基于SA-BP神經(jīng)網(wǎng)絡算法的光接入網(wǎng)絡通道質(zhì)量評估方法

蔡冰清，徐思雅，亓峰，葛維春，周桂平，于波濤，李悅悅

（1.北京郵電大學網(wǎng)絡與交換技術國家重點實驗室，北京 100876；2.國網(wǎng)遼寧省電力有限公司，遼寧 沈陽 110006；3.北京國電通網(wǎng)絡技術有限公司，北京 100070）

1 引言

通道是光接入網(wǎng)的重要組成部分，是承接終端與調(diào)度端的橋梁，是業(yè)務最直接的載體。網(wǎng)絡通道質(zhì)量將直接決定光接入網(wǎng)的可靠性和穩(wěn)定性，因此，通過高效的運維手段提升網(wǎng)絡通道的運行質(zhì)量是保障智能電網(wǎng)安全、可靠運行的重要途徑。然而，隨著光接入網(wǎng)絡規(guī)模不斷擴大、網(wǎng)絡結(jié)構日趨復雜、業(yè)務的種類和數(shù)量不斷增加，使得光接入網(wǎng)絡運維和管理的難度不斷加大。目前，針對光接入網(wǎng)通道質(zhì)量評估的研究主要集中在設備層和網(wǎng)絡層，缺乏涵蓋物理層、網(wǎng)絡層和業(yè)務層的綜合評估方法，致使運維人員難以通過網(wǎng)絡監(jiān)測等方式準確地判斷網(wǎng)絡通道的實際質(zhì)量。因此，建立一套全面、科學的通道質(zhì)量評估方法，幫助運維人員快速、準確、直觀地獲取評估結(jié)果，對提高光接入網(wǎng)絡的運維能力以及保障光接入網(wǎng)絡的穩(wěn)定性和可靠性是重要且必要的。

通過對國內(nèi)外研究進展的分析可知，各大通信運營商和研究機構在光接入網(wǎng)網(wǎng)絡質(zhì)量評估和管理等方面都進行了較為深入的研究[1-7]。參考文獻[1,2]分析了智能配用電通信網(wǎng)和 EPON設備的集中運維和管理問題，介紹了相應的綜合網(wǎng)管系統(tǒng)；參考文獻[3]分析了智能配用電通信網(wǎng)不同組網(wǎng)方式下的設備信息，提出了一種能夠反映設備運行質(zhì)量的多指標綜合評估方法；參考文獻[4]提出了一種基于多測量指標的綜合評價方法，并將其應用到網(wǎng)絡性能評價上；參考文獻[5]研究了通用的業(yè)務質(zhì)量指標集合，并提出了基于策略的業(yè)務質(zhì)量評價方法；參考文獻[6]根據(jù)SLA要求，細化了業(yè)務性能分析相關的QoS（quality of service，服務質(zhì)量）評價機制；參考文獻[7]分析了智能電網(wǎng)管理的屬性特征，探索了智能電網(wǎng)發(fā)展中出現(xiàn)的薄弱環(huán)節(jié)和制約因素，構建了智能電網(wǎng)管理多屬性評價模型。通過以上分析可知，現(xiàn)有的配用電通信網(wǎng)或EPON的網(wǎng)絡管理相關研究主要集中在網(wǎng)絡質(zhì)量和設備質(zhì)量的評估上，缺乏對業(yè)務層的考慮，難以實現(xiàn)全面的通道質(zhì)量評估。

為了解決以上問題，本文提出了一種面向多層次、多指標的光接入網(wǎng)絡通道質(zhì)量評估方法。該方法包括兩個部分，分別為建立光接入網(wǎng)通道質(zhì)量的評估模型和設計 SA-BP（simulated annealing-back propagation）神經(jīng)網(wǎng)絡改進算法。首先，從物理層、網(wǎng)絡層和業(yè)務層3個維度建立評估模型，對通道質(zhì)量進行綜合分析；然后，設計SA-BP神經(jīng)網(wǎng)絡算法用以訓練評估模型與通道質(zhì)量的映射關系，對網(wǎng)絡通道質(zhì)量進行準確評估。

2 面向多層次、多指標的通道質(zhì)量評估模型

我國智能電力光接入網(wǎng)絡呈現(xiàn)地理分布范圍廣、網(wǎng)絡結(jié)構復雜的特點。通道是承載業(yè)務的通路，貫穿了整個光接入網(wǎng)絡。從調(diào)度端到終端涵蓋光傳輸和光分配等眾多環(huán)節(jié)，因此影響通道質(zhì)量的因素較多，例如設備老化、網(wǎng)絡擁塞等。本文按照物理層、網(wǎng)絡層和業(yè)務層3個維度對影響通道質(zhì)量的指標進行深入分析，建立了一套面向多層次、多指標的光接入網(wǎng)絡通道質(zhì)量評估模型。

如圖1所示，本文提出的面向多層次、多指標的通道質(zhì)量評估模型由物理層、網(wǎng)絡層和業(yè)務層3個維度的評估指標構成。物理層從介質(zhì)的健康度、故障率以及生存性3個方面進行評估；網(wǎng)絡層從上/下行網(wǎng)絡性能和流量狀態(tài)兩個方面進行評估；業(yè)務層從業(yè)務的完整性、可用性、支撐性和安全性4個方面進行評估。下面對各層評估指標進行詳細介紹。

2.1 物理層

通道由光纜、光纜交接箱和設備等物理介質(zhì)組成，因此介質(zhì)的質(zhì)量將直接影響通道的質(zhì)量。表1展示了我國東部某省2012—2016年光接入網(wǎng)事故的原因及所占比例。

圖1 評估模型示意

表1 我國東部某省2012—2016年光接入網(wǎng)絡事故原因及其占比

由表1的統(tǒng)計結(jié)果可知，73.5%的光接入網(wǎng)絡事故的發(fā)生是由設備老化、超期檢修和設備缺陷引起的。因此，由運維數(shù)據(jù)分析可知，設備質(zhì)量和維保力度等幾個方面是影響通道質(zhì)量的重要因素。根據(jù)影響因素的代表性和可測性，本文從健康度、故障率和生存性3個方面對通道物理層質(zhì)量進行評估。其中，健康度評估設備老化和缺陷程度，故障率評估不同程度的故障次數(shù)和恢復時長，生存性評估設備維保等級和應急保障等級等。具體指標定義和計算方法見表2。

2.2 網(wǎng)絡層

除了物理介質(zhì)質(zhì)量以外，網(wǎng)絡擁塞等因素也會影響通道的穩(wěn)定性和可靠性，因此需通過對通道流量等信息進行分析，得出通道的網(wǎng)絡層質(zhì)量。常規(guī)的網(wǎng)絡性能指標包括時延、帶寬、流量和分組丟失率[10]，但是這種指標的劃分粒度較粗，不能準確地反映網(wǎng)絡狀態(tài)。例如在流量測量方面，可從吞吐量、峰值速率和突發(fā)長度等方面進一步細化對通道質(zhì)量的評估。因此，主要從網(wǎng)絡性能和流量狀態(tài)2個方面對網(wǎng)絡層質(zhì)量進行評估，分別評估網(wǎng)絡的整體質(zhì)量及承載的數(shù)據(jù)量。網(wǎng)絡性能狀態(tài)指標包括時延抖動次數(shù)、誤碼率、分組丟失率、帶寬利用率、信噪比和阻塞率；網(wǎng)絡流量狀態(tài)指標包括吞吐量、流量峰值速率、流量平均速率和最大突發(fā)長度。此外，由于EPON上/下行采用不同光波長進行傳輸，不同波長的光被干擾的條件有所不同，因此還需在光接入網(wǎng)中分別測量上/下行網(wǎng)絡性能狀態(tài)和流量狀態(tài)。具體指標定義和計算方法見表3。

2.3 業(yè)務層

在業(yè)務的傳輸過程中，不同業(yè)務對傳輸通道的需求不同，例如帶寬、可靠性等。因此，本文在通道質(zhì)量中增加了與業(yè)務服務質(zhì)量相關的評估指標，全面考察網(wǎng)絡通道對業(yè)務傳輸?shù)闹С帜芰?。參考文獻[6]劃分了衡量業(yè)務服務質(zhì)量的 7個要素，分別為支撐性、可操作性、可用性、安全性、接入性、持續(xù)性和完整性。業(yè)務的完成由調(diào)度端、通道和終端3個環(huán)節(jié)組成，其中，可操作性、接入性和持續(xù)性均與調(diào)度端和終端有關。本文選擇完整性、可用性、支撐性和安全性這4個與通道相關的指標來評估業(yè)務服務質(zhì)量。其中，完整性評估業(yè)務中斷率和中斷時間，可用性評估業(yè)務無錯率，支撐性評估服務響應時間和服務時間，安全性評估業(yè)務安全保護等級和錯操作次數(shù)等。具體指標定義和計算方法見表4。

表2 物理層指標定義及其計算方法

表3 網(wǎng)絡層指標定義及其計算方法

在建立了面向多層次、多指標的通道質(zhì)量評估模型后，需解決評估模型中各指標與通道質(zhì)量之間的映射關系。下文將介紹一種改進型的BP神經(jīng)網(wǎng)絡算法，用以訓練各指標在通道質(zhì)量評估中的權重。

3 SA-BP神經(jīng)網(wǎng)絡算法

3.1 算法分析

由于本文提出的評估模型與通道質(zhì)量之間的映射關系是非線性的，并且不同的光接入網(wǎng)絡的映射關系不同，因而不能直接地進行定量分析。由于BP神經(jīng)網(wǎng)絡算法可以定量分析任何非線性映射關系[11]，因此本文采用BP神經(jīng)網(wǎng)絡算法確定評估模型與通道質(zhì)量之間的映射關系。如圖2所示，標準BP神經(jīng)網(wǎng)絡算法是一種信息在多層網(wǎng)絡中正向傳播而誤差反向傳播的學習算法，包含一個輸入層、一個或多個隱含層和一個輸出層，層內(nèi)神經(jīng)元互不相連，層與層之間采用全連接方式。

表4 業(yè)務層指標定義及其計算方法

該算法包括訓練和使用兩個階段，訓練階段是信息正向傳播和誤差反向傳播。信息正向傳播是指信息從輸入層輸入，經(jīng)過隱含層和輸出層處理，最終從輸出層輸出，每一層的輸出信息都是下一層的輸入信息。除了輸入層神經(jīng)元對輸入值不做任何處理以外，隱含層或輸出層某神經(jīng)元j的輸入值Ij為：

圖2 BP神經(jīng)網(wǎng)絡

其中，wij是上一層i神經(jīng)元與 j神經(jīng)元的連接權值，Oi是i神經(jīng)元的輸出值。輸出值Oj為：

其中，φ(?)為激活函數(shù)，一般為Sigmoid函數(shù)。

誤差反向傳播是指輸出層實際輸出值與期望值存在一定誤差，通過梯度下降法不斷調(diào)整層與層之間的連接權重來減小這個誤差，從而使輸出值更好地擬合輸入值。為了使函數(shù)連續(xù)可導，定義誤差函數(shù)θ為：

其中，Δyk是輸出層神經(jīng)元k的輸出值對相應期望輸出值的誤差。對于每一個輸入樣本，應使得連接權重w沿著誤差函數(shù)θ下降的梯度方向修正，那么任意連接權值的修正量Δw為：

其中，η表示學習率，負號表示梯度下降。

標準 BP神經(jīng)網(wǎng)絡算法采用梯度下降法調(diào)整連接權值，網(wǎng)絡對誤差曲面的局部敏感性較高，容易陷入局部最優(yōu)解而非全局最優(yōu)解，從而影響訓練結(jié)果的正確性，而模擬退火算法可以利用概率的突跳性解決這一問題，使訓練結(jié)果精度更高、更準確。因此，本文提出一種將模擬退火算法和BP神經(jīng)網(wǎng)絡相結(jié)合的SA-BP神經(jīng)網(wǎng)絡算法，將模擬退火算法的優(yōu)越特性應用于 BP神經(jīng)網(wǎng)絡算法中。

SA-BP神經(jīng)網(wǎng)絡算法在標準 BP神經(jīng)網(wǎng)絡算法的基礎上，不再使用梯度下降法調(diào)整連接權值，而是對當前連接權值進行合理的微小擾動，產(chǎn)生新的連接權值，計算新的通道質(zhì)量評估值，按照Metropolis準則決定是否接受這個新值，即如果新的評估值更接近期望值，則接受這個新的連接權值，否則，以一定概率接受，這個概率會隨著溫度的下降而下降，所以最終會達到一個穩(wěn)定狀態(tài)。

3.2 算法設計

SA-BP神經(jīng)網(wǎng)絡算法的具體步驟如下。

步驟1構建SA-BP神經(jīng)網(wǎng)絡，參數(shù)初始化。初始化包括隱含層神經(jīng)元個數(shù)n、各層間連接權值w、誤差閾值ε、初始溫度T0、最低溫度tmin、每個溫度擾動次數(shù)上限M。

步驟 2樣本X依次進行以下步驟，直到滿足條件退出算法。

步驟3樣本Xi利用BP神經(jīng)網(wǎng)絡前向傳播，根據(jù)式（3）得到誤差函數(shù)值θ(w)，其中，w是當前連接權值，如果θ(w)＜ε，則算法結(jié)束，否則進入步驟4。

步驟4根據(jù)：

得到新的連接權值w′，其中，w是當前連接權值，r是(0,1)之間的隨機數(shù)，T是當前溫度，f是最大迭代次數(shù)，K是Boltzmann常數(shù)，wmax、wmin為連接權值取值范圍的上下限，對樣本Xi計算得誤差函數(shù)值θ(w′)。

步驟5根據(jù)：計算Δθ。根據(jù)Metropolis準則判斷是否接受新的連接權值w′，即如果Δθ＜0，則接受'w為當前解，否則以概率：

接受w′為當前解，其中，K是Boltzmann常數(shù)，T是當前溫度；若接受，w w′= ，判斷θ(w)＜ε是否成立，若成立，則算法結(jié)束，否則進入步驟6。

步驟6對于每個T重復步驟4和步驟5，直到達到上限M次或者到達平衡狀態(tài)。

步驟7根據(jù)：

降低溫度，其中，N為當前迭代次數(shù)，如果降低至tmin，則跳轉(zhuǎn)至步驟2，否則跳轉(zhuǎn)至步驟4。

SA-BP神經(jīng)網(wǎng)絡算法流程如圖3所示。

SA-BP神經(jīng)網(wǎng)絡算法偽代碼如下。

圖3 SA-BP神經(jīng)網(wǎng)絡算法流程

4 仿真實驗

4.1 參數(shù)設置

根據(jù)第3.2節(jié)標準BP神經(jīng)網(wǎng)絡算法和本文設計的SA-BP神經(jīng)網(wǎng)絡算法，分別對表3所示的通道質(zhì)量評估模型中 37個指標進行仿真。仿真場景為我國東部某省 2016年光接入網(wǎng)通道上行現(xiàn)網(wǎng)數(shù)據(jù)。隨機選取該省3個地區(qū)構成3組實驗樣本，每個地區(qū)隨機選取5條通道，每條通道的樣本數(shù)據(jù)均包含37個指標值和1個通道質(zhì)量值。排除指標值缺失等無效樣本后，每組通道有效樣本數(shù)見表5。每條通道樣本隨機選取75%作為訓練樣本，剩余25%作為預測樣本。將預測樣本的擬合率作為評價指標對仿真結(jié)果進行評價與分析。參數(shù)設置見表6。

表5 通道有效樣本數(shù)

表6 參數(shù)設置

4.2 隱含層神經(jīng)元的優(yōu)化

隱含層神經(jīng)元數(shù)直接影響神經(jīng)網(wǎng)絡對復雜問題的映射能力，可計算為：

為了優(yōu)化SA-BP神經(jīng)網(wǎng)絡結(jié)構，本次實驗按照式（9）選取了 8～17個隱含層神經(jīng)元數(shù)，選擇某東部省份配用電通信網(wǎng) 524組有效樣本用于SA-BP神經(jīng)網(wǎng)絡的訓練。圖4顯示了通道質(zhì)量評估最小誤差隨隱含層神經(jīng)元數(shù)變化曲線，當隱含層神經(jīng)元數(shù)為 9時，SA-BP神經(jīng)網(wǎng)絡結(jié)構最佳。

4.3 實驗結(jié)果與分析

圖5～圖7分別為表5中所列出的3組通道質(zhì)量評估值和實際值對比。定義誤差絕對值小于1%表示評估值與實際值擬合。表6根據(jù)圖5～圖 7統(tǒng)計了每組實驗數(shù)據(jù)在不同神經(jīng)網(wǎng)絡中的擬合率。

圖4 誤差值隨隱含層神經(jīng)元數(shù)變化曲線

圖5 第1組不同網(wǎng)絡中通道質(zhì)量評估值與實際值對比

圖6 第2組不同網(wǎng)絡中通道質(zhì)量評估值與實際值對比

分析表7的實驗結(jié)果可知，在上述仿真場景下，本文提出的光接入網(wǎng)通道質(zhì)量評估模型在標準BP神經(jīng)網(wǎng)絡下3組數(shù)據(jù)正確評估通道質(zhì)量的概率為75%以上，而在SA-BP神經(jīng)網(wǎng)絡中為90%以上。由此可知，本文提出的評估模型可以較為正確地評估通道質(zhì)量，并且在SA-BP神經(jīng)網(wǎng)絡中具有更高的正確率。由此可知，相較于標準BP神經(jīng)網(wǎng)絡，SA-BP神經(jīng)網(wǎng)絡更適合本評估模型。

圖8是兩種神經(jīng)網(wǎng)絡中15個通道質(zhì)量評估的平均誤差對比。由圖8可知，BP神經(jīng)網(wǎng)絡中約有2/3的通道平均誤差在1%以上，最大誤差與最小誤差相差0.012 8；SA-BP神經(jīng)網(wǎng)絡中所有通道平均誤差均在1%以下，最大誤差與最小誤差相差0.004 3。分析可知，BP神經(jīng)網(wǎng)絡整體波動范圍較大，誤差在平均值周圍擺動幅度大，而SA-BP神經(jīng)網(wǎng)絡整體波動范圍較小，誤差在平均值周圍擺動幅度較小。因此，SA-BP神經(jīng)網(wǎng)絡擁有更高的預測精度和更好的穩(wěn)定性。這是由于模擬退火算法會以一定概率接受較差的解，并且這個概率會隨著訓練次數(shù)的增加而減小，使訓練結(jié)果趨于穩(wěn)定，所以在訓練過程中更容易跳出局部極小值，最終達到全局最優(yōu)解，因此得到的評估值會更接近期望值。

圖7 第3組不同網(wǎng)絡中通道質(zhì)量評估值與實際值對比

表7 不同神經(jīng)網(wǎng)絡中通道質(zhì)量評估值的擬合率

圖8 不同神經(jīng)網(wǎng)絡中通道質(zhì)量平均評估誤差對比

5 結(jié)束語

通過對光接入網(wǎng)通道質(zhì)量評估的研究，本文提出了一種基于 SA-BP神經(jīng)網(wǎng)絡算法的通道質(zhì)量評估方法。通過仿真可知，本文提出的評估方法可以全面地評估光接入網(wǎng)通道質(zhì)量，并且與BP神經(jīng)網(wǎng)絡相比，本文設計的SA-BP神經(jīng)網(wǎng)絡算法使得評估的準確性和穩(wěn)定性都得到了進一步的提升。

參考文獻：

[1] 劉國軍, 侯興哲, 王楠, 等.智能配用電通信綜合網(wǎng)管系統(tǒng)研究[J].電網(wǎng)技術, 2012, 36(1)： 12-17.LIU G J, HOU X Z, WANG N, et al.An integrated network management system for communication of smart power distri-bution and utilization grid[J].Power System Technology, 2012,36(1)： 12-17.

[2] 趙煒妹, 郭慶琳, 孫曉霞, 等.EPON綜合網(wǎng)管系統(tǒng)的研究與實現(xiàn)[J].電力系統(tǒng)通信, 2010, 31(2)： 41-44.ZHAO W M, GUO Q L, SUN X X, et al.Research and implementation of EPON integrated network management system[J].Telecommunications for Electric Power System, 2010, 31(2)： 41-44.

[3] 陳寧寧.智能配用電通信網(wǎng)設備運行質(zhì)量綜合評估系統(tǒng)的研究與實現(xiàn)[D].北京： 北京郵電大學, 2014.CHEN N N.Research and realization of comprehensive evaluation system for equipment operation quality of intelligent distribution electric communication network[D].Beijing： Beijing University of Posts and Telecommunications, 2014.

[4] 張冬艷, 胡銘曾, 張宏莉.基于測量的網(wǎng)絡性能評價方法研究[J].通信學報, 2006, 27(10)： 74-79.ZHANG D Y, HU M C, ZHANG H L.Study on network performance evaluation method based on measurement[J].Journal on Communications, 2006, 27(10)： 74-79.

[5] 張奕奎, 邱雪松, 成璐.基于策略的業(yè)務質(zhì)量評價方法[J].計算機工程, 2007, 33(13)： 109-111.ZHANG Y K, QIU X S, CHENG L.Policy-based approach for service quality assessment[J].Computer Engineering, 2007,33(13)： 109-111.

[6] Telemanagement Forum.SLA management handbook：GB917[S].2010.

[7] 孫蕾.智能電網(wǎng)管理評價指標體系與多屬性分析模型研究[D].北京： 華北電力大學, 2015.SUN L.Research on evaluation index system and multi-attribute analysis model of smart grid management[D].Beijing： North China Electric Power University, 2015.

[8] ZHANG Y, NIU D, LIU J.The evaluation of thermal power enterprise environmental sustainable development based on SA-BP neural network[C]//International Conference on Environmental Science and Information Application Technology, July 17-18,2010, Wuhan, China.Piscataway： IEEE Press, 2010： 674-677.

[9] 楊小彬, 李和明, 尹忠東, 等.基于層次分析法的配電網(wǎng)能效指標體系[J].電力系統(tǒng)自動化, 2013, 37(21)： 146-150.YANG X M, LI H M, YIN Z D, et al.Energy efficiency index system for distribution network based on analytic hierarchy process[J].Automation of Electric Power Systems, 2013, 37(21)：146-150.

[10] ZHANG H L, FANG B X, HU M Z, et al.A survey on internet measurement and analysis[J].Journal of Software, 2003, 93(14)：110-116.

[11] 田景文, 高美娟.人工神經(jīng)網(wǎng)絡算法研究及應用[M].北京：北京理工大學出版社, 2006.TIAN J W, GAO M J.Research and application of artificial neural network algorithm[M].Beijing： Beijing Institute of Technology Press, 2006.