纤通讯利用自身传输容量大、保密性好等优点成为现在主要的有线通信方式。但光纤一般采用玻璃作为波导，使得光纤质地脆，机械强度差，导致在使用过程中会出现光纤弯折，断纤。另外，光纤之间连接为了降低成本一般采用光纤连接器，但光纤连接器长时间连接会出现接头松动，连接过松等现象，使光纤通讯中光链路故障占比增加，导致光链路可靠性降低、用户体验变差，因此需要及时进行故障修复用来维护光链路可靠性。目前的网络系统运维中通常依赖传统的告警系统，以确保对故障进行及时的维护，但是传统的告警系统是分别针对光链路网络设备或业务性能数据建立阈值报警体系，并分别利用观测系统中的光链路网络设备或业务性能数据指标，判断与基准阈值的大小以监测是否达到最低工作要求，如果判断为否，则发出警报提示，达到及时进行故障修复以维护光链路可靠性的目的。由于网络系统复杂使得网络系统中告警提示数量庞大，且告警提示中掺杂了大量的其他问题，仅从发出的警告提示中网络运维人员并不能获得有效告警信息，也不能从告警提示中获得确切的故障模式，只能采用手工排查故障的方式，而人工排查，处理效率低，故障修复延迟性太强，最终导致用户受影响时间长且操作复杂，并且利用网络设备与业务的单点时刻性能数据与人工设定的基线阈值进行判断，容易造成漏警或误警，准确率低。申请内容本专利技术实施例中提供一种实现光链路故障识别的方法，该方法解决了光链路网络网络系统运维中，告警提示有效性低和告警提示中无法获得确切的故障模式所导致的故障处理效率低、故障修复延迟性太强，以及用户受影响时间长且操作复杂等问题，通过性能数据的特征参数提取及利用该特征参数进行故障模式识别，从而能达到在无需人工配置告警门限之下，准确的识别出故障模式，提高故障处理效率，简化用户操作。为达到上述目的，本申请采用如下技术方案：第一方面，提供了一种实现光链路故障识别的方法，包括：获取光链路中网络设备上至少包含接收光功率的性能数据；提取用以指示预设时间窗内所述性能数据变化的特征参数，依据所述特征参数进行光链路中的故障模式识别；其中，所述性能数据为所述预设时间窗内的时间序列。在一种可能的实现方式中，所述性能数据还包括发送光功率和/或光纤长度。在一种可能的实现方式中，所述特征参数包括：用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。在一种可能的实现方式中，所述用以表征所述性能数据异常程度的特征参数包括以下参数中的一种或任意组合：抖动程度，是所述接收光功率在所述预设时间窗内的随机变化程度；弱光占比，是所述接收光功率中的弱光时长占所述预设时间窗总时长的比值；过强占比，是所述接收光功率中的强光时长占所述预设时间窗总时长的比值；以及，无光占比，是所述接收光功率中的无光时长占所述预设时间窗总时长的比值。在一种可能的实现方式中，所述用以表征所述性能数据变化趋势的参数包括以下参数中的一种或任意组合：反弹次数，用以表征所述接收光功率拟合处理结果的波动次数；劣化程度，用以表征所述接收光功率拟合处理结果的下降趋势；上升次数，用以表征所述接收光功率拟合处理结果的上升趋势；以及，突变次数，用以表征所述接收光功率在所述预设时间窗内偏离历史平均光功率的次数。在一种可能的实现方式中，所述依据所述特征参数进行光链路中的故障模式识别具体包括：将所述特征参数与故障模式识别模型进行匹配，以确定故障模式。在一种可能的实现方式中，该方法还包括：利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型；所述历史数据包含特征参数以及与该特征参数对应的故障模式。在一种可能的实现方式中，所述依据所述特征参数进行故障模式识别之后，该方法还包括：将所述识别出的故障模式与该特征参数对应的实际故障模式作对比，若二者不一致，则将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。在一种可能的实现方式中，所述将所述特征参数与该特征参数识别出的故障模式添加到所述训练集中之后，还包括：对所述训练集进行训练建立新的故障模式识别模型；其中，所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。另一方面，还提供了一种实现光链路故障识别的装置，包括：获取单元，用以获取光链路中网络设备上至少包含接收光功率的性能数据；所述获取单元获取的所述性能数据为所述预设时间窗内的时间序列；提取单元，用以提取指示预设时间窗内所述获取单元获取的性能数据变化的特征参数；识别单元，用以依据所述提取单元提取到的所述特征参数进行光链路中的故障模式识别。在一种可能的实现方式中，所述获取单元获取的所述性能数据还包括发送光功率和/或光纤长度。在一种可能的实现方式中，所述提取单元提取到的所述特征参数包括：用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。在一种可能的实现方式中，所述识别单元包括：匹配模块和输出模块；其中，所述匹配模块用以将所述提取单元提取到的特征参数与故障模式识别模型进行匹配，以确定故障模式；所述输出模块用以将所述匹配模块确定的故障模式输出给外部光网络设备。在一种可能的实现方式中，该装置还包括：训练单元，用以利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型；其中，所述历史数据包含特征参数以及与该特征参数对应的故障模式。在一种可能的实现方式中，该装置还包括：比对单元和添加单元；其中，所述比对单元用以将所述识别单元识别出的故障模式与该特征参数对应的实际故障模式作对比，并将比对结果输出给所述添加单元；所述添加单元用于接收所述比对单元的输出结果，并当所述识别单元识别出的故障模式与该特征参数对应的实际故障模式不一致时，将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中。在一种可能的实现方式中，该装置还包括：建立单元，用以对所述训练集进行训练建立新的故障模式识别模型；其中，所述训练集由训练所述故障模式识别模型时的历史数据和所述添加的所述特征参数与该特征参数对应的实际故障模式组成。另一方面，提供了一种实现光链路故障识别的系统，包括光链路网络设备以及大数据分析在线平台：其中，所述大数据分析在线平台设置有如上所述的装置，并接收所述光链路网络设备上传的至少包含接收光功率的性能数据，。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是示例性的本文档来自技高网...

【技术保护点】
1.一种实现光链路故障识别的方法，其特征在于，包括：获取光链路中网络设备上至少包含接收光功率的性能数据；提取用以指示预设时间窗内所述性能数据变化的特征参数，依据所述特征参数进行光链路中的故障模式识别；其中，所述性能数据为所述预设时间窗内的时间序列。/n

【技术特征摘要】
1.一种实现光链路故障识别的方法，其特征在于，包括：获取光链路中网络设备上至少包含接收光功率的性能数据；提取用以指示预设时间窗内所述性能数据变化的特征参数，依据所述特征参数进行光链路中的故障模式识别；其中，所述性能数据为所述预设时间窗内的时间序列。


2.如权利要求1所述方法，其特征在于：所述性能数据还包括发送光功率和/或光纤长度。


3.如权利要求1或2所述方法，其特征在于，所述特征参数包括：用以表征所述性能数据异常程度的特征参数和/或用以表征所述性能数据变化趋势的特征参数。


4.如权利要求3所述方法，其特征在于，所述用以表征所述性能数据异常程度的特征参数包括以下参数中的一种或任意组合：
抖动程度，是所述接收光功率在所述预设时间窗内的随机变化程度；
弱光占比，是所述接收光功率中的弱光时长占所述预设时间窗总时长的比值；
过强占比，是所述接收光功率中的强光时长占所述预设时间窗总时长的比值；以及，
无光占比，是所述接收光功率中的无光时长占所述预设时间窗总时长的比值。


5.如权利要求3或4所述方法，其特征在于，所述用以表征所述性能数据变化趋势的参数包括以下参数中的一种或任意组合：
反弹次数，用以表征所述接收光功率拟合处理结果的波动次数；
劣化程度，用以表征所述接收光功率拟合处理结果的下降趋势；
上升次数，用以表征所述接收光功率拟合处理结果的上升趋势；以及，
突变次数，用以表征所述接收光功率在所述预设时间窗内偏离历史平均光功率的次数。


6.如权利要求1至5所述方法，其特征在于，所述依据所述特征参数进行光链路中的故障模式识别具体包括：
将所述特征参数与故障模式识别模型进行匹配，以确定故障模式。


7.如权利要求6所述方法，其特征在于，该方法还包括：
利用已知故障模式的历史数据训练特征参数与故障模式对应的故障模式识别模型；
所述历史数据包含特征参数以及与该特征参数对应的故障模式。


8.如权利要求7所述方法，其特征在于，所述依据所述特征参数进行故障模式识别之后，该方法还包括：
将所述识别出的故障模式与该特征参数对应的实际故障模式作对比，若二者不一致，则将所述特征参数与该特征参数对应的实际故障模式添加到训练集中。


9.如权利要求8所述方法，其特征在于，所述将所述特征参数与该特征参数对应的实际故障模式添加到所述训练集中之后，还包括：对所述训练集进行训练建立新的故障模式识别模型；其中，所述训...

【专利技术属性】
技术研发人员：肖欣，张朝，李健，高云鹏，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44