技术摘要：
本发明公开了一种网络故障处理模型的构建方法、故障处理方法及系统，涉及通信技术领域。网络故障处理模型的构建方法包括：基于网络中源领域的样本集，获取或者建立源领域的深度神经网络模型；建立网络中目标领域的样本集，目标领域与源领域的样本集具有交集，且均包括  全部
背景技术：
光网络设备的当前性能指标越限或者一些潜在性能正在劣化时，会产生一系列的 告警数据并上报给网管平台。当光网络设备出现故障时，则会同时产生告警数据和故障数 据并上报。目前，运维专家通过分析告警数据和故障数据，定位故障发生位置，制定故障修 复策略，然后通过管理平台和控制平台下发相应的配置数据到故障发生位置进行修复，必 要时触发保护倒换以保证光网络的正常运行。 随着光网络规模日益增大，光网络设备不断增多，光网络产生的告警数据和故障 数据数量越来越多，网络故障的定位和修复日趋复杂和费力，传统的故障处理模式面监巨 大挑战，难以满足实际需要。特别是随着通信业务的飞速发展，通信技术的不断演进和变 革，传统紧耦合、刚性网络架构转型为松耦合、灵活的云化网络架构是大势所趋。云化网络 底层由光网络设备实现数据转发，中上层通过控制平台、管理平台、编排平台实现资源和业 务的管理控制，系统运营和维护过程更加复杂，需要实现网络数据融合表示，高效提取数据 操作和运算，以解决云化网络出现故障后难以及时恢复的问题。 采用人工智能技术对网络故障进行分析和修复是应对这些挑战的有效方案。但 是，光网络系统(特别是云化网络架构)包括具有不同故障特征的无线网、接入网、承载网和 数据中心，一方面，对无线网、接入网、承载网和数据中心分别建立机器学习模型而导致重 复学习的问题；另一方面，某些目标领域存在样本数据不完备而难以建立有效的机器学习 模型的问题。
技术实现要素：
本发明实施例的目的在于提供一种网络故障处理模型的构建方法、故障处理方法 及系统，基于光网络中源领域的深度神经网络模型，通过跨领域迁移学习，得到目标领域的 网络故障处理模型。 第一方面，本发明实施例提供一种网络故障处理模型的构建方法，其包括： 基于所述网络中源领域的样本集，获取或者建立源领域的深度神经网络模型； 建立所述网络中目标领域的样本集，目标领域与源领域的样本集具有交集，且均 包括经过量化处理的告警数据、故障数据和配置数据； 当目标领域与源领域的样本集的重合率达到设定的阈值时，基于源领域的深度神 经网络模型，构建目标领域的网络故障处理模型。 结合第一方面，在第一种可选的实现方式中，将所述源领域的深度神经网络模型 作为所述目标领域的网络故障处理模型；或者， 从所述交集中提取第一输入向量及对应的第一输出向量，重新训练所述源领域的 4 CN 111600734 A 说　明　书 2/12 页 深度神经网络模型，得到所述目标领域的网络故障处理模型。 结合第一方面，在第二种可选的实现方式中，求取所述目标领域的样本集与源领 域的样本集的差集，基于所述差集优化所述目标领域的网络故障处理模型。 在第二种可选的实现方式中，从所述差集中提取第二输入向量及对应的第二输出 向量，重新训练所述目标领域的网络故障处理模型。 在第二种可选的实现方式中，从所述差集中提取第三输入向量，输入所述目标领 域的网络故障处理模型并得到第三输出向量； 根据专家评估反馈结果对第三输入向量和第三输出向量进行修正后，重新训练所 述目标领域的网络故障处理模型。 在第二种可选的实现方式中，基于所述差集对所述目标领域的网络故障处理模型 的神经元函数的权重系数进行修正，得到优化的所述目标领域的网络故障处理模型。 结合第一方面，在第三种可选的实现方式中，所述源领域的深度神经网络模型的 输入向量包括所述经过量化处理的告警数据和故障数据，且输出向量为所述经过量化处理 的配置数据。 第二方面，本发明实施例提供一种网络故障处理方法，其包括： 获取目标网络的告警数据和故障数据，经过量化处理后输入网络故障处理模型， 所述网络故障处理模型是使用第一方面所述的网络故障处理模型的构建方法得到的； 所述网络故障处理模型的输出向量下发到目标网络的相关设备。 第三方面，本发明实施例提供一种网络故障处理模型的构建系统，其包括： 获取模块，其用于基于所述网络中源领域的样本集，获取或者建立源领域的深度 神经网络模型； 处理模块，其用于建立所述网络中目标领域的样本集，目标领域与源领域的样本 集具有交集，且均包括经过量化处理的告警数据、故障数据和配置数据；以及计算目标领域 与源领域的样本集的重合率； 构建模块，其用于当目标领域与源领域的样本集的重合率达到设定的阈值时，基 于源领域的深度神经网络模型，构建目标领域的网络故障处理模型。 结合第三方面，在第一种可选的实现方式中，所述构建模块用于将所述源领域的 深度神经网络模型作为所述目标领域的网络故障处理模型；还用于从所述交集中提取第一 输入向量及对应的第一输出向量，重新训练所述源领域的深度神经网络模型，得到所述目 标领域的网络故障处理模型。 结合第三方面，在第二种可选的实现方式中，所述处理模块还用于求取所述目标 领域的样本集与源领域的样本集的差集； 所述构建模块还用于基于所述差集优化所述目标领域的网络故障处理模型。 在第二种可选的实现方式中，所述构建模块用于从所述差集中提取第二输入向量 及对应的第二输出向量，重新训练所述目标领域的网络故障处理模型。 在第二种可选的实现方式中，所述构建模块用于从所述差集中提取第三输入向 量，输入所述目标领域的网络故障处理模型得到第三输出向量；还用于根据专家评估反馈 结果对第三输入向量和第三输出向量进行修正后，重新训练所述目标领域的网络故障处理 模型。 5 CN 111600734 A 说　明　书 3/12 页 在第二种可选的实现方式中，所述构建模块用于基于所述差集对所述目标领域的 网络故障处理模型的神经元函数的权重系数进行修正，得到优化的所述目标领域的网络故 障处理模型。 结合第三方面，在第三种可选的实现方式中，所述源领域的深度神经网络模型的 输入向量包括所述经过量化处理的告警数据和故障数据，且输出向量为所述经过量化处理 的配置数据。 第四方面，本发明实施例提供一种网络故障处理系统，其包括： 输入控制模块，其用于获取目标网络的告警数据和故障数据，并进行量化处理； 模型处理模块，其用于存储由第三方面所述的网络故障处理模型的构建系统构建 的网络故障处理模型，并将量化处理后的告警数据和故障数据输入所述网络故障处理模 型，得到所述网络故障处理模型的输出向量； 输出控制模块，其用于将所述网络故障处理模型的输出向量下发到目标网络的相 关设备。 相对于现有技术，本发明实施例通过一种网络故障处理模型的构建方法，基于网 络中源领域的样本集，获取或者建立源领域的深度神经网络模型；建立网络中目标领域的 样本集，目标领域与源领域的样本集均包括经过量化处理的告警数据、故障数据和配置数 据，且具有交集；当目标领域与源领域的样本集的重合率达到设定的阈值时，基于源领域的 深度神经网络模型，构建目标领域的网络故障处理模型。基于光网络中源领域的深度神经 网络模型，通过跨领域迁移学习，得到目标领域的网络故障处理模型。 附图说明 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附 图。 图1是一种云化网络架构示意图； 图2是本发明实施例网络故障处理模型的构建方法流程图； 图3是从数据库获取数据并进行向量化和矩阵化的示意图； 图4是本发明另一实施例网络故障处理模型的构建方法流程图； 图5是多层高维空间的一个示例； 图6是目标领域的网络故障处理模型的构建和优化的一个示例； 图7是本发明实施例网络故障处理模型的构建系统示意图； 图8是本发明实施例网络故障处理系统示意图。