一种基于机器学习的光模块老化预测方法及装置制造方法及图纸

本发明专利技术公开一种基于机器学习的光模块老化预测方法及装置，其中，该方法包括：通过采集网络设备获取光模块的历史数据进行存储；将每一个光模块的历史数据根据所处的不同历史时间进行标注，标注标签分为三种状态：正常状态，预警状态和异常状态；对标注好的历史数据进行预处理和特征工程处理；将标注好的历史数据与特征工程处理产生的新特征数据，通过xgb算法进行模型构建，得到光模块的状态预测模型；将预测数据代入光模块的状态预测模型中，计算得到网络设备预测状态。该方法及装置采用有监督检测方案替代时序预测方案，对老化网络设备进行检测。行检测。行检测。

【技术实现步骤摘要】
一种基于机器学习的光模块老化预测方法及装置


[0001]本专利技术涉及网络设备中光模块的老化预测领域，尤其是一种基于机器学习的光模块老化预测方法及装置。

技术介绍

[0002]现有的技术方案中，对于网络设备中光模块的老化预测，通常是将获取到的指标的历史数据用作时间序列预测，当预测的趋势超过指定阈值时，将其判定为异常。这样的技术方案的缺陷主要在于时间序列的预测准确性会随着时间的推移下降，需要经常更新时序模型,而且每一个设备都需要单独进行时序建模，建模耗费时间较长，消耗资源较多。

技术实现思路

[0003]为了解决现有的技术方案存在的上述问题，本专利技术提供一种基于机器学习的光模块老化预测方法及装置，采用有监督检测方案替代时序预测方案，对老化网络设备进行检测。
[0004]为实现上述目的，本专利技术采用下述技术方案：
[0005]在本专利技术一实施例中，提出了一种基于机器学习的光模块老化预测方法，该方法包括：
[0006]通过采集网络设备获取光模块的历史数据进行存储；
[0007]将每一个光模块的历史本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的光模块老化预测方法，其特征在于，该方法包括：通过采集网络设备获取光模块的历史数据进行存储；将每一个光模块的历史数据根据所处的不同历史时间进行标注，标注标签分为三种状态：正常状态，预警状态和异常状态；对标注好的历史数据进行预处理和特征工程处理；将标注好的历史数据与特征工程处理产生的新特征数据，通过xgb算法进行模型构建，得到光模块的状态预测模型；将预测数据代入光模块的状态预测模型中，计算得到网络设备预测状态。2.根据权利要求1所述的基于机器学习的光模块老化预测方法，其特征在于，对标注好的历史数据进行预处理，包括：对标注好的历史数据，进行异常数据处理；将标注标签为异常状态和预警状态的历史数据进行升采样处理。3.根据权利要求1所述的基于机器学习的光模块老化预测方法，其特征在于，对标注好的历史数据进行特征工程处理，包括：计算接收功率/发送功率的比值；计算不同型号光模块的接收功率的均值和方差以及发送功率的均值和方差；计算不同型号光模块的电流的均值和方差以及电压的均值和方差。4.根据权利要求1所述的基于机器学习的光模块老化预测方法，其特征在于，将预测数据代入光模块的状态预测模型中，计算得到网络设备预测状态，包括：将新获取的预测数据代入光模块的状态预测模型中计算，得到网络设备预测状态；若网络设备预测状态为预警状态或异常状态，则认为网络设备已老化或即将老化，给出更换建议。5.一种基于机器学习的光模块老化预测装置，其特征在于，该装置包括：设备历史数据收集模块，用于通过采集网络设备获取光模块的历史数据进行存储；数据标注模块，用于将每一个光模块的历史数据根据所处的不同历史时间进行标注，标注标签分为三...

【专利技术属性】
技术研发人员：吴侃，
申请(专利权)人：中盈优创资讯科技有限公司，
类型：发明
国别省市：