[发明专利]一种识别光通道生命周期运维状态的方法与装置

权利要求书

1.一种识别光通道生命周期运维状态的方法，其特征在于，包括：

通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态；其中，所述历史数据包括拓扑结构数据、历史告警数据和历史性能数据；

通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集；

对所述已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后的数据进行训练，得到光通道生命周期运维状态识别模型；

针对待测光通道调用所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因；

所述针对待测光通道调用所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态，并根据对应的特征定位隐患位置和原因，具体为：

通过网管系统采集所述待测光通道的拓扑结构数据、实时告警数据和实时性能数据，并对采集的数据进行特征工程加工，得到多个特征值；

将加工后得到的多个特征值输入所述光通道生命周期运维状态识别模型，得到所述待测光通道的光通道生命周期运维状态；

当识别出光通道生命周期运维状态为亚健康时，根据输入的多个特征值确认出现异常的特征值，进而根据该特征值定位出现异常的单盘。

2.如权利要求1所述的识别光通道生命周期运维状态的方法，其特征在于，所述通过网管系统采集当前网络的历史数据，根据所述历史数据定义光通道生命周期运维状态，具体为：

通过网管系统对应的接口分别从数据库中获取当前网络的拓扑结构数据、历史告警数据和历史性能数据，并根据拓扑结构将历史告警数据和历史性能数据按照光通道维度进行关联；

通过对关联光通道后的历史告警数据和历史性能数据进行统计分析，结合运维经验和业务知识定义出光通道生命周期运维状态；其中，所述光通道生命周期运维状态包括业务中断、故障、亚健康和健康。

3.如权利要求2所述的识别光通道生命周期运维状态的方法，其特征在于，所述业务中断的标准为：发生无保护路径可切换的相关告警；

所述故障的标准为：发生日常关注的相关重要告警；

所述亚健康的标准为：监测的性能数据发生劣化，或发生非重要告警；

所述健康的标准为：监测的各项性能数据均正常，且无告警发生。

4.如权利要求1所述的识别光通道生命周期运维状态的方法，其特征在于，每个光通道包含多个单盘，则根据各状态的特征，通过主动学习对采集的历史数据进行样本标注，得到包含多个已标注数据的已标注样本集，具体为：

根据拓扑结构数据，将历史告警数据和历史性能数据按照单盘维度进行关联，形成待标注样本集；

从所述待标注样本集中挑选部分数据进行样本标注，并通过主动学习扩展得到包含多个已标注数据的已标注样本集。

5.如权利要求4所述的识别光通道生命周期运维状态的方法，其特征在于，所述通过主动学习扩展得到包含多个已标注数据的已标注样本集，具体为：

利用查询函数不断从待标注样本集中选择数据进行人工标注，将人工标注后的数据加入已标注样本集，并利用新标注的数据来训练主动学习模型和进行下一轮查询，直至所述已标注样本集中的数据量累积达到预设值。

6.如权利要求1所述的识别光通道生命周期运维状态的方法，其特征在于，所述对所述已标注样本集中的数据进行特征工程加工，并调用机器学习算法对加工后的数据进行训练，得到光通道生命周期运维状态识别模型，具体为：

根据每个光通道中单盘的类型和数量，对所述已标注样本集中的数据进行特征工程加工，得到包含多个特征值的特征输入训练集；

对所述特征输入训练集中的数据进行异常数据清洗；

调用机器学习算法对所述特征输入训练集中清洗后的数据进行训练，得到光通道生命周期运维状态识别模型。

7.如权利要求6所述的识别光通道生命周期运维状态的方法，其特征在于，所述机器学习算法为决策树、随机森林或adaboost。