光通道性能劣化智能预警方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种光通道性能劣化智能预警方法、装置、设备及存储介质，所述方法通过获取电信传送网中待监测光通道的性能数据，根据性能数据构建待监测光通道的关键绩效指标KPI性能预测模型；根据KPI性能预测模型对待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果；根据性能趋势预测结果判断待监测光通道是否出现性能趋势劣化，在出现性能趋势劣化时，进行预警处理，能够对传送网光通道KPI性能指标进行针对性建模，保障了模型在工程长期应用中始终保持较好的预测精度；同时基于模型对光通道KPI性能指标进行长短期性能与趋势的预测和分析，实现对光通道性能劣化的提前感知和自动化预警。

【技术实现步骤摘要】
光通道性能劣化智能预警方法、装置、设备及存储介质
本专利技术涉及通信
，尤其涉及一种光通道性能劣化智能预警方法、装置、设备及存储介质。
技术介绍
在电信光传送网中，光通道性能劣化是影响业务传输质量的一个重要因素，据统计大约60％的传输故障是由光通道的性能原因引起的；传统网管对于光通道传输性能的监控，一般是通过手工设置一些性能监控的静态阈值来实现，当光通道相关性能值超过该阈值时网管就报告警；这种方式有两个主要缺陷，一是统一设置的静态阈值缺乏针对性，不同光通道不同时期其性能表现各异，阈值设置过高起不到监控目的，设置过低又频繁产生一些无效告警；二是缺乏对光通道性能劣化的预测能力，不能提前感知故障发生前的性能和趋势的异常，是一种事后被动式运维。
技术实现思路
本专利技术的主要目的在于提供一种光通道性能劣化智能预警方法、装置、设备及存储介质，旨在解决现有技术中不能针对性的确定光通道性能劣化，且缺乏对光通道性能劣化的预测能力的技术问题。第一方面，本专利技术提供一种光通道性能劣化智能预警方法，所述光通道性能劣化智能预警方法包括以下步骤：获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型；根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果；根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理。可选地，所述获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型，包括：获取电信传送网中若干待监测光通道的性能数据；根据各性能数据确定各待监测光通道的各性能预测目标，根据各性能预测目标从预设数据库中选取对应的若干目标模型算法；根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测模型。可选地，所述根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测模型，包括：根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测候选基线模型；获取各待监测光通道的历史性能数据，根据所述历史性能数据从各KPI性能预测候选基线模型中选取最优基线模型；获取若干待监测光通道的通道参数；根据各通道参数将各待监测光通道划分为相同路由不同波长的光通道组；基于所述最优基线模型对各光通道组进行分组训练，获得各待监测光通道的KPI性能预测模型。可选地，所述获取各待监测光通道的历史性能数据，根据所述历史性能数据从各KPI性能预测候选基线模型中选取最优基线模型，包括：获取各待监测光通道的历史性能数据；根据所述历史性能数据对各KPI性能预测候选基线模型进行训练，获得各KPI性能预测候选基线模型的训练精度；从各KPI性能预测候选基线模型中选取训练精度最高的KPI性能预测候选基线模型作为最优基线模型。可选地，所述根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果，包括：获取KPI性能预测模型的模型类别和模型用途；根据所述模型类别和所述模型用途从各待监测光通道的历史性能库中读取所需周期的目标性能数据；将所述目标性能数据输入至所述KPI性能预测模型中，获得所述所需周期的性能趋势预测结果。可选地，所述根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理，包括：从所述性能趋势预测结果中获得各个时段的分时动态阈值；将所述性能趋势预测结果与所述分时动态阈值比较，判断所述待监测光通道是否出现当前性能异常；从所述性能趋势预测结果中获得趋势预测值，根据所述趋势预测值是否进入了预设性能劣化风险区判断所述待监测光通道是否出现趋势异常；在出现当前性能异常和/或趋势异常时，判定所述待监测光通道出现性能劣化；在所述待监测光通道出现性能劣化时，进行预警处理。可选地，所述从所述性能趋势预测结果中获得各个时段的分时动态阈值，包括：从所述性能趋势预测结果中获得各个时段的所有本时段预测值；从所述所有本时段预测值中确定最大预测值和最小预测值；根据预设调整系数、所述最大预测值和所述最小预测值获得各个时段的分时动态阈值。可选地，根据预设调整系数、所述最大预测值和所述最小预测值利用下述公式获得各个时段的分时动态阈值：Gt＝Gmax+|Gmax-Gmin|×K其中，Gt为各个时段的分时动态阈值，Gmax为所述所有本时段预测值中的最大预测值，Gmin为所述所有本时段预测值中的最小预测值，K为预设调整系数。可选地，所述将所述性能趋势预测结果与所述分时动态阈值比较，判断所述待监测光通道是否出现当前性能异常，包括：从所述性能趋势预测结果中获取当前时刻对应的当前性能数据，并从所述分时动态阈值中获取所述当前时刻的当前动态阈值；判断所述当前性能数据是否为无效数据；在所述当前数据不为无效数据时，获取所述待监测光通道的光通道性能静态阈值；将所述当前性能数据分别与所述光通道性能静态阈值及所述当前动态阈值的比较；在所述当前性能数据不大于所述光通道性能静态阈值及所述当前动态阈值时，判定所述待监测光通道未出现当前性能异常；在所述当前性能数据大于所述光通道性能静态阈值和/或所述当前动态阈值时，判定所述待监测光通道出现当前性能异常。可选地，所述在所述待监测光通道出现性能劣化时，进行预警处理，包括：在所述待监测光通道出现性能趋势劣化时，获取当前性能异常和/或趋势异常的异常次数；根据所述异常次数从预设预警策略中确定对应的目标预警处理策略，根据所述目标预警处理策略进行预警通知。可选地，所述获取电信传送网中若干待监测光通道的性能数据之后，所述光通道性能劣化智能预警方法还包括：对所述性能数据进行无效数据检查；在所述性能数据中出现目标无效数据时，获取所述目标无效数据的上一预设时刻或下一预设时刻的有效性能值；将所述目标无效数据替换为所述有效性能值，将替换后的性能数据作为新的性能数据。第二方面，本专利技术还提出一种光通道性能劣化智能预警装置，所述光通道性能劣化智能预警装置包括：模型构建模块，用于获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型；预测模块，用于根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果；预警模块，用于根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理。可选地，所述模型构建模块包括：性能获取模块，用于获取电信传送网中若干待监测光通道的性能数据；算法选取模块，用于根据各性能数据确定各待监测光本文档来自技高网...

【技术保护点】
1.一种光通道性能劣化智能预警方法，其特征在于，所述光通道性能劣化智能预警方法，包括：/n获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型；/n根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果；/n根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理。/n

【技术特征摘要】
1.一种光通道性能劣化智能预警方法，其特征在于，所述光通道性能劣化智能预警方法，包括：
获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型；
根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果；
根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理。


2.如权利要求1所述的光通道性能劣化智能预警方法，其特征在于，所述获取电信传送网中待监测光通道的性能数据，根据所述性能数据构建所述待监测光通道的关键绩效指标KPI性能预测模型，包括：
获取电信传送网中若干待监测光通道的性能数据；
根据各性能数据确定各待监测光通道的各性能预测目标，根据各性能预测目标从预设数据库中选取对应的若干目标模型算法；
根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测模型。


3.如权利要求2所述的光通道性能劣化智能预警方法，其特征在于，所述根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测模型，包括：
根据各性能预测目标和各目标模型算法构建各待监测光通道的关键绩效指标KPI性能预测候选基线模型；
获取各待监测光通道的历史性能数据，根据所述历史性能数据从各KPI性能预测候选基线模型中选取最优基线模型；
获取若干待监测光通道的通道参数；
根据各通道参数将各待监测光通道划分为相同路由不同波长的光通道组；
基于所述最优基线模型对各光通道组进行分组训练，获得各待监测光通道的KPI性能预测模型。


4.如权利要求3所述的光通道性能劣化智能预警方法，其特征在于，所述获取各待监测光通道的历史性能数据，根据所述历史性能数据从各KPI性能预测候选基线模型中选取最优基线模型，包括：
获取各待监测光通道的历史性能数据；
根据所述历史性能数据对各KPI性能预测候选基线模型进行训练，获得各KPI性能预测候选基线模型的训练精度；
从各KPI性能预测候选基线模型中选取训练精度最高的KPI性能预测候选基线模型作为最优基线模型。


5.如权利要求1所述的光通道性能劣化智能预警方法，其特征在于，所述根据KPI性能预测模型对所述待监测光通道的性能进行周期趋势预测，获得性能趋势预测结果，包括：
获取KPI性能预测模型的模型类别和模型用途；
根据所述模型类别和所述模型用途从各待监测光通道的历史性能库中读取所需周期的目标性能数据；
将所述目标性能数据输入至所述KPI性能预测模型中，获得所述所需周期的性能趋势预测结果。


6.如权利要求1所述的光通道性能劣化智能预警方法，其特征在于，所述根据性能趋势预测结果判断所述待监测光通道是否出现性能劣化，在出现性能劣化时，进行预警处理，包括：
从所述性能趋势预测结果中获得各个时段的分时动态阈值；
将所述性能趋势预测结果与所述分时动态阈值比较，判断所述待监测光通道是否出现当前性能异常；
从所述性能趋势预测结果中获得趋势预测值，根据所述趋势预测值是否进入了预设性能劣化风险区判断所述待监测光通道是否出现趋势异常；
在出现当前性能异常和/或趋势异常时，判定所述待监测光通道出现性能劣化；
在所述待监测光通道出现性能劣化时，进行预警处理。


7.如权利要求6所述的光通道性能劣化智能预警方法，其特征在于，所述从所述性能趋势预测结果中获得各个时段的分时动态阈值，包括：
从所述性能趋势预测结果中获得各个时段的所有本时段预测值；
从所述所有本时段预测值中确定最大预测值和最小预测值；
根据预设调整系数、所述最大预测值和所述最小预测值获得各个时段的分时动态阈值。


8.如权利要求7所述的光通道性能劣化智能预警方法，其特征在于，根据预设调整系数、所述最大预测值和所述最小预测值利用下述公式获得各个时段的分时动态阈值：
Gt＝Gmax+|Gmax-Gmin|×K
其中，Gt为各个时段的分时动态阈值，Gmax为所述所有本时段预测值中...

【专利技术属性】
技术研发人员：毕千筠，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：湖北;42