分类模型的训练方法、目标链路的故障分析方法及装置与流程

1.本发明涉及信息技术领域，尤其涉及一种分类模型的训练方法、目标链路的故障分析方法及装置。


背景技术：

2.光传送网络(optical transport network，otn)是一种以波分复用技术为基础，在光域内组织和调度业务的传送网络，是传送网络中不可或缺的重要组成部分。光传送网络在运行过程中可能会出现故障，进而影响用户的网络通信质量。因此，需要及时地发现光传送网络中存在的故障。
3.现有技术中，当光传送网络中出现故障后，运维人员会接收到相应的告警信息，从而发现故障并采取运维措施。
4.然而，现有的光传送网络的故障运维方法，无法在接收到告警信息之前，及时地发现光传送网络中存在的故障隐患。


技术实现要素：

5.本技术提供一种分类模型的训练方法、目标链路的故障分析方法及装置，以解决现有技术中无法及时地发现光传送网络中存在的故障隐患的技术问题。
6.第一方面，本技术提供一种分类模型的训练方法，所述方法包括：
7.获取目标链路的光性能数据和所述光性能数据对应的告警数据，所述告警数据用于对所述目标链路的故障进行告警；
8.对所述光性能数据进行分析，确定所述目标链路的性能分析数据；
9.根据所述光性能数据对应的告警数据，确定所述目标链路对应的性能分析数据的标签数据，所述标签数据用于指示所述目标链路在第一预设时间段内的故障结果；
10.使用所述性能分析数据和所述标签数据作为样本集对分类模型进行训练，所述分类模型用于通过循环迭代输出二分类的预测结果，所述预测结果用于指示所述目标链路是否发生故障。
11.一种可选的实施方式中，所述根据所述告警数据，确定所述目标链路对应的性能分析数据的标签数据，包括：
12.过滤所述告警数据中的无效数据；
13.根据过滤所述无效数据后的告警数据，确定所述目标链路对应的性能分析数据的标签数据。
14.一种可选的实施方式中，所述无效数据包括重复告警数据和非重要告警数据；
15.其中，所述重复告警数据为第二预设时间段内告警原因相同的告警数据；所述非重要告警数据为不满足预设保留条件的告警数据。
16.一种可选的实施方式中，所述预设保留条件包括以下至少一项：所述告警数据对应的历史光性能数据大于预设的光性能数据阈值、历史光性能数据的方差值大于方差阈
值、所述目标链路为非断路状态、所述告警数据对应的告警持续时间大于时间阈值。
17.一种可选的实施方式中，所述根据所述光性能数据对应的告警数据，确定所述目标链路对应的性能分析数据的标签数据，包括：
18.若所述目标链路在第一预设时间段内存在所述告警数据，则确定所述目标链路对应的性能分析数据的标签数据为第一标签数据，所述第一标签数据用于指示所述目标链路在第一预设时间段内故障；
19.若所述目标链路在第一预设时间段内不存在所述告警数据，则确定所述目标链路对应的性能分析数据的标签数据为第二标签数据，所述第二标签数据用于指示所述目标链路在第一预设时间段内无故障。
20.一种可选的实施方式中，所述对所述光性能数据进行分析，确定所述目标链路的性能分析数据，包括：
21.对所述光性能数据进行预处理；
22.确定所述光性能数据的性能分析特征；
23.根据所述光性能数据的性能分析特征，对预处理后的光性能数据进行分析，确定所述目标链路的性能分析数据。
24.一种可选的实施方式中，所述预处理包括数据整理和数据清洗。
25.一种可选的实施方式中，所述确定所述目标链路的性能分析数据，包括：
26.使用时间滑窗方法，对所述预处理后的光性能数据进行划分，生成预设时间滑窗长度内的第一窗口数据和第二窗口数据，所述第一窗口数据为所述预设时间滑窗长度内的第三时间段的光性能数据，所述第二窗口数据为所述预设时间滑窗长度内的第四时间段的光性能数据，所述第三时间段小于所述第四时间段，所述第四时间段小于或等于所述预设时间滑窗长度；
27.根据所述光性能数据的性能分析特征，对所述第一窗口数据和所述第二窗口数据进行分析，确定第一性能分析数据和第二性能分析数据；
28.将所述第一性能分析数据和所述第二性能分析数据进行组合，确定所述目标链路的性能分析数据。
29.一种可选的实施方式中，所述性能分析特征包括以下至少一项：接收光功率方差值、接收光功率最大值、接收光功率最小值、接收光功率中位数值、纠前误码率方差、纠前误码率最大值、纠前误码率最小值、纠前误码率中位数值。
30.一种可选的实施方式中，所述光性能数据包括以下至少一项：收端的接收光功率、纠前误码率。
31.一种可选的实施方式中，所述告警数据包括以下至少一项：纠错前误码越限告警、误码超过设定门限告警、信号劣化告警。
32.第二方面，本技术提供一种目标链路的故障分析方法，所述方法包括：
33.获取目标链路的光性能数据；
34.对所述光性能数据进行分析，确定所述目标链路的性能分析数据；
35.将所述目标链路的性能分析数据输入至训练好的分类模型中，并获取所述分类模型输出的预测结果；
36.其中，所述分类模型用于通过循环迭代输出二分类的预测结果，所述预测结果用
于指示所述目标链路是否会发生故障。
37.第三方面，本技术提供一种分类模型的训练装置，所述装置包括：
38.获取模块，用于获取目标链路的光性能数据和所述光性能数据对应的告警数据，所述告警数据用于对所述目标链路的故障进行告警；
39.分析模块，用于对所述光性能数据进行分析，确定所述目标链路的性能分析数据；
40.标签确定模块，用于根据所述光性能数据对应的告警数据，确定所述目标链路对应的性能分析数据的标签数据，所述标签数据用于指示所述目标链路在第一预设时间段内的故障结果；
41.训练模块，用于使用所述性能分析数据和所述标签数据作为样本集对分类模型进行训练，所述分类模型用于通过循环迭代输出二分类的预测结果，所述预测结果用于指示所述目标链路是否发生故障。
42.一种可选的实施方式中，所述标签确定模块，具体用于过滤所述告警数据中的无效数据；根据过滤所述无效数据后的告警数据，确定所述目标链路对应的性能分析数据的标签数据。
43.一种可选的实施方式中，所述无效数据包括重复告警数据和非重要告警数据；其中，所述重复告警数据为第二预设时间段内告警原因相同的告警数据；所述非重要告警数据为不满足预设保留条件的告警数据。
44.一种可选的实施方式中，所述预设保留条件包括以下至少一项：所述告警数据对应的历史光性能数据大于预设的光性能数据阈值、历史光性能数据的方差值大于方差阈值、所述目标链路为非断路状态、所述告警数据对应的告警持续时间大于时间阈值。
45.一种可选的实施方式中，所述标签确定模块，具体用于若所述目标链路在第一预设时间段内存在所述告警数据，则确定所述目标链路对应的性能分析数据的标签数据为第一标签数据，所述第一标签数据用于指示所述目标链路在第一预设时间段内故障；若所述目标链路在第一预设时间段内不存在所述告警数据，则确定所述目标链路对应的性能分析数据的标签数据为第二标签数据，所述第二标签数据用于指示所述目标链路在第一预设时间段内无故障。
46.一种可选的实施方式中，所述分析模块，具体用于对所述光性能数据进行预处理；确定所述光性能数据的性能分析特征；根据所述光性能数据的性能分析特征，对预处理后的光性能数据进行分析，确定所述目标链路的性能分析数据。
47.一种可选的实施方式中，所述预处理包括数据整理和数据清洗。
48.一种可选的实施方式中，所述分析模块，具体用于使用时间滑窗方法，对所述预处理后的光性能数据进行划分，生成预设时间滑窗长度内的第一窗口数据和第二窗口数据，所述第一窗口数据为所述预设时间滑窗长度内的第三时间段的光性能数据，所述第二窗口数据为所述预设时间滑窗长度内的第四时间段的光性能数据，所述第三时间段小于所述第四时间段，所述第四时间段小于或等于所述预设时间滑窗长度；根据所述光性能数据的性能分析特征，对所述第一窗口数据和所述第二窗口数据进行分析，确定第一性能分析数据和第二性能分析数据；将所述第一性能分析数据和所述第二性能分析数据进行组合，确定所述目标链路的性能分析数据。
49.一种可选的实施方式中，所述性能分析特征包括以下至少一项：接收光功率方差
值、接收光功率最大值、接收光功率最小值、接收光功率中位数值、纠前误码率方差、纠前误码率最大值、纠前误码率最小值、纠前误码率中位数值。
50.一种可选的实施方式中，所述光性能数据包括以下至少一项：收端的接收光功率、纠前误码率。
51.一种可选的实施方式中，所述告警数据包括以下至少一项：纠错前误码越限告警、误码超过设定门限告警、信号劣化告警。
52.第四方面，本技术提供一种目标链路的故障分析装置，所述装置包括：
53.获取模块，用于获取目标链路的光性能数据；
54.分析模块，用于对所述光性能数据进行分析，确定所述目标链路的性能分析数据；
55.预测模块，用于将所述目标链路的性能分析数据输入至训练好的分类模型中，并获取所述分类模型输出的预测结果；
56.其中，所述分类模型用于通过循环迭代输出二分类的预测结果，所述预测结果用于指示所述目标链路是否会发生故障。
57.第五方面，本技术还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任意一项所述的方法。
58.第六方面，本技术还提供另一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第二方面所述的方法。
59.第七方面，本发明还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如第一方面任意一项所述的方法。
60.第八方面，本发明还提供另一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如第二方面所述的方法。
61.第九方面，本技术还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如第一方面任意一项所述的方法。
62.第十方面，本技术还提供另一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如第二方面所述的方法。
63.本技术提供的一种分类模型的训练方法、目标链路的故障分析方法及装置，首先获取目标链路的光性能数据和光性能数据对应的告警数据，告警数据用于对目标链路的故障进行告警，随后，对光性能数据进行分析，确定目标链路的性能分析数据，然后，根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据，标签数据用于指示目标链路在第一预设时间段内的故障结果，最后使用性能分析数据和标签数据作为样本集对分类模型进行训练，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否发生故障。通过该方式，可以确定用于预测目标链路是否发生故障的分类模型，后期通过获取目标链路的光性能数据，处理并输入分类模型，可以得出目标链路是否发生故障的预测结果，从而可以及时地发现光传送网络中存在的故障隐患。
附图说明
64.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
65.图1为本技术实施例提供的一种分类模型的训练方法和目标链路的故障分析方法的应用场景示意图；
66.图2为本技术实施例提供的一种分类模型的训练方法的流程示意图；
67.图3为本技术实施例提供的一种目标链路的故障分析方法的流程示意图；
68.图4为本技术实施例提供的一种分类模型训练及目标链路故障分析的流程示意图；
69.图5为本技术实施例提供的另一种分类模型的训练方法的流程示意图；
70.图6为本技术实施例提供的一种分类模型的训练装置的结构示意图；
71.图7为本技术实施例提供的一种目标链路的故障分析装置的结构示意图；
72.图8为本技术实施例提供的一种电子设备的结构示意图；
73.图9为本技术实施例提供的另一种电子设备的结构示意图。
具体实施方式
74.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
75.光传送网络(optical transport network，otn)是一种以波分复用技术为基础，由一系列光通道链路(optical channel，och)连接的光网络要素组成的，在光域内组织和调度业务的传送网络。与传统的同步数字体系(synchronous digital hierarchy，sdh)网络相比，具有业务调度灵活、业务可拓展性强、保护机制完备等优点，是传送网络中不可或缺的重要组成部分。
76.光传送网作为关键的基础网络，承载了传输侧几乎所有重要的大颗粒业务，例如数据侧上行业务、分组传送网络(packet transport network，ptn)核心汇聚层连通、无源光纤网络(passive optical network，pon)上行业务等。光传送网络在运行过程中可能会出现故障，进而影响用户的网络通信质量。因此，需要及时地发现光传送网络中存在的故障。
77.现有技术中，当光传送网络中出现故障后，运维人员会接收到相应的告警信息，从而发现故障并采取运维措施。此时，光传送网络通常已经出现了较为严重的故障，并且对用户的业务产生了严重影响。
78.现有的光传送网络的故障运维方法，运维人员无法在接收到告警信息之前，及时地发现光传送网络中存在的故障隐患。
79.为解决上述技术问题，本技术实施例提供一种分类模型的训练方法、目标链路的故障分析方法及装置，通过建立用于预测光通道链路是否发生故障的分类模型，然后定期将光性能数据输入到分类模型中，得出光通道链路是否发生故障的预测结果，从而可以及时地发现光传送网络中存在的故障隐患。
80.下面对于本技术涉及的一种分类模型的训练方法和目标链路的故障分析方法的应用场景进行说明。
81.图1为本技术实施例提供的一种分类模型的训练方法和目标链路的故障分析方法的应用场景示意图。如图1所示，包括有服务器101及终端设备102。首先，服务器101可以获取光通道链路的光性能数据和告警数据，然后根据获取到的数据对分类模型进行训练，得到训练后的分类模型。当需要对光通道链路是否发生故障进行预测时，服务器101可以获取目标链路的光性能数据，并将处理后的数据输入至训练后的分类模型中，得出目标链路是否发生故障的预测结果。服务器101还可以将预测结果为发生故障的目标链路的信息发送给终端设备102，以通知工作人员及时对相应光通道链路进行故障排查和维修。
82.需要说明的是，工作人员也可以直接通过服务器101获取预测结果为发生故障的目标链路的相关信息，本技术实施例对此不作限制。
83.其中，上述服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。
84.终端设备可以为手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端设备、增强现实(augmented reality，ar)终端设备、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、智慧家庭(smart home)中的无线终端等。本技术实施例中，用于实现终端的功能的装置可以是终端，也可以是能够支持终端实现该功能的装置，例如芯片系统，该装置可以被安装在终端中。本技术实施例中，芯片系统可以由芯片构成，也可以包括芯片和其它分立器件。
85.应理解，本技术技术方案的应用场景可以是图1中的分类模型的训练和目标链路的故障分析场景，但不限于此，还可以应用于其它需要对分类模型进行训练或对目标链路进行故障分析的场景中。
86.可以理解，上述分类模型的训练方法、目标链路的故障分析方法可以通过本技术实施例提供的分类模型训练装置、目标链路的故障分析装置实现，分类模型训练装置、目标链路的故障分析装置可以是某个设备的部分或全部，例如服务器。
87.下面以集成或安装有相关执行代码的服务器为例，以具体的实施例对本技术实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
88.图2为本技术实施例提供的一种分类模型的训练方法的流程示意图，本实施例涉及的是分类模型的训练过程。训练后的分类模型可以用于预测目标链路是否发生故障，如图2所示，该方法包括：
89.s201、获取目标链路的光性能数据和光性能数据对应的告警数据。
90.在本技术实施例中，服务器可以首先获取目标链路的光性能数据和光性能数据对应的告警数据，然后根据获取到的数据，对分类模型进行训练。
91.其中，目标链路可以为任意一条或多条光通道链路，光性能数据用于指示光通道链路的运行状态，告警数据用于对目标链路的故障进行告警。
92.本技术实施例对于所需获取的光性能数据的类型不作限制，在一些实施例中，光性能数据的类型可以包括收端的接收光功率、纠前误码率等。本技术实施例对于光性能数
据的获取方式也不作限制。需要说明的是，网管系统可以按一定的时间间隔，例如30分钟或1小时，实时地采集光通道链路的光性能数据。在一些实施例中，服务器可以从网管系统处获取光性能数据，也可以通过其它方式获取光性能数据。示例性地，服务器可以从网管系统处获取光性能数据按照时间顺序组成的时间序列数据(time series data)，时间序列数据可以包含光通道链路名称、数据采集时间、收端的接收光功率值、纠前误码率值等。
93.对于告警数据，在一些实施例中，服务器可以获取每次告警数据的类型、开始时间及持续时间等信息。本技术实施例对于告警数据的类型不作限制，在一些实施例中，告警数据可以包括纠错前误码越限告警、误码超过设定门限告警、信号劣化告警等类型。
94.本技术实施例对于如何获取光性能数据和告警数据不作限制，可以根据实际情况具体设置。在一些实施例中，服务器可以获取目标链路在某一时间段内的光性能数据，并根据该时间段，获取另一时间段内的告警数据。示例性地，可以获取目标链路在2021年6月的光性能数据，并获取目标链路在2021年6月及7月的告警数据。
95.s202、对光性能数据进行分析，确定目标链路的性能分析数据。
96.在本步骤中，当获取目标链路的光性能数据和告警数据后，服务器可以对光性能数据进行分析，确定目标链路的性能分析数据。
97.本技术实施例对于服务器如何对光性能数据进行分析，确定目标链路的性能分析数据不作限制。在一些实施例中，服务器可以首先对光性能数据进行预处理，然后确定光性能数据的性能分析特征，再根据光性能数据的性能分析特征，对预处理后的光性能数据进行分析，确定目标链路的性能分析数据。
98.本技术实施例对于服务器如何对光性能数据进行预处理不作限制，在一些实施例中，预处理可以包括数据整理和数据清洗等。示例性地，服务器可以按照通过线性插值的方法对光性能数据中的缺失值进行填充，若缺失值的持续时间段较长，如超过4小时，则放弃填充，以避免缺失值与真实值偏离较大。
99.本技术实施例对于如何确定光性能数据的性能分析特征不作限制，在一些实施例中，光性能数据的性能分析特征可以根据光性能数据的类型、分析要求等确定。示例性地，性能分析特征可以包括接收光功率方差值、接收光功率最大值、接收光功率最小值、接收光功率中位数值、纠前误码率方差、纠前误码率最大值、纠前误码率最小值、纠前误码率中位数值等。
100.本技术实施例对于如何根据性能分析特征，对预处理后的光性能数据进行分析，确定性能分析数据不作限制。在一些实施例中，服务器可以使用时间滑窗方法，对预处理后的光性能数据进行划分，生成预设时间滑窗长度内的第一窗口数据和第二窗口数据。然后根据光性能数据的性能分析特征，对第一窗口数据和第二窗口数据进行分析，确定第一性能分析数据和第二性能分析数据。最后将第一性能分析数据和第二性能分析数据进行组合，确定目标链路的性能分析数据。其中，第一窗口数据可以为预设时间滑窗长度内的第三时间段的光性能数据，第二窗口数据可以为预设时间滑窗长度内的第四时间段的光性能数据，第三时间段小于第四时间段，第四时间段小于或等于预设时间滑窗长度。
101.示例性地，服务器获取某一条光通道链路在2021年6月的光性能数据并进行预处理后，可以将时间滑窗长度设置为14天，时间滑窗步长设置为1小时。然后使用时间滑窗方法对光性能数据进行划分，得到385组时间滑窗光性能数据。对于每一组时间滑窗光性能数
据，可以取第10天至第14天的数据作为近期窗口数据，取第5至第14天的数据作为中期窗口数据，取第1至第14天的数据作为长期窗口数据。然后根据性能分析特征，对每一组时间滑窗光性能数据中的3组窗口数据进行分析，得到对应的近期性能分析数据、中期性能分析数据、长期性能分析数据。最后，可以将3组性能分析数据进行组合，得到每一组时间滑窗光性能数据对应的性能分析数据。
102.需要说明的是，时间滑窗长度和步长可以根据实际情况具体设置。在一些实施例中，时间滑窗步长可以为采集光性能数据时的时间间隔，本技术实施例对此不作限制。每一组时间滑窗光性能数据的划分方法可以根据分析要求进行设置，在另一些实施例中，也可以取最后3天的数据作为近期数据，取最后8天的数据作为中期数据等。
103.s203、根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据。
104.在本步骤中，当确定目标链路的性能分析数据后，服务器可以根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据。
105.其中，标签数据可以用于指示目标链路在第一预设时间段内的故障结果。本技术实施例对于如何确定目标链路对应的性能分析数据的标签数据不作限制。在一些实施例中，若目标链路在第一预设时间段内存在告警数据，则确定目标链路对应的性能分析数据的标签数据为第一标签数据，第一标签数据指示目标链路在第一预设时间段内发生了故障。若目标链路在第一预设时间段内不存在告警数据，则确定目标链路对应的性能分析数据的标签数据为第二标签数据，第二标签数据用于指示目标链路在第一预设时间段内没有发生故障。其中，第一预设时间段可以根据实际情况具体设置，第一预设时间段的长度可以为30天，也可以为45天等。
106.示例性地，对于目标链路的每一组时间滑窗光性能数据，若自时间滑窗最后一天开始的30天内，存在告警数据，则将该组时间滑窗光性能数据的标签数据设置为“1”，表示该组数据对应的链路在未来30天内发生了故障。若不存在告警数据，则将该组时间滑窗光性能数据的标签数据设置为“0”，表示该组数据对应的链路在未来30天内没有发生故障。
107.需要说明的是，在另一些实施例中，服务器也可以首先过滤告警数据中的无效数据，然后根据过滤无效数据后的告警数据，确定目标链路对应的性能分析数据的标签数据。告警数据中的无效数据可以包括重复告警数据和非重要告警数据等。
108.本技术实施例对于服务器如何过滤告警数据中的无效数据不作限制。在一些实施例中，在获取到告警数据之后，服务器可以首先将第二预设时间段内告警原因相同的告警数据作为重复告警数据，对重复告警数据进行过滤，得到非重复告警数据。然后将非重复告警数据中不满足预设保留条件的告警数据，作为非重要告警数据并过滤，得到有效告警数据。
109.示例性地，服务器获取某一条光通道链路在2021年6月和7月的告警数据后，可以将1天中发生的同类告警数据视为重复告警数据，保留重复告警数据中的首次告警数据，滤除其它重复告警数据后，得到非重复告警数据。对于非重复告警数据，可以获取对应的前1天的历史光性能数据，并结合历史光性能数据，将满足保留条件的告警数据作为有效告警数据，滤除其余告警数据。
110.在一些实施例中，预设保留条件可以包括告警数据对应的历史光性能数据大于预
设的光性能数据阈值、历史光性能数据的方差值大于方差阈值、目标链路为非断路状态、告警数据对应的告警持续时间大于时间阈值等，本技术实施例对此不作限制。示例性地，预设的光性能数据阈值可以根据光性能数据的告警阈值进行设置，方差阈值可以根据实际情况进行设置。目标链路是否为断路状态可以根据光功率值是否异常进行确定，也可以通过其它方法进行确定。告警持续时间的阈值可以设置为1小时等，本技术实施例对此也不作限制。
111.示例性地，对于目标链路的每一组时间滑窗光性能数据，若自时间滑窗最后一天开始的30天内，存在有效告警数据，则将该组时间滑窗光性能数据的标签数据设置为“1”，表示该组数据对应的链路在未来30天内发生了故障。若不存在有效告警数据，则将该组时间滑窗光性能数据的标签数据设置为“0”，表示该组数据对应的链路在未来30天内没有发生故障。
112.s204、使用性能分析数据和标签数据作为样本集对分类模型进行训练。
113.在本步骤中，当确定标签数据后，服务器可以使用性能分析数据和标签数据作为样本集对分类模型进行训练，并得到训练后的分类模型。
114.其中，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否发生故障。
115.在一些实施例中，可以将目标链路在每一组时间滑窗中的性能分析数据和标签数据作为一条样本数据，将所有样本数据作为样本集数据。样本集可以按一定比例划分为训练集和测试集。示例性地，将80％的样本集划分为训练集，20％的样本集划分为测试集。
116.本技术实施例对于如何建立分类模型不作限制，在一些实施例中，可以通过机器学习算法建立分类模型。示例性地，可以通过提升机器算法(light gradient boosting machine，lightgbm)建立分类模型，然后将数据输入至分类模型中，得出最优解的分类模型。在模型的训练过程中，可以将优化目标设置为使验证集的f1分数(f1-score)最高，本技术实施例对此不作限制。
117.本技术实施例对于分类模型的结果输出形式不作限制。在一些实施例中，当结果输出为“1”时，可以表示对应的链路在未来30天内发生故障。当结果输出为“0”时，可以表示对应的链路在未来30天内没有发生故障。在另一些实施例中，分类模型的输出结果也可以为目标链路发生故障的概率值，示例性地，当结果输出为“0.6”时，可以表示对应的链路在未来30天内发生故障的概率为0.6。此时，若输出的概率值超过设定阈值，则可认为对应的链路在未来30天内可能发生故障，否则认为对应的链路在未来30天内不会发生故障。
118.在本技术中，通过对使用时间滑窗方法划分所得的光性能数据进行再次划分，可以获得每一组光性能数据的近期和长期特征，从而可以进一步地提高所建立的分类模型的准确度。
119.本技术提供的一种分类模型的训练方法，首先获取目标链路的光性能数据和光性能数据对应的告警数据，告警数据用于对目标链路的故障进行告警，随后，对光性能数据进行分析，确定目标链路的性能分析数据，然后，根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据，标签数据用于指示目标链路在第一预设时间段内的故障结果，最后使用性能分析数据和标签数据作为样本集对分类模型进行训练，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否发生故障。通
过该方式，可以确定用于预测目标链路是否发生故障的分类模型，后期通过获取目标链路的光性能数据，处理并输入分类模型，可以得出目标链路是否发生故障的预测结果，从而可以及时地发现光传送网络中存在的故障隐患。
120.在上述实施例的基础上，下面对于如何根据分类模型预测目标链路是否发生故障进行说明。图3为本技术实施例提供的一种目标链路的故障分析方法的流程示意图，如图3所示，该方法包括：
121.s301、获取目标链路的光性能数据。
122.在本技术实施例中，当需要对目标链路进行故障分析时，服务器可以获取目标链路在某一时间段内的光性能数据。
123.应理解，对目标链路的故障分析可以按需触发。示例性地，可以将故障分析的触发时间设置为每天6点。本技术实施例对于所获取光性能数据的具体时间段不作限制，在一些实施例中，可以根据时间滑窗长度进行设置。示例性地，服务器可以获取目标链路在最近14天内的光性能数据。
124.s302、对光性能数据进行分析，确定目标链路的性能分析数据。
125.在本步骤中，当获取目标链路的光性能数据后，服务器可以对光性能数据进行分析，确定目标链路的性能分析数据。
126.服务器对光性能数据进行分析，确定目标链路的性能分析数据的过程，可参照图2所示的步骤s202理解，对于重复的内容，在此不再累述。
127.s303、将目标链路的性能分析数据输入至训练好的分类模型中，并获取分类模型输出的预测结果。
128.在本步骤中，当确定目标链路的性能分析数据后，服务器可以将性能分析数据输入至训练好的分类模型中，并获取分类模型输出的预测结果。
129.服务器将性能分析数据输入分类模型，并获取预测结果的过程，可参照图2所示的步骤s204理解，对于重复的内容，在此不再累述。
130.在另一些实施例中，在完成对所有目标链路的故障分析之后，服务器还可以输出预测结果为发生故障的光通道链路清单，以便运维人员可以根据预测结果进行故障排查、维修等操作，从而减少发生故障的概率并保障光传送网络安全。
131.图4为本技术实施例提供的一种分类模型训练及目标链路故障分析的流程示意图。如图4所示，首先获取目标链路的链路信息、光性能数据、告警数据等信息，然后对链路信息、光性能数据进行预处理，并根据预处理后的数据构造分析特征，确定性能分析数据。对获取到的告警数据进行过滤后，得到有效告警数据，根据有效告警数据确定上述性能分析数据对应的标签数据。再根据性能分析数据及其对应的标签数据，确定样本集数据，根据样本集数据及lightgbm分类器，得到训练后的分类模型。之后，可以获取待预测链路的性能分析数据，并输入至训练后的分类模型中，根据模型的输出结果，得到可能发生故障的链路清单。
132.s301-s303的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的s201-s204理解，对于重复的内容，在此不再累述。
133.在上述实施例的基础上，下面对于如何确定目标链路对应的性能分析数据的标签数据进行说明。图5为本技术实施例提供的另一种分类模型的训练方法的流程示意图，如图
5所示，该方法包括：
134.s501、获取目标链路的光性能数据和光性能数据对应的告警数据。
135.s502、对光性能数据进行分析，确定目标链路的性能分析数据。
136.s503、过滤告警数据中的无效数据，确定有效告警数据。
137.s504、判断目标链路在第一预设时间段是否存在有效告警数据。
138.若是，则确定目标链路对应的性能分析数据的标签数据为第一标签数据，第一标签数据用于指示目标链路在第一预设时间段内故障。
139.若否，则确定目标链路对应的性能分析数据的标签数据为第二标签数据，第二标签数据用于指示目标链路在第一预设时间段内无故障。
140.s505、使用性能分析数据和标签数据作为样本集对分类模型进行训练，得到训练好的分类模型。
141.s501-s505的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的s201-s204理解，对于重复的内容，在此不再累述。
142.本技术提供的一种分类模型的训练方法、目标链路的故障分析方法，首先获取目标链路的光性能数据和光性能数据对应的告警数据，告警数据用于对目标链路的故障进行告警，随后，对光性能数据进行分析，确定目标链路的性能分析数据，然后，根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据，标签数据用于指示目标链路在第一预设时间段内的故障结果，最后使用性能分析数据和标签数据作为样本集对分类模型进行训练，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否发生故障。通过该方式，可以确定用于预测目标链路是否发生故障的分类模型，后期通过获取目标链路的光性能数据，处理并输入分类模型，可以得出目标链路是否发生故障的预测结果，从而可以及时地发现光传送网络中存在的故障隐患。
143.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
144.图6为本技术实施例提供的一种分类模型的训练装置的结构示意图。该分类模型的训练装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的服务器，以执行上述实施例中的分类模型的训练方法。如图6所示，该分类模型的训练装置600包括：
145.获取模块601，用于获取目标链路的光性能数据和光性能数据对应的告警数据，告警数据用于对目标链路的故障进行告警；
146.分析模块602，用于对光性能数据进行分析，确定目标链路的性能分析数据；
147.标签确定模块603，用于根据光性能数据对应的告警数据，确定目标链路对应的性能分析数据的标签数据，标签数据用于指示目标链路在第一预设时间段内的故障结果；
148.训练模块604，用于使用性能分析数据和标签数据作为样本集对分类模型进行训练，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否发生故障。
149.一种可选的实施方式中，标签确定模块603，具体用于过滤告警数据中的无效数据；根据过滤无效数据后的告警数据，确定目标链路对应的性能分析数据的标签数据。
150.一种可选的实施方式中，无效数据包括重复告警数据和非重要告警数据；其中，重复告警数据为第二预设时间段内告警原因相同的告警数据；非重要告警数据为不满足预设保留条件的告警数据。
151.一种可选的实施方式中，预设保留条件包括以下至少一项：告警数据对应的历史光性能数据大于预设的光性能数据阈值、历史光性能数据的方差值大于方差阈值、目标链路为非断路状态、告警数据对应的告警持续时间大于时间阈值。
152.一种可选的实施方式中，标签确定模块603，具体用于若目标链路在第一预设时间段内存在告警数据，则确定目标链路对应的性能分析数据的标签数据为第一标签数据，第一标签数据用于指示目标链路在第一预设时间段内故障；若目标链路在第一预设时间段内不存在告警数据，则确定目标链路对应的性能分析数据的标签数据为第二标签数据，第二标签数据用于指示目标链路在第一预设时间段内无故障。
153.一种可选的实施方式中，分析模块602，具体用于对光性能数据进行预处理；确定光性能数据的性能分析特征；根据光性能数据的性能分析特征，对预处理后的光性能数据进行分析，确定目标链路的性能分析数据。
154.一种可选的实施方式中，预处理包括数据整理和数据清洗。
155.一种可选的实施方式中，分析模块602，具体用于使用时间滑窗方法，对预处理后的光性能数据进行划分，生成预设时间滑窗长度内的第一窗口数据和第二窗口数据，第一窗口数据为预设时间滑窗长度内的第三时间段的光性能数据，第二窗口数据为预设时间滑窗长度内的第四时间段的光性能数据，第三时间段小于第四时间段，第四时间段小于或等于预设时间滑窗长度；根据光性能数据的性能分析特征，对第一窗口数据和第二窗口数据进行分析，确定第一性能分析数据和第二性能分析数据；将第一性能分析数据和第二性能分析数据进行组合，确定目标链路的性能分析数据。
156.一种可选的实施方式中，性能分析特征包括以下至少一项：接收光功率方差值、接收光功率最大值、接收光功率最小值、接收光功率中位数值、纠前误码率方差、纠前误码率最大值、纠前误码率最小值、纠前误码率中位数值。
157.一种可选的实施方式中，光性能数据包括以下至少一项：收端的接收光功率、纠前误码率。
158.一种可选的实施方式中，告警数据包括以下至少一项：纠错前误码越限告警、误码超过设定门限告警、信号劣化告警。
159.需要说明的，图6所示实施例提供的分类模型的训练装置，可用于执行上述任意实施例所提供的分类模型的训练方法，具体实现方式和技术效果类似，这里不再进行赘述。
160.图7为本技术实施例提供的一种目标链路的故障分析装置的结构示意图。该目标链路的故障分析装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的服务器，以执行上述实施例中的目标链路的故障分析方法。如图7所示，该目标链路的故障分析装置700包括：
161.获取模块701，用于获取目标链路的光性能数据。
162.分析模块702，用于对光性能数据进行分析，确定目标链路的性能分析数据。
163.预测模块703，用于将目标链路的性能分析数据输入至训练好的分类模型中，并获取分类模型输出的预测结果。
164.其中，分类模型用于通过循环迭代输出二分类的预测结果，预测结果用于指示目标链路是否会发生故障。
165.需要说明的，图7所示实施例提供的目标链路的故障分析装置，可用于执行上述实施例所提供的目标链路的故障分析方法，具体实现方式和技术效果类似，这里不再进行赘述。
166.图8为本技术实施例提供的一种电子设备的结构示意图。如图8所示，该电子设备800可以包括：至少一个处理器801和存储器802。图8示出的是以一个处理器为例的电子设备。
167.存储器802，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
168.存储器802可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
169.处理器801用于执行存储器802存储的计算机执行指令，以实现上述分类模型的训练方法；
170.其中，处理器801可能是一个中央处理器(central processing unit，cpu)，或者是特定集成电路(application specific integrated circuit，asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
171.可选的，在具体实现上，如果通信接口、存储器802和处理器801独立实现，则通信接口、存储器802和处理器801可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
172.可选的，在具体实现上，如果通信接口、存储器802和处理器801集成在一块芯片上实现，则通信接口、存储器802和处理器801可以通过内部接口完成通信。
173.图9为本技术实施例提供的另一种电子设备的结构示意图。如图9所示，该电子设备900可以包括：至少一个处理器901和存储器902。图9示出的是以一个处理器为例的电子设备，处理器901用于执行存储器902存储的计算机执行指令，以实现上述目标链路的故障分析方法。图9所示的电子设备的各部分结构、功能等可参照图8所示的电子设备理解，对于重复的内容，在此不再累述。
174.本技术实施例还提供了一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于分类模型的训练装置中。
175.本技术实施例还提供了另一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于目标链路的故障分析装置中。
176.本技术实施例还提供一种程序，该程序在被处理器执行时用于执行以上方法实施例提供的分类模型的训练方法。
177.本技术实施例还提供另一种程序，该程序在被处理器执行时用于执行以上方法实
施例提供的目标链路的故障分析方法。
178.本技术实施例还提供一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的分类模型的训练方法。
179.本技术实施例还提供另一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的目标链路的故障分析方法。
180.本技术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可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁盘或者光盘等各种可以存储程序代码的介质。具体地，该计算机可读存储介质中存储有程序信息，程序信息用于上述分类模型的训练方法。
181.本技术还提供了另一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁盘或者光盘等各种可以存储程序代码的介质。具体地，该计算机可读存储介质中存储有程序信息，程序信息用于上述目标链路的故障分析方法。
182.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
183.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。