大流量通信环境下的网络预警研究

王东灿

（西南交通大学 希望学院，四川 成都 610400）

0 引 言

随着互联网科技的进步企业网络通信已经成为智能电网发展中不可缺少的一部分，通过对网络运维的优化管理可以提升电力企业运营的安全性和可靠性，使电力企业向着新型智慧电网系统发展，极大提升企业运营能力。针对企业通信的风险评估技术日渐成熟，其发展过程经历了从电网通信自然灾害风险评估，到基于层次分析的电网风险评估，再到基于指标体系的风险评估，以及近几年发展迅猛的基于人工智能算法神经网络的风险评估[1-3]。李国庆首次利用故障树方法对电力通信系统安全风险进行定性和定量分析评估[4-8]。付沙等人，在总结电力通信网安全风险分析结果和遵循指标设计方案的基础上，提出了基于安全风险模型的指标设计方案[9,10]。潘亮亮等人将深度学习引入电力骨干通信网，并利用神经网络算法，对网络常见故障进行特征值提取并进行训练，最终实现故障定位并提升故障识别的准确性，极大提升了电力通信网络风险预警力。

本文结合层次分析与指标体系对指标进行分解量化，建立了电力通信网络运维的预警指标体系。利用某省级电网企业半年内网络运维数据进行预警分析，并在此基础上采用神经网络算法对指标权重和阈值进行训练，使之可以进行日常的网络运营预警，协助运维系统监控和预测运维网络常见风险事件，提升运维服务质量。

1 感知预警指标的建立

目前，企业通信网络主要是从设备层面和网络层面对通信网进行实时监视和故障处理，以保障电网通信业务的正常运行。本文所主要研究的是电网通信风险中的通道压力指标，这部分主要由段面级、业务级、网络级以及可用性4部分组成。段面级从设备、复用段、端口、光缆以及电路方面选取压力指标，分析其风险警戒。业务级从关键业务同设备比和同轴心比进行指标分析。网络级主要根据网络日志进行数据分析以实现其指标的量化。可用性主要分析设备及链路的运营情况，具体量化参数可以使用设备或链路的可用率，具体指标分类如图1所示。

图1 电力通信运维风险指标体系

通过上述量化指标过程将数据进行初步清洗，然后在HDFS中进行分类存储，之后进行进一步清洗，使用数据压缩手段对上述4级指标进行实时动态的判定，采用神经网络算法进行数据预测研究，最终形成电网信息通信系统的主动预警。

2 电网通信风险预测模型

本文采用基于深度学习的神经网络作为预测模型进行研究。该方法的自组织和自适应能力较好，且不易产生局部最优，比较适合电力通信运维数据的特点，具体逻辑结构见图2。

图2 神经网络逻辑结构

假设模型输入点个数为n，输出点个数为m，隐含层节点为s（s=2n+1），并确定输入层的段面指标、业务指标、网络指标以及可用性指标的赋值，经过运算输出值即为该系统的风险值。其中n=14，s=29，m=1，输出函数为：

先按照算法中的权重给初始值进行随机赋值，当产生第一个输出值时就可以开始第一次迭代，此时算法将自动根据各层输入、输出即误差函数的计算值算出权重和警戒值的调整量，并对这两个参数进行相应调整。若当前样本保持不变，则可以持续进行输入训练，逐步提升系统准确度。具体步骤如图3所示。

图3 算法流程

在深度学习的训练中将采用梯度下降法对权重值及警戒值进行调整，最终达到适宜于预测预警的取值范围。经过相当数量样本训练后可以将原指标体系中段面级涉及的指标、网络层涉及的指标、业务级涉及的指标以及可用性指标作为输入，最终输出系统的风险预警值。

3 基于神经网络的企业通信运维网风险仿真分析系统

本文的研究采用基于矩阵运算的MATLAB来进行计算分析，网络中接入61个网元进行计算分析，数据引入某省公司半年的运营数据，数据类型包括所有生产与管理相关数据，主体传输结构为24芯光纤，办公区和变电站设置48芯管道光缆。以以往经验可知，一条线路承载的业务类型不可过多，否则将会导致风险增加，故设计业务类型小于16条。通过对某省企业半年营业数据调研可知，段面指标主要由端口、设备以及光纤压力决定，业务指标主要由业务同设备比例、同轴芯比例以及同缆比例决定，网络级指标主要由管理日志处理指标决定，可用性指标主要由设备及链路可用率决定。为了便于分析指标要求在[0,1]之间取值，对源数据进行归一化处理。

网络运维风险分析架构图4所示，系统功能由数据采集层、资源管理层、应用管理层及仿真功能层4层组成。其中数据采集层通过对现有系统中各功能模块的链接实现数据采集并传输至资源管理层。资源管理层通过网络链接实时更新源数据剧，并对仿真资源进行管理。应用管理层对段面级参数、设备压力参数、端口压力参数、光纤压力参数、业务级参数、关键业务同设备比例、关键业务同轴芯比例、关键业务同缆比例、网络级参数、管理日志量化参数、可用性参数、设备可用率以及链路可用率13种参数进行分类并进行分析。仿真层进行基于13种指标参数的深度学习输出预警，最终实现对整个电力通信运维网络的预警。

图4 网络运维风险分析架构

4 仿真结果分析

为了验证神经网络预警的准确程度，本文通过某省电网企业半年数据进了验证试验，分别对负载较大、单点故障、突发业务以及负载均衡4种情况进行了试验，通过对比真实值和神经网络输出的预警值差异验证神经网络的学习成果。

大负载下的实际值与预警值比较如图5所示。当在负载较大情况时，4月份偏差最大，实际压力指标输出为0.16，预警输出的数值为0.19，误差为0.03，整个上半年误差均值为0.02，实际输出与预警值基本吻合。证明可以满足对日常电网通信大载荷时的预警需求。

图5 大负载下的实际值与预警值比较

突发单点故障下的实际值与预警值比较如图6所示。当在突发单点故障情况时，5月份偏差最大，实际压力指标输出为0.27，预警输出的数值为0.31，误差为0.04，整个上半年误差均值为0.03，实际输出与预警值基本吻合。证明可以满足对日常电网通信突发单点故障时的预警需求。

图6 突发单点故障下的实际值与预警值比较

突发业务情况下的实际值与预警值比较如图7所示。当在突发业务情况时，1月份偏差最大，实际压力指标输出为0.33，预警输出的数值为0.29，误差为0.04，整个上半年误差均值为0.02，实际输出与预警值基本吻合。证明可以满足对日常电网通信突发业务时的预警需求。

图7 突发业务情况下的实际值与预警值比较

负载均衡情况下的实际值与预警值比较如图8所示。当在负载均衡时，4月份偏差最大，实际压力指标输出为0.29，预警输出的数值为0.32，误差为0.03，整个上半年误差均值为0.02，实际输出与预警值基本吻合。证明可以满足对日常电网通信负载均衡时的预警需求。

图8 负载均衡情况下的实际值与预警值比较

通过上述分析验证了经过神经网络学习的预警系统可以满足运营常见的4种工况下的阀值预测，可以协助电力通信运维网络进行不同情况下的预判，提高运维管理效率，提升抉择的准确度。

5 结 论

本文将风险评估技术应用于通信网支撑系统，通过构建完备的指标体系，开发了一套通信网支撑系统风险评估软件，可准确自动地实现对电力通信网支撑系统模块的风险值计算。通过对现有电力网络运维系统影响因素调查及分析，结合专家系统评分，建立了网络运维风险指标体系，并从段面、业务、网络以及可用性4个纬度进行指标分解与量化。在量化基础上将指标体系权重赋值与神经网络相结合，进行权重赋值训练以提升权重准确性，并根据不同风险等级与工况进行方针验证，通过对比企业网络运维半年数据验证了仿真预警数值与真实输出的吻合程度满足企业对于日常网络运维的需求。目前该预警系统初步开发工作已经结束，在某省公司进行试验应用，待应用效果成熟后将进一步在企业内部进行推广，以提高企业网络运维的整体服务质量。