一种基于机器学习的光传输系统链路误码预测方法和装置制造方法及图纸

本发明专利技术涉及光传输系统技术领域，提供了一种基于机器学习的光传输系统链路误码预测方法和装置。其中通过随机森林的基尼重要性选择会造成链路误码的重要特征；利用所选的重要特征基于最大似然的逻辑回归对误码预测进行建模和机器学习训练模型；使用机器学习训练好的模型以所选择链路误码的重要特征作为输入计算未来时段的误码概率。本发明专利技术综合提高了整个系统的分析准确性和鲁棒性。系统的分析准确性和鲁棒性。系统的分析准确性和鲁棒性。

【技术实现步骤摘要】
一种基于机器学习的光传输系统链路误码预测方法和装置


[0001]本专利技术涉及光传输系统
，特别是涉及一种基于机器学习的光传输系统链路误码预测方法和装置。

技术介绍

[0002]光网络是信息社会的基石，是电信、电气、金融和其他垂直工业网络不可或缺的。光网络性能的任何下降都可能导致服务中断，并对最终用户产生负面影响，需要耗时的故障排除过程。
[0003]统计数据显示，近50％的光服务故障源于光网络内光传输系统链路的恶化。这种退化通常表现出早期症状，例如光链路误码率、温度和输入光功率变化的不稳定性或性能退化。不幸的是，传统的操作和维护(O&M)方法通常无法识别此类信号，这使得几乎不可能预测网络性能下降并执行抢占式维护。
[0004]光传输系统链路通常是指发射机和接收机之间的点对点光链路。光传输系统技术已经从准同步数字体系(Plesiochronous Digital Hierarchy，简写为：PDH)发展到同步光网络(Synchronous Optical Network，简写为：SONET)/同步数字体系体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的光传输系统链路误码预测方法，其特征在于，包括：通过随机森林的基尼重要性选择会造成链路误码的重要特征；利用所选的重要特征基于最大似然的逻辑回归对误码预测进行建模和机器学习训练模型；使用机器学习训练好的模型以所选择链路误码的重要特征作为输入计算未来时段的误码概率。2.根据权利要求1所述的基于机器学习的光传输系统链路误码预测方法，其特征在于，具体为：所述基尼重要性是对因对特定特征进行分割而导致的节点杂质的减少进行的量化，据此确定与构建决策树最相关的一个或者多个重要特征。3.根据权利要求2所述的基于机器学习的光传输系统链路误码预测方法，其特征在于，所述造成链路误码的重要特征具体包括：光链路误码率CHAN_BER、光信噪比OSNR、输入光功率IOP、输出光功率OOP、机盘温度BOARD_TEMP、激光器温度LASER_TEMP、激光器偏置电流LASER_BIAS、色散补偿值DC_VALUE、偏振模色散补偿PMDC_VALUE和FEC校正的总错误数量CORR_TOTAL中的一项或者多项。4.根据权利要求1所述的基于机器学习的光传输系统链路误码预测方法，其特征在于，所述通过随机森林的基尼重要性选择会造成该链路误码的重要特征，具体包括：对于每个决策树，在每个节点上，通过比较使用相应特征分割节点和不使用相应特征分割节点的基尼杂质的差异来度量相应特征的重要性；其中，决策树是通过抽取不同的特征组合，以相应的是否造成链路误码作为分支生成依据所构建而成；对于每个决策树，在决策树的每个节点上，计算使用相应特征分割节点时的基尼杂质Gini_split，以及不使用该特征分割节点时的基尼杂质Gini_no_split；通过计算两者之间的差异Delta Gini＝Gini_no_split
‑
Gini_split，来度量相应特征在相应节点的基尼重要性，根据所述基尼重要性筛选得到重要特征。5.根据权利要求4所述的基于机器学习的光传输系统链路误码预测方法，其特征在于，所述基尼杂质计算公式为：其中，k表示特征的索引，p
k
表示属于特征k的样本在节点中的比例；所述基尼杂质是衡量从集合中随机选择的元素如果根据标记在子集中的分布进行随机标记情况下，被错误标记的频率的指标；其中...

【专利技术属性】
技术研发人员：张鹏，廖亮，彭智聪，邱长星，朱德瀚，赵明明，童庆武，陈宇轩，陈子义，张鹏飞，杨泱，
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：