大流量通信環境下的網絡預警研究

王東燦

（西南交通大學 希望學院，四川 成都 610400）

0 引 言

隨著互聯網科技的進步企業網絡通信已經成為智能電網發展中不可缺少的一部分，通過對網絡運維的優化管理可以提升電力企業運營的安全性和可靠性，使電力企業向著新型智慧電網系統發展，極大提升企業運營能力。針對企業通信的風險評估技術日漸成熟，其發展過程經歷了從電網通信自然災害風險評估，到基于層次分析的電網風險評估，再到基于指標體系的風險評估，以及近幾年發展迅猛的基于人工智能算法神經網絡的風險評估[1-3]。李國慶首次利用故障樹方法對電力通信系統安全風險進行定性和定量分析評估[4-8]。付沙等人，在總結電力通信網安全風險分析結果和遵循指標設計方案的基礎上，提出了基于安全風險模型的指標設計方案[9,10]。潘亮亮等人將深度學習引入電力骨干通信網，并利用神經網絡算法，對網絡常見故障進行特征值提取并進行訓練，最終實現故障定位并提升故障識別的準確性，極大提升了電力通信網絡風險預警力。

本文結合層次分析與指標體系對指標進行分解量化，建立了電力通信網絡運維的預警指標體系。利用某省級電網企業半年內網絡運維數據進行預警分析，并在此基礎上采用神經網絡算法對指標權重和閾值進行訓練，使之可以進行日常的網絡運營預警，協助運維系統監控和預測運維網絡常見風險事件，提升運維服務質量。

1 感知預警指標的建立

目前，企業通信網絡主要是從設備層面和網絡層面對通信網進行實時監視和故障處理，以保障電網通信業務的正常運行。本文所主要研究的是電網通信風險中的通道壓力指標，這部分主要由段面級、業務級、網絡級以及可用性4部分組成。段面級從設備、復用段、端口、光纜以及電路方面選取壓力指標，分析其風險警戒。業務級從關鍵業務同設備比和同軸心比進行指標分析。網絡級主要根據網絡日志進行數據分析以實現其指標的量化。可用性主要分析設備及鏈路的運營情況，具體量化參數可以使用設備或鏈路的可用率，具體指標分類如圖1所示。

圖1 電力通信運維風險指標體系

通過上述量化指標過程將數據進行初步清洗，然后在HDFS中進行分類存儲，之后進行進一步清洗，使用數據壓縮手段對上述4級指標進行實時動態的判定，采用神經網絡算法進行數據預測研究，最終形成電網信息通信系統的主動預警。

2 電網通信風險預測模型

本文采用基于深度學習的神經網絡作為預測模型進行研究。該方法的自組織和自適應能力較好，且不易產生局部最優，比較適合電力通信運維數據的特點，具體邏輯結構見圖2。

圖2 神經網絡邏輯結構

假設模型輸入點個數為n，輸出點個數為m，隱含層節點為s（s=2n+1），并確定輸入層的段面指標、業務指標、網絡指標以及可用性指標的賦值，經過運算輸出值即為該系統的風險值。其中n=14，s=29，m=1，輸出函數為：

先按照算法中的權重給初始值進行隨機賦值，當產生第一個輸出值時就可以開始第一次迭代，此時算法將自動根據各層輸入、輸出即誤差函數的計算值算出權重和警戒值的調整量，并對這兩個參數進行相應調整。若當前樣本保持不變，則可以持續進行輸入訓練，逐步提升系統準確度。具體步驟如圖3所示。

圖3 算法流程

在深度學習的訓練中將采用梯度下降法對權重值及警戒值進行調整，最終達到適宜于預測預警的取值范圍。經過相當數量樣本訓練后可以將原指標體系中段面級涉及的指標、網絡層涉及的指標、業務級涉及的指標以及可用性指標作為輸入，最終輸出系統的風險預警值。

3 基于神經網絡的企業通信運維網風險仿真分析系統

本文的研究采用基于矩陣運算的MATLAB來進行計算分析，網絡中接入61個網元進行計算分析，數據引入某省公司半年的運營數據，數據類型包括所有生產與管理相關數據，主體傳輸結構為24芯光纖，辦公區和變電站設置48芯管道光纜。以以往經驗可知，一條線路承載的業務類型不可過多，否則將會導致風險增加，故設計業務類型小于16條。通過對某省企業半年營業數據調研可知，段面指標主要由端口、設備以及光纖壓力決定，業務指標主要由業務同設備比例、同軸芯比例以及同纜比例決定，網絡級指標主要由管理日志處理指標決定，可用性指標主要由設備及鏈路可用率決定。為了便于分析指標要求在[0,1]之間取值，對源數據進行歸一化處理。

網絡運維風險分析架構圖4所示，系統功能由數據采集層、資源管理層、應用管理層及仿真功能層4層組成。其中數據采集層通過對現有系統中各功能模塊的鏈接實現數據采集并傳輸至資源管理層。資源管理層通過網絡鏈接實時更新源數據劇，并對仿真資源進行管理。應用管理層對段面級參數、設備壓力參數、端口壓力參數、光纖壓力參數、業務級參數、關鍵業務同設備比例、關鍵業務同軸芯比例、關鍵業務同纜比例、網絡級參數、管理日志量化參數、可用性參數、設備可用率以及鏈路可用率13種參數進行分類并進行分析。仿真層進行基于13種指標參數的深度學習輸出預警，最終實現對整個電力通信運維網絡的預警。

圖4 網絡運維風險分析架構

4 仿真結果分析

為了驗證神經網絡預警的準確程度，本文通過某省電網企業半年數據進了驗證試驗，分別對負載較大、單點故障、突發業務以及負載均衡4種情況進行了試驗，通過對比真實值和神經網絡輸出的預警值差異驗證神經網絡的學習成果。

大負載下的實際值與預警值比較如圖5所示。當在負載較大情況時，4月份偏差最大，實際壓力指標輸出為0.16，預警輸出的數值為0.19，誤差為0.03，整個上半年誤差均值為0.02，實際輸出與預警值基本吻合。證明可以滿足對日常電網通信大載荷時的預警需求。

圖5 大負載下的實際值與預警值比較

突發單點故障下的實際值與預警值比較如圖6所示。當在突發單點故障情況時，5月份偏差最大，實際壓力指標輸出為0.27，預警輸出的數值為0.31，誤差為0.04，整個上半年誤差均值為0.03，實際輸出與預警值基本吻合。證明可以滿足對日常電網通信突發單點故障時的預警需求。

圖6 突發單點故障下的實際值與預警值比較

突發業務情況下的實際值與預警值比較如圖7所示。當在突發業務情況時，1月份偏差最大，實際壓力指標輸出為0.33，預警輸出的數值為0.29，誤差為0.04，整個上半年誤差均值為0.02，實際輸出與預警值基本吻合。證明可以滿足對日常電網通信突發業務時的預警需求。

圖7 突發業務情況下的實際值與預警值比較

負載均衡情況下的實際值與預警值比較如圖8所示。當在負載均衡時，4月份偏差最大，實際壓力指標輸出為0.29，預警輸出的數值為0.32，誤差為0.03，整個上半年誤差均值為0.02，實際輸出與預警值基本吻合。證明可以滿足對日常電網通信負載均衡時的預警需求。

圖8 負載均衡情況下的實際值與預警值比較

通過上述分析驗證了經過神經網絡學習的預警系統可以滿足運營常見的4種工況下的閥值預測，可以協助電力通信運維網絡進行不同情況下的預判，提高運維管理效率，提升抉擇的準確度。

5 結 論

本文將風險評估技術應用于通信網支撐系統，通過構建完備的指標體系，開發了一套通信網支撐系統風險評估軟件，可準確自動地實現對電力通信網支撐系統模塊的風險值計算。通過對現有電力網絡運維系統影響因素調查及分析，結合專家系統評分，建立了網絡運維風險指標體系，并從段面、業務、網絡以及可用性4個緯度進行指標分解與量化。在量化基礎上將指標體系權重賦值與神經網絡相結合，進行權重賦值訓練以提升權重準確性，并根據不同風險等級與工況進行方針驗證，通過對比企業網絡運維半年數據驗證了仿真預警數值與真實輸出的吻合程度滿足企業對于日常網絡運維的需求。目前該預警系統初步開發工作已經結束，在某省公司進行試驗應用，待應用效果成熟后將進一步在企業內部進行推廣，以提高企業網絡運維的整體服務質量。