大流量通信環(huán)境下的網(wǎng)絡(luò)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(lián)網(wǎng)科技的進步企業(yè)網(wǎng)絡(luò)通信已經(jīng)成為智能電網(wǎng)發(fā)展中不可缺少的一部分，通過對網(wǎng)絡(luò)運維的優(yōu)化管理可以提升電力企業(yè)運營的安全性和可靠性，使電力企業(yè)向著新型智慧電網(wǎng)系統(tǒng)發(fā)展，極大提升企業(yè)運營能力。針對企業(yè)通信的風險評估技術(shù)日漸成熟，其發(fā)展過程經(jīng)歷了從電網(wǎng)通信自然災害風險評估，到基于層次分析的電網(wǎng)風險評估，再到基于指標體系的風險評估，以及近幾年發(fā)展迅猛的基于人工智能算法神經(jīng)網(wǎng)絡(luò)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(tǒng)安全風險進行定性和定量分析評估[4-8]。付沙等人，在總結(jié)電力通信網(wǎng)安全風險分析結(jié)果和遵循指標設(shè)計方案的基礎(chǔ)上，提出了基于安全風險模型的指標設(shè)計方案[9,10]。潘亮亮等人將深度學習引入電力骨干通信網(wǎng)，并利用神經(jīng)網(wǎng)絡(luò)算法，對網(wǎng)絡(luò)常見故障進行特征值提取并進行訓練，最終實現(xiàn)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(wǎng)絡(luò)風險預警力。

本文結(jié)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(wǎng)絡(luò)運維的預警指標體系。利用某省級電網(wǎng)企業(yè)半年內(nèi)網(wǎng)絡(luò)運維數(shù)據(jù)進行預警分析，并在此基礎(chǔ)上采用神經(jīng)網(wǎng)絡(luò)算法對指標權(quán)重和閾值進行訓練，使之可以進行日常的網(wǎng)絡(luò)運營預警，協(xié)助運維系統(tǒng)監(jiān)控和預測運維網(wǎng)絡(luò)常見風險事件，提升運維服務(wù)質(zhì)量。

1 感知預警指標的建立

目前，企業(yè)通信網(wǎng)絡(luò)主要是從設(shè)備層面和網(wǎng)絡(luò)層面對通信網(wǎng)進行實時監(jiān)視和故障處理，以保障電網(wǎng)通信業(yè)務(wù)的正常運行。本文所主要研究的是電網(wǎng)通信風險中的通道壓力指標，這部分主要由段面級、業(yè)務(wù)級、網(wǎng)絡(luò)級以及可用性4部分組成。段面級從設(shè)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(yè)務(wù)級從關(guān)鍵業(yè)務(wù)同設(shè)備比和同軸心比進行指標分析。網(wǎng)絡(luò)級主要根據(jù)網(wǎng)絡(luò)日志進行數(shù)據(jù)分析以實現(xiàn)其指標的量化。可用性主要分析設(shè)備及鏈路的運營情況，具體量化參數(shù)可以使用設(shè)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(shù)據(jù)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(shù)據(jù)壓縮手段對上述4級指標進行實時動態(tài)的判定，采用神經(jīng)網(wǎng)絡(luò)算法進行數(shù)據(jù)預測研究，最終形成電網(wǎng)信息通信系統(tǒng)的主動預警。

2 電網(wǎng)通信風險預測模型

本文采用基于深度學習的神經(jīng)網(wǎng)絡(luò)作為預測模型進行研究。該方法的自組織和自適應(yīng)能力較好，且不易產(chǎn)生局部最優(yōu)，比較適合電力通信運維數(shù)據(jù)的特點，具體邏輯結(jié)構(gòu)見圖2。

圖2 神經(jīng)網(wǎng)絡(luò)邏輯結(jié)構(gòu)

假設(shè)模型輸入點個數(shù)為n，輸出點個數(shù)為m，隱含層節(jié)點為s（s=2n+1），并確定輸入層的段面指標、業(yè)務(wù)指標、網(wǎng)絡(luò)指標以及可用性指標的賦值，經(jīng)過運算輸出值即為該系統(tǒng)的風險值。其中n=14，s=29，m=1，輸出函數(shù)為：

先按照算法中的權(quán)重給初始值進行隨機賦值，當產(chǎn)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(jù)各層輸入、輸出即誤差函數(shù)的計算值算出權(quán)重和警戒值的調(diào)整量，并對這兩個參數(shù)進行相應(yīng)調(diào)整。若當前樣本保持不變，則可以持續(xù)進行輸入訓練，逐步提升系統(tǒng)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(quán)重值及警戒值進行調(diào)整，最終達到適宜于預測預警的取值范圍。經(jīng)過相當數(shù)量樣本訓練后可以將原指標體系中段面級涉及的指標、網(wǎng)絡(luò)層涉及的指標、業(yè)務(wù)級涉及的指標以及可用性指標作為輸入，最終輸出系統(tǒng)的風險預警值。

3 基于神經(jīng)網(wǎng)絡(luò)的企業(yè)通信運維網(wǎng)風險仿真分析系統(tǒng)

本文的研究采用基于矩陣運算的MATLAB來進行計算分析，網(wǎng)絡(luò)中接入61個網(wǎng)元進行計算分析，數(shù)據(jù)引入某省公司半年的運營數(shù)據(jù)，數(shù)據(jù)類型包括所有生產(chǎn)與管理相關(guān)數(shù)據(jù)，主體傳輸結(jié)構(gòu)為24芯光纖，辦公區(qū)和變電站設(shè)置48芯管道光纜。以以往經(jīng)驗可知，一條線路承載的業(yè)務(wù)類型不可過多，否則將會導致風險增加，故設(shè)計業(yè)務(wù)類型小于16條。通過對某省企業(yè)半年營業(yè)數(shù)據(jù)調(diào)研可知，段面指標主要由端口、設(shè)備以及光纖壓力決定，業(yè)務(wù)指標主要由業(yè)務(wù)同設(shè)備比例、同軸芯比例以及同纜比例決定，網(wǎng)絡(luò)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(shè)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(shù)據(jù)進行歸一化處理。

網(wǎng)絡(luò)運維風險分析架構(gòu)圖4所示，系統(tǒng)功能由數(shù)據(jù)采集層、資源管理層、應(yīng)用管理層及仿真功能層4層組成。其中數(shù)據(jù)采集層通過對現(xiàn)有系統(tǒng)中各功能模塊的鏈接實現(xiàn)數(shù)據(jù)采集并傳輸至資源管理層。資源管理層通過網(wǎng)絡(luò)鏈接實時更新源數(shù)據(jù)劇，并對仿真資源進行管理。應(yīng)用管理層對段面級參數(shù)、設(shè)備壓力參數(shù)、端口壓力參數(shù)、光纖壓力參數(shù)、業(yè)務(wù)級參數(shù)、關(guān)鍵業(yè)務(wù)同設(shè)備比例、關(guān)鍵業(yè)務(wù)同軸芯比例、關(guān)鍵業(yè)務(wù)同纜比例、網(wǎng)絡(luò)級參數(shù)、管理日志量化參數(shù)、可用性參數(shù)、設(shè)備可用率以及鏈路可用率13種參數(shù)進行分類并進行分析。仿真層進行基于13種指標參數(shù)的深度學習輸出預警，最終實現(xiàn)對整個電力通信運維網(wǎng)絡(luò)的預警。

圖4 網(wǎng)絡(luò)運維風險分析架構(gòu)

4 仿真結(jié)果分析

為了驗證神經(jīng)網(wǎng)絡(luò)預警的準確程度，本文通過某省電網(wǎng)企業(yè)半年數(shù)據(jù)進了驗證試驗，分別對負載較大、單點故障、突發(fā)業(yè)務(wù)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(jīng)網(wǎng)絡(luò)輸出的預警值差異驗證神經(jīng)網(wǎng)絡(luò)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(shù)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(wǎng)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(fā)單點故障下的實際值與預警值比較如圖6所示。當在突發(fā)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(shù)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(wǎng)通信突發(fā)單點故障時的預警需求。

圖6 突發(fā)單點故障下的實際值與預警值比較

突發(fā)業(yè)務(wù)情況下的實際值與預警值比較如圖7所示。當在突發(fā)業(yè)務(wù)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(shù)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(wǎng)通信突發(fā)業(yè)務(wù)時的預警需求。

圖7 突發(fā)業(yè)務(wù)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(shù)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(wǎng)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(jīng)過神經(jīng)網(wǎng)絡(luò)學習的預警系統(tǒng)可以滿足運營常見的4種工況下的閥值預測，可以協(xié)助電力通信運維網(wǎng)絡(luò)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(jié) 論

本文將風險評估技術(shù)應(yīng)用于通信網(wǎng)支撐系統(tǒng)，通過構(gòu)建完備的指標體系，開發(fā)了一套通信網(wǎng)支撐系統(tǒng)風險評估軟件，可準確自動地實現(xiàn)對電力通信網(wǎng)支撐系統(tǒng)模塊的風險值計算。通過對現(xiàn)有電力網(wǎng)絡(luò)運維系統(tǒng)影響因素調(diào)查及分析，結(jié)合專家系統(tǒng)評分，建立了網(wǎng)絡(luò)運維風險指標體系，并從段面、業(yè)務(wù)、網(wǎng)絡(luò)以及可用性4個緯度進行指標分解與量化。在量化基礎(chǔ)上將指標體系權(quán)重賦值與神經(jīng)網(wǎng)絡(luò)相結(jié)合，進行權(quán)重賦值訓練以提升權(quán)重準確性，并根據(jù)不同風險等級與工況進行方針驗證，通過對比企業(yè)網(wǎng)絡(luò)運維半年數(shù)據(jù)驗證了仿真預警數(shù)值與真實輸出的吻合程度滿足企業(yè)對于日常網(wǎng)絡(luò)運維的需求。目前該預警系統(tǒng)初步開發(fā)工作已經(jīng)結(jié)束，在某省公司進行試驗應(yīng)用，待應(yīng)用效果成熟后將進一步在企業(yè)內(nèi)部進行推廣，以提高企業(yè)網(wǎng)絡(luò)運維的整體服務(wù)質(zhì)量。