基于深度學習的光纖網絡鏈路故障診斷與定位方法

丁 智

(蚌埠學院 計算機工程學院，安徽 蚌埠 233030)

光纖網絡作為一種可以實現智能化設備功能的載體，可準確獲取光纖設備的跳閘信息、開關狀態信息等.網絡的可靠性對光纖設備安全運行具有重要現實意義[1].光纖網絡在運行過程中面臨多種鏈路故障，加上光纖網絡鏈路的交叉復雜性，很難實現精確維護.因此，診斷和定位光纖網絡鏈路故障至關重要.國外對光纖網絡鏈路故障研究較早，其從神經網絡和人工智能領域中探析新的診斷方法，為光纖網絡鏈路故障診斷提供了新的方法.還將數據挖掘技術應用到光纖網絡鏈路故障的定位中，為光纖網絡鏈路故障的診斷和定位提供了一定理論支持[2]；國內光纖網絡發展晚于國外，導致國內在光纖網絡鏈路故障診斷上也比較落后，但隨著科技的發展，國內光纖網絡鏈路故障的診斷能力也在逐漸提升，但仍需不斷改進診斷方法[3].

陳軍[4]等人針對傳統故障診斷與定位方法存在的問題，梳理了智能變電站保護控制的信息集合，建立保護控制功能模型的同時，并且建立了Petri子網，通過Petri網在報文時獲取到的故障信息狀態，對Petri網智能變電站進行故障診斷與定位，得到結果可以反映智能變電站邏輯功能的缺陷，通過實例證明了該方法在Petri網智能變電站保護控制過程中，具有良好的故障診斷效果和定位精度，但該方法操作過程復雜，對故障診斷的耗時較長，仍需繼續改進；孫宇嫣[5]等人以提高智能變電站中通信網絡的運維效率為目的，從智能變電站通信網絡故障的冗余監測出發，分析通信網絡故障的特征信息，結合深度學習算法，建立了通信網絡故障診斷模型，實現通信網絡故障的分析處理，該方法可以提高故障診斷的精確性，具有較好的容錯性能，但該方法對網絡中存在的其他干擾因素考慮甚少，導致故障定位的效果欠佳.

針對以上背景，本文將深度學習應用到了光纖網絡鏈路故障診斷中，提高了光纖網絡鏈路故障診斷與定位的精度.

1 診斷光纖網絡鏈路故障

1.1 鏈路故障診斷網絡建立

為了實現光纖網絡鏈路故障診斷與定位，首選構建鏈路故障診斷網絡.將存在因果關系的故障節點，通過有向邊進行連接，將變量之間關系通過圖形進行表達.鏈路故障診斷網絡中全部故障節點在診斷過程中要給出條件概率，不具備父節點的故障節點需要先給出先驗概率[6].而條件概率可通過故障節點樣本數據統計得到，還可以通過有關專家根據以往的經驗得到.在沒有足夠故障節點樣本數據可以使用情況下，針對鏈路故障診斷網絡中的故障節點變量，計算出條件概率信息較難[7].

為了簡化鏈路故障診斷網絡的建立過程，先按照鏈路故障診斷方向對光纖網絡鏈路故障進行估計，如果估計得到的結果與專家的診斷思維吻合，則便于條件概率的推理[8].圖1給出了鏈路故障的診斷網絡結構.

圖1 光纖網絡鏈路故障診斷網絡

圖1中，鏈路故障的診斷的條件概率s為1，將其劃分為F1=0.2、F2=0.8，其中，F1=F11+F12,F2=F12+F22，根據不同的條件概率劃分判斷鏈路故障.根據鏈路故障的因果關系建立診斷模型，在光纖網絡鏈路故障診斷過程中，通過計算條件概率，實現最終鏈路故障診斷.

1.2 光纖網絡鏈路故障診斷模型

在上述構建的鏈路故障診斷網絡基礎上，設計光纖網絡鏈路故障診斷模型.本文引入深度學習算法構建光纖網絡鏈路故障診斷模型.深度學習算法被廣泛應用于各個領域中，其在光纖網絡鏈路故障診斷中不僅可以處理光纖網絡的高維輸入量，還可以確定輸入量與輸出量之間的非線性關系.因此，本文采用深度學習理論構建光纖網絡鏈路故障診斷模型.

深度學習理論增設了無監督學習的預訓練過程，將深度學習的能量函數定義為

(1)

式中，E(v,h∣θ)表示深度學習的能量函數，該值為一個函數，vi表示深度學習可視層的學習狀態，hj表示深度學習隱藏層的學習狀態，θ={cj,bi,wij}表示深度學習參數，cj表示深度學習隱藏層的偏置值，bi表示深度學習可視層的偏置值，wij表示可視層i與隱藏層j的連接權重，nv表示可視層的故障數量，nh表示隱藏層的故障數量.

根據公式(1)的深度學習理論定義，可以得到深度學習的聯合概率分布為

(2)

式中，P(v,h∣θ)代表深度學習的聯合概率分布，Z代表二維隨機變量，-E代表無窮矩形域內概率分布.

對光纖網絡鏈路故障進行正向輸入層和反向輸入層的重構，分別表示為

(3)

(4)

根據重構結果與實際結果之間的誤差，對光纖網絡的參數進行更新處理，處理步驟如公式(5)～公式(7)

wij=wij+ε[P(h0j=1∣v0)vi0-P(h1j=1∣v1)vi1]，

(5)

bi=bi+ε(vi0-vi1)，

(6)

cj=cj+ε[P(h0j=1∣v0)-P(h1j=1∣v1)]，

(7)

式中，ε表示學習率，h0j代表深度學習隱藏層的初始學習狀態，vi0表示深度學習可視層的初始學習狀態.通過深度學習的訓練樣本[9]，計算光纖網絡輸出層與目標輸出層間的均方誤差和梯度值，將其作為模型的輸入和輸出值，確定光纖網絡鏈路故障結果.通過朝相反方向調整光纖網絡參數值θ實現結果的輸出，即

(8)

θ=θ-ε·?θJ(θ)，

(9)

在建立鏈路故障診斷網絡基礎上，定義深度學習的能量函數，結合深度學習的聯合概率分布，對光纖網絡鏈路故障進行重構，通過計算光纖網絡輸出層與目標輸出層之間的均方誤差和梯度值，實現光纖網絡鏈路故障診斷.

2 光纖網絡鏈路故障定位

2.1 光纖網絡鏈路故障篩選

在設計光纖網絡鏈路故障診斷模型后，需要對光纖網絡鏈路故障進行篩選.在光纖網絡鏈路故障篩選中，學習定位模塊得到的最大光纖網絡鏈路故障集具有非常大的冗余度，以降低鏈路故障集合的冗余度為目的，減小冗余鏈路故障對故障判定時的影響，盡量將故障集合中冗余故障剔除，篩選出可能性較大的鏈路故障.將光纖網絡鏈路故障看作信號，將信號的覆蓋范圍作為光纖網絡鏈路故障的信號強度，將鏈路故障篩選問題轉化為一種信號的處理方法.深度學習方法可以作為一種信號處理方法，實現光纖網絡鏈路故障的篩選.深度學習流程如圖2所示.

圖2 深度學習流程

假設光纖網絡鏈路故障的信號強度閾值為αSI，設計一個深度學習矩陣，保留光纖網絡鏈路故障的原始信號x=(x1,x2,…,xn)中強度大于閾值的鏈路故障信號.其中，αSI可以根據公式(10)計算得出，μ表示尺度因子，取值范圍在0～1之間，可以靈活控制αSI的大小，即

αSI=μ·Max{x1,x2,…,xn}.

(10)

由于對角矩陣乘以目標矩陣可實現目標矩陣內光纖網絡鏈路故障大小的伸縮.引入對角矩陣A=diag(a1,a2,…,an)作為光纖網絡鏈路故障原始信號的學習矩陣Φ.對角矩陣的鏈路故障值通過公式(11)計算得出.根據學習矩陣[10]，可以得出鏈路故障原始信號的觀測向量為

(11)

在重構之后鏈路故障信號中，將非零元素對應的鏈路故障集合作為篩選后的鏈路故障集合HS.采用HS的真實故障覆蓋率和冗余度衡量光纖網絡鏈路故障的篩選性能.覆蓋率和冗余度的計算公式為

(12)

(13)

式中，HRS表示鏈路故障集合中冗余鏈路故障集合，FOS表示鏈路故障集合中真實鏈路故障集合.

真實故障覆蓋率η(HS)的值越大，說明篩選后的鏈路故障集合HS保留了原有鏈路故障集合HMax的重要信息越多.當η(HS)=1時，說明篩選后的鏈路故障集合HS保留了HMax中所有重要信息；相反，R(HS)的值越小，說明篩選后的鏈路故障集合HS中含有的冗余故障越少，說明光纖網絡鏈路故障的篩選性能越好.

2.2 光纖網絡鏈路故障定位實現

根據光纖網絡鏈路故障篩選結果，結合物理拓撲劃分，將光纖網絡鏈路拆分為兩棵不同子樹，對子樹遞歸調用鏈路故障進行定位算法的設計，實現鏈路故障的定位.光纖網絡鏈路故障定位算法設計步驟如下：

Step1：根據物理拓撲劃分，判斷子樹的根節點隊列是否為空集，如果不是空集則讓根節點出列，判斷出列的根節點是否存在鏈路故障，如果存在鏈路故障，直接返回到故障節點的位置，結束鏈路故障定位；

Step2：如果當前根節點沒有鏈路故障，則判斷其是否存在子節點，如果存在子節點，判斷當前根節點與子節點相連的光纖網絡是否存在故障，如果存在鏈路故障，將該鏈路故障定位當前光纖網絡中，結束鏈路故障的定位；

Step3：如果根節點與子節點相連的光纖網絡未發現故障，繼續判斷子節點是否是光纖網絡鏈路上的末端節點，如果是末端節點，只需判斷末端節點是否存在故障，并定位到故障位置即可；

Step4：如果子節點不是末端節點，將此子節點納入到子樹根節點的隊列中，將該子節點作為新的根節點，繼續重復操作上述三個步驟，直到遍歷光纖網絡中的所有節點為止.

通過篩選光纖網絡鏈路故障，設計光纖網絡鏈路故障定位算法，實現光纖網絡鏈路故障的定位.

3 實驗分析

3.1 實驗參數設置

本文采用光纖網絡真實交換機網絡作為仿真實驗的網絡拓撲，共包含54條鏈路和44臺交換機設備.通過模擬鏈路故障情景，得到鏈路故障數據.假設光纖網絡中鏈路故障和交換機設備都服從泊松分布；再令光纖網絡及時獲取鏈路故障告警信息，并且分辨每一條告警信息對應的鏈路故障.泊松分布的控制參數λ模擬光纖網絡鏈路故障的規模大小，記錄產生鏈路故障的根源和告警信息，作為光纖網絡鏈路故障診斷和定位的訓練以及驗證數據集.

設置光纖網絡鏈路故障樣本總數分別為400個、800個、1600個和3200個，選取所有訓練樣本的10%作為實驗的測試集，驗證本文方法的有效性.實驗參數設置情況如表1所示.

表1 實驗參數設置情況

3.2 光纖網絡鏈路故障誤檢率對比試驗

在實驗參數設置基礎上，分別采用本文診斷與定位方法、文獻[4]診斷與定位方法及文獻[5]診斷與定位方法，檢測光纖網絡鏈路故障，得到光纖網絡鏈路故障誤檢率對比結果，如表2所示.

表2 光纖網絡鏈路故障誤檢率對比(%)

數據可以看出，采用基于深度學習的光纖網絡鏈路故障診斷與定位方法檢測光纖網絡鏈路故障時，由于該方法在診斷故障之前先建立了診斷網絡，使鏈路故障的檢測更加有序，而且在定位之前，又篩選了冗余故障，使鏈路故障隨著樣本數的增加，誤檢率控制在40 %以內，采用文獻[4]的方法檢測鏈路故障時，由于該方法在定位鏈路故障時，存在很多冗余故障，造成鏈路故障的誤檢率始終較高，采用文獻[5]的方法檢測鏈路故障時，由于該方法在檢測過程中無法有序識別故障樣本數，導致鏈路故障的誤檢率始終較高.相比之下所提方法的誤檢率較低，具有一定可行性.

3.3 光纖網絡鏈路故障檢測率對比試驗

為進一步驗證所提方法，分別采用本文方法、文獻[4]方法及文獻[5]方法，檢測光纖網絡鏈路故障，得到光纖網絡鏈路故障檢測率對比結果，如圖3所示.

圖3 光纖網絡鏈路故障檢測率對比結果

從圖3的實驗結果可以看出，三種方法的故障檢測率存在一定差距.當故障樣本數為600時，三種方法的鏈路故障的檢測率分別約為95 %、72 %以及78 %，當故障樣本數為1000時，三種方法的鏈路故障的檢測率分別約為99 %、75 %和77 %.相比之下，所提方法的樣本故障檢測率相對較高.這是由于該方法在定位鏈路故障時排除了冗余故障的影響，使鏈路故障的檢測率逐漸變大，而且篩選了光纖網絡鏈路故障，對光纖網絡鏈路故障進行有效定位，進而提升了方法檢測的效率.

4 結束語

本文提出基于深度學習的光纖網絡鏈路故障診斷與定位方法，該方法通過結合深度學習的聯合概率分布，重構光纖網絡鏈路故障，獲取光纖網絡輸出層與目標輸出層之間的均方誤差和梯度值，篩選光纖網絡鏈路故障，完成了光纖網絡鏈路故障診斷與定位.與傳統方法相比本文方法檢測光纖網絡鏈路故障的誤檢率始終低于40%，且鏈路故障的檢測率較高，可以提高光纖網絡鏈路故障的檢測精度.在今后研究中，還要深入解決鏈路故障在定位中的誤判和漏判問題，解決鏈路故障在告警過程中的無用信息干擾.