光纤通讯设备AI远程监控方法及系统与流程
本发明涉及光纤通讯,尤其涉及光纤通讯设备ai远程监控方法及系统。
背景技术:
1、光纤通讯设备作为现代通信网络的基础设施,其运行稳定性直接关系到数据传输的质量与安全。在当前的远程监控实践中,常规做法通常采用集中式监控架构,由中心服务器统一采集各边缘节点的设备运行数据,并通过预设的固定阈值规则或基于统计模型的异常检测算法进行告警判断。这些数据被周期性地上传至云端或中心机房,由运维人员结合人工经验分析故障原因并制定处置方案。部分升级方案会引入简单的机器学习模型,如孤立森林或支持向量机,以替代静态阈值的局限性,但仍依赖中心化的训练与推理流程。
2、集中式监控架构存在明显的延迟瓶颈。海量边缘节点的数据需要经光纤网络长距离传输至中心节点,在带宽受限或网络拥塞场景下,数据的实时性无法得到保证,导致故障告警滞后于实际异常发生时间。此外,不同边缘节点的设备型号、运行环境差异显著,中心化模型难以有效捕捉局部独有的故障特征,容易出现漏报或误报。
3、此外,当前方法对复杂跨节点故障的识别能力不足,将每个节点视为独立监控对象,缺乏节点间异常模式的关联分析。当故障沿光纤链路逐级传播时,如级联光功率衰减或光模块劣化,现有系统无法自动追溯异常起源节点与传播路径,依赖人工逐节点排查降低处置效率。同时,处置策略的制定往往基于预设规则,难以根据节点实时计算资源与网络拓扑动态适配,导致资源分配失衡或处置动作冲突。
技术实现思路
1、本发明实施例提供光纤通讯设备ai远程监控方法及系统,能够解决现有技术中的问题。
2、本发明实施例的第一方面,提供光纤通讯设备ai远程监控方法,包括:
3、采集各边缘节点的光纤通讯设备的运行监测数据,生成运行监测数据集;
4、对所述运行监测数据集进行分布式特征编码,通过自适应基函数学习在各边缘节点本地提取表征设备故障模式的异常特征原子,并通过节点间的特征原子交换构建全局异常模式知识库;
5、基于所述全局异常模式知识库对当前运行状态进行模式匹配,生成异常置信度与异常溯源定位信息,所述异常溯源定位信息指示异常起源节点与传播链路;
6、根据所述异常置信度与异常溯源定位信息,通过多智能体协商框架在边缘节点间分解处置任务,并根据节点计算资源可用量与光纤网络连接拓扑分配处置责任,生成包含应急处置层与深度处置层的协同处置策略;
7、执行所述协同处置策略并采集反馈数据,利用所述反馈数据更新所述全局异常模式知识库。
8、对所述运行监测数据集进行分布式特征编码,通过自适应基函数学习在各边缘节点本地提取表征设备故障模式的异常特征原子,并通过节点间的特征原子交换构建全局异常模式知识库,包括:
9、对所述运行监测数据集进行经验模态分解获得本征模函数分量,计算各本征模函数分量的瞬时频率与瞬时幅值构建时频分布特征张量;
10、对所述时频分布特征张量进行三阶张量分解,通过交替最小二乘法求解核心张量与因子矩阵,将因子矩阵的归一化列向量作为候选基函数;
11、计算各候选基函数的条件熵与联合熵,提取条件熵与联合熵比值低于预设冗余度门限的基函数作为所述异常特征原子,记录各异常特征原子对应的张量分解系数与本征模函数分量索引;
12、对所述张量分解系数进行量化编码并附加循环冗余校验码,将编码结果与本征模函数分量索引封装为同步消息,并通过时分复用机制传输至其他边缘节点;
13、对接收到的同步消息进行循环冗余校验与解码,根据本征模函数分量索引将解码后的张量分解系数映射至对应的特征空间维度,按照边缘节点标识与特征空间维度建立二维映射表作为所述全局异常模式知识库。
14、对所述张量分解系数进行量化编码并附加循环冗余校验码,将编码结果与本征模函数分量索引封装为同步消息,并通过时分复用机制传输至其他边缘节点,包括:
15、统计所述张量分解系数中绝对值低于预设稀疏阈值的系数占比作为稀疏度指标,根据稀疏度指标调整量化器的零区宽度与非零区精度,对量化后系数进行位置索引标记生成稀疏量化表示;
16、从全局异常模式知识库中提取与当前本征模函数分量索引对应的其他边缘节点历史系数作为预测参考,计算稀疏量化表示与预测参考的残差向量,对残差向量的非零元素进行联合编码生成预测编码流;
17、将所述预测编码流按固定长度划分为多个编码段,对各编码段计算循环冗余校验值并插入至编码段尾部形成带分段校验的编码数据;
18、在同步消息的控制层插入边缘节点标识与稀疏度指标,在数据层插入本征模函数分量索引与带分段校验的编码数据,根据稀疏度指标与编码数据长度分配时隙宽度,在分配时隙内传输同步消息至其他边缘节点。
19、基于所述全局异常模式知识库对当前运行状态进行模式匹配,生成异常置信度与异常溯源定位信息,所述异常溯源定位信息指示异常起源节点与传播链路,包括:
20、获取当前运行监测数据并投影至所述全局异常模式知识库构成的特征空间,构建投影系数的时间演化轨迹,对所述时间演化轨迹进行分段线性拟合并提取斜率突变点作为异常演化关键时刻;
21、在各异常演化关键时刻提取各边缘节点的激活状态变化,统计各边缘节点发生状态翻转的时刻并进行时间间隔聚类分析,将聚类中心对应的边缘节点标记为传播关键节点;
22、构建传播关键节点之间的有向加权图,以异常演化关键时刻的时序先后确定有向边方向,以投影系数变化幅度确定边权重;
23、在所述有向加权图中搜索入度为零且出度最大的节点作为异常起源节点,从异常起源节点执行深度优先遍历并按边权重递减顺序选择路径,将遍历路径的节点序列作为异常传播链路;
24、将投影系数的范数与所述全局异常模式知识库中历史样本的范数进行分位数比较,根据分位数位置生成异常置信度,将异常置信度、异常起源节点标识及异常传播链路封装为所述异常溯源定位信息。
25、获取当前运行监测数据并投影至所述全局异常模式知识库构成的特征空间,构建投影系数的时间演化轨迹,对所述时间演化轨迹进行分段线性拟合并提取斜率突变点作为异常演化关键时刻,包括:
26、对所述当前运行监测数据进行时间窗口分割,将各时间窗口内的运行监测数据与所述异常特征原子进行内积运算生成投影系数向量,按时间顺序排列所述投影系数向量构成投影系数的时间演化轨迹;
27、对所述时间演化轨迹进行小波分解获得近似系数与细节系数,根据细节系数确定拟合尺度并对近似系数进行分段线性拟合;计算各拟合段的斜率差值并构建累积分布函数,提取所述累积分布函数的拐点作为候选突变点,对所述候选突变点进行前后窗口的方差比检验确认斜率突变点;
28、提取各斜率突变点对应的投影系数向量,根据投影系数向量的方向变化角度与模值变化率进行异常严重度分级,将分级结果与时间标记作为所述异常演化关键时刻。
29、根据所述异常置信度与异常溯源定位信息,通过多智能体协商框架在边缘节点间分解处置任务,并根据节点计算资源可用量与光纤网络连接拓扑分配处置责任,生成包含应急处置层与深度处置层的协同处置策略,包括:
30、根据所述异常置信度构建紧急度矩阵,根据所述异常溯源定位信息中的异常传播链路构建节点关联图,在所述节点关联图中为各边缘节点配置智能体并根据光纤网络连接拓扑建立通信链路;
31、各智能体根据所述紧急度矩阵与所属节点的计算资源可用量生成承载意愿值,通过通信链路向邻居智能体发送承载意愿值并接收邻居智能体的承载意愿值,根据接收到的承载意愿值与自身承载意愿值的差异度计算调整系数;
32、各智能体利用所述调整系数更新自身承载意愿值并进行多轮协商迭代,当全局承载意愿值分布达到纳什均衡状态时终止协商,根据最终承载意愿值对边缘节点进行分层聚类形成应急处置层与深度处置层;
33、在应急处置层中选择承载意愿值最高的边缘节点作为应急协调节点,在深度处置层中选择计算资源可用量最大的边缘节点作为深度协调节点,根据应急协调节点与深度协调节点之间的光纤链路带宽分配层间协同权重,将层间协同权重与各层内任务分配方案整合为所述协同处置策略。
34、各智能体利用所述调整系数更新自身承载意愿值并进行多轮协商迭代,当全局承载意愿值分布达到纳什均衡状态时终止协商,根据最终承载意愿值对边缘节点进行分层聚类形成应急处置层与深度处置层,包括:
35、各智能体记录连续迭代轮次中自身承载意愿值的变化轨迹,当检测到振荡波动时根据振荡幅度与振荡频率生成稳定性惩罚因子,利用所述稳定性惩罚因子对所述调整系数进行衰减处理后更新承载意愿值;
36、当所有智能体的承载意愿值变化幅度均低于协商收敛阈值时判定达到纳什均衡状态并终止协商;
37、提取所述节点关联图中各边缘节点的拓扑邻域连接数量与连接权重作为拓扑特征,将所述拓扑特征与最终承载意愿值共同作为聚类依据对边缘节点进行分层聚类,形成应急处置层与深度处置层;
38、当应急协调节点与深度协调节点之间的光纤链路时延超过协同时延阈值时,在应急处置层中重新选择满足所述协同时延阈值的边缘节点作为新的应急协调节点,根据新应急协调节点与深度协调节点之间的光纤链路带宽重新分配层间协同权重。
39、本发明实施例的第二方面,提供一种光纤通讯设备ai远程监控系统,包括:
40、采集单元,用于采集各边缘节点的光纤通讯设备的运行监测数据,生成运行监测数据集;
41、特征提取单元,用于对所述运行监测数据集进行分布式特征编码,通过自适应基函数学习在各边缘节点本地提取表征设备故障模式的异常特征原子,并通过节点间的特征原子交换构建全局异常模式知识库;
42、模式匹配单元,用于基于所述全局异常模式知识库对当前运行状态进行模式匹配,生成异常置信度与异常溯源定位信息,所述异常溯源定位信息指示异常起源节点与传播链路;
43、协同处置单元,用于根据所述异常置信度与异常溯源定位信息,通过多智能体协商框架在边缘节点间分解处置任务,并根据节点计算资源可用量与光纤网络连接拓扑分配处置责任,生成包含应急处置层与深度处置层的协同处置策略;
44、知识更新单元,用于执行所述协同处置策略并采集反馈数据,利用所述反馈数据更新所述全局异常模式知识库。
45、本发明实施例的第三方面,提供一种电子设备,包括:
46、处理器;
47、用于存储处理器可执行指令的存储器;
48、其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
49、本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
50、本发明通过在各边缘节点进行分布式特征编码与自适应基函数学习,从原始监测数据提取表征故障的异常特征原子,避免大量数据集中传输带来的网络拥塞与处理延迟,保护数据隐私。节点间特征原子交换构建全局异常模式知识库,实现故障知识共享互补,提升异常识别全面性与准确性。基于知识库模式匹配生成异常置信度与精准溯源定位信息,指示异常起源节点与传播链路,提供明确处置依据。
51、多智能体协商框架在边缘节点间高效分解处置任务,根据节点计算资源可用量与光纤网络拓扑动态分配处置责任,生成包含应急处置层与深度处置层的协同策略。应急处置层对紧急异常即时响应,阻断故障扩散;深度处置层针对复杂异常深入分析与修复,分层协同机制兼顾实时性与彻底性,避免单点过载与资源浪费,提升网络整体鲁棒性与运维效率。
52、执行协同处置策略后采集反馈数据,利用反馈数据持续更新全局异常模式知识库,形成闭环自优化,知识库随运行数据积累不断扩充精炼,异常识别能力逐步增强,适应设备老化、环境变化等动态因素,实现光纤通讯网络从被动维修向主动预防的转变。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com