无源光网络管理方法、设备及可读存储介质技术

本申请公开了一种无源光网络管理方法、设备及可读存储介质，属于通信技术领域，包括：对PON中的ONU的光功率数据以及ONU在资管系统中登记的拓扑数据进行整合，并进行数据预处理与特征提取处理，得到时间片序列；对时间片序列中的序列对进行样本采样，得到训练数据和测试数据；将训练数据输入第一模型组进行训练，得到第二模型组；将测试数据输入第二模型组，得到序列对打分；对序列对打分进行时间维度与ONU层面的整合，确定ONU对应的推荐二级分光器；根据ONU对应的推荐二级分光器和PON在资管系统中的原拓扑结构，进行原拓扑结构降噪处理；其中，第一模型组中包括多个回归模型，第二模型组中包括多个训练后的回归模型。模型组中包括多个训练后的回归模型。模型组中包括多个训练后的回归模型。

【技术实现步骤摘要】
无源光网络管理方法、设备及可读存储介质


[0001]本申请属于通信
，具体涉及一种无源光网络管理方法、设备及可读存储介质。

技术介绍

[0002]个人家庭业务领域。近年来，随着无源光网络(Passive Optical Network，PON)网络通信技术的不断进步，PON网络应用得到飞速发展，用户对网络性能也有更高的要求。PON技术是一点到多点的光纤接入技术，它由局侧的光线路终端(Optical Line Terminal，OLT)、用户侧的(Optical Network Unit，ONU)，以及光分配网(Optical Distribution Network，ODN)组成。PON系统的组网方式有树型拓扑、环型拓扑、总线型拓扑、树型干冗余拓扑等4种，其中最常见的是树形拓扑，如图1所示。拓扑结构使得PON的业务具有较好的透明性，原则上可以适用于任何制式和速率的信号。同时，与点到点的有源光网络相比，PON技术还具有维护简单、成本低廉、较高传的输带宽等特点，使得PON有很强的竞争优势，被视为未来接入网的发展方向。但同时，由于PON网络“无源”的特性，OLT到ONU之间的树状拓扑结构不甚明晰，难以实时地获取某个ONU连接在ODN中的哪个二级分光器上。

技术实现思路

[0003]本申请实施例提供一种无源光网络管理方法、设备及可读存储介质，能够解决目前难以实时地获取某个ONU连接在哪个二级分光器上的问题。
[0004]第一方面，提供了一种无源光网络管理方法，包括：
[0005]对PON中的ONU的光功率数据以及所述ONU在资管系统中登记的拓扑数据进行整合，并进行数据预处理与特征提取处理，得到时间片序列；
[0006]对所述时间片序列中的序列对进行样本采样，得到训练数据和测试数据；
[0007]将所述训练数据输入第一模型组进行训练，得到第二模型组；
[0008]将所述测试数据输入所述第二模型组，得到序列对打分；
[0009]对所述序列对打分进行时间维度与ONU层面的整合，确定ONU对应的推荐二级分光器；
[0010]根据所述ONU对应的推荐二级分光器和所述PON在资管系统中的原拓扑结构，进行原拓扑结构降噪处理；
[0011]其中，所述第一模型组中包括多个回归模型，所述第二模型组中包括多个训练后的回归模型。
[0012]可选地，所述对所述时间片序列中的序列对进行样本采样，得到训练数据和测试数据，包括：
[0013]遍历所述时间片序列中所有位于相同一级分光器与相同时间的序列对；
[0014]将两序列所属二级分光器相同的序列对标记为正样本，将两序列所属二级分光器不相同的序列对标记为负样本；
[0015]根据所述正样本和所述负样本，得到训练数据和测试数据。
[0016]可选地，所述将所述训练数据输入第一模型组进行训练，得到第二模型组，包括：
[0017]将所述训练数据输入第一卷积神经网络CNN模型进行训练，得到第二CNN模型；
[0018]将所述训练数据输入第一循环神经网络RNN模型进行训练，得到第二RNN模型；
[0019]将所述训练数据输入第一梯度提升决策树GBDT模型进行训练，得到第二GBDT模型。
[0020]可选地，所述将所述测试数据输入所述第二模型组，得到序列对打分，包括：
[0021]将所述测试数据输入所述第二CNN模型，得到第一打分；
[0022]将所述测试数据输入所述第二RNN模型，得到第二打分；
[0023]将所述测试数据输入所述第二GBDT模型，得到第三打分；
[0024]对所述第一打分、所述第二打分和所述第三打分取平均值，得到所述序列对打分。
[0025]可选地，所述对所述序列对打分进行时间维度与ONU层面的整合，确定所述ONU对应的推荐二级分光器，包括：
[0026]对于任意一个ONU对，选取最高的序列对打分作为所述ONU对的序列对打分；
[0027]确定多个候选ONU组；
[0028]计算目标ONU与每个候选ONU组中的候选ONU之间的序列对打分均值；
[0029]根据序列对打分均值最高的候选ONU组，确定所述目标ONU对应的推荐二级分光器；
[0030]其中，每个所述候选ONU组中包括多个处于相同一级分光器下的候选ONU，各所述候选ONU组分别对应不同的二级分光器。
[0031]可选地，所述对所述序列对打分进行时间维度与ONU层面的整合，确定所述ONU对应的推荐二级分光器，包括：
[0032]将目标ONU对应的所有序列对以及所述目标ONU对应的所有序列对打分整合并填充为三维矩阵，所述三维矩阵包括时间维度、预设时间段存在数据的不同的二级分光器维度和预设时间段与预设二级分光器下不同的其他ONU维度；
[0033]对所述三维矩阵的所述时间维度和所述预设时间段存在数据的不同的二级分光器维度整合，得到二维矩阵；
[0034]将所述二维矩阵输入Self
‑
attention模型，得到所述目标ONU与每个二级分光器的二级分光器打分；
[0035]根据所述二级分光器打分，确定所述目标ONU对应的推荐二级分光器。
[0036]第二方面，提供了一种无源光网络管理装置，包括：
[0037]数据预处理与特征提取模块，用于对PON中的ONU的光功率数据以及所述ONU在资管系统中登记的拓扑数据进行整合，并进行数据预处理与特征提取处理，得到时间片序列；
[0038]采样模块，用于对所述时间片序列中的序列对进行样本采样，得到训练数据和测试数据；
[0039]模型训练模块，用于将所述训练数据输入第一模型组进行训练，得到第二模型组；
[0040]打分模块，用于将所述测试数据输入所述第二模型组，得到序列对打分；
[0041]确定模块，用于对所述序列对打分进行时间维度与ONU层面的整合，确定ONU对应的推荐二级分光器；
[0042]处理模块，用于根据所述ONU对应的推荐二级分光器和所述PON在资管系统中的原拓扑结构，进行原拓扑结构降噪处理；
[0043]其中，所述第一模型组中包括多个回归模型，所述第二模型组中包括多个训练后的回归模型。
[0044]可选地，所述采样模块，具体用于：
[0045]遍历所述时间片序列中所有位于相同一级分光器与相同时间的序列对；
[0046]将两序列所属二级分光器相同的序列对标记为正样本，将两序列所属二级分光器不相同的序列对标记为负样本；
[0047]根据所述正样本和所述负样本，得到训练数据和测试数据。
[0048]可选地，所述模型训练模块，具体用于：
[0049]将所述训练数据输入第一CNN模型进行训练，得到第二CNN模型；
[0050]将所述训练数据输入第一RNN模型进行训练，得到第二RNN模型；
[0051]将所述训练数据输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无源光网络管理方法，其特征在于，包括：对无源光网络PON中的光网络单元ONU的光功率数据以及所述ONU在资管系统中登记的拓扑数据进行整合，并进行数据预处理与特征提取处理，得到时间片序列；对所述时间片序列中的序列对进行样本采样，得到训练数据和测试数据；将所述训练数据输入第一模型组进行训练，得到第二模型组；将所述测试数据输入所述第二模型组，得到序列对打分；对所述序列对打分进行时间维度与ONU层面的整合，确定ONU对应的推荐二级分光器；根据所述ONU对应的推荐二级分光器和所述PON在资管系统中的原拓扑结构，进行原拓扑结构降噪处理；其中，所述第一模型组中包括多个回归模型，所述第二模型组中包括多个训练后的回归模型。2.根据权利要求1所述的方法，其特征在于，所述对所述时间片序列中的序列对进行样本采样，得到训练数据和测试数据，包括：遍历所述时间片序列中所有位于相同一级分光器与相同时间的序列对；将两序列所属二级分光器相同的序列对标记为正样本，将两序列所属二级分光器不相同的序列对标记为负样本；根据所述正样本和所述负样本，得到训练数据和测试数据。3.根据权利要求1所述的方法，其特征在于，所述将所述训练数据输入第一模型组进行训练，得到第二模型组，包括：将所述训练数据输入第一卷积神经网络CNN模型进行训练，得到第二CNN模型；将所述训练数据输入第一循环神经网络RNN模型进行训练，得到第二RNN模型；将所述训练数据输入第一梯度提升决策树GBDT模型进行训练，得到第二GBDT模型。4.根据权利要求3所述的方法，其特征在于，所述将所述测试数据输入所述第二模型组，得到序列对打分，包括：将所述测试数据输入所述第二CNN模型，得到第一打分；将所述测试数据输入所述第二RNN模型，得到第二打分；将所述测试数据输入所述第二GBDT模型，得到第三打分；对所述第一打分、所述第二打分和所述第三打分取平均值，得到所述序列对打分。5.根据权利要求1所述的方法，其特征在于，所述对所述序列对打分进行时间维度与ONU层面的整合，确定所述ONU对应的推荐二级分光器，包括：对于任意一个ONU对，选取最高的序列对打分作为所述ONU对的序列对打分；确定多个候选ONU组；计算目标ONU与每个候选ONU组中的候选ONU之间的序列对打分均值；根据序列对打分均值最高的候选ONU组，确定所述目标ONU对应的推荐二级分光器；其中，每个所述候选ONU组中包括多个处于相同一级分光器下的候选ONU，各所述候选ONU组分别对应不同的二级分光器。6.根据权利要求1所述的方法，其特征在于，所述对所述序列对打分进行时间维度与ONU层面的整合，确定所述ONU对应的推荐二级分光器，包括：将目标ONU对应的所有序列对以及所述目标ONU对应的所有序列对打分整合并填充为
三维矩阵，所述三维矩阵包括时间维度、预设时间段存在数据的不同的二级分光器维度和预设时间段与预设二级分光器下不同的其他ONU维度；对所述三维矩阵的所述时间维度和所述预设时间段存在数据的不同的二级分光器维度整合，得到二维矩阵；将所述二维矩阵输入自注意力机制Self
‑
attention模型，得到所述目标ONU与每个二级分光器的二级分光器打分；根据所述二级分光器打分，确定所述目标ONU对应的推荐二级分光器。7.一种无源光网络管理装置，其特征在于，包括：数据预处理与特征提取模...

【专利技术属性】
技术研发人员：赵宇翔，朱琳，余立，刘聪，袁向阳，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：