故障处理方法、装置、网络设备和存储介质与流程

1.本发明实施例涉及但不限于光网络通信领域，具体而言，涉及但不限于一种故障处理方法、装置、网络设备和存储介质。


背景技术：

2.随着通信技术的不断发展，为了满足广大用户对综合通信业务、多媒体通信业务等宽带业务的需求，光通信网络的应用越来越广泛，它的出现很好的解决了通信网络中传输系统的带宽制约瓶颈。
3.光模块作为光电信号转换的关键部件，是连接光网络的重要设备，随着光网络的不断部署，光模块的使用量越来越大。光模块一旦出现故障，会直接影响业务质量，甚至导致业务中断。虽然光模块设备的故障率很低，但是由于其在现网的存量往往是十万，乃至百万级，因此其故障数量依然很高；而且，出现故障的地域分布随机，如果出现故障，运维人员往往无法第一时间进行修复。总之，给运营商带来非常高的运维成本。因此，对光模块的故障检测成为一个必要的手段。但相关技术中，光模块故障检测还存在一些难题。首先，不同厂商的光模块往往设计存在差异，导致其故障现象有差异，用统一的检测手段无法涵盖所有型号。另外，目前的主要检测手段只通过某个单一指标，比如温度，电流等，设定某些阈值来进行检测，而这些指标受外部环境影响，用同一套阈值在不同时间检测效果差异很大。因此，相关技术中，缺乏一种普适性的光模块故障检测方案，使得光模块的运维成本始终居高不下。


技术实现要素：

4.本发明实施例提供的故障处理方法、装置、网络设备和存储介质，主要解决的技术问题是相关技术中，光模块故障检测方案普适性低，光模块运维成本高的问题。
5.为解决上述技术问题，本发明实施例提供一种故障处理方法，包括：
6.按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的所述光模块在出现故障的情况下，发生突变的历史数据；
7.从所述发生突变的历史数据中，提取对应的原始故障数据；
8.根据所述原始故障数据，按照光模块的型号进行故障模型训练。
9.本发明实施例还提供一种故障处理装置，包括：
10.数据分析模块，用于按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的所述光模块在出现故障的情况下，发生突变的历史数据；
11.故障提取模块，用于从所述发生突变的历史数据中，提取对应的原始故障数据；
12.模型训练模块，用于根据所述原始故障数据，按照光模块的型号进行故障模型训练。
13.本发明实施例还提供一种网络设备，包括处理器、存储器、及通信总线；
14.所述通信总线用于实现处理器和存储器之间的连接通信；
15.所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现上述的故障处理方法的步骤。
16.本发明实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的故障处理方法的步骤。
17.根据本发明实施例提供的故障处理方法、装置、网络设备和存储介质，按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的光模块在出现故障的情况下，发生突变的历史数据；从发生突变的历史数据中，提取对应的原始故障数据；根据原始故障数据，按照光模块的型号进行故障模型训练。从而，通过按照光模块的型号进行划分，提升了采集故障光模块的历史数据的灵活性，并进一步提升了故障检测的适用范围，有效的降低了光模块的运维成本。
18.本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明，且应当理解，至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
19.图1为本发明实施例一的故障处理方法流程图；
20.图2为本发明实施例二的故障处理方法流程图；
21.图3为本发明实施例三的故障处理方法的部署流程图；
22.图4为本发明实施例四的故障处理方法检测光模块故障流程图；
23.图5为本发明实施例五的故障处理方法的监控更新流程图；
24.图6为本发明实施例六的故障处理装置组成示意图；
25.图7为本发明实施例六的故障处理系统组成示意图；
26.图8为本发明实施例七的网络设备组成示意图。
具体实施方式
27.为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
28.实施例一：
29.本实施例提供了一种故障处理方法，请参见图2，该方法包括：
30.s101、按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的光模块在出现故障的情况下，发生突变的历史数据；
31.s102、从发生突变的历史数据中，提取对应的原始故障数据；
32.s103、根据原始故障数据，按照光模块的型号进行故障模型训练。
33.为了本实施例中的光模块的故障处理方法的适用性，对于各种厂商所生产的光模块均能很好的应用，本实施例中，是按照光模块的型号对光模块的历史数据进行分析，也就是对于不同型号的光模块而言，其历史数据的分析结果是不同的。光模块的故障成因和故障效果可能是差不多的，但是其在故障时的数据变化，对于不同型号的光模块而言很可能是不同的，这就带来了光模块的历史数据分析结果中，其发生突变的历史数据的差异性。本
实施例中，正是考虑到了这部分差异性，按照光模块的型号来进行分析，得到对于不同型号的光模块而言，其发生故障时发生突变的历史数据。
34.其中，发生突变的历史数据，表示该历史数据在光模块发生故障时短时间内，其指标明显的变化，可以是明显的升高，或者是明显的降低，在光模块故障检测问题中，可以定义为“在光模块的历史数据中，在某个时间点，由于特殊事件——故障，造成了此时间点前后某些数据发生了明显的变化”，这里的某些数据所指的就是发生突变的历史数据。这里所说的明显的变化，可以根据实际数据本身的情况来确定，比如说对于正常指标而言，其短时间内增加或降低的幅度超过了50％。本实施例只是列举一种可能的突变幅度的情况，对于不同的数据，其突变幅度不可能一概而论，可以根据实际的系统运行情况，结合历史数据的类型确定，本实施例并不对其进行限定。
35.此外，突变还可以表示，在发生故障的时间点之后，一直到光模块无法工作被更换为止，这段时间中的数据的特征走势，和故障时间点之前的走势存在明显的差异，比如在某个时间点之前，走势一直平稳，在某个时间点之后，走势不断攀升，或下降，或抖动，则可判定此时间点为一个突变点，那么导致这个突变点出现的事件，较大概率的为故障。
36.在分析各历史数据的突变情况时，统计其中发生突变最多的指标，对于其他的未发生突变，或者是突变不明显的历史数据，可以直接不予考虑。当然，为了提升检测的全面性，避免漏判、误判所带来的不良后果，可以对这些数据予以保留，在后续的更新阶段可以对故障模型进行更新。
37.本实施例中的光模块的历史数据，其具体的类型，可以是性能数据，巡检数据等等；在按照光模块的型号，对各个光模块的历史数据进行分析之前，首先，可以以光模块的型号为标准，对各光模块进行分类。各种型号的光模块的分类标准，可以是直接按照厂商进行分类，或者是按照光模块的工作原理进行分类，或者是按照光模块的规格、适用的范围进行分类等等。
38.在发生突变的历史数据中，并非所有的历史数据均和故障有关，例如，对于同一型号中发生故障的光模块而言，总有一些突变的历史数据是偶发性的，只有个别的故障光模块会产生，那么这样的数据往往不应该被作为故障数据；换言之，故障数据应当是对于相应型号的光模块而言，在发生故障时，发生突变的占比较高的那些历史数据。对于这样的历史数据，则可以作为原始故障数据。具体而言，从发生突变的历史数据中，提取对应的原始故障数据可以包括：
39.根据发生突变的历史数据，分析时间序列上的突变时间点；
40.根据突变时间点，确定历史数据中出现突变占比超过预设比例的历史数据；
41.将突变占比超过预设比例的历史数据，作为原始故障数据。这种确定原始故障数据的方案，可以极大的排除那些偶发性的突变历史数据，而保留大概率与故障相关的历史数据。分析突变时间点，其中突变时间点可以被认为是光模块发生故障的时间点，在这些时间点上，突变的历史数据较为集中；但是，即便是在突变时间点发生突变的历史数据，也并非全是故障引起，因此可以再度进行筛选，将其中的突变占比，超过预设比例的历史数据，作为原始故障数据。突变占比所指的是，在这些突变时间点上，发生突变的历史数据的比例超过了一个阈值，例如，对于某突变时间点，相同型号的多个发生故障的光模块上，某历史数据发生突变的占比在所有发生故障的光模块中，超过了某比例(例如80％)，那么就可以
认为该历史数据，是原始故障数据。或者是，对于同一个光模块而言，其可能具有多个突变时间点，而在这些突变时间点中，某历史数据发生突变的占比，超过了某比例(例如80％)，也可以改成认为该历史数据是原始故障数据。对于本实施例而言，由于其处理方式是按照型号对光模块进行了分类，因此对于不同型号的光模块而言，其确定出的原始故障数据也会有所区别，这一方面印证了不同厂商器件的差异性，另一方面则体现出本发明各实施例中的故障处理方法极佳的普适性。
42.在确定了原始故障数据之后，就可以根据原始故障数据，按照光模块的型号进行故障模型训练。同样的，对于不同型号的光模块，其故障模型也是不同的。
43.在一些实施例中，根据原始故障数据，按照光模块的型号进行故障模型训练具体可以包括：
44.对原始故障数据进行筛选，得到目标故障数据；
45.根据光模块的正常与故障比，对目标故障数据进行采样得到采样数据；
46.根据采样数据，进行模型训练。原始故障数据虽然可以直接进行光模块的故障模型训练，但是其仍可能存在一些异常，如在分析历史数据阶段存在空缺，数据异常，或者是从突变的历史数据得到原始故障数据时仍然有非故障相关的数据。因此，此时可以再进一步的对原始故障数据进行筛选，得到目标故障数据。目标故障数据与光模块故障的关联性更高，目标故障数据可以在更大程度上反映光模块的故障情况，可以更加准确的对光模块的故障进行检测分析。
47.由于实际系统中，光模块发生故障的概率较低，大部分的光模块是没有发生故障的，因此可以根据光模块的正常与故障比，对目标故障数据，进行采样，来得到采样数据。然后，再根据采样数据进行模型训练。
48.在一些实施例中，对原始故障数据进行筛选具体包括：
49.删除原始故障数据中的异常数据；和/或，
50.提取原始故障数据中，表征光模块时序特性的数据。其中，异常数据主要是指采集过程中缺失的数据，或者是有明显错误的数据；表征光模块时序特性的数据，是指针对光模块时序上的特性，提取的能够表征时间上显著特征的数据。
51.在一些实施例中，按照光模块的型号进行故障模型训练可以包括：
52.根据不同型号的光模块对应的采样数据，分别针对不同型号的光模块，进行故障模型训练。不同型号的光模块，其故障对应的故障数据有所差别，相应的其故障模型也是不同的。
53.在一些实施例中，故障模型可以包括机器学习模型、统计学模型和深度学习模型中的至少一种。
54.在一些实施例中，在按照光模块的型号进行故障模型训练之后，还可以包括：
55.根据故障模型训练的结果，输出预设时间内，对应的光模块的故障风险预测结果。故障模型训练的结果可以直接用来预测，也就是预测某些光模块是否发生了故障，或者会在何时发生故障，会发生怎样的故障等等，为系统的运维提供方便。
56.在一些实施例中，还可以包括：
57.通过预设的评价指标，对故障风险预测结果进行评估。基于故障模型训练的结果进行预测，总是会可能出现偏差，因此可以通过设置评价指标，来监控预测结果；可以将实
际故障情况，与预测结果进行交叉比对，从而得到故障模型对应的评估指标。而一旦评估指标触发了条件，则需要对故障模型进行更新。
58.在一些实施例中，还可以包括：
59.收集误检、漏检的光模块对应的补充历史数据；
60.当预设的评价指标达到更新阈值时，根据补充历史数据，对故障模型进行更新。在对光模块的历史数据进行分析时，可能会出现将原本正常的光模块，误认为是故障的光模块，即误检，或者是将故障的光模块的历史数据漏掉，也就是漏检；漏检和误检，还可以出现在对于光模块的故障情况进行预测的时候；而在出现误检或漏检的情况时，可以先将漏检、误检的数据，即补充历史数据收集起来，在评价指标达到更新阈值时，就可以根据补充历史数据，对故障模型进行更新。
61.本实施例提供的故障处理方法，按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的光模块在出现故障的情况下，发生突变的历史数据；从发生突变的历史数据中，提取对应的原始故障数据；根据原始故障数据，按照光模块的型号进行故障模型训练。从而，通过按照光模块的型号进行划分，提升了采集故障光模块的历史数据的灵活性，并进一步提升了故障检测的适用范围，有效的降低了光模块的运维成本。
62.实施例二：
63.本实施例提供了一种故障处理方法，请参见图2，该方法包括：
64.s201、将光模块运行中的历史数据(如性能数据，巡检数据等)作为输入，进入系故障处理方法的处理系统中；
65.s202、按照光模块的型号，对历史数据进行分类，得到按照光模块型号区分的各个光模块对应的历史数据；
66.s203、针对不同型号光模块的历史数据，分析各光模块在时间序列上的“突变点”，即确定其故障发生时间点，得到发生故障的光模块中出现突变占比达到一定比例的历史数据作为原始故障数据；
67.s204、对原始故障数据进行筛选，去除不需要的数据，并对采集有误的数据进行剔除；
68.s205、进一步对原始故障数据进行筛选，提取其中能够表征光模块时序特性的数据，作为目标故障数据；
69.s206、针对当前数据的正常、故障的光模块比例，确定采样算法，生成采样数据；
70.s207、针对上游输入的采样数据，按照光模块的型号进行分类，得到按型号划分的光模块采样数据；
71.s208、根据不同型号的光模块以及对应的采样数据，训练不同的故障模型，故障模型采用机器学习模型，也可以根据需求和算力替换成统计学模型或深度学习模型；其中，在预测阶段可以直接使用故障模型，输出预测结果；
72.s209、将预测结果进行汇总，作为系统输出结果进行输出；
73.s210、通过预设的评价指标，对当前系统输出结果进行模型检测能力评估；
74.s211、将误检(正常光模块检测为故障)和漏检(故障光模块检测为正常)的光模块进行收集，供后续模型更新时使用；
75.s212、评价指标满足增量更新条件时，触发系统进行增量更新；
76.s213、评价指标满足全量更新条件时，触发系统进行全量更新；
77.s214、输出结果直接输出给用户查看，或者输出给其他下游对接系统。
78.实施例三
79.本实施例提供了一种故障处理方法的部署流程，请参考图3，该方法包括：
80.s301、从上游对接系统中读取光模块的历史数据(如性能数据或巡检数据)；
81.s302、根据光模块的型号信息，对历史数据进行分类；
82.s303、对每种型号的光模块，提取其中发生故障的光模块的历史数据；
83.s304、对每个故障模块的各个历史数据进行分析，分析各历史数据是否存在“趋势突变点”；
84.s305、若存在，则在统计计数器中累加 1；
85.s306、若不存在，则继续遍历其他历史数据，直到全部分析完成；
86.s307、统计完成后，使用统计比重最高的前n个历史数据作为原始故障数据；
87.s308、对数据进行清洗，包括删除采集异常数据等操作；
88.s309、针对光模块数据的时序特性，提取能表征其在时间上特征的数据，作为目标故障数据；
89.s310、分析数据中正常和故障样本的比例，根据采样算法进行采样；
90.s311、启动训练流程，根据不同型号的光模块数据分别训练故障模型，训练完成后，部署完成。
91.实施例四
92.本实施例提供了一种故障处理方法的检测光模块故障流程，请参考图4，该方法包括：
93.s401、定期运行故障检测任务，从上游对接系统中读取光模块最近一段时间的历史数据；
94.s402、根据光模块的型号将历史数据分类；
95.s403、针对光模块数据的时序特性，提取能表征其在时间上特征的数据；
96.s404、对每种型号的光模块的数据，分别传入对应的已经训练好的故障模型中，输出其可能出现故障的概率；
97.s405、监控预测结果；
98.s406、将预测结果输出给最终用户或对接的其他下游系统。
99.实施例五
100.本实施例提供了一种故障处理方法的监控更新流程，请参考图5，该方法包括：
101.s501、系统达到设定的任务执行时间，运行监控任务；
102.s502、将目前已收集的预测结果进行统计；
103.s503、统计当前光模块的故障情况，如有无严重告警，有无被更换，有无维修工单等；
104.s504、将实际故障情况与预测结果进行交叉比对，计算评估指标；
105.s505、判断评估指标是否达到更新阈值(可能是全量更新或增量更新)；
106.s506、若没有到达，则继续收集目前误检、漏检的模块数据；
107.s507、若已到达阈值，则准备当前的历史数据，并将收集的误检，漏检数据补充进
去；
108.s508、判定是否到达全量更新阈值；
109.s509、若到达，则使用s507中的数据全量更新故障模型；
110.s510、若没有到达，则判断是否到达增量更新阈值；
111.s511、若到达，则使用s507中的数据，进行故障模型的增量更新。
112.实施例六：
113.本实施例提供了一种故障处理装置，请参见图6，该装置包括：
114.数据分析模块61，用于按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的光模块在出现故障的情况下，发生突变的历史数据；
115.故障提取模块62，用于从发生突变的历史数据中，提取对应的原始故障数据；
116.模型训练模块63，用于根据原始故障数据，按照光模块的型号进行故障模型训练。
117.为了本实施例中的光模块的故障处理装置的适用性，对于各种厂商所生产的光模块均能很好的应用，本实施例中，是按照光模块的型号对光模块的历史数据进行分析，也就是对于不同型号的光模块而言，其历史数据的分析结果是不同的。光模块的故障成因和故障效果可能是差不多的，但是其在故障时的数据变化，对于不同型号的光模块而言很可能是不同的，这就带来了光模块的历史数据分析结果中，其发生突变的历史数据的差异性。本实施例中，正是考虑到了这部分差异性，按照光模块的型号来进行分析，得到对于不同型号的光模块而言，其发生故障时发生突变的历史数据。
118.其中，发生突变的历史数据，表示该历史数据在光模块发生故障时短时间内，其指标明显的变化，可以是明显的升高，或者是明显的降低，在光模块故障检测问题中，可以定义为“在光模块的历史数据中，在某个时间点，由于特殊事件——故障，造成了此时间点前后某些数据发生了明显的变化”，这里的某些数据所指的就是发生突变的历史数据。这里所说的明显的变化，可以根据实际数据本身的情况来确定，比如说对于正常指标而言，其短时间内增加或降低的幅度超过了50％。本实施例只是列举一种可能的突变幅度的情况，对于不同的数据，其突变幅度不可能一概而论，可以根据实际的系统运行情况，结合历史数据的类型确定，本实施例并不对其进行限定。
119.在分析各历史数据的突变情况时，统计其中发生突变最多的指标，对于其他的未发生突变，或者是突变不明显的历史数据，可以直接不予考虑。当然，为了提升检测的全面性，避免漏判、误判所带来的不良后果，可以对这些数据予以保留，在后续的更新阶段可以对故障模型进行更新。
120.本实施例中的光模块的历史数据，其具体的类型，可以是性能数据，巡检数据等等；在按照光模块的型号，对各个光模块的历史数据进行分析之前，首先，可以以光模块的型号为标准，对各光模块进行分类。各种型号的光模块的分类标准，可以是直接按照厂商进行分类，或者是按照光模块的工作原理进行分类，或者是按照光模块的规格、适用的范围进行分类等等。
121.在发生突变的历史数据中，并非所有的历史数据均和故障有关，例如，对于同一型号中发生故障的光模块而言，总有一些突变的历史数据是偶发性的，只有个别的故障光模块会产生，那么这样的数据往往不应该被作为故障数据；换言之，故障数据应当是对于相应型号的光模块而言，在发生故障时，发生突变的占比较高的那些历史数据。对于这样的历史
数据，则可以作为原始故障数据。具体而言，从发生突变的历史数据中，提取对应的原始故障数据可以包括：
122.根据发生突变的历史数据，分析时间序列上的突变时间点；
123.根据突变时间点，确定历史数据中出现突变占比超过预设比例的历史数据；
124.将突变占比超过预设比例的历史数据，作为原始故障数据。这种确定原始故障数据的方案，可以极大的排除那些偶发性的突变历史数据，而保留大概率与故障相关的历史数据。分析突变时间点，其中突变时间点可以被认为是光模块发生故障的时间点，在这些时间点上，突变的历史数据较为集中；但是，即便是在突变时间点发生突变的历史数据，也并非全是故障引起，因此可以再度进行筛选，将其中的突变占比，超过预设比例的历史数据，作为原始故障数据。突变占比所指的是，在这些突变时间点上，发生突变的历史数据的比例超过了一个阈值，例如，对于某突变时间点，相同型号的多个发生故障的光模块上，某历史数据发生突变的占比在所有发生故障的光模块中，超过了某比例(例如80％)，那么就可以认为该历史数据，是原始故障数据。或者是，对于同一个光模块而言，其可能具有多个突变时间点，而在这些突变时间点中，某历史数据发生突变的占比，超过了某比例(例如80％)，也可以改成认为该历史数据是原始故障数据。对于本实施例而言，由于其处理方式是按照型号对光模块进行了分类，因此对于不同型号的光模块而言，其确定出的原始故障数据也会有所区别，这一方面印证了不同厂商器件的差异性，另一方面则体现出本发明各实施例中的故障处理装置极佳的普适性。
125.在确定了原始故障数据之后，就可以根据原始故障数据，按照光模块的型号进行故障模型训练。同样的，对于不同型号的光模块，其故障模型也是不同的。
126.在一些实施例中，根据原始故障数据，按照光模块的型号进行故障模型训练具体可以包括：
127.对原始故障数据进行筛选，得到目标故障数据；
128.根据光模块的正常与故障比，对目标故障数据进行采样得到采样数据；
129.根据采样数据，进行模型训练。原始故障数据虽然可以直接进行光模块的故障模型训练，但是其仍可能存在一些异常，如在分析历史数据阶段存在空缺，数据异常，或者是从突变的历史数据得到原始故障数据时仍然有非故障相关的数据。因此，此时可以再进一步的对原始故障数据进行筛选，得到目标故障数据。目标故障数据与光模块故障的关联性更高，目标故障数据可以在更大程度上反映光模块的故障情况，可以更加准确的对光模块的故障进行检测分析。
130.由于实际系统中，光模块发生故障的概率较低，大部分的光模块是没有发生故障的，因此可以根据光模块的正常与故障比，对目标故障数据，进行采样，来得到采样数据。然后，再根据采样数据进行模型训练。
131.在一些实施例中，对原始故障数据进行筛选具体包括：
132.删除原始故障数据中的异常数据；和/或，
133.提取原始故障数据中，表征光模块时序特性的数据。其中，表征光模块时序特性的数据，是指针对光模块时序上的特性，提取的能够表征时间上显著特征的数据。
134.在一些实施例中，按照光模块的型号进行故障模型训练可以包括：
135.根据不同型号的光模块对应的采样数据，分别针对不同型号的光模块，进行故障
模型训练。不同型号的光模块，其故障对应的故障数据有所差别，相应的其故障模型也是不同的。
136.在一些实施例中，故障模型可以包括机器学习模型、统计学模型和深度学习模型中的至少一种。
137.在一些实施例中，在按照光模块的型号进行故障模型训练之后，还可以包括：
138.根据故障模型训练的结果，输出预设时间内，对应的光模块的故障风险预测结果。故障模型训练的结果可以直接用来预测，也就是预测某些光模块是否发生了故障，或者会在何时发生故障，会发生怎样的故障等等，为系统的运维提供方便。
139.在一些实施例中，还可以包括：
140.通过预设的评价指标，对故障风险预测结果进行评估。基于故障模型训练的结果进行预测，总是会可能出现偏差，因此可以通过设置评价指标，来监控预测结果；可以将实际故障情况，与预测结果进行交叉比对，从而得到故障模型对应的评估指标。而一旦评估指标触发了条件，则需要对故障模型进行更新。
141.在一些实施例中，还可以包括：
142.收集误检、漏检的光模块对应的补充历史数据；
143.当预设的评价指标达到更新阈值时，根据补充历史数据，对故障模型进行更新。在对光模块的历史数据进行分析时，可能会出现将原本正常的光模块，误认为是故障的光模块，即误检，或者是将故障的光模块的历史数据漏掉，也就是漏检；漏检和误检，还可以出现在对于光模块的故障情况进行预测的时候；而在出现误检或漏检的情况时，可以先将漏检、误检的数据，即补充历史数据收集起来，在评价指标达到更新阈值时，就可以根据补充历史数据，对故障模型进行更新。
144.本实施例提供的故障处理装置，包括数据分析模块，用于按照光模块的型号，对各个光模块的历史数据进行分析，确定相应型号的光模块在出现故障的情况下，发生突变的历史数据；故障提取模块，用于从发生突变的历史数据中，提取对应的原始故障数据；模型训练模块，用于根据原始故障数据，按照光模块的型号进行故障模型训练。从而，通过按照光模块的型号进行划分，提升了采集故障光模块的历史数据的灵活性，并进一步提升了故障检测的适用范围，有效的降低了光模块的运维成本。
145.请参考图7，图7示出了本实施例中的故障处理装置在故障处理系统中的详细组成示意，其中：
146.数据分析模块61主要负责对数据进行分类，以及通过突变点分析算法提取不同型号光模块的故障数据指标；数据分析模块61包括第一器件分类子模块611和指标提取子模块612，其中第一器件分类子模块611主要负责根据光模块的型号等信息，将数据分类；指标提取子模块612针对不同型号光模块的故障数据，分析时间序列上的“突变点”，得到故障模块中出现突变占比较多的历史数据，作为原始故障数据，输入给下游。
147.故障提取模块62主要负责根据上游子系统提供的原始故障数据，对数据进行精简处理，并对异常数据进行清洗，新特征的提取，并将数据进行采样；故障提取模块62包括异常清理子模块621、时序提取子模块622和采样子模块623，其中异常清理子模块621使用上游提取的原始故障数据，去除不需要的数据，并对采集有误的数据进行剔除；时序提取子模块622针对光模块时序上的特性，提取能够表征时间上显著特征的数据；采样子模块623针
对当前数据的正常、故障光模块比例，制定采样算法，生成采样数据输送给下游。
148.模型训练模块63主要负责对故障检测模型的训练以及完成后续的预测任务；模型训练模块63包括第二器件分类子模块631和结果处理子模块632，其中第二器件分类子模块631针对上游输入的采样数据，按照光模块的型号进行分类；可以根据不同型号的模块以及输入数据，训练不同的模型，模型采用机器学习模型，也可以根据需求和算力替换成统计学模型或深度学习模型；在预测阶段则可以直接使用模型输出结果；结果处理子模块632用于将结果进行汇总，作为系统结果输出，同时传输给下游。
149.模型更新模块64主要负责对上游输出的结果进行监控，在评价指标下降时触发系统模型更新；模型更新模块64包括结果评估子模块641、收集子模块644、增量更新触发器642和全量更新触发器643，其中结果评估子模块641用于通过评价指标对当前输出结果进行模型检测能力评估；收集子模块644用于将误检(即正常模块检测为故障)和漏检(即故障模块检测为正常)的光模块数据进行收集，供后续模型更新时使用；增量更新触发器642，由结果评估子模块641控制，触发系统进行增量更新；全量更新触发器643，同样由结果评估子模块641控制，触发系统进行全量更新。
150.模型更新模块64也可以输出结果直接输出给用户。
151.实施例七：
152.本实施例还提供了一种网络设备，请参考图8，其包括处理器81、存储器82及通信总线83；
153.通信总线83用于实现处理器81和存储器82之间的连接通信；
154.处理器81用于执行存储器82中存储的一个或者多个计算机程序，以实现上述各实施例中的故障处理方法中的步骤，这里不再赘述。
155.本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于ram(random access memory，随机存取存储器)，rom(read-only memory，只读存储器)，eeprom(electrically erasable programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、cd-rom(compact disc read-only memory，光盘只读存储器)，数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
156.本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述各实施例种的故障处理方法的步骤。
157.本实施例还提供了一种计算机程序(或称计算机软件)，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述各实施例中的故障处理方法的步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
158.本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
159.可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
160.此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
161.以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。