[发明专利]一种光网络故障校验方法和设备

说明书

本发明公开了一种光网络故障校验方法和设备。本发明包括采集光网络故障数据和对数据的预处理，故障定位，故障校验，对比校验结果和排除故障。利用神经网络模型对光网络数据，进行内部联系的数据挖掘和机器学习，完成对不同种类，不同特征的故障点进行高准确率的定位。尤其是物理层的性能信息，利用支持向量机算法，对可能发生故障的单板和正常单板进行二次校验，进一步提升了定位的成功率，有利于提高网络故障的校验效率。

技术领域

本发明涉及网络故障检测，特别是指一种光网络故障校验方法。

背景技术

全光网络中，故障定位的复杂性随着网络拓扑结构规模日益增加，而网络管理者收到的告警信息大量冗余。通过理论研究证明，单纯的依靠收集网络告警信息来定位多链路故障是一个NP问题。网络管理者仅根据收集到的告警信息，不能够准确判断当前网络中发生故障源的位置。

目前典型的故障定位技术，主要包括:(1)人工测试方法；(2)模糊逻辑故障诊断方法；(3)故障诊断专家系统。

人工测试法是在出现故障后，由人工去确定故障的具体位置，这种方法不适宜大型网络，且不能实时对受损业务进行保护。

模糊逻辑是建立在多值逻辑基础上，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。模糊逻辑诊断方法(FL-FD)就是依据设备故障的模糊征兆进行模糊状态识别、模糊推理并做出决策，判别出发生故障的原因。FL-FD是通过所出现故障征兆的隶属度推断出各种故障原因的隶属度，以表征各种故障存在的倾向性。

故障诊断专家系统是将专家系统应用到故障诊断之中，从工程知识条目获取到知识条目存储和推理分析，采用专家系统进行故障诊，充分发挥专家系统的强大知识处理能力的优势，凭借经验获得一些难以由数据模型描述的信息和结论，并根据故障现象发生的环境和目标系统的结构层次等信息，很快地做出判定和危害度决策。故障诊断专家系统的核心问题是它的学习能力问题，知识的自动获取一直是故障诊断专家系统的难点。

在实际运行过程中，故障往往表现为复杂性、不确定性和多故障并发性等，运用单一的故障诊断技术，存在精度不高、推理能力差等问题，难以获得满意的诊断效果。

发明内容

有鉴于此本发明提出一种基于人工智能的光网络故障校验方法，提高故障诊断的精确性和工作效率。

基于上述目的，本发明提供了一种光网络故障校验方法，所述方法包括：

采集光网络故障数据，包括节点单板的性能信息和告警信息；

对所述告警信息经过神经网络模型训练确定可疑节点单板的位置，记录可疑节点单板的性能信息；

根据所述可疑节点单板的性能信息运用支持向量机算法，确定故障节点单板的位置；

将所述故障节点单板的位置与所述可疑节点单板的位置进行比对；如果位置一致，则进行故障维护；如果位置不一致，则进行下一周期的光网络故障数据采集。

所述的光网络故障校验方法，还包括对告警信息的预处理，包括对数据进行标准化处理和存储。

所述的光网络故障校验方法，所述标准化数据按照：告警级别-告警名称-告警源节点-告警持续时间-可疑节点单板的位置的格式进行存储；其存储过程包括：在所述告警信息进行数据预处理的时候，保存告警级别-告警名称-告警源节点-告警持续时间的信息；经过所述神经网络模型确定可疑节点单板的位置后，再增加所述可疑节点单板的位置的信息。

所述的光网络故障校验方法，所述采集光网络故障数据最多采集4个节点发出的所述告警信息，不足4个节点的用补0的方式，保证所述告警信息预处理的数据格式相同，并保存所述数据便于进行所述神经网络模型训练。