C114訊 6月8日消息（雋暢）近日，由CIOE中國光博會與C114通信網聯合推出的“2023中國光通信高質量發展論壇”系列活動——“數據中心光互連技術研討會”成功舉辦。美團光網絡架構師岳樹燁應邀出席會議并發表題為《光模塊故障預測》的報告。
岳樹燁表示，企業對高效運維和測試技術需求日益迫切，通過激光器老化機器學習建模，可以實現模塊健康度預警，提前識別，快速定位，降低運維成本。
借助AIOps提升企業業務能力
隨著產業規模不斷擴大，需要常態化運維的網絡節點規模已達到上萬級別，且鏈路數目達到幾十萬級別，保持規模化網絡的穩定可靠成為一大挑戰。將智能算法引入現有網絡管理平臺，實現數據驅動的網絡閉環系統，將成為解決運維效率低下、定位成本高昂現狀的有力途徑。
然而，現有技術仍待與場景結合，存在異常檢測誤差大、故障網元定位難、計算響應不及時等限制，難以用于特定條件。
“針對上述情況，構建具備容錯能力的網絡已成為當前的重中之重。目前，一些通用的網絡平臺已經實現了基礎的網絡異常診斷和故障定位功能，但受運行環境、品牌、型號等多維環境影響，工作效率低、誤差大。”岳樹燁指出，大規模網絡下，通過光模塊激光器的監控關鍵指標可以預測故障的發生時間，減少運維⼈員壓力，美團開展光模塊故障預測研究有三大目標。
一是異常主動發現，故障預測。利用機器學習分析告警閾值，網絡、設備、光模塊、光傳輸等更多精細特征指標異常發現及在線趨勢預測。
二是自我診斷，故障定位。結合業內數據、大數據分析及專家經驗和知識圖譜，分析光模塊異常趨勢。
三是智能聯動，快速通告。聯動失效告警、自動隔離、工單派發、效果驗收、業務恢復全鏈條的故障自動化處理。
實現光模塊故障預測的三大核心
從實際情況看，激光器故障在有源類產品故障中占比較高，光模塊單體故障的90%以上。增加故障預測可提前評估風險，降低運維復雜度，優化全鏈路系統。那么，光模塊故障預測要如何實現呢？
岳樹燁介紹，首先要通過“針對異構監控數據的深度清洗和特征提取方法”與“基于狀態檢測的激光器異常建模和故障預測”實現小時級激光器異常檢測和故障預測。然后，利用“面向真實網絡的算法驗證平臺”，以仿真數據進行有效性、可用性、先進性檢驗，繼而將真實數據接入檢驗。
具體而言，由于激光器原始監控數據中存在噪聲數據較多、特征維度過大、數據集不平衡等情況，將導致預測精度降低。因此，要通過多維統計分析、深度數據清洗、上下采樣技術、動態特征工程，對數據進行預處理，從而實現高效特征提取。
在基于狀態檢測的激光器異常建模的初期，要率先構建區分正常和異常激光器的狀態檢測模型并生成動態閾值，一旦檢測到出光功率變化率大于異常閾值則激發壽命預測單元。
針對正常老化模型，可采用激光器的正常歷史數據進行建模，預測激光器一天后的出光功率，當出光功率低于標準規格時則上報⻛險；針對突發異常模型，根據突發異常前一段時間的歷史數據進行建模，當出光功率變化率大于計算閾值時激活該預測單元，計算異常發生概率及狀態分布。
“為實現異常檢測和故障定位的算法的有效性與可靠性，就要結合系統和模型在萬級規模網絡仿真平臺和多拓撲環境里進行綜合測試。”岳樹燁表示，測試平臺的部署分為三個階段。首先是經典網絡布局模式下的仿真測試平臺，其次是VPC網絡布局模式下的仿真測試平臺，然后是仿真節點與實物并存的半實物測試平臺。完成上述工作后，將基于美團真實網絡環境進行部署與驗證。
會上，岳樹燁呼吁產業鏈上下游共同關注器件穩定性，攜手建立有效性、可用性、先進性并存的故障預測體系，以提高產品的穩定性為前提，實現終端用戶、模塊/設備商價、芯片廠商之間的三方共贏。 
