[发明专利]一种光网络故障预测不确定性分析方法及系统

说明书

本发明提供一种光网络故障预测不确定性分析方法及系统，该方法包括：获取待预测光网络故障的光网络性能数据；基于无监督学习方法，对光网络性能数据进行标注，得到目标光网络性能数据和目标标签；将目标光网络性能数据和所述目标标签输入到训练好的光网络故障预测模型，获取光网络故障预测结果和光网络故障预测结果对应的故障不确定性度量，训练好的光网络故障预测模型是由样本光网络性能数据，对贝叶斯神经网络进行训练得到的。本发明通过无监督学习方法实现数据自动标注，保证了数据自动标注的准确性和高效性，并基于贝叶斯神经网络的故障预测及预测不确定性分析，提高了故障预测的可靠性。

技术领域

本发明涉及通信技术领域，尤其涉及一种光网络故障预测不确定性分析方法及系统。

背景技术

光网络故障主要包括两大类：硬故障和软故障。其中，硬故障是指一些突发事件造成的不可抗力的故障，如光纤断纤、电源断电等，一般具有不可预测性；软故障是指在传输使用过程中，设备性能逐渐恶化造成的故障，如设备原件老化、光纤弯折等，当劣化到一定程度时会触发告警机制，因此软故障是可在告警前预测的。光网络的故障分类统计数据显示，60％的光业务故障是由于光路劣化、光模块劣化及误码类问题产生的，如果在告警前进行故障预测，可以使运维人员采取更主动的策略，避免影响业务质量，同时降低网络管理的修复时间。

近年来，基于人工智能的故障预测获得了广泛关注，但由于神经网络的“黑盒”属性，给出的结果通常为确定性的点估计，缺少不确定性量化会导致运维人员难以判断预测结果的置信度，即使预测结果出现偏差，此时模型仍然会给出“自认为”正确的结果，导致运维人员基于完全“相信”的预测结果做出的决策有可能是错误的，甚至会导致严重的业务中断，因此，进行预测不确定性分析是很有必要的。其次，人工智能方法作为数据驱动的方法，模型质量受限于数据质量。传统运维主要通过设定阈值触发告警进行数据标注，阈值过高会产生大量漏报，增加业务中断风险，阈值过低会产生大量误报，以致于运维人员不得不逐个检查，增加了人员工作量，且随着网络的日益复杂，性能监测特征增加，阈值方法无法考虑高维特征间相关性，数据标注质量有待提高。因此，现在亟需一种光网络故障预测不确定性分析方法及系统来解决上述问题。

发明内容

针对现有技术存在的问题，本发明提供一种光网络故障预测不确定性分析方法及新系统。

本发明提供一种光网络故障预测不确定性分析方法，包括：

获取待预测光网络故障的光网络性能数据；

基于无监督学习方法，对所述光网络性能数据进行标注，得到目标光网络性能数据和目标标签；

将所述目标光网络性能数据和所述目标标签输入到训练好的光网络故障预测模型，获取光网络故障预测结果和所述光网络故障预测结果对应的故障不确定性度量，所述训练好的光网络故障预测模型是由样本光网络性能数据，对贝叶斯神经网络进行训练得到的。

根据本发明提供的一种光网络故障预测不确定性分析方法，所述训练好的光网络故障预测模型通过以下步骤得到：

通过无监督学习方法对样本光网络性能数据进行标注，并根据标注后的样本光网络性能数据和对应的样本标签，构建训练样本集；

将所述训练样本集输入到贝叶斯神经网络中进行训练，得到训练好的光网络故障预测模型。

根据本发明提供的一种光网络故障预测不确定性分析方法，所述将所述训练样本集输入到贝叶斯神经网络中进行训练，得到训练好的光网络故障预测模型包括：

基于变分推断方法，将贝叶斯神经网络的权重和偏置初始化为标准正态分布，并对所述标准正态分布进行采样，将采样得到的权重数据进行前向传播，得到样本故障预测结果；

基于条件概率公式，通过反向传播对所述贝叶斯神经网络的权重分布进行更新，得到训练好的光网络故障预测模型，所述条件概率公式为：