无源光网络中排查异常光网络单元的方法及系统技术方案

公开了一种无源光网络中排查异常光网络单元的方法及系统，其通过卷积神经网络将各个终端设备的网络流量数据按照设备编号和时间两个维度排列的网络流量数据矩阵获得网络流量特征，然后基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值并进行归一化处理以将信号模型值转化到概率空间中，并对所述网络流量特征图在终端设备的样本维度上进行加权以获得分类特征，并通过分类器以获得分类结果，所述分类结果用于表示所述光网络单元是否存在异常。于表示所述光网络单元是否存在异常。于表示所述光网络单元是否存在异常。

【技术实现步骤摘要】
无源光网络中排查异常光网络单元的方法及系统


[0001]本申请涉及人工智能技术在光网络系统的应用领域，且更为具体地，涉及一种无源光网络中排查异常光网络单元的方法及系统。

技术介绍

[0002]无源光网络(PON)，是指在OLT(光线路终端)和ONU(光网络单元)之间是ODN(光分配网络)，没有任何有源电子设备，在光分支点只需要安装一个简单的光分支器即可，因此具有节省光缆资源、带宽资源共享、节省机房投资、建网速度快、综合建网成本低等优点。
[0003]目前，ONU连接到多个终端设备，从而向多个终端设备提供网络接入服务，而当出现异常的光网络单元时会影响整个光网络单元的信息传输效率，如果无法及时的找出并修复异常的光网络单元，对整个无源光网络单元的运行都会产生影响。在这种情况下，如何在无源光网络系统中排查出异常的光网络单元，是一个需要解决的问题。
[0004]因此，期望一种优化的无源光网络中排查异常光网络单元的方法。
[0005]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0006]近年来，深度学习以及神经网络的发展为无源光网络中排查异常光网络单元的方法提供了新的解决思路和方案。

技术实现思路

[0007]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种无源光网络中排查异常光网络单元的方法及系统，其通过卷积神经网络将各个终端设备的网络流量数据按照设备编号和时间两个维度排列的网络流量数据矩阵获得网络流量特征，然后基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值并进行归一化处理以将信号模型值转化到概率空间中，并对所述网络流量特征图在终端设备的样本维度上进行加权以获得分类特征，并通过分类器以获得分类结果，所述分类结果用于表示所述光网络单元是否存在异常。
[0008]根据本申请的一个方面，提供了一种无源光网络中排查异常光网络单元的方法，其包括：
[0009]获取与光网络单元连接的各个终端设备的网络流量数据；
[0010]将所述各个终端设备的网络流量数据按照设备编号和时间两个维度排列为网络流量数据矩阵；
[0011]将所述网络流量数据矩阵通过卷积神经网络以获得网络流量特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数激活以将所述网络流量特征图中各个位置的特征值转化到概率空间中；
[0012]基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信
号模型值，其中，所述信号模型值基于所述终端设备的接收信号功率、时间长度、该段时间内的信号相位差、所述终端设备与所述光网络单元之间的距离和信号波长确定；
[0013]对各个所述终端设备的信号模型值进行归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值；
[0014]以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上进行加权，以获得分类特征图；
[0015]将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示所述光网络单元是否存在异常。
[0016]在上述无源光网络中排查异常光网络单元的方法中，基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值，包括：基于各个所述终端设备的时间信息，以如下公式计算对应的所述终端设备在该段时间内的信号模型值，其中，所述公式为：
[0017][0018]其中A
i
表示接收信号功率，t为时间长度，Δφ表示该段时间内的信号相位差，R表示终端设备与ONU的距离，λ表示信号波长。
[0019]在上述无源光网络中排查异常光网络单元的方法中，对各个所述终端设备的信号模型值进行归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值，包括：
[0020]对各个所述终端设备的信号模型值进行最大值归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值。
[0021]在上述无源光网络中排查异常光网络单元的方法中，以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上进行加权，以获得分类特征图，包括：
[0022]以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上的特征矩阵进行加权，以获得所述分类特征图。
[0023]在上述无源光网络中排查异常光网络单元的方法中，将所述分类特征图通过分类器以获得分类结果，包括：
[0024]将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；
[0025]将所述分类特征向量输入Softmax分类函数，以获得所述分类特征向量归属于所述光网络单元存在异常的第一概率和所述光网络单元不存在异常的第二概率；以及
[0026]基于所述第一概率和所述第二概率的比较，生成所述分类结果。
[0027]在上述无源光网络中排查异常光网络单元的方法中，所述卷积神经网络为深度残差网络。
[0028]根据本申请的另一方面，提供了一种无源光网络中排查异常光网络单元系统，其包括：
[0029]网络流量数据获取单元，用于获取与光网络单元连接的各个终端设备的网络流量数据；
[0030]网络流量数据矩阵生成单元，用于将所述网络流量数据获取单元获得的各个终端设备的网络流量数据按照设备编号和时间两个维度排列为网络流量数据矩阵；
[0031]网络流量特征图生成单元，用于将所述网络流量数据矩阵生成单元生成的网络流量数据矩阵通过卷积神经网络以获得网络流量特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数激活以将所述网络流量特征图中各个位置的特征值转化到概率空间中；
[0032]信号模型值生成单元，用于基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值，其中，所述信号模型值基于所述终端设备的接收信号功率、时间长度、该段时间内的信号相位差、所述终端设备与所述光网络单元之间的距离和信号波长确定；
[0033]概率化信号模型值生成单元，用于对各个所述信号模型值生成单元生成的终端设备的信号模型值进行归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值；
[0034]分类特征图生成单元，用于以所述概率化信号模型值生成单元生成的终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上进行加权，以获得分类特征图；
[0035]分类结果生成单元，用于将所述分类特征图生成单元生成的分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示所述光网络单元是否存在异常。
[0036]在上述无源光网络中排查异常光网络单元系统中，所述概率化信号模型值生成单元，进一步用于：对各个所述终端设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无源光网络中排查异常光网络单元的方法，其特征在于，包括：获取与光网络单元连接的各个终端设备的网络流量数据；将所述各个终端设备的网络流量数据按照设备编号和时间两个维度排列为网络流量数据矩阵；将所述网络流量数据矩阵通过卷积神经网络以获得网络流量特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数激活以将所述网络流量特征图中各个位置的特征值转化到概率空间中；基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值，其中，所述信号模型值基于所述终端设备的接收信号功率、时间长度、该段时间内的信号相位差、所述终端设备与所述光网络单元之间的距离和信号波长确定；对各个所述终端设备的信号模型值进行归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值；以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上进行加权，以获得分类特征图；以及将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示所述光网络单元是否存在异常。2.根据权利要求1所述的无源光网络中排查异常光网络单元的方法，其中，基于各个所述终端设备的时间信息，获得对应的所述终端设备在该段时间内的信号模型值，包括：基于各个所述终端设备的时间信息，以如下公式计算对应的所述终端设备在该段时间内的信号模型值，其中，所述公式为：其中A
i
表示接收信号功率，t为时间长度，Δφ表示该段时间内的信号相位差，R表示终端设备与ONU的距离，λ表示信号波长。3.根据权利要求2所述的无源光网络中排查异常光网络单元的方法，其中，对各个所述终端设备的信号模型值进行归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值，包括：对各个所述终端设备的信号模型值进行最大值归一化处理以将信号模型值转化到概率空间中，以获得概率化信号模型值。4.根据权利要求3所述的无源光网络中排查异常光网络单元的方法，其中，以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上进行加权，以获得分类特征图，包括：以所述终端设备的概率化信号模型值对所述网络流量特征图在终端设备的样本维度上的特征矩阵进行加权，以获得所述分类特征图。5.根据权利要求4所述的无源光网络中排查异常光网络单元的方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；将所述分类特征向量输入Softmax分类函数，以获得所述分类特征向量归属于所...

【专利技术属性】
技术研发人员：刘梦强，
申请(专利权)人：黎川县百晟科技有限公司，
类型：发明
国别省市：