一种基于分布式系统OLT设备的线卡管理方法及系统与流程

本发明属于数字传输领域，具体来说，特别涉及一种基于分布式系统olt设备的线卡管理方法及系统。

背景技术：

1、光线路终端，简称olt；olt设备的线卡，也称业务板卡或接口卡，是olt设备中的一个重要组件；它用于提供与外部网络或用户设备的物理连接，并实现数据的收发功能；线卡通常具有以下特点和功能：线卡提供多种接口类型，如以太网接口、pon接口等，以适应不同的网络需求和用户设备类型；线卡具备一定的数据处理能力，能够对通过它的数据包进行转发、过滤、优先级处理等操作，以确保网络性能和服务质量；线卡通常还具有上联接口，用于将olt设备与上层网络设备连接，实现数据的交换和传输；线卡可以通过管理接口进行管理和监控，以便对其工作状态、性能进行监测和配置；为了满足未来网络扩展的需求，线卡通常具有一定的扩展性，可以插入其他功能模块或增加接口数量。

2、中国专利cn105337757a公开了一种线卡管理方法及系统，其方法包括：主控单板通过以太网接口与至少一个线卡建立通信连接；主控单板基于所述以太网接口，通过板间通讯报文对所述至少一个线卡进行管理；解决了线卡上无cpu线卡的管理问题，同时可以降低线卡硬件成本；此外，本方案中通过以太网接口，完成板间通讯报文的交互，以太网接口为全双工方式，解决了i2c总线上冲突严重问题。

3、现有的olt设备的线卡管理方法主要依赖于本地控制台或命令行界面进行操作，若采用这种方式需要现场工程师前往设备所在位置进行实时管理和维护且操作过程繁琐，需要逐个线卡进行配置和管理，效率低下，增加了人力成本和时间成本。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于分布式系统olt设备的线卡管理方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种基于分布式系统olt设备的线卡管理方法，包括以下步骤：

4、s1、构建线卡分布式管理集群，所述线卡分布式管理集群实时采集olt设备上各个线卡的多种参数数据，得到线卡历史数据矩阵集和线卡实时数据矩阵；

5、s2、将所述线卡实时数据矩阵与线卡各个参数的稳态值进行对比，根据对比结果判定是否需要对线卡进行更换或维修；

6、采用线卡历史数据矩阵集对初始bp神经网络模型进行训练以及测试，得到最终bp神经网络模型；

7、再采用最终bp神经网络模型对线卡未来的参数数据进行预测，得到线卡未来数据矩阵集；

8、s3、将所述线卡未来数据矩阵集与线卡各个参数的稳态值进行对比，根据对比结果判定是否需要对线卡进行升级；

9、s4、所述线卡分布式管理集群实时采集olt设备日志数据，再对olt设备日志数据进行关键词匹配，根据匹配结果判定是否需要对线卡更换或维修或升级；

10、通过构建线卡分布式管理集群，线卡分布式管理集群中的每个节点都能对线卡进行单独管理和处理，因此，当每个或者某些节点出现问题时，其他节点可以继续对线卡进行管理，因此使得整个线卡管理更加具有健壮性；线卡分布式管理集群且各个节点之间可以进行通信实现信息共享，使得对线卡进行处理的效率更高；通过获取线卡历史数据矩阵集和线卡实时数据矩阵，将线卡实时数据矩阵与线卡各个参数的标准稳态值进行对比，从而判定出线卡在当前是否存在故障，若存在故障，则需要对线卡进行更换或者维修，因此实现了对线卡的管理；若当前线卡在当前时刻不存在故障时，通过构建最终bp神经网络模型对线卡在未来时刻的参数数据进行预测，从而得到线卡在未来时刻的参数数据；再将线卡在未来时刻的参数数据与线卡各个参数的标准稳态值进行对比，从而判定出线卡在未来时刻是否会有发生故障的可能，当在未来时刻有发生故障的可能性，则表明当前线卡的性能不足，因此需要进行升级操作；最后从olt设备的日志数据中进行关键词匹配，用于防止采集得到的线卡数据无法得知线卡是否存在故障的情况发生时，可以通过日志数据判定线卡是否存在故障，从线卡本身采集得到的数据以及日志数据两个方面对线卡的状态进行判定，从而进一步准确的对线卡进行管理。

11、优选地，所述s1包括以下步骤：

12、s11、构建线卡分布式管理集群；所述线卡分布式管理集群包含线卡升级节点集、线卡数据采集节点集、线卡故障预测节点集、olt设备日志采集节点集以及线卡信息数据库节点集；、、、和分别表示线卡升级节点集中第个节点、线卡数据采集节点集中第个节点、线卡故障预测节点集中第个节点、olt设备日志采集节点集中第个节点和线卡信息数据库节点集中第个节点；、、、和分别表示线卡升级节点集中节点总个数、线卡数据采集节点集中节点总个数、线卡故障预测节点集中节点总个数、olt设备日志采集节点集中节点总个数和线卡信息数据库节点集中节点总个数；

13、所述线卡升级节点集、线卡数据采集节点集、线卡故障预测节点集、olt设备日志采集节点集以及线卡信息数据库节点集中各个节点之间通过网络进行连接、数据实时共享且每个节点能够单独处理任务；

14、s12、设定线卡状态参数类型集、线卡数据历史采集周期以及工作线卡集；表示设定的第个线卡状态参数类型，表示设定的线卡状态参数类型的总个数；表示olt设备上工作的第个线卡，表示olt设备上工作的线卡总个数；

15、对所述线卡数据历史采集周期进行时间点划分，得到历史时间点集，表示从所述线卡数据历史采集周期划分出的第个历史时间点，表示从所述线卡数据历史采集周期分出的历史时间点的总个数；

16、所述线卡数据采集节点集中的各个节点均根据历史时间点集以及线卡状态参数类型集对工作线卡集中的每个线卡的数据进行采集，得到线卡历史数据矩阵集，表示第个线卡的历史数据矩阵；如下，

17、；

18、其中，表示第个线卡在第个历史时间点时第个线卡状态参数类型对应的数据；

19、所述线卡数据采集节点集将线卡历史数据矩阵集存储进线卡信息数据库节点集中；

20、s13、所述线卡数据采集节点集中的各个节点根据线卡状态参数类型集对工作线卡集中的每个线卡的数据进行实时采集，得到线卡实时数据矩阵；如下，

21、；

22、其中，表示第个线卡的第个线卡状态参数类型对应的实时数据；

23、通过设定线卡升级节点集、线卡数据采集节点集、线卡故障预测节点集、olt设备日志采集节点集以及线卡信息数据库节点集，每个特定的操作都有对应的节点集，从而使得对线卡的处理更加高效；线卡状态参数类型集中包括例如吞吐量、延迟、丢包率、端口状态以及错误计数器计数等；通过对这些类型的数据进行全面考虑，可以较为精准的对线卡是否存在故障进行分析和了解。

24、优选地，所述s2包括以下步骤：

25、s21、根据所述线卡状态参数类型集设定线卡状态参数稳态值集以及差值阈值集，表示第个线卡状态参数类型的稳态值，表示第个线卡状态参数类型的差值阈值；

26、s22、将所述线卡实时数据矩阵中的每列数据分别与线卡状态参数稳态值集中的每个数据作差，得到线卡实时差值数据矩阵；

27、s23、对所述线卡实时差值数据矩阵的每行数据进行遍历，将线卡实时差值数据矩阵中每行的各个数据分别与差值阈值集中的每个差值阈值进行对比；

28、在遍历过程中，当所述线卡实时差值数据矩阵的当前遍历行中存在数据大于或者等于差值阈值集中对应位置的差值阈值时，则表示当前遍历行对应的线卡存在故障，需要进行更换或者维修；

29、当所述线卡实时差值数据矩阵的当前遍历行中不存在数据大于或者等于差值阈值集中对应位置的差值阈值时，则表示当前遍历行对应的线卡不存在故障，进入s24；

30、s24、构建初始bp神经网络模型，采用所述线卡历史数据矩阵集对初始bp神经网络模型进行训练并测试，得到最终bp神经网络模型；

31、s25、根据所述线卡历史数据矩阵集采用最终bp神经网络模型对未来时刻的线卡数据进行预测，得到线卡未来数据矩阵集，表示第个线卡的未来数据矩阵；

32、线卡状态参数稳态值集中包含了采集得到的线卡的各个数据在线卡处于正常工作状态的数据值，因此将线卡实时数据矩阵中的各个数据与线卡状态参数稳态值集的数据进行作差操作，从而得到当前线卡的各项参数是否处于正常状态；再通过设定差值阈值集来对当前线卡的各项参数的误差进行限定，当超过限定的误差时，则判定当前线卡存在故障；从而对线卡是否存在故障进行量化分析，使得判定线卡是否存在故障更加具有依据。

33、优选地，所述s24包括以下步骤：

34、s241、设定训练数据比例值和测试数据比例值；再构建初始bp神经网络模型；设定所述初始bp神经网络模型的输入节点个数为、隐含层节点个数为以及输出节点个数为；

35、根据所述训练数据比例值和测试数据比例值对线卡历史数据矩阵集中每个线卡的历史数据矩阵进行数据划分，得到线卡历史训练数据矩阵集、线卡历史测试数据矩阵集和线卡历史待预测数据矩阵集；、和分别表示第个线卡的历史训练数据矩阵、历史测试数据矩阵以及历史待预测数据矩阵；分别如下，

36、；；；

37、其中，、和分别表示第个线卡的历史训练数据矩阵、历史测试数据矩阵以及历史待预测数据矩阵中第个线卡状态参数类型在第个历史时间点时的数据；、和分别表示划分在训练数据、测试数据以及待预测数据中历史时间的个数；；

38、s242、设定训练误差阈值；将所述线卡历史训练数据矩阵集输入至初始bp神经网络模型中进行训练，当对所述初始bp神经网络模型进行训练的过程中的训练误差小于训练误差阈值时，停止训练，得到训练后的bp神经网络模型；

39、设定所述训练后的bp神经网络模型的初始权重集为以及初始偏置集为；和分别表示所述训练后的bp神经网络模型中的第个权重值和第个偏置值，和分别表示所述训练后的bp神经网络模型中权重值的总个数和偏置值的总个数；

40、s243、设定准确率阈值；将所述线卡历史测试数据矩阵集输入至训练后的bp神经网络模型中进行测试操作，测试完成后，得到第一测试准确率；

41、当第一测试准确率大于或者等于准确率阈值时，将所述训练后的bp神经网络模型作为最终bp神经网络模型；否则，对所述训练后的bp神经网络模型进行优化，得到最终bp神经网络模型；

42、通过采用线卡历史训练数据矩阵集和线卡历史测试数据矩阵集对初始bp神经网络模型进行训练以及测试，使得得到的最终bp神经网络模型对线卡的参数数据具有更好的预测性能，为后续对线卡在未来时刻的参数数据进行预测提供了准确的模型支持。

43、优选地，s243中对所述训练后的bp神经网络模型进行优化，得到最终bp神经网络模型包括以下步骤：

44、s2431、构建帝王蝶种群，表示所述帝王蝶种群中的第只帝王蝶，表示所述帝王蝶种群的规模；设定所述帝王蝶种群的搜索空间维度为、当前迭代次数为、最大迭代次数为以及迁徙率为；

45、s2432、对所述初始权重集以及初始偏置集进行合并得到初始权重偏置集，表示所述初始权重偏置集中的第个数值；

46、根据所述初始权重偏置集设定帝王蝶种群中每只帝王蝶的初始位置，得到初始位置矩阵；如下，

47、；

48、其中，表示所述帝王蝶种群中第只帝王蝶初始位置在第个维度的分量；的计算公式如下，

49、；

50、根据所述测试准确率以及准确率阈值设定帝王蝶种群的适应度函数；如下，

51、；

52、式中，表示修正参数；

53、s2433、将所述帝王蝶种群随机划分为两部分，得到第一帝王蝶子种群和第二帝王蝶子种群；和分别表示所述第一帝王蝶子种群中的第只帝王蝶和第二帝王蝶子种群中的第只帝王蝶，和分别表示所述第一帝王蝶子种群的规模和第二帝王蝶子种群的规模；和的计算公式如下，

54、；；

55、式中，表示对的结果取整；

56、s2434、开始进行迭代操作，将所述当前迭代次数置为1；每轮迭代过程中所述第一帝王蝶子种群和第二帝王蝶子种群之间根据迁徙率进行迁徙操作；

57、从所述第一帝王蝶子种群或第二帝王蝶子种群生成新的帝王蝶个体且根据所述帝王蝶种群的适应度函数对第一帝王蝶子种群和第二帝王蝶子种群中每只帝王蝶的位置进行更新；

58、另外每轮迭代过程中根据所述帝王蝶种群的适应度函数计算每只帝王蝶的适应度并寻找最佳适应度个体；

59、每轮迭代完成后，对所述当前迭代次数进行加一；

60、s2435、当时，停止迭代操作，得到最终位置矩阵；如下，

61、；

62、其中，表示所述帝王蝶种群中第只帝王蝶最终位置在第个维度的分量；根据所述帝王蝶种群的适应度函数计算最终位置矩阵中每个位置的适应度值，得到最终适应度集；将所述最终适应度集最大的适应度值对应的最终位置作为最优位置；

63、s2436、将所述最优位置中在各个维度的分量值分别代入到训练后的bp神经网络模型中，得到优化后的bp神经网络模型；

64、使用所述s243中的线卡历史测试数据矩阵集对优化后的bp神经网络模型再次进行测试，测试完成后得到第二测试准确率；

65、当所述第二测试准确率大于或者等于准确率阈值时，将所述优化后的bp神经网络模型作为最终bp神经网络模型；否则，对所述优化后的bp神经网络模型重复s2531至s2535，直至所述第二测试准确率大于或者等于准确率阈值，得到最终bp神经网络模型；

66、通过采用帝王蝶优化算法对bp神经网络模型的各个节点的权重值以及偏置值进行优化，帝王蝶优化算法具有计算简单、所需计算参数较少、收敛迅速的特点，从而使得寻找到bp神经网络模型最优的节点权重值以及偏置值的效率较高，进而使得对bp神经网络模型的优化效率更高。

67、优选地，所述s25包括以下步骤：

68、s251、设定未来时间点集，表示第个未来时间点，表示设定的未来时间点的总个数；

69、s252、将所述线卡历史待预测数据矩阵集输入至最终bp神经网络模型中进行预测，得到线卡未来数据矩阵集；如下，

70、；

71、其中，表示第个线卡在第个未来时间点时第个线卡状态参数类型对应的数据；

72、通过对线卡在未来时刻的各项参数数据进行预测，从而为后续对线卡在未来时刻是否会发生故障提供了数据支持。

73、优选地，所述s3包括以下步骤：

74、s31、计算所述线卡未来数据矩阵集中每个矩阵中的每行数据的平均值，得到线卡未来平均数据矩阵；如下，

75、；

76、其中，表示第个线卡的第线卡状态参数类型在未来时间点集中各个时间点的平均值，；

77、s32、将所述线卡未来平均数据矩阵中的每列数据分别与线卡状态参数稳态值集中的每个数据作差，得到线卡未来差值数据矩阵；如下，

78、；

79、其中，表示第个线卡的第线卡状态参数类型在未来时间点集中各个时间点的平均值与线卡状态参数稳态值集中第个线卡状态参数类型的稳态值的差值绝对值；

80、s32、采用s23的方式对所述线卡未来差值数据矩阵进行操作；

81、当所述线卡未来差值数据矩阵的当前遍历行中存在数据大于或者等于差值阈值集中对应位置的差值阈值时，则表示当前遍历行对应的线卡存在故障，此时所述线卡升级节点集对当前遍历行对应的线卡进行升级操作；

82、当所述线卡实时差值数据矩阵的当前遍历行中不存在数据大于或者等于差值阈值集中对应位置的差值阈值时，所述线卡升级节点集不需要对当前遍历行对应的线卡进行升级操作；

83、将线卡在未来时刻的各项参数数据与稳态数据进行对比，从而得知线卡在未来时刻的各项参数数据是否正常，进行对线卡是否存在故障的判定提供了数据依据。

84、优选地，所述s4包括以下步骤：

85、s41、所述olt设备日志采集节点集对olt设备的日志进行实时采集，得到olt设备实时日志数据集，表示单次实时采集得到的第条olt设备日志数据，表示单次实时采集得到的olt设备日志数据的总条数；

86、s42、设定线卡故障日志关键词集以及线卡待升级日志关键词集，和分别表示第个线卡故障日志关键词和第个线卡待升级日志关键词，和分别表示设定的线卡故障日志关键词的总个数和线卡待升级日志关键词的总个数；

87、s43、对所述olt设备实时日志数据集进行遍历，在遍历过程中，将olt设备实时日志数据集中的每条日志数据分别与线卡故障日志关键词集以及线卡待升级日志关键词集中每个关键词进行匹配操作；

88、当olt设备实时日志数据集中存在日志数据包含所述线卡故障日志关键词集中的所有关键词时，需要对该日志数据对应的线卡进行更换或者维修；否则，不需要对该日志数据对应的线卡进行更换或者维修；

89、当olt设备实时日志数据集中存在日志数据包含所述线卡待升级日志关键词集中的所有关键词时，所述线卡升级节点集对该日志数据对应的线卡进行升级操作；否则，所述线卡升级节点集不需要对该日志数据对应的线卡进行升级操作；

90、通过从日志对线卡的状态再次进行判定，既可以防止出现之前从线卡本身的数据进行判定导致的错误判定线卡的状态的情况发生，又可以进一步保证最终对线卡是否存在故障的判定的准确性。

91、一种基于分布式系统olt设备的线卡管理系统，包括线卡参数数据采集模块、线卡参数数据存储模块、第一线卡状态判定模块、线卡参数数据预测模型构建模块、线卡参数数据预测模块、第二线卡状态判定模块、olt设备日志采集模块、olt设备日志匹配模块和第二线卡状态判定模块；

92、所述线卡参数数据采集模块用于采用线卡分布式管理集群实时采集olt设备上各个线卡的多种参数数据；

93、所述线卡参数数据存储模块用于将线卡参数数据采集模块采集得到的线卡数据存储进数据库中；

94、所述第一线卡状态判定模块将所述线卡历史数据矩阵集和线卡实时数据矩阵与线卡各个参数的稳态值进行对比，根据对比结果判定是否需要对线卡进行更换或维修；

95、所述线卡参数数据预测模型构建模块用于构建最终bp神经网络模型；

96、所述线卡参数数据预测模块用于对线卡未来的参数数据进行预测，得到线卡未来数据矩阵集；

97、所述第二线卡状态判定模块用于将所述线卡未来数据矩阵集与线卡各个参数的稳态值进行对比，根据对比结果判定是否需要对线卡进行升级；

98、所述olt设备日志采集模块用于采用线卡分布式管理集群实时采集olt设备日志数据；

99、所述olt设备日志匹配模块用于对olt设备日志数据进行关键词匹配；

100、所述第二线卡状态判定模块用于根据匹配结果判定是否需要对线卡更换或维修或升级。

101、本发明具有以下有益效果：

102、1.本发明中通过设置线卡参数数据采集模块、线卡参数数据存储模块、第一线卡状态判定模块、线卡参数数据预测模型构建模块、线卡参数数据预测模块、第二线卡状态判定模块、olt设备日志采集模块、olt设备日志匹配模块和第二线卡状态判定模块；通过构建线卡分布式管理集群，线卡分布式管理集群中的每个节点都能对线卡进行单独管理和处理，因此，当每个或者某些节点出现问题时，其他节点可以继续对线卡进行管理，因此使得整个线卡管理更加具有健壮性；线卡分布式管理集群且各个节点之间可以进行通信实现信息共享，使得对线卡进行处理的效率更高；通过获取线卡历史数据矩阵集和线卡实时数据矩阵，将线卡实时数据矩阵与线卡各个参数的标准稳态值进行对比，从而判定出线卡在当前是否存在故障，若存在故障，则需要对线卡进行更换或者维修，因此实现了对线卡的管理；若当前线卡在当前时刻不存在故障时，通过构建最终bp神经网络模型对线卡在未来时刻的参数数据进行预测，从而得到线卡在未来时刻的参数数据；再将线卡在未来时刻的参数数据与线卡各个参数的标准稳态值进行对比，从而判定出线卡在未来时刻是否会有发生故障的可能，当在未来时刻有发生故障的可能性，则表明当前线卡的性能不足，因此需要进行升级操作；最后从olt设备的日志数据中进行关键词匹配，用于防止采集得到的线卡数据无法得知线卡是否存在故障的情况发生时，可以通过日志数据判定线卡是否存在故障，从线卡本身采集得到的数据以及日志数据两个方面对线卡的状态进行判定，从而进一步准确的对线卡进行管理；不需要工程师前往现场对每个线卡进行实时监控和管理，只需在线卡发生故障时前往现场更换线卡即可，节省了人力。

103、2.本发明中线卡状态参数稳态值集中包含了采集得到的线卡的各个数据在线卡处于正常工作状态的数据值，因此将线卡实时数据矩阵中的各个数据与线卡状态参数稳态值集的数据进行作差操作，从而得到当前线卡的各项参数是否处于正常状态；再通过设定差值阈值集来对当前线卡的各项参数的误差进行限定，当超过限定的误差时，则判定当前线卡存在故障；从而对线卡是否存在故障进行量化分析，使得判定线卡是否存在故障更加具有依据。

104、3.本发明中通过采用帝王蝶优化算法对bp神经网络模型的各个节点的权重值以及偏置值进行优化，帝王蝶优化算法具有计算简单、所需计算参数较少、收敛迅速的特点，从而使得寻找到bp神经网络模型最优的节点权重值以及偏置值的效率较高，进而使得对bp神经网络模型的优化效率更高。

105、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。