翁先正,姜志鵬,蔡 勇,張 剛,饒倩胤,楊紅強(qiáng)

(中國移動(dòng)通信集團(tuán)貴州有限公司,貴州 貴陽 550081)

0 引言

近年來,網(wǎng)絡(luò)直播、在線教育、遠(yuǎn)程會(huì)議等數(shù)字業(yè)務(wù)伴隨著物聯(lián)網(wǎng)、云計(jì)算、5G移動(dòng)互聯(lián)網(wǎng)一起蓬勃發(fā)展,通信網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大,與之相伴的傳輸網(wǎng)的光模塊不斷向更高速率發(fā)展(25 G→50 G→200 G→400 G→800 G)發(fā)展,新型光模塊在推廣應(yīng)用初期,故障率也必然隨之升高。

1 光模塊運(yùn)維存在的問題

隨著網(wǎng)絡(luò)規(guī)模越來越大,局點(diǎn)數(shù)量越來越多,光模塊運(yùn)維面臨以下3個(gè)方面的挑戰(zhàn)。

1.1 故障無法提前預(yù)判

光模塊目前都是根據(jù)設(shè)定的DDM閾值,簡(jiǎn)單判斷出好與壞兩種結(jié)果。隨著器件的長時(shí)間使用,一些光模塊持續(xù)處于劣化趨勢(shì),這種劣化的趨勢(shì)無法識(shí)別,只有達(dá)到閾值后才會(huì)產(chǎn)生告警。這種情況下,業(yè)務(wù)故障會(huì)突然觸發(fā)。此外,多數(shù)閾值均比較寬泛,單純閾值不能做到準(zhǔn)確預(yù)警。

1.2 故障處理時(shí)限長

某些場(chǎng)景下,當(dāng)光模塊失效后,如業(yè)務(wù)無法繞轉(zhuǎn)故障光模塊所在端口,將直接導(dǎo)致業(yè)務(wù)受損。這時(shí),往往只能更換光模塊進(jìn)行故障修復(fù)。故障處理時(shí)限往往受備件儲(chǔ)備量、備件到達(dá)時(shí)間、備件替換操作時(shí)間等因素影響。若故障光模塊為骨干匯聚節(jié)點(diǎn)的業(yè)務(wù)匯聚端口,則影響范圍較大,將給電信運(yùn)營商造成重大損失。

1.3 用戶滿意度低

光模塊長時(shí)間運(yùn)行,尤其在惡劣環(huán)境下會(huì)引起光器件的性能衰減從而導(dǎo)致鏈路不穩(wěn)定。而這種不穩(wěn)定的亞健康狀態(tài)既沒有故障告警,又影響數(shù)據(jù)收發(fā)的完整性。傳統(tǒng)手段無法在光模塊已劣化、故障之前及時(shí)識(shí)別風(fēng)險(xiǎn)并進(jìn)行預(yù)警。而光模塊這種亞健康狀態(tài)會(huì)導(dǎo)致網(wǎng)絡(luò)提供的業(yè)務(wù)服務(wù)質(zhì)量下降,影響客戶感知。

針對(duì)現(xiàn)狀,構(gòu)建光模塊智能運(yùn)維系統(tǒng),可以提前識(shí)別光模塊狀態(tài)及運(yùn)行風(fēng)險(xiǎn),主動(dòng)做好預(yù)防性維護(hù),避免業(yè)務(wù)受損或降質(zhì)事件發(fā)生。

2 智能運(yùn)維系統(tǒng)實(shí)現(xiàn)

2.1 系統(tǒng)總體設(shè)計(jì)

光模塊失效預(yù)警系統(tǒng)整體設(shè)計(jì)如圖1所示。針對(duì)海量光模塊性能數(shù)據(jù)采用AI技術(shù)和大數(shù)據(jù)技術(shù)進(jìn)行學(xué)習(xí)和訓(xùn)練,建立光模塊失效算法模型,并結(jié)合現(xiàn)網(wǎng)光模塊數(shù)據(jù)不斷優(yōu)化模型和算法,最終輸出光模塊健康狀態(tài)分析結(jié)果。運(yùn)維人員可調(diào)用分析結(jié)果,在光模塊失效前進(jìn)行風(fēng)險(xiǎn)預(yù)判,對(duì)于高中風(fēng)險(xiǎn)狀態(tài)的光模塊可考慮直接更換,避免出現(xiàn)業(yè)務(wù)故障后引起的用戶投訴。

圖1 光模塊失效預(yù)警系統(tǒng)整體設(shè)計(jì)

對(duì)整個(gè)系統(tǒng)網(wǎng)絡(luò)中的光模塊進(jìn)行類型、批次、性能的聚類分析,識(shí)別出有不同類別隱患風(fēng)險(xiǎn)的光模塊,并作為網(wǎng)絡(luò)巡檢數(shù)據(jù)提供給運(yùn)維人員進(jìn)行風(fēng)險(xiǎn)跟蹤及介入處理。如圖2所示,系統(tǒng)首先對(duì)模塊的狀態(tài)進(jìn)行分析分類,其次對(duì)亞健康模塊進(jìn)行風(fēng)險(xiǎn)分布統(tǒng)計(jì),并持續(xù)進(jìn)行風(fēng)險(xiǎn)跟蹤:(1)當(dāng)模塊風(fēng)險(xiǎn)等級(jí)持續(xù)變高時(shí),則表明模塊會(huì)逐步失效,系統(tǒng)會(huì)指示人工介入處理;(2)對(duì)于已處于損壞模式的模塊,系統(tǒng)會(huì)指示人工介入處理;(3)同時(shí)對(duì)故障模塊進(jìn)行批次、故障模式記錄并進(jìn)行同批次模塊的故障跟蹤,當(dāng)發(fā)現(xiàn)有批次質(zhì)量風(fēng)險(xiǎn)后,系統(tǒng)會(huì)提示該批次風(fēng)險(xiǎn),指示人工介入處理。

圖2 光模塊風(fēng)險(xiǎn)及故障處理環(huán)節(jié)

2.2 AI算法實(shí)現(xiàn)

本文通過采集海量光模塊性能數(shù)據(jù),對(duì)光模塊的性能指標(biāo)進(jìn)行提取,對(duì)各項(xiàng)指標(biāo)進(jìn)行閾值判定、趨勢(shì)分析以及數(shù)據(jù)性能波動(dòng)分析,構(gòu)建光模塊鏈接網(wǎng)絡(luò)地圖,建立光模塊失效分析算法多維度AI訓(xùn)練模型和特征信息庫模型。只需輸入一段時(shí)間的待分析光模塊數(shù)據(jù),即可輸出光模塊健康狀態(tài)(已損壞、亞健康、正常)。

AI算法具有自動(dòng)學(xué)習(xí)的功能,依據(jù)光模塊狀態(tài)的反饋,不斷對(duì)算法閾值、趨勢(shì)、波動(dòng)等分析算法各項(xiàng)參數(shù)進(jìn)行修正,如圖3所示。分析模塊數(shù)據(jù)越多,匹配度越好,算法準(zhǔn)確率就越高。

圖3 AI智能狀態(tài)診斷系統(tǒng)架構(gòu)

2.2.1 光模塊特征信息庫提取和AI分析

建立光模塊初始特征信息庫,通過機(jī)器學(xué)習(xí)方式,不斷對(duì)信息庫進(jìn)行修正和擴(kuò)充。算法優(yōu)化期間要不斷地將光模塊分析數(shù)據(jù)和在網(wǎng)模塊進(jìn)行數(shù)據(jù)匹配,不斷對(duì)算法進(jìn)行優(yōu)化,分析模塊數(shù)據(jù)越多,匹配度越好,算法準(zhǔn)確率就越高。本文針對(duì)提取到的光模塊性能指標(biāo)建立光模塊失效分析算法模型,并結(jié)合AI對(duì)各項(xiàng)指標(biāo)進(jìn)行閾值判定、趨勢(shì)分析和數(shù)據(jù)性能波動(dòng)分析。

(1)光模塊特征提取。

①AI閾值分析。AI模型中加入閾值分析,如損壞門限、有風(fēng)險(xiǎn)門限等,超過對(duì)應(yīng)閾值,則報(bào)不同的光模塊狀態(tài)。

②AI趨勢(shì)分析。如圖4所示,AI模型中加入性能趨勢(shì)分析,對(duì)數(shù)據(jù)進(jìn)行持續(xù)跟蹤,抓取模塊的動(dòng)態(tài)趨勢(shì),如持續(xù)發(fā)生劣化,處于不同劣化區(qū)間,報(bào)不同的光模塊狀態(tài)[1-2]。

圖4 AI趨勢(shì)分析

針對(duì)性能數(shù)據(jù),假設(shè)數(shù)據(jù)的采樣時(shí)間為t,取數(shù)據(jù)值Y(t),選取其前后各N個(gè)數(shù)據(jù)做為數(shù)據(jù)聚合計(jì)算和生成特征數(shù)據(jù)的窗口,性能數(shù)據(jù)指標(biāo)分別為Y(-N),Y(1-N),Y(2-N),…,Y(N-1), 針對(duì)該2N個(gè)值進(jìn)行算術(shù)平均獲得Paverage數(shù)據(jù),然后將針對(duì)2N個(gè)點(diǎn)與平均數(shù)據(jù)進(jìn)行偏離計(jì)算,如ΔP1=Average(Y(-N)～Y(-1))-Paverage、ΔP2=Average(Y(0)～Y(N-1))-Paverage,獲得偏離實(shí)際值ΔP1,ΔP2,然后Δ=ΔP2-ΔP1,則獲得性能的趨勢(shì)數(shù)據(jù),循環(huán)往復(fù),則可獲取性能趨勢(shì)數(shù)據(jù)。

③AI波動(dòng)分析。AI模型加入對(duì)性能量的跟蹤分析,分析動(dòng)態(tài)波動(dòng),在環(huán)境穩(wěn)定情況下,波動(dòng)應(yīng)該在一定范圍,超出該范圍,則可認(rèn)為模塊或鏈路有故障,需告警以提示模塊的狀態(tài)或者鏈路的狀態(tài)。

采用ARIMA的算法[1-2]進(jìn)行實(shí)現(xiàn)。采用光模塊性能量的差分值進(jìn)行光模塊的波動(dòng)分析。

ifd=0,yt=Yt

ifd=1,yt=Yt-Yt-1

④AI性能劣化分析。將模塊長期運(yùn)行后的數(shù)據(jù)與模塊初始值進(jìn)行類比分析,當(dāng)性能量劣化到一定情況時(shí),給出模塊的對(duì)應(yīng)狀態(tài)[3-4]。

基于光模塊性能的劣化趨勢(shì)特性滿足指數(shù)發(fā)展規(guī)律,結(jié)合各性能量特征的多個(gè)維度,采用非線性回歸的方式,可以判定N小時(shí)后光模塊是否正常工作。

根據(jù)運(yùn)行時(shí)間和性能劣化之間的關(guān)系,可換算出光模塊正常運(yùn)行狀態(tài)時(shí)間。

(2)光模塊特征工程。

針對(duì)歷史故障,提取出故障的數(shù)據(jù)特征,并放入特征工程庫[5-6]。通過AI多維訓(xùn)練模型不斷提煉并豐富故障特征信息庫,從而提升光模塊的故障診斷準(zhǔn)確率和故障診斷覆蓋率,如圖5所示。

圖5 光模塊特征工程

2.2.2 光模塊狀態(tài)判定

AI組網(wǎng)分析將光模塊的收端、發(fā)端、光纖、連接器等都考慮進(jìn)去,聯(lián)合光模塊的性能量特征,與光模塊鏈路故障特征信息庫進(jìn)行比對(duì)以確認(rèn)鏈路的狀態(tài),確定故障發(fā)生的位置[7]。通過相應(yīng)的模型判定,最后光模塊狀態(tài)自動(dòng)輸出為已損壞、亞健康或正常。

2.2.3 光模塊狀態(tài)顯示及長期跟蹤

系統(tǒng)通過看板形式可呈現(xiàn)光模塊各項(xiàng)性能的風(fēng)險(xiǎn)趨勢(shì),如圖6所示,按時(shí)間維度區(qū)分模塊類型,展示過往識(shí)別出的風(fēng)險(xiǎn)模塊數(shù)量。

圖6 光模塊性能趨勢(shì)分析

系統(tǒng)通過圖表的形式可展示當(dāng)前全網(wǎng)在監(jiān)控中的模塊狀態(tài),如圖7所示。模塊狀態(tài)分為4種:未投入分析、正常、亞健康、故障。風(fēng)險(xiǎn)分布統(tǒng)計(jì)即將風(fēng)險(xiǎn)模塊所屬種類及對(duì)應(yīng)種類模塊的基數(shù)進(jìn)行對(duì)比展示,統(tǒng)計(jì)批次故障信息。

圖7 光模塊狀態(tài)和風(fēng)險(xiǎn)分布統(tǒng)計(jì)

2.3 應(yīng)用成效

光模塊智能運(yùn)維系統(tǒng)在現(xiàn)網(wǎng)部署后,經(jīng)過一年的算法智能演練和學(xué)習(xí),光模塊預(yù)警分析準(zhǔn)確率達(dá)到90%的預(yù)定目標(biāo),發(fā)現(xiàn)了67個(gè)低風(fēng)險(xiǎn)光模塊,3個(gè)高風(fēng)險(xiǎn)光模塊,如表1—2所示,有效支撐網(wǎng)絡(luò)穩(wěn)定運(yùn)行及業(yè)務(wù)安全保障。

表1 光模塊預(yù)警算法演練結(jié)果(1)

表2 光模塊預(yù)警算法演練結(jié)果(2)

3 結(jié)語

基于采集海量光模塊性能數(shù)據(jù)分析,并利用AI算法開發(fā)的光模塊智能運(yùn)維系統(tǒng),實(shí)現(xiàn)對(duì)光模塊劣化趨勢(shì)的可視化分析,支撐從被動(dòng)響應(yīng)式運(yùn)維向預(yù)測(cè)主動(dòng)性運(yùn)維的轉(zhuǎn)變,對(duì)提升光傳輸網(wǎng)的運(yùn)行穩(wěn)定和業(yè)務(wù)感知體驗(yàn)起到重要提升作用。本文中提到的光模塊智能運(yùn)維系統(tǒng)對(duì)光模塊網(wǎng)絡(luò)拓?fù)溥M(jìn)行還原,基于系統(tǒng)的分析而不是基于光模塊單點(diǎn)分析,使得光模塊狀態(tài)分析更加準(zhǔn)確,隨著光模塊資源池的增加,風(fēng)險(xiǎn)特征庫不斷增加,會(huì)使得故障分析更加精準(zhǔn)。