光网络故障定位方法、装置及相关设备与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。基于同一发明构思，本公开实施例中还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的光网络故障定位方法。由于该电子设备实施例解决问题的原理与上述方法实施例相似，因此该电子设备实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1101、上述至少一个存储单元1102、连接不同系统组件(包括存储单元1102和处理单元1101)的总线1103。其中，存储单元存储有程序代码，程序代码可以被处理单元1101执行，使得处理单元1101执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一些实施例中，当电子设备用于控制例如本公开上述光网络故障定位方法时，处理单元1101可以执行上述方法实施例的如下步骤：获取光网络的至少一个告警数据；提取每个告警数据的三元组信息，其中，三元组信息中包含至少两个实体以及两个实体之间的关系；根据每个告警数据的三元组信息，构建对应的告警知识图谱；将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出告警知识图谱中每个实体对应的故障发生概率；根据告警知识图谱中每个实体对应的故障发生概率，确定光网络中故障发生位置。存储单元1102可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)11021和/或高速缓存存储单元11022，还可以进一步包括只读存储单元(rom)11023。存储单元1102还可以包括具有一组(至少一个)程序模块11025的程序/实用工具11024，这样的程序模块11025包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1103可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1100也可以与一个或多个外部设备1104(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1105进行。并且，电子设备1100还可以通过网络适配器1106与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1106通过总线1103与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。基于同一发明构思，本公开实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一项的光网络故障定位方法。由于该计算机可读存储介质实施例解决问题的原理与上述方法实施例相似，因此该计算机可读存储介质实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。基于同一发明构思，本公开实施例中还提供了一种计算机程序产品，包括计算机程序产品，包括：计算机程序或指令，计算机程序或指令被处理器执行时实现上述方法实施例中任意一项的光网络故障定位方法。由于该计算机程序产品实施例解决问题的原理与上述方法实施例相似，因此该计算机程序产品实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

背景技术：

1、随着通信行业的飞速发展，光传送网(optical transport network，otn)已经成为现代通信网络的骨干，承载着大量数据和业务信号。单个网络故障(例如，节点或链路故障)可能导致服务质量(quality of service，qos)下降，甚至导致业务中断，因此，一旦网络发生故障，网络运营商需要准确定位故障来源，并尽快修复故障，otn告警和故障密切相关，otn告警是反映网络中发生的异常状况或故障的指示，通常由网络设备的告警机制产生，当otn网络中出现故障，如光信号丢失、信号质量劣化、设备硬件故障等，网管系统会接收多个设备上报的一系列告警，即使这些告警包含位置信息，也难以从告警风暴中识别出根源告警，因此故障定位变得困难，otn告警是故障的直接表现，通过分析和处理告警信息，可以定位和解决故障，确保otn通信网络的稳定运行。现有的otn故障定位主要有以下三种方法：

2、1)基于信号流分析法：信号流分析法是一种常用的otn故障定位方法，该方法首先收集otn网络的拓扑结构、设备配置、业务信号流向等来确定otn网络中的流向；沿着信号流逐个检查每个设备、每个端口以及每条链路的状态，通过对比分析各个点的状态信息，结合告警信息、性能数据等，定位到故障发生的具体位置，其优点在于能够直观地展示信号传输路径，帮助工程师快速找到故障点，然而，对于大型复杂的otn网络，信号流的分析可能变得相当繁琐，需要耗费大量时间和精力。

3、2)基于专家经验和规则匹配的otn故障定位方法：基于规则匹配的otn故障定位方法首先收集otn网络中的告警信息和设备状态数据；然后，根据预设的规则和阈值，对收集到的数据进行筛选和匹配；最后，根据专家经验确定故障发生的可能位置，但由于otn网络的复杂性和动态性，固定的规则和阈值很难覆盖所有可能的故障场景，导致定位准确度不高，存在误报和漏报的现象。

4、3)基于机器学习的otn故障定位方法：基于机器学习的故障定位方法则利用机器学习算法对大量的历史故障数据进行学习，建立分类模型，用于对新的故障数据进行分类和定位，这种方法在一定程度上提高了定位准确度，但仍然面临一些挑战，机器学习模型对数据的分布和特征敏感，未能挖掘到历史故障数据的关联性，模型输入数据单一，当网络结构或业务流量发生变化时，模型泛化性低导致故障定位准确性低。

5、任何故障都可能导致大规模的业务中断和网络拥塞，给运营商和用户造成巨大的经济损失，现有的otn故障定位方法虽然在一定程度上提高了定位准确度，但仍存在一些问题，例如，这些方法往往忽略了告警事件之间的因果关系，导致在复杂网络环境下，故障定位的准确性受到影响。

6、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种光网络故障定位方法、装置及相关设备，至少在一定程度上克服相关技术中光网络故障定位准确度不高的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供了一种光网络故障定位方法，包括：获取光网络的至少一个告警数据；提取每个告警数据的三元组信息，其中，所述三元组信息中包含至少两个实体以及两个实体之间的关系；根据每个告警数据的三元组信息，构建对应的告警知识图谱；将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率；根据所述告警知识图谱中每个实体对应的故障发生概率，确定所述光网络中故障发生位置。

4、在本公开的一些示例性实施例中，基于前述方案，所述告警数据中的实体类型包括如下至少之一：告警类型、故障对象、业务、设备，提取每个告警数据的三元组信息，包括：将每个告警数据中的所述告警类型、所述故障对象、所述业务、所述设备设置为三元组信息中的实体；将每个告警数据中的所述告警类型、所述故障对象、所述业务、所述设备之间的关系设置为三元组信息中的实体之间的关系；根据所述实体以及所述实体之间的关系，确定每个告警数据的三元组信息。

5、在本公开的一些示例性实施例中，基于前述方案，根据每个告警数据的三元组信息，构建对应的告警知识图谱，包括：将每个告警数据的三元组信息中所包含的两个实体分别设置为待构建的所述告警知识图谱的两个节点；将每个告警数据的三元组信息中所包含的两个实体之间的关系设置为待构建的所述告警知识图谱的边；根据每个告警数据的三元组信息中设置好的两个节点和边，构建对应的告警知识图谱。

6、在本公开的一些示例性实施例中，基于前述方案，将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率，包括：将预先构建的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的待处理故障发生概率；采用注意力机制处理所述告警知识图谱中每个实体对应的待处理故障发生概率，确定所述告警知识图谱中每个节点对应的故障发生概率。

7、在本公开的一些示例性实施例中，基于前述方案，在将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率之前，所述方法还包括：采用注意力机制，将输入至初始化门控图神经网络模型中的所述告警知识图谱分解为因果注意力图和琐碎注意力图；基于所述因果注意力图和所述琐碎注意力图构建目标损失函数；通过所述目标损失函数对所述初始化门控图神经网络模型进行优化，得到训练好的门控图神经网络模型。

8、在本公开的一些示例性实施例中，基于前述方案，所述三元组信息还包括：实体属性信息，根据所述告警知识图谱中每个实体对应的故障发生概率，确定所述光网络中故障发生位置，包括：在所述告警知识图谱中任一节点对应的故障发生概率大于或/等于预设阈值的情况下，确定所述节点为根源故障节点；根据所述根源故障节点对应的实体属性信息，确定所述光网络中故障发生位置。

9、在本公开的一些示例性实施例中，基于前述方案，在获取光网络的至少一个告警数据之后，所述方法还包括：对获取的所述光网络的至少一个告警数据进行标准化处理，其中，所述标准化处理包括如下至少之一：清洗处理、整合处理、规范化处理。

10、根据本公开的另一个方面，还提供了一种光网络故障定位装置，包括：告警数据获取模块，用于获取光网络的至少一个告警数据；三元组信息确定模块，用于提取每个告警数据的三元组信息，其中，所述三元组信息中包含至少两个实体以及两个实体之间的关系；告警知识图谱构建模块，用于根据每个告警数据的三元组信息，构建对应的告警知识图谱；故障概率输出模块，用于将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率；故障位置确定模块，用于根据所述告警知识图谱中每个实体对应的故障发生概率，确定所述光网络中故障发生位置。

11、根据本公开的再一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种光网络故障定位方法。

12、根据本公开的又一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种光网络故障定位方法。

13、根据本公开的另一个方面，还提供了一种计算机程序产品，包括：计算机程序或指令，所述计算机程序或指令被处理器执行时实现上述任意一项的光网络故障定位方法。

14、本公开的实施例中提供的一种光网络故障定位方法、装置及相关设备，将告警知识图谱与图神经网络相结合，通过获取光网络中的告警数据构建告警知识图谱，将告警数据中的实体与实体之间关系相互关联，利用图神经网络的深度学习能力，确定告警知识图谱中每个实体发生故障的概率，不仅可以确定潜在故障的发生，还可以根据每个实体对应的的故障发生概率的大小，精准定位出故障发生位置。

15、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

技术特征：

1.一种光网络故障定位方法，其特征在于，包括：

2.根据权利要求1所述的光网络故障定位方法，其特征在于，所述告警数据中的实体类型包括如下至少之一：告警类型、故障对象、业务、设备，提取每个告警数据的三元组信息，包括：

3.根据权利要求1所述的光网络故障定位方法，其特征在于，根据每个告警数据的三元组信息，构建对应的告警知识图谱，包括：

4.根据权利要求1所述的光网络故障定位方法，其特征在于，将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率，包括：

5.根据权利要求1所述的光网络故障定位方法，其特征在于，在将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出所述告警知识图谱中每个实体对应的故障发生概率之前，所述方法还包括：

6.根据权利要求3所述的光网络故障定位方法，其特征在于，所述三元组信息还包括：实体属性信息，根据所述告警知识图谱中每个实体对应的故障发生概率，确定所述光网络中故障发生位置，包括：

7.根据权利要求1所述的光网络故障定位方法，其特征在于，在获取光网络的至少一个告警数据之后，所述方法还包括：

8.一种光网络故障定位装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的光网络故障定位方法。

11.一种计算机程序产品，包括：计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1～7中任意一项所述的光网络故障定位方法。

技术总结
本公开提供了一种光网络故障定位方法、装置及相关设备，涉及光传送网通信技术领域，该方法包括：获取光网络的至少一个告警数据；提取每个告警数据的三元组信息，其中，三元组信息中包含至少两个实体以及两个实体之间的关系；根据每个告警数据的三元组信息，构建对应的告警知识图谱；将每个告警数据的告警知识图谱输入至预先训练好的门控图神经网络模型中，输出告警知识图谱中每个实体对应的故障发生概率；根据告警知识图谱中每个实体对应的故障发生概率，确定光网络中故障发生位置。本公开能够提高光网络故障定位的准确性和效率。

技术研发人员：潘梦梦,许健荣,杨立鹏,杨刚刚
受保护的技术使用者：中国电信股份有限公司技术创新中心
技术研发日：
技术公布日：2024/12/5