一种基于迁移学习的光通道故障诊断方法和系统技术方案

本发明专利技术公开了一种基于迁移学习的光通道故障诊断方法：获取某一训练区域的光网络性能、告警、日志和拓扑数据，构建模型训练所需要的数据样本集；从数据样本集中提取训练态样本、训练态特征、训练态关系；选择迁移学习的方式，输入提取的训练态样本、训练态特征、训练态关系进行模型训练，得到光通道状态诊断训练态模型；选取推理区域的光网络性能、告警、日志和拓扑数据，将光通道数据进行健康状态标注，作为推理态样本；将推理态样本载入光通道状态诊断训练态模型中，训练光通道状态诊断推理态模型；调用新生成的光通道状态诊断推理态模型，得到分析对象光通道的健康状态。本发明专利技术还提供了相应的基于迁移学习的光通道故障诊断系统。

【技术实现步骤摘要】
一种基于迁移学习的光通道故障诊断方法和系统
本专利技术涉及OTN设备管理
，更具体地，涉及一种基于迁移学习的光通道故障诊断方法和系统。
技术介绍
随着云计算、5G互联的兴起，网络容量需求日益增加，传统的10G网络逐步被100G替代。随着数据中心的兴起，百G骨干网大规模部署，百G光传送网(OpticalTransportNetwork，OTN)端口的交换机和路由器越来越多，由于百G骨干网设备成本高、体积大、功耗高，维护难度大，链路故障可能直接会带来业务中断，影响用户体验，因此对光通道的亚健康预测和故障点溯源尤其重要。在不同运营商有不同的成本管控政策背景下，OTN相关产品不停地更新迭代，全球运营商OTN网络的拓扑布局差异巨大，涉及的单盘种类繁多，拓扑连接的框架不尽相同。同时，维护人员、温度、电压、电流、设备使用年限等外因也造成了不同区域OTN网络上展现了不同的光通道状态数据分布。传统的机器学习方法，只能适用于单一区域的OTN现网，当更改推理区域时，模型需要积累大量的真实样本数据进行重新训练，在当前电信领域数据不公开的背景下实操难度大。本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的光通道故障诊断方法，其特征在于，包括以下步骤：/nS1、获取某一训练区域的光网络性能、告警、日志和拓扑数据，完成告警数据的时间切片和分组，将光网络性能、告警、日志和拓扑数据关联，依据光通道故障诊断关联库完成健康状态标注，构建模型训练所需要的数据样本集；/nS2、基于推理区域的需求和数据情况，从数据样本集中提取训练态样本、训练态特征、训练态关系；选择迁移学习的方式，输入提取的训练态样本、训练态特征、训练态关系进行模型训练，得到光通道状态诊断训练态模型；/nS3、依据训练态样本、训练态特征、训练态关系、光通道状态诊断训练态模型，选取推理区域的光网络性能、告警、日志和拓扑数据，...

【技术特征摘要】
1.一种基于迁移学习的光通道故障诊断方法，其特征在于，包括以下步骤：
S1、获取某一训练区域的光网络性能、告警、日志和拓扑数据，完成告警数据的时间切片和分组，将光网络性能、告警、日志和拓扑数据关联，依据光通道故障诊断关联库完成健康状态标注，构建模型训练所需要的数据样本集；
S2、基于推理区域的需求和数据情况，从数据样本集中提取训练态样本、训练态特征、训练态关系；选择迁移学习的方式，输入提取的训练态样本、训练态特征、训练态关系进行模型训练，得到光通道状态诊断训练态模型；
S3、依据训练态样本、训练态特征、训练态关系、光通道状态诊断训练态模型，选取推理区域的光网络性能、告警、日志和拓扑数据，将光通道数据进行健康状态标注，作为推理态样本；
S4、将推理态样本载入光通道状态诊断训练态模型中，训练光通道状态诊断推理态模型，使光通道状态诊断推理态模型对训练态样本和推理态样本进行状态预测，如使已知状态的数据的预测结果和真实结果之间的差异量小于预设阈值，即认为新生成的光通道状态诊断推理态模型满足了推理区域的故障诊断要求；
S5、调用所述新生成的光通道状态诊断推理态模型，得到分析对象光通道的健康状态，作为早期干预排查隐患的依据。


2.如权利要求1所述的基于迁移学习的光通道故障诊断方法，其特征在于，所述光通道故障的分析对象，包括OCH光通道路径、OMS复用段路径和OTS光纤链路。


3.如权利要求1或2所述的基于迁移学习的光通道故障诊断方法，其特征在于，所述光通道故障的类型包括：线路盘故障、放大盘板卡故障、电源故障、光模块故障、光功率不足或光功率过高故障。


4.如权利要求1或2所述的基于迁移学习的光通道故障诊断方法，其特征在于，所述步骤S1包括：
S11，获取某一训练区域的OCH、OMS、OTS分层路由ID和端口信息，整理成端口信息表；
S12，根据端口信息表获取端口上报的光层性能数据；
S13，根据端口信息表获取端口和盘上报告警信息，按预设规则过滤，去掉伴随告警，完成告警数据的时间切片和分组；
S14，根据端口信息表获取端口和盘上报的历史操作日志信息；
S15，将告警、日志、性能、拓扑四者关联，依据光通道故障诊断关联库进行以时间点粒度的健康状态标注；
S16，用关联标注好的数据进行数据探索，构造机器学习的样本特征数据；
S17，进行数据预处理，过滤异常数据、计算最大最小值、峰度、平均值、方差、标准差和偏度；
S18，补全缺失值，对误码率取log10，归一化得到机器学习模型训练的输入样本数据集。


5.如权利要...

【专利技术属性】
技术研发人员：余萌，彭智聪，高枫，
申请(专利权)人：烽火通信科技股份有限公司，武汉光网信息技术有限公司，
类型：发明
国别省市：湖北;42