基于SA-BP神經網絡算法的光接入網絡通道質量評估方法

蔡冰清，徐思雅，亓峰，葛維春，周桂平，于波濤，李悅悅

（1.北京郵電大學網絡與交換技術國家重點實驗室，北京 100876；2.國網遼寧省電力有限公司，遼寧 沈陽 110006；3.北京國電通網絡技術有限公司，北京 100070）

1 引言

通道是光接入網的重要組成部分，是承接終端與調度端的橋梁，是業務最直接的載體。網絡通道質量將直接決定光接入網的可靠性和穩定性，因此，通過高效的運維手段提升網絡通道的運行質量是保障智能電網安全、可靠運行的重要途徑。然而，隨著光接入網絡規模不斷擴大、網絡結構日趨復雜、業務的種類和數量不斷增加，使得光接入網絡運維和管理的難度不斷加大。目前，針對光接入網通道質量評估的研究主要集中在設備層和網絡層，缺乏涵蓋物理層、網絡層和業務層的綜合評估方法，致使運維人員難以通過網絡監測等方式準確地判斷網絡通道的實際質量。因此，建立一套全面、科學的通道質量評估方法，幫助運維人員快速、準確、直觀地獲取評估結果，對提高光接入網絡的運維能力以及保障光接入網絡的穩定性和可靠性是重要且必要的。

通過對國內外研究進展的分析可知，各大通信運營商和研究機構在光接入網網絡質量評估和管理等方面都進行了較為深入的研究[1-7]。參考文獻[1,2]分析了智能配用電通信網和 EPON設備的集中運維和管理問題，介紹了相應的綜合網管系統；參考文獻[3]分析了智能配用電通信網不同組網方式下的設備信息，提出了一種能夠反映設備運行質量的多指標綜合評估方法；參考文獻[4]提出了一種基于多測量指標的綜合評價方法，并將其應用到網絡性能評價上；參考文獻[5]研究了通用的業務質量指標集合，并提出了基于策略的業務質量評價方法；參考文獻[6]根據SLA要求，細化了業務性能分析相關的QoS（quality of service，服務質量）評價機制；參考文獻[7]分析了智能電網管理的屬性特征，探索了智能電網發展中出現的薄弱環節和制約因素，構建了智能電網管理多屬性評價模型。通過以上分析可知，現有的配用電通信網或EPON的網絡管理相關研究主要集中在網絡質量和設備質量的評估上，缺乏對業務層的考慮，難以實現全面的通道質量評估。

為了解決以上問題，本文提出了一種面向多層次、多指標的光接入網絡通道質量評估方法。該方法包括兩個部分，分別為建立光接入網通道質量的評估模型和設計 SA-BP（simulated annealing-back propagation）神經網絡改進算法。首先，從物理層、網絡層和業務層3個維度建立評估模型，對通道質量進行綜合分析；然后，設計SA-BP神經網絡算法用以訓練評估模型與通道質量的映射關系，對網絡通道質量進行準確評估。

2 面向多層次、多指標的通道質量評估模型

我國智能電力光接入網絡呈現地理分布范圍廣、網絡結構復雜的特點。通道是承載業務的通路，貫穿了整個光接入網絡。從調度端到終端涵蓋光傳輸和光分配等眾多環節，因此影響通道質量的因素較多，例如設備老化、網絡擁塞等。本文按照物理層、網絡層和業務層3個維度對影響通道質量的指標進行深入分析，建立了一套面向多層次、多指標的光接入網絡通道質量評估模型。

如圖1所示，本文提出的面向多層次、多指標的通道質量評估模型由物理層、網絡層和業務層3個維度的評估指標構成。物理層從介質的健康度、故障率以及生存性3個方面進行評估；網絡層從上/下行網絡性能和流量狀態兩個方面進行評估；業務層從業務的完整性、可用性、支撐性和安全性4個方面進行評估。下面對各層評估指標進行詳細介紹。

2.1 物理層

通道由光纜、光纜交接箱和設備等物理介質組成，因此介質的質量將直接影響通道的質量。表1展示了我國東部某省2012—2016年光接入網事故的原因及所占比例。

圖1 評估模型示意

表1 我國東部某省2012—2016年光接入網絡事故原因及其占比

由表1的統計結果可知，73.5%的光接入網絡事故的發生是由設備老化、超期檢修和設備缺陷引起的。因此，由運維數據分析可知，設備質量和維保力度等幾個方面是影響通道質量的重要因素。根據影響因素的代表性和可測性，本文從健康度、故障率和生存性3個方面對通道物理層質量進行評估。其中，健康度評估設備老化和缺陷程度，故障率評估不同程度的故障次數和恢復時長，生存性評估設備維保等級和應急保障等級等。具體指標定義和計算方法見表2。

2.2 網絡層

除了物理介質質量以外，網絡擁塞等因素也會影響通道的穩定性和可靠性，因此需通過對通道流量等信息進行分析，得出通道的網絡層質量。常規的網絡性能指標包括時延、帶寬、流量和分組丟失率[10]，但是這種指標的劃分粒度較粗，不能準確地反映網絡狀態。例如在流量測量方面，可從吞吐量、峰值速率和突發長度等方面進一步細化對通道質量的評估。因此，主要從網絡性能和流量狀態2個方面對網絡層質量進行評估，分別評估網絡的整體質量及承載的數據量。網絡性能狀態指標包括時延抖動次數、誤碼率、分組丟失率、帶寬利用率、信噪比和阻塞率；網絡流量狀態指標包括吞吐量、流量峰值速率、流量平均速率和最大突發長度。此外，由于EPON上/下行采用不同光波長進行傳輸，不同波長的光被干擾的條件有所不同，因此還需在光接入網中分別測量上/下行網絡性能狀態和流量狀態。具體指標定義和計算方法見表3。

2.3 業務層

在業務的傳輸過程中，不同業務對傳輸通道的需求不同，例如帶寬、可靠性等。因此，本文在通道質量中增加了與業務服務質量相關的評估指標，全面考察網絡通道對業務傳輸的支持能力。參考文獻[6]劃分了衡量業務服務質量的 7個要素，分別為支撐性、可操作性、可用性、安全性、接入性、持續性和完整性。業務的完成由調度端、通道和終端3個環節組成，其中，可操作性、接入性和持續性均與調度端和終端有關。本文選擇完整性、可用性、支撐性和安全性這4個與通道相關的指標來評估業務服務質量。其中，完整性評估業務中斷率和中斷時間，可用性評估業務無錯率，支撐性評估服務響應時間和服務時間，安全性評估業務安全保護等級和錯操作次數等。具體指標定義和計算方法見表4。

表2 物理層指標定義及其計算方法

表3 網絡層指標定義及其計算方法

在建立了面向多層次、多指標的通道質量評估模型后，需解決評估模型中各指標與通道質量之間的映射關系。下文將介紹一種改進型的BP神經網絡算法，用以訓練各指標在通道質量評估中的權重。

3 SA-BP神經網絡算法

3.1 算法分析

由于本文提出的評估模型與通道質量之間的映射關系是非線性的，并且不同的光接入網絡的映射關系不同，因而不能直接地進行定量分析。由于BP神經網絡算法可以定量分析任何非線性映射關系[11]，因此本文采用BP神經網絡算法確定評估模型與通道質量之間的映射關系。如圖2所示，標準BP神經網絡算法是一種信息在多層網絡中正向傳播而誤差反向傳播的學習算法，包含一個輸入層、一個或多個隱含層和一個輸出層，層內神經元互不相連，層與層之間采用全連接方式。

表4 業務層指標定義及其計算方法

該算法包括訓練和使用兩個階段，訓練階段是信息正向傳播和誤差反向傳播。信息正向傳播是指信息從輸入層輸入，經過隱含層和輸出層處理，最終從輸出層輸出，每一層的輸出信息都是下一層的輸入信息。除了輸入層神經元對輸入值不做任何處理以外，隱含層或輸出層某神經元j的輸入值Ij為：

圖2 BP神經網絡

其中，wij是上一層i神經元與 j神經元的連接權值，Oi是i神經元的輸出值。輸出值Oj為：

其中，φ(?)為激活函數，一般為Sigmoid函數。

誤差反向傳播是指輸出層實際輸出值與期望值存在一定誤差，通過梯度下降法不斷調整層與層之間的連接權重來減小這個誤差，從而使輸出值更好地擬合輸入值。為了使函數連續可導，定義誤差函數θ為：

其中，Δyk是輸出層神經元k的輸出值對相應期望輸出值的誤差。對于每一個輸入樣本，應使得連接權重w沿著誤差函數θ下降的梯度方向修正，那么任意連接權值的修正量Δw為：

其中，η表示學習率，負號表示梯度下降。

標準 BP神經網絡算法采用梯度下降法調整連接權值，網絡對誤差曲面的局部敏感性較高，容易陷入局部最優解而非全局最優解，從而影響訓練結果的正確性，而模擬退火算法可以利用概率的突跳性解決這一問題，使訓練結果精度更高、更準確。因此，本文提出一種將模擬退火算法和BP神經網絡相結合的SA-BP神經網絡算法，將模擬退火算法的優越特性應用于 BP神經網絡算法中。

SA-BP神經網絡算法在標準 BP神經網絡算法的基礎上，不再使用梯度下降法調整連接權值，而是對當前連接權值進行合理的微小擾動，產生新的連接權值，計算新的通道質量評估值，按照Metropolis準則決定是否接受這個新值，即如果新的評估值更接近期望值，則接受這個新的連接權值，否則，以一定概率接受，這個概率會隨著溫度的下降而下降，所以最終會達到一個穩定狀態。

3.2 算法設計

SA-BP神經網絡算法的具體步驟如下。

步驟1構建SA-BP神經網絡，參數初始化。初始化包括隱含層神經元個數n、各層間連接權值w、誤差閾值ε、初始溫度T0、最低溫度tmin、每個溫度擾動次數上限M。

步驟 2樣本X依次進行以下步驟，直到滿足條件退出算法。

步驟3樣本Xi利用BP神經網絡前向傳播，根據式（3）得到誤差函數值θ(w)，其中，w是當前連接權值，如果θ(w)＜ε，則算法結束，否則進入步驟4。

步驟4根據：

得到新的連接權值w′，其中，w是當前連接權值，r是(0,1)之間的隨機數，T是當前溫度，f是最大迭代次數，K是Boltzmann常數，wmax、wmin為連接權值取值范圍的上下限，對樣本Xi計算得誤差函數值θ(w′)。

步驟5根據：計算Δθ。根據Metropolis準則判斷是否接受新的連接權值w′，即如果Δθ＜0，則接受'w為當前解，否則以概率：

接受w′為當前解，其中，K是Boltzmann常數，T是當前溫度；若接受，w w′= ，判斷θ(w)＜ε是否成立，若成立，則算法結束，否則進入步驟6。

步驟6對于每個T重復步驟4和步驟5，直到達到上限M次或者到達平衡狀態。

步驟7根據：

降低溫度，其中，N為當前迭代次數，如果降低至tmin，則跳轉至步驟2，否則跳轉至步驟4。

SA-BP神經網絡算法流程如圖3所示。

SA-BP神經網絡算法偽代碼如下。

圖3 SA-BP神經網絡算法流程

4 仿真實驗

4.1 參數設置

根據第3.2節標準BP神經網絡算法和本文設計的SA-BP神經網絡算法，分別對表3所示的通道質量評估模型中 37個指標進行仿真。仿真場景為我國東部某省 2016年光接入網通道上行現網數據。隨機選取該省3個地區構成3組實驗樣本，每個地區隨機選取5條通道，每條通道的樣本數據均包含37個指標值和1個通道質量值。排除指標值缺失等無效樣本后，每組通道有效樣本數見表5。每條通道樣本隨機選取75%作為訓練樣本，剩余25%作為預測樣本。將預測樣本的擬合率作為評價指標對仿真結果進行評價與分析。參數設置見表6。

表5 通道有效樣本數

表6 參數設置

4.2 隱含層神經元的優化

隱含層神經元數直接影響神經網絡對復雜問題的映射能力，可計算為：

為了優化SA-BP神經網絡結構，本次實驗按照式（9）選取了 8～17個隱含層神經元數，選擇某東部省份配用電通信網 524組有效樣本用于SA-BP神經網絡的訓練。圖4顯示了通道質量評估最小誤差隨隱含層神經元數變化曲線，當隱含層神經元數為 9時，SA-BP神經網絡結構最佳。

4.3 實驗結果與分析

圖5～圖7分別為表5中所列出的3組通道質量評估值和實際值對比。定義誤差絕對值小于1%表示評估值與實際值擬合。表6根據圖5～圖 7統計了每組實驗數據在不同神經網絡中的擬合率。

圖4 誤差值隨隱含層神經元數變化曲線

圖5 第1組不同網絡中通道質量評估值與實際值對比

圖6 第2組不同網絡中通道質量評估值與實際值對比

分析表7的實驗結果可知，在上述仿真場景下，本文提出的光接入網通道質量評估模型在標準BP神經網絡下3組數據正確評估通道質量的概率為75%以上，而在SA-BP神經網絡中為90%以上。由此可知，本文提出的評估模型可以較為正確地評估通道質量，并且在SA-BP神經網絡中具有更高的正確率。由此可知，相較于標準BP神經網絡，SA-BP神經網絡更適合本評估模型。

圖8是兩種神經網絡中15個通道質量評估的平均誤差對比。由圖8可知，BP神經網絡中約有2/3的通道平均誤差在1%以上，最大誤差與最小誤差相差0.012 8；SA-BP神經網絡中所有通道平均誤差均在1%以下，最大誤差與最小誤差相差0.004 3。分析可知，BP神經網絡整體波動范圍較大，誤差在平均值周圍擺動幅度大，而SA-BP神經網絡整體波動范圍較小，誤差在平均值周圍擺動幅度較小。因此，SA-BP神經網絡擁有更高的預測精度和更好的穩定性。這是由于模擬退火算法會以一定概率接受較差的解，并且這個概率會隨著訓練次數的增加而減小，使訓練結果趨于穩定，所以在訓練過程中更容易跳出局部極小值，最終達到全局最優解，因此得到的評估值會更接近期望值。

圖7 第3組不同網絡中通道質量評估值與實際值對比

表7 不同神經網絡中通道質量評估值的擬合率

圖8 不同神經網絡中通道質量平均評估誤差對比

5 結束語

通過對光接入網通道質量評估的研究，本文提出了一種基于 SA-BP神經網絡算法的通道質量評估方法。通過仿真可知，本文提出的評估方法可以全面地評估光接入網通道質量，并且與BP神經網絡相比，本文設計的SA-BP神經網絡算法使得評估的準確性和穩定性都得到了進一步的提升。

參考文獻：

[1] 劉國軍, 侯興哲, 王楠, 等.智能配用電通信綜合網管系統研究[J].電網技術, 2012, 36(1)： 12-17.LIU G J, HOU X Z, WANG N, et al.An integrated network management system for communication of smart power distri-bution and utilization grid[J].Power System Technology, 2012,36(1)： 12-17.

[2] 趙煒妹, 郭慶琳, 孫曉霞, 等.EPON綜合網管系統的研究與實現[J].電力系統通信, 2010, 31(2)： 41-44.ZHAO W M, GUO Q L, SUN X X, et al.Research and implementation of EPON integrated network management system[J].Telecommunications for Electric Power System, 2010, 31(2)： 41-44.

[3] 陳寧寧.智能配用電通信網設備運行質量綜合評估系統的研究與實現[D].北京： 北京郵電大學, 2014.CHEN N N.Research and realization of comprehensive evaluation system for equipment operation quality of intelligent distribution electric communication network[D].Beijing： Beijing University of Posts and Telecommunications, 2014.

[4] 張冬艷, 胡銘曾, 張宏莉.基于測量的網絡性能評價方法研究[J].通信學報, 2006, 27(10)： 74-79.ZHANG D Y, HU M C, ZHANG H L.Study on network performance evaluation method based on measurement[J].Journal on Communications, 2006, 27(10)： 74-79.

[5] 張奕奎, 邱雪松, 成璐.基于策略的業務質量評價方法[J].計算機工程, 2007, 33(13)： 109-111.ZHANG Y K, QIU X S, CHENG L.Policy-based approach for service quality assessment[J].Computer Engineering, 2007,33(13)： 109-111.

[6] Telemanagement Forum.SLA management handbook：GB917[S].2010.

[7] 孫蕾.智能電網管理評價指標體系與多屬性分析模型研究[D].北京： 華北電力大學, 2015.SUN L.Research on evaluation index system and multi-attribute analysis model of smart grid management[D].Beijing： North China Electric Power University, 2015.

[8] ZHANG Y, NIU D, LIU J.The evaluation of thermal power enterprise environmental sustainable development based on SA-BP neural network[C]//International Conference on Environmental Science and Information Application Technology, July 17-18,2010, Wuhan, China.Piscataway： IEEE Press, 2010： 674-677.

[9] 楊小彬, 李和明, 尹忠東, 等.基于層次分析法的配電網能效指標體系[J].電力系統自動化, 2013, 37(21)： 146-150.YANG X M, LI H M, YIN Z D, et al.Energy efficiency index system for distribution network based on analytic hierarchy process[J].Automation of Electric Power Systems, 2013, 37(21)：146-150.

[10] ZHANG H L, FANG B X, HU M Z, et al.A survey on internet measurement and analysis[J].Journal of Software, 2003, 93(14)：110-116.

[11] 田景文, 高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社, 2006.TIAN J W, GAO M J.Research and application of artificial neural network algorithm[M].Beijing： Beijing Institute of Technology Press, 2006.