ODN网络弱光聚类定界与整治

01 ODN网络弱光运维现状

ODN网络是家庭宽带连接系统-无源光网络 (PON) 的重要组成部分，是连接局端 OLT 和用户 ONT 之间的光路通道，其质量直接影响整个PON系统的性能及可靠性。ODN光纤链路包括OLT PON口、ODF、主干光纤、一级分光器、分支光纤、二级分光器、入户光纤、ONU光模块等，主要涵盖以下设备：

可以看到，ODN网络设备均为无源设备，对无源设备进行弱光定位显然非常不易的。再从ODN网络连接图来分析光信号在 ODN 链路上传输损耗点：

并且光信号在 ODN 链路上传输的过程中，有一部分能量转化成热能或者被传输介质吸收、散射，从而造成信号强度不断减弱，即信号衰减，体现为光功率劣化即为弱光。为优化PON网络质量，对ODN光路耗损分析成为了当下PON网络运维的重点，又因是ODN网络中全为无源设备，其弱光定位与整治又是难点。传统ODN网络运维，缺乏有效预判和指导，通常依赖人工现场逐段排查检测ODN网络收发光功率，耗费大量时间和人力。

当前处理ODN弱光主要有以下几个难点：

①宽带速率持续提速—要求高

随着网络技术发展，用户网络带宽不断提高，正在从百兆向千兆、双千兆普及，新型家庭网关以及各种应用业务对网络质量提出更严格的要求。

②运维聚焦ODN弱光—维护难

为了进一步提升用户有线业务感知，把优化网络质量的焦点从用户侧 ONT 设备收光转移到整个 ODN 网络光路损耗，这对于有线业务运维来说，增加巨大运维难度。

③传统人工处理方式—效率低

ODN 网络故障处置依靠维护人员现场逐步排查检测，缺乏预判和指导手段，处理耗费大量人力。虽然现在业内已能根据人工经验设定固定规则逐渐自动化进行ODN弱光定界定位，但依旧存在定位不准等问题。

针对上述问题，本文对ODN网络弱光智能化定界及整治进行探索。

02 整体思路

分析ODN网络光功率传播规律，采集端到端光路收发光数据，同时定时对ODN网络进行弱光巡检，采集汇聚相关资源拓扑、告警、光功率等数据；建立宽带上网ODN网络弱光聚类定界模型，基于预测模型分析出弱光范围；针对弱光范围，派单闭环整治，实现ODN网络高效运维。

定界知识库构建模型：根据不同原因引起的光衰时，各设备节点的的关键特征表现，构建宽带上网ODN网络弱光聚类定界知识模型，自动精准定界弱光范围。

高效运维：基于宽带上网ODN网络弱光聚类定界知识模型，精准分析出弱光范围，快速排查故障点。

闭环处理：根据分析出的弱光范围，及时进行派单整治，并将处理结果反馈到模型进行不断调优，形成整个方案的闭环。

03 实现要点

弱光样本数据采集

采集近三个月历史弱光整治工单数据作为知识库训练样本，并采集当前ODN网络的资源信息、拓扑信息、以及网络性能、告警等数据，建立知识库模型标签体系。

构建弱光定界库

基于历史弱光定界结果数据，结合OLT/一级分光器/二级分光器/ONU的收发光数据、损耗绝对值/相对值、弱光比例等特征信息，梳理不同原因引起的光衰时，各设备节点的的关键特征表现，初步形成弱光定界知识体系。

➡️步骤一：采集ODN网络拓扑数据，包含ODN网络从上至下的全链路光功率分析设备关联关系：OLT/PON端口、主干光纤、分支光纤、入户光纤、ONU。

➡️步骤二：以ODN网络拓扑数据为基准，采集光功率、光损耗、弱光比例等数据筛选出弱光特征信息。

➡️步骤三：弱光特征信息与历史弱光定界结果数据关联匹配，梳理不同原因下的弱光特征表现。

整理结果样本示例：

知识相似度检索

基于构建的弱光定界知识体系，可采用相似度算法进行检索，从而进行弱光定界。

当有其他用户发生光衰时，采集当前ODN网络关键弱光特征数据，基于相似度计算，使用faiss架构对知识库里的特征信息进行高校检索匹配，匹配度最高的特征对应的弱光定界原因，即为该用户弱光定界原因。

建议采用Faiss向量检索，Faiss是Facebook AI团队开源的针对聚类和相似性搜索库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是目前较为成熟的近似近邻搜索库。

采用Faiss能根据弱光定界场景的多项特征快速检索，其具有以下特点:

全量构建索引：基于原始向量，train训练并且add构建，生成Faiss索引文件。

增量构建索引：后续若有新增向量，只需add操作，即可对Faiss索引文件做增量更新。

向量检索查询：提供目标样本向量信息并检索索引文件，获取与目标样本最为相似的N个向量索引。

应用：从模型建立到闭环整治

构建宽带上网ODN网络弱光聚类定界模型，由ODN弱光定时自动巡检，采集告警、资源、性能数据归一化处理后，依赖弱光聚类定界模型，判断是否存在弱光问题，判断弱光范围。

采集数据：对接外系统获取模型输入数据，包含告警、资源拓扑、性能数据等。

模型计算：使用宽带上网ODN网络弱光聚类定界模型快速定界弱光范围，并输出结果进一步处理。

闭环处置：通过模型计算的结果，确定弱光范围，派出整治工单及时处理，并将处理结果反馈给模型。

持续调优：定期收集弱光定界数据，用以更新、补充知识库。包括新增的弱光产生原因、已有原因由设备老化引起的整体数据分布的变动。

本方案解决ODN网络定界弱光范围难和不准的问题，采用构建弱光定界体系知识库能快速进行故障范围的定界定位，以此提高故障处理的效果，在未来可以将知识库体系的应用范围扩大。如在ODN上游设备和家庭网络侧终端设备都能采集相关故障场景特征数据，并结合用户行为等特征，构建有线业务网络其他故障场景的知识体系，解决更多的故障场景。