本公开涉及光通信领域,尤其涉及一种光模块风险确定方法、装置、设备及存储介质。
背景技术:
1、在大型计算机网络中,交换机作为实现同种类型或不同类型的网络连通的硬件设备,例如连接以太网和快速以太网,是网络中必不可少的设备。光纤通信网络中,交换机通常通过其内插入的光模块来实现设备间的光通信,光模块的正常运行对整个光纤通信网络至关重要。若网络中多个光模块或关键光模块发生故障,可能会导致整个光纤通信网络故障甚至是瘫痪。
2、对光模块的故障预测方法主要有两种。第一种,利用网管系统,通过硬件故障或告警门限划分来监测光模块问题;第二种是通过机器学习方式分析历史数据如偏置电流、发射功率、温度等数据,来确定各个参数的变化幅度是否超过了既定的范围,从而预测出未来可能出现的问题。
3、目前,对光模块的故障预测的准确率较低。
技术实现思路
1、本公开提供一种光模块风险确定方法、装置、设备及存储介质,以至少解决现有对光模块的故障预测的准确率较低的问题。
2、本公开的技术方案如下:
3、本公开实施例提供一种光模块风险确定方法,包括:
4、获取光模块的运行状态参数,所述运行状态参数包括:偏置电流和温度;
5、将所述运行状态参数输入风险预测模型中,得到所述光模块的第一风险预测等级;
6、根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级;
7、根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级。
8、可选地,所述根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级,包括:
9、根据设定周期内的所述偏置电流,计算电流变化率;
10、根据所述设定周期内的所述温度,计算温度变化率;
11、根据所述电流变化率和所述温度变化率,计算热敏感系数;
12、根据所述热敏感系数,确定所述光模块的所述第二风险预测等级。
13、可选地,所述第一风险预测等级为第一等级值,所述第二风险预测等级为第二等级值,所述根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级,包括:
14、将所述第一等级值和第二等级值的乘积,作为目标等级值;
15、根据所述目标等级值,查询等级值和风险等级的映射关系表,得到所述目标风险等级。
16、可选地,在所述根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级之后,所述方法还包括:
17、统计设定时间段内的所述目标风险等级为巨大风险等级或者中风险等级的天数;
18、在所述天数大于设定天数阈值的情况下,将统计结果发送至干管理终端,以供所述管理终端展示所述统计结果。
19、可选地,所述风险预测模型的训练过程包括:
20、收集原始运行状态参数;
21、对所述原始运行状态参数进行数据清洗,得到清洗后的运行状态参数;
22、对所述清洗后的运行状态参数进行离散化以及数据标注,得到训练样本集;
23、根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型。
24、可选地,所述根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型,包括:
25、计算所述训练样本集的总熵值,所述训练样本集包括:多个样本运行状态参数;
26、计算每个所述样本运行参数的各参数子集的信息熵;
27、根据每个所述样本运行参数的各参数子集的所述信息熵,计算每个所述样本运行参数的条件熵;
28、根据每个所述样本运行参数的所述条件熵和所述总熵值,计算每个所述样本运行参数的信息增益;
29、根据每个所述样本运行参数的所述信息增益进行决策树的节点构建,得到所述初始决策树;
30、对所述初始决策树进行训练,得到所述风险预测模型。
31、本公开实施例还提供一种光模块风险确定装置,包括:
32、获取模块,获取光模块的运行状态参数,所述运行状态参数包括:偏置电流和温度;
33、模型模块,将所述运行状态参数输入风险预测模型中,得到所述光模块的第一风险预测等级;
34、第一确定模块,根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级;
35、第二确定模块,根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级。
36、可选地,所述第一确定模块在根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级时,用于:
37、根据设定周期内的所述偏置电流,计算电流变化率;
38、根据所述设定周期内的所述温度,计算温度变化率;
39、根据所述电流变化率和所述温度变化率,计算热敏感系数;
40、根据所述热敏感系数,确定所述光模块的所述第二风险预测等级。
41、可选地,所述第一风险预测等级为第一等级值,所述第二风险预测等级为第二等级值,所述第二确定模块在根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级时,用于:
42、将所述第一等级值和第二等级值的乘积,作为目标等级值;
43、根据所述目标等级值,查询等级值和风险等级的映射关系表,得到所述目标风险等级。
44、可选地,所述第二确定模块在根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级之后,还可用于:
45、统计设定时间段内的所述目标风险等级为巨大风险等级或者中风险等级的天数;
46、在所述天数大于设定天数阈值的情况下,将统计结果发送至干管理终端,以供所述管理终端展示所述统计结果。
47、可选地,所述风险预测模型的训练过程包括:
48、收集原始运行状态参数;
49、对所述原始运行状态参数进行数据清洗,得到清洗后的运行状态参数;
50、对所述清洗后的运行状态参数进行离散化以及数据标注,得到训练样本集;
51、根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型。
52、可选地,所述模型模块在根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型时,用于:
53、计算所述训练样本集的总熵值,所述训练样本集包括:多个样本运行状态参数;
54、计算每个所述样本运行参数的各参数子集的信息熵;
55、根据每个所述样本运行参数的各参数子集的所述信息熵,计算每个所述样本运行参数的条件熵;
56、根据每个所述样本运行参数的所述条件熵和所述总熵值,计算每个所述样本运行参数的信息增益;
57、根据每个所述样本运行参数的所述信息增益进行决策树的节点构建,得到所述初始决策树;
58、对所述初始决策树进行训练,得到所述风险预测模型。
59、本公开实施例还提供一种电子设备,包括:
60、处理器;
61、用于存储所述处理器可执行指令的存储器;
62、其中,所述处理器被配置为执行所述指令,以实现如上述的方法中的各步骤。
63、本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的方法中的各步骤。
64、本公开实施例还提供一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现上述的方法中的各步骤。
65、本公开的实施例提供的技术方案至少带来以下有益效果:
66、在本公开的一些实施例中,获取光模块的运行状态参数,运行状态参数包括:偏置电流和温度;将运行状态参数输入风险预测模型中,得到光模块的第一风险预测等级;根据偏置电流和温度,确定光模块的第二风险预测等级;根据第一风险预测等级和第二风险预测等级,进而确定光模块的目标风险等级,提高光模块的故障预测的准确率。
67、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
1.一种光模块风险确定方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级,包括:
3.根据权利要求1所述的方法,其特征在于,所述第一风险预测等级为第一等级值,所述第二风险预测等级为第二等级值,所述根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级,包括:
4.根据权利要求1所述的方法,其特征在于,在所述根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级之后,所述方法还包括:
5.根据权利要求1所述的方法,其特征在于,所述风险预测模型的训练过程包括:
6.根据权利要求5所述的方法,其特征在于,所述根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型,包括:
7.一种光模块风险确定装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,所述第一确定模块在根据所述偏置电流和所述温度,确定所述光模块的第二风险预测等级时,用于:
9.根据权利要求7所述的装置,其特征在于,所述第一风险预测等级为第一等级值,所述第二风险预测等级为第二等级值,所述第二确定模块在根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级时,用于:
10.根据权利要求7所述的装置,其特征在于,所述第二确定模块在根据所述第一风险预测等级和所述第二风险预测等级,确定所述光模块的目标风险等级之后,还可用于:
11.根据权利要求7所述的装置,其特征在于,所述风险预测模型的训练过程包括:
12.根据权利要求11所述的装置,其特征在于,所述模型模块在根据所述训练样本集,对所述初始决策树进行训练,得到所述风险预测模型时,用于:
13.一种电子设备,其特征在于,包括:
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法中的各步骤。
15.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1-6中任一项所述的方法中的各步骤。