本发明专利技术公开了一种识别光通道生命周期运维状态的方法与装置，通过网管系统采集当前网络的历史数据，根据历史数据定义光通道生命周期运维状态，历史数据包括拓扑结构数据、历史告警数据和历史性能数据；通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集；对已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后的数据进行训练，得到光通道生命周期运维状态识别模型；针对待测光通道调用光通道生命周期运维状态识别模型，得到待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因。通过上述方案可快速准确地识别光通道生命周期运维状态，并提前预知故障和定位故障原因。故障原因。故障原因。
【技术实现步骤摘要】
一种识别光通道生命周期运维状态的方法与装置
[0001]本专利技术属于OTN网络智能运维
，更具体地，涉及一种识别光通道生命周期运维状态的方法与装置。
技术介绍
[0002]光网络是信息社会的基石，互联网、4G/5G，以及电力、金融等行业网络均基于光网络来进行承载，光网络一旦发生故障，最终用户将直接面临业务中断、修复周期长等严重问题。如何在光网络故障发生前及时发现网络隐患，预防故障，一直是电信运维领域的重要挑战。
[0003]传统运维方案通常是在网管系统中根据经验设置固定的性能阈值和告警方式，当发生故障时，由人工从大量繁杂的告警信息中定位问题。但这种运维方法往往存在以下缺陷：效率低，极度依赖运维人员的运维经验，准确率低，随着网络规模的扩大，人工判断也越来越不现实；很难在网络发生故障前及时发现问题，提前定位排除隐患，做到主动提前运维，而当发生故障时再进行排查定位已经晚了；故障发生后，由于业务故障数据分散，缺少有效关联分析，运营商也无法实时识别故障类型、快速解决问题。
[0004]目前，随着人工智能技术的发展，各行各业都开始利用机器学习解决自身领域的问题，提升效率、降低成本。而在OTN(Optical Transport Network，即光传送网)网络领域中，由上可知，随着网络规模的日益扩大和5G网络的飞速发展，传统的人工运维方式已不能满足快速定位问题解决故障隐患的需要了，引入人工智能技术的辅助来提升运维效率已经是行业内的共识。但由于机器学习模型需要大量的真实样本进行训练，在当前电信领域数据不公开的背景下，样本数据少、质量不高，再加上光网络领域涉及大量的通信行业专业知识，找出特定的特征规律并不容易，因此将机器学习方法应用在OTN光网络领域中帮助提升运维效率在行业内还处于探索阶段。
技术实现思路
[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种识别光通道生命周期运维状态的方法与装置，其目的在于基于小样本机器学习的方法训练识别模型，来识别光通道生命周期运维状态，由此解决传统依赖人工判断的运维方案效率低、准确率低，且难以提前定位排除隐患的技术问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种识别光通道生命周期运维状态的方法，包括：
[0007]通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态；其中，所述历史数据包括拓扑结构数据、历史告警数据和历史性能数据；
[0008]通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集；
[0009]对所述已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后
的数据进行训练，得到光通道生命周期运维状态识别模型；
[0010]针对待测光通道调用所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因。
[0011]优选地，所述通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态，具体为：
[0012]通过网管系统对应的接口分别从数据库中获取当前网络的拓扑结构数据、历史告警数据和历史性能数据，并根据拓扑结构将历史告警数据和历史性能数据按照光通道维度进行关联；
[0013]通过对关联光通道后的历史告警数据和历史性能数据进行统计分析，结合运维经验和业务知识定义出光通道生命周期运维状态；其中，所述光通道生命周期运维状态包括业务中断、故障、亚健康和健康。
[0014]优选地，所述业务中断的标准为：发生无保护路径可切换的相关告警；
[0015]所述故障的标准为：发生日常关注的相关重要告警；
[0016]所述亚健康的标准为：监测的性能数据发生劣化，或发生非重要告警；
[0017]所述健康的标准为：监测的各项性能数据均正常，且无告警发生。
[0018]优选地，每个光通道包含多个单盘，则所述根据各状态的特征，通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集，具体为：
[0019]根据拓扑结构数据，将历史告警数据和历史性能数据按照单盘维度进行关联，形成待标注样本集；
[0020]从所述待标注样本集中挑选部分数据进行样本标注，并通过主动学习扩展得到包含多个已标注数据的已标注样本集。
[0021]优选地，所述通过主动学习扩展得到包含多个已标注数据的已标注样本集，具体为：
[0022]利用查询函数不断从待标注样本集中选择数据进行人工标注，将人工标注后的数据加入已标注样本集，并利用新标注的数据来训练主动学习模型和进行下一轮查询，直至所述已标注样本集中的数据量累积达到预设值。
[0023]优选地，所述对所述已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后的数据进行训练，得到光通道生命周期运维状态识别模型，具体为：
[0024]根据每个光通道中单盘的类型和数量，对所述已标注样本集中的数据进行特征工程加工，得到包含多个特征值的特征输入训练集；
[0025]对所述特征输入训练集中的数据进行异常数据清洗；
[0026]调用机器学习算法对所述特征输入训练集中清洗后的数据进行训练，得到光通道生命周期运维状态识别模型。
[0027]优选地，所述机器学习算法为决策树、随机森林或adaboost。
[0028]优选地，所述针对待测光通道调用所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因，具体为：
[0029]通过网管系统采集所述待测光通道的拓扑结构数据、实时告警数据和实时性能数据，并对采集的数据进行特征工程加工，得到多个特征值；
[0030]将加工后得到的多个特征值输入所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态；
[0031]当识别出光通道生命周期运维状态为亚健康时，根据输入的多个特征值确认出现异常的特征值，进而根据该特征值定位出现异常的单盘。
[0032]优选地，在通过主动学习对采集的历史数据进行样本标注时会积累得到一个主动学习模型，则当将所述光通道生命周期运维状态识别模型部署到不同现网时，所述方法还包括：
[0033]当网络情况发生变化或需要将所述光通道生命周期运维状态识别模型部署到不同现网时，通过所述主动学习模型生成新的样本，并调用算法文件对新的样本进行在线训练，得到新光通道生命周期运维状态识别模型，以便进行模型替换。
[0034]按照本专利技术的另一方面，提供了一种识别光通道生命周期运维状态的装置，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成第一方面所述的识别光通道生命周期运维状态的方法。
[0035]总体而言，通过本专利技术所构思的以上技术方案与本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种识别光通道生命周期运维状态的方法，其特征在于，包括：通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态；其中，所述历史数据包括拓扑结构数据、历史告警数据和历史性能数据；通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集；对所述已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后的数据进行训练，得到光通道生命周期运维状态识别模型；针对待测光通道调用所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因。2.如权利要求1所述的识别光通道生命周期运维状态的方法，其特征在于，所述通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态，具体为：通过网管系统对应的接口分别从数据库中获取当前网络的拓扑结构数据、历史告警数据和历史性能数据，并根据拓扑结构将历史告警数据和历史性能数据按照光通道维度进行关联；通过对关联光通道后的历史告警数据和历史性能数据进行统计分析，结合运维经验和业务知识定义出光通道生命周期运维状态；其中，所述光通道生命周期运维状态包括业务中断、故障、亚健康和健康。3.如权利要求2所述的识别光通道生命周期运维状态的方法，其特征在于，所述业务中断的标准为：发生无保护路径可切换的相关告警；所述故障的标准为：发生日常关注的相关重要告警；所述亚健康的标准为：监测的性能数据发生劣化，或发生非重要告警；所述健康的标准为：监测的各项性能数据均正常，且无告警发生。4.如权利要求1所述的识别光通道生命周期运维状态的方法，其特征在于，每个光通道包含多个单盘，则所述根据各状态的特征，通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集，具体为：根据拓扑结构数据，将历史告警数据和历史性能数据按照单盘维度进行关联，形成待标注样本集；从所述待标注样本集中挑选部分数据进行样本标注，并通过主动学习扩展得到包含多个已标注数据的已标注样本集。5.如权利要求4所述的识别光通道生命周期运维状态的方法，其特征在于，所述通过主动学习扩展得到包含多个已标注数据的已标注样本集，具体为：利用查询函数不断从待标注样本集中选择数据进行人工标注，将人工标注后的数据加入已标注样本集，并利用新标注的数据来训练主动学习模型和进行下一...
【专利技术属性】
技术研发人员：彭智聪，余萌，
申请(专利权)人：武汉光网信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。