本技術屬于大數(shù)據(jù)分析與智能組網(wǎng)領域，具體涉及一種pon拓撲結(jié)構預測模型訓練、pon拓撲結(jié)構預測方法。

背景技術：

1、無源光網(wǎng)絡(passive?optical?network，pon)是一種點到多點的光纖接入技術，其包括：一個安裝于中心控制站的光線路終端(optical?line?terminal，olt)、一批配套的安裝于用戶場所的光用戶單元(optical?network?unit，onu)，即onus，和在olt與onu之間的光分配網(wǎng)絡(optical?distribution?network，odn)。其中，odn為olt和onu之間提供光傳輸通道，一般包含光纖和兩級分光器，其中一級到二級分光器之間的拓撲結(jié)構是已知的，但是二級分光器到用戶側(cè)onu之間的拓撲結(jié)構由于容易出現(xiàn)onu的損壞等異?；虺霈F(xiàn)onu的調(diào)配而需要頻繁更新。

2、為了及時對二級分光器和onu之間的拓撲結(jié)構進行更新，通常會采取人工或者硬件的方式排查，但是該方式存在排查時間長，經(jīng)濟成本高的問題，而且容易出現(xiàn)疏漏，即排查的精度也往往不高。

3、相關技術中，采用軟件排查的方式，基于神經(jīng)網(wǎng)絡挖掘流量數(shù)據(jù)的特征確定onu是否存在異常，但是存在由于同一個二級分光器下的onus數(shù)量很少，無法為模型訓練提供足夠的正樣本，并且可能存在同一分光器下的onus由于噪音、時延等干擾而出現(xiàn)波形的不一致等情況，故僅使用聚類算法或者深度神經(jīng)網(wǎng)絡的模型無法準確區(qū)分出正常的onu和異常的onu。也就是說，相關技術中，存在對pon網(wǎng)絡的拓撲結(jié)構的預測不準確的問題。

技術實現(xiàn)思路

1、本技術實施例提供一種pon拓撲結(jié)構預測模型訓練、pon拓撲結(jié)構預測方法，能夠解決相關技術中，存在對pon網(wǎng)絡的拓撲結(jié)構的預測不準確的問題。

2、第一方面，本技術實施例提供了一種pon拓撲結(jié)構預測模型的訓練方法，該方法包括：獲取第一訓練樣本集，所述第一訓練樣本集包括第一正樣本和第一負樣本；所述第一正樣本為目標onu的光功率數(shù)據(jù)、所述目標onu對應的第一二級分光器連接的多個onu的光功率數(shù)據(jù)，所述第二負樣本為所述目標onu的光功率數(shù)據(jù)、所述目標onu對應的第二二級分光器連接的多個onu的光功率數(shù)據(jù)；根據(jù)所述第一訓練樣本集對待訓練深度學習模型進行訓練，得到pon拓撲結(jié)構預測模型，所述pon拓撲結(jié)構預測模型用于預測目標onu與目標二級分光器是否連接；所述待訓練深度學習模型中的特征提取器為基于對比學習算法訓練得到的，用于生成onu嵌入特征；其中，所述第一二級分光器為基于系統(tǒng)中登記的pon拓撲結(jié)構數(shù)據(jù)得到的、與所述目標onu連接的二級分光器，所述第二二級分光器為基于所述pon拓撲結(jié)構數(shù)據(jù)得到的、除了所述第一二級分光器之外的任意一個二級分光器，所述目標onu為所述pon拓撲結(jié)構數(shù)據(jù)中多個onu中任意一個onu，所述目標二級分光器為所述目標onu對應的第一二級分光器或所述目標onu對應的第二二級分光器。

3、第二方面，本技術實施例提供了一種pon拓撲結(jié)構預測方法，該方法包括：基于系統(tǒng)中登記的pon拓撲結(jié)構數(shù)據(jù)，得到待預測集合，所述待預測集合包括目標onu的光功率數(shù)據(jù)和待選二級分光器連接的多個onu的光功率數(shù)據(jù)；將目標onu的光功率數(shù)據(jù)和待選二級分光器連接的多個onu的光功率數(shù)據(jù)輸入到如第一方面所述的pon拓撲結(jié)構預測模型中，得到所述pon拓撲結(jié)構預測模型的預測結(jié)果，所述預測結(jié)果用于指示所述目標onu和待選二級分光器是否連接；根據(jù)所述預測結(jié)果，確定pon拓撲結(jié)構；其中，所述目標onu為所述pon拓撲結(jié)構數(shù)據(jù)中多個onu中的任意一個onu，所述待選二級分光器為所述pon拓撲結(jié)構數(shù)據(jù)中多個二級分光器中的任意一個二級分光器。

4、第三方面，本技術實施例提供了一種pon拓撲結(jié)構預測模型訓練裝置，包括：獲取模塊，用于獲取第一訓練樣本集，所述第一訓練樣本集包括第一正樣本和第一負樣本；所述第一正樣本為目標onu的光功率數(shù)據(jù)、所述目標onu對應的第一二級分光器連接的多個onu的光功率數(shù)據(jù)，所述第二負樣本為所述目標onu的光功率數(shù)據(jù)、所述目標onu對應的第二二級分光器連接的多個onu的光功率數(shù)據(jù)；訓練模塊，用于根據(jù)所述第一訓練樣本集對待訓練深度學習模型進行訓練，得到pon拓撲結(jié)構預測模型，所述pon拓撲結(jié)構預測模型用于預測目標onu與目標二級分光器是否連接；所述待訓練深度學習模型中的特征提取器為基于對比學習算法訓練得到的，用于生成onu嵌入特征；其中，所述第一二級分光器為基于系統(tǒng)中登記的pon拓撲結(jié)構數(shù)據(jù)得到的、與所述目標onu連接的二級分光器，所述第二二級分光器為基于所述pon拓撲結(jié)構數(shù)據(jù)得到的、除了所述第一二級分光器之外的任意一個二級分光器，所述目標onu為所述pon拓撲結(jié)構數(shù)據(jù)中多個onu中任意一個onu，所述目標二級分光器為所述目標onu對應的第一二級分光器或所述目標onu對應的第二二級分光器。

5、第四方面，本技術實施例提供了一種pon拓撲結(jié)構預測裝置，包括：獲取模塊，用于基于系統(tǒng)中登記的pon拓撲結(jié)構數(shù)據(jù)，得到待預測集合，所述待預測集合包括目標onu的光功率數(shù)據(jù)和待選二級分光器連接的多個onu的光功率數(shù)據(jù)；預測模塊，用于將目標onu的光功率數(shù)據(jù)和待選二級分光器連接的多個onu的光功率數(shù)據(jù)輸入到如第一方面所述的pon拓撲結(jié)構預測模型中，得到所述pon拓撲結(jié)構預測模型的預測結(jié)果，所述預測結(jié)果用于指示所述目標onu和待選二級分光器是否連接；確定模塊，用于根據(jù)所述預測結(jié)果，確定pon拓撲結(jié)構；其中，所述目標onu為所述pon拓撲結(jié)構數(shù)據(jù)中多個onu中的任意一個onu，所述待選二級分光器為所述pon拓撲結(jié)構數(shù)據(jù)中多個二級分光器中的任意一個二級分光器。

6、第五方面，本技術實施例提供了一種電子設備，該電子設備包括：處理器；以及被安排成存儲計算機可執(zhí)行指令的存儲器，所述可執(zhí)行指令被配置由所述處理器執(zhí)行，所述可執(zhí)行指令包括用于執(zhí)行如第一方面所述的pon拓撲結(jié)構預測模型訓練方法，或者，用于執(zhí)行如第二方面所述的pon拓撲結(jié)構預測方法。

7、第六方面，本技術實施例提供了一種存儲介質(zhì)，所述存儲介質(zhì)用于存儲計算機可執(zhí)行指令，所述計算機可執(zhí)行指令使得計算機執(zhí)行如第一方面所述的pon拓撲結(jié)構預測模型訓練方法，或者，用于執(zhí)行如第二方面所述的pon拓撲結(jié)構預測方法。

8、在本技術實施例中，通過獲取第一訓練樣本集，所述第一訓練樣本集包括第一正樣本和第一負樣本；所述第一正樣本為目標光網(wǎng)絡單元onu的光功率數(shù)據(jù)、所述目標onu對應的第一二級分光器連接的多個onu的光功率數(shù)據(jù)，所述第二負樣本為所述目標onu的光功率數(shù)據(jù)、所述目標onu對應的第二二級分光器連接的多個onu的光功率數(shù)據(jù)，其中，所述第一二級分光器為基于系統(tǒng)中登記的pon拓撲結(jié)構數(shù)據(jù)得到的、與所述目標onu連接的二級分光器，所述第二二級分光器為基于所述pon拓撲結(jié)構數(shù)據(jù)得到的、除了所述第一二級分光器之外的任意一個二級分光器，所述目標onu為所述pon拓撲結(jié)構數(shù)據(jù)中多個onu中任意一個onu，所述目標二級分光器為所述目標onu對應的第一二級分光器或所述目標onu對應的第二二級分光器。進而，根據(jù)所述第一訓練樣本集對待訓練深度學習模型進行訓練，得到pon拓撲結(jié)構預測模型，所述pon拓撲結(jié)構預測模型用于預測目標onu與目標二級分光器是否連接，所述待訓練深度學習模型中的特征提取器為基于對比學習算法訓練得到的，用于生成onu嵌入特征。相比于僅使用聚類算法或者深度神經(jīng)網(wǎng)絡的模型，該技術方案由于結(jié)合了對比學習算法進行訓練，有效增強了pon拓撲結(jié)構預測模型中的特征提取器生成的onu嵌入特征的魯棒性，在無法為深度神經(jīng)網(wǎng)絡模型的訓練提供足夠的正樣本，或onu的光功率數(shù)據(jù)受到噪音干擾等情況下，仍能夠生成比較準確的onu嵌入特征，從而準確確定目標onu的光功率數(shù)據(jù)與目標二級分光器連接的onu的光功率數(shù)據(jù)是否具有一致性，實現(xiàn)了訓練得到的pon拓撲結(jié)構預測模型能夠準確預測目標onu與目標二級分光器是否連接(pon網(wǎng)絡的拓撲結(jié)構)的效果。