基于SA-BP神经网络算法的光接入网络通道质量评估方法

蔡冰清，徐思雅，亓峰，葛维春，周桂平，于波涛，李悦悦

（1.北京邮电大学网络与交换技术国家重点实验室，北京 100876；2.国网辽宁省电力有限公司，辽宁 沈阳 110006；3.北京国电通网络技术有限公司，北京 100070）

1 引言

通道是光接入网的重要组成部分，是承接终端与调度端的桥梁，是业务最直接的载体。网络通道质量将直接决定光接入网的可靠性和稳定性，因此，通过高效的运维手段提升网络通道的运行质量是保障智能电网安全、可靠运行的重要途径。然而，随着光接入网络规模不断扩大、网络结构日趋复杂、业务的种类和数量不断增加，使得光接入网络运维和管理的难度不断加大。目前，针对光接入网通道质量评估的研究主要集中在设备层和网络层，缺乏涵盖物理层、网络层和业务层的综合评估方法，致使运维人员难以通过网络监测等方式准确地判断网络通道的实际质量。因此，建立一套全面、科学的通道质量评估方法，帮助运维人员快速、准确、直观地获取评估结果，对提高光接入网络的运维能力以及保障光接入网络的稳定性和可靠性是重要且必要的。

通过对国内外研究进展的分析可知，各大通信运营商和研究机构在光接入网网络质量评估和管理等方面都进行了较为深入的研究[1-7]。参考文献[1,2]分析了智能配用电通信网和 EPON设备的集中运维和管理问题，介绍了相应的综合网管系统；参考文献[3]分析了智能配用电通信网不同组网方式下的设备信息，提出了一种能够反映设备运行质量的多指标综合评估方法；参考文献[4]提出了一种基于多测量指标的综合评价方法，并将其应用到网络性能评价上；参考文献[5]研究了通用的业务质量指标集合，并提出了基于策略的业务质量评价方法；参考文献[6]根据SLA要求，细化了业务性能分析相关的QoS（quality of service，服务质量）评价机制；参考文献[7]分析了智能电网管理的属性特征，探索了智能电网发展中出现的薄弱环节和制约因素，构建了智能电网管理多属性评价模型。通过以上分析可知，现有的配用电通信网或EPON的网络管理相关研究主要集中在网络质量和设备质量的评估上，缺乏对业务层的考虑，难以实现全面的通道质量评估。

为了解决以上问题，本文提出了一种面向多层次、多指标的光接入网络通道质量评估方法。该方法包括两个部分，分别为建立光接入网通道质量的评估模型和设计 SA-BP（simulated annealing-back propagation）神经网络改进算法。首先，从物理层、网络层和业务层3个维度建立评估模型，对通道质量进行综合分析；然后，设计SA-BP神经网络算法用以训练评估模型与通道质量的映射关系，对网络通道质量进行准确评估。

2 面向多层次、多指标的通道质量评估模型

我国智能电力光接入网络呈现地理分布范围广、网络结构复杂的特点。通道是承载业务的通路，贯穿了整个光接入网络。从调度端到终端涵盖光传输和光分配等众多环节，因此影响通道质量的因素较多，例如设备老化、网络拥塞等。本文按照物理层、网络层和业务层3个维度对影响通道质量的指标进行深入分析，建立了一套面向多层次、多指标的光接入网络通道质量评估模型。

如图1所示，本文提出的面向多层次、多指标的通道质量评估模型由物理层、网络层和业务层3个维度的评估指标构成。物理层从介质的健康度、故障率以及生存性3个方面进行评估；网络层从上/下行网络性能和流量状态两个方面进行评估；业务层从业务的完整性、可用性、支撑性和安全性4个方面进行评估。下面对各层评估指标进行详细介绍。

2.1 物理层

通道由光缆、光缆交接箱和设备等物理介质组成，因此介质的质量将直接影响通道的质量。表1展示了我国东部某省2012—2016年光接入网事故的原因及所占比例。

图1 评估模型示意

表1 我国东部某省2012—2016年光接入网络事故原因及其占比

由表1的统计结果可知，73.5%的光接入网络事故的发生是由设备老化、超期检修和设备缺陷引起的。因此，由运维数据分析可知，设备质量和维保力度等几个方面是影响通道质量的重要因素。根据影响因素的代表性和可测性，本文从健康度、故障率和生存性3个方面对通道物理层质量进行评估。其中，健康度评估设备老化和缺陷程度，故障率评估不同程度的故障次数和恢复时长，生存性评估设备维保等级和应急保障等级等。具体指标定义和计算方法见表2。

2.2 网络层

除了物理介质质量以外，网络拥塞等因素也会影响通道的稳定性和可靠性，因此需通过对通道流量等信息进行分析，得出通道的网络层质量。常规的网络性能指标包括时延、带宽、流量和分组丢失率[10]，但是这种指标的划分粒度较粗，不能准确地反映网络状态。例如在流量测量方面，可从吞吐量、峰值速率和突发长度等方面进一步细化对通道质量的评估。因此，主要从网络性能和流量状态2个方面对网络层质量进行评估，分别评估网络的整体质量及承载的数据量。网络性能状态指标包括时延抖动次数、误码率、分组丢失率、带宽利用率、信噪比和阻塞率；网络流量状态指标包括吞吐量、流量峰值速率、流量平均速率和最大突发长度。此外，由于EPON上/下行采用不同光波长进行传输，不同波长的光被干扰的条件有所不同，因此还需在光接入网中分别测量上/下行网络性能状态和流量状态。具体指标定义和计算方法见表3。

2.3 业务层

在业务的传输过程中，不同业务对传输通道的需求不同，例如带宽、可靠性等。因此，本文在通道质量中增加了与业务服务质量相关的评估指标，全面考察网络通道对业务传输的支持能力。参考文献[6]划分了衡量业务服务质量的 7个要素，分别为支撑性、可操作性、可用性、安全性、接入性、持续性和完整性。业务的完成由调度端、通道和终端3个环节组成，其中，可操作性、接入性和持续性均与调度端和终端有关。本文选择完整性、可用性、支撑性和安全性这4个与通道相关的指标来评估业务服务质量。其中，完整性评估业务中断率和中断时间，可用性评估业务无错率，支撑性评估服务响应时间和服务时间，安全性评估业务安全保护等级和错操作次数等。具体指标定义和计算方法见表4。

表2 物理层指标定义及其计算方法

表3 网络层指标定义及其计算方法

在建立了面向多层次、多指标的通道质量评估模型后，需解决评估模型中各指标与通道质量之间的映射关系。下文将介绍一种改进型的BP神经网络算法，用以训练各指标在通道质量评估中的权重。

3 SA-BP神经网络算法

3.1 算法分析

由于本文提出的评估模型与通道质量之间的映射关系是非线性的，并且不同的光接入网络的映射关系不同，因而不能直接地进行定量分析。由于BP神经网络算法可以定量分析任何非线性映射关系[11]，因此本文采用BP神经网络算法确定评估模型与通道质量之间的映射关系。如图2所示，标准BP神经网络算法是一种信息在多层网络中正向传播而误差反向传播的学习算法，包含一个输入层、一个或多个隐含层和一个输出层，层内神经元互不相连，层与层之间采用全连接方式。

表4 业务层指标定义及其计算方法

该算法包括训练和使用两个阶段，训练阶段是信息正向传播和误差反向传播。信息正向传播是指信息从输入层输入，经过隐含层和输出层处理，最终从输出层输出，每一层的输出信息都是下一层的输入信息。除了输入层神经元对输入值不做任何处理以外，隐含层或输出层某神经元j的输入值Ij为：

图2 BP神经网络

其中，wij是上一层i神经元与 j神经元的连接权值，Oi是i神经元的输出值。输出值Oj为：

其中，φ(⋅)为激活函数，一般为Sigmoid函数。

误差反向传播是指输出层实际输出值与期望值存在一定误差，通过梯度下降法不断调整层与层之间的连接权重来减小这个误差，从而使输出值更好地拟合输入值。为了使函数连续可导，定义误差函数θ为：

其中，Δyk是输出层神经元k的输出值对相应期望输出值的误差。对于每一个输入样本，应使得连接权重w沿着误差函数θ下降的梯度方向修正，那么任意连接权值的修正量Δw为：

其中，η表示学习率，负号表示梯度下降。

标准 BP神经网络算法采用梯度下降法调整连接权值，网络对误差曲面的局部敏感性较高，容易陷入局部最优解而非全局最优解，从而影响训练结果的正确性，而模拟退火算法可以利用概率的突跳性解决这一问题，使训练结果精度更高、更准确。因此，本文提出一种将模拟退火算法和BP神经网络相结合的SA-BP神经网络算法，将模拟退火算法的优越特性应用于 BP神经网络算法中。

SA-BP神经网络算法在标准 BP神经网络算法的基础上，不再使用梯度下降法调整连接权值，而是对当前连接权值进行合理的微小扰动，产生新的连接权值，计算新的通道质量评估值，按照Metropolis准则决定是否接受这个新值，即如果新的评估值更接近期望值，则接受这个新的连接权值，否则，以一定概率接受，这个概率会随着温度的下降而下降，所以最终会达到一个稳定状态。

3.2 算法设计

SA-BP神经网络算法的具体步骤如下。

步骤1构建SA-BP神经网络，参数初始化。初始化包括隐含层神经元个数n、各层间连接权值w、误差阈值ε、初始温度T0、最低温度tmin、每个温度扰动次数上限M。

步骤 2样本X依次进行以下步骤，直到满足条件退出算法。

步骤3样本Xi利用BP神经网络前向传播，根据式（3）得到误差函数值θ(w)，其中，w是当前连接权值，如果θ(w)＜ε，则算法结束，否则进入步骤4。

步骤4根据：

得到新的连接权值w′，其中，w是当前连接权值，r是(0,1)之间的随机数，T是当前温度，f是最大迭代次数，K是Boltzmann常数，wmax、wmin为连接权值取值范围的上下限，对样本Xi计算得误差函数值θ(w′)。

步骤5根据：计算Δθ。根据Metropolis准则判断是否接受新的连接权值w′，即如果Δθ＜0，则接受'w为当前解，否则以概率：

接受w′为当前解，其中，K是Boltzmann常数，T是当前温度；若接受，w w′= ，判断θ(w)＜ε是否成立，若成立，则算法结束，否则进入步骤6。

步骤6对于每个T重复步骤4和步骤5，直到达到上限M次或者到达平衡状态。

步骤7根据：

降低温度，其中，N为当前迭代次数，如果降低至tmin，则跳转至步骤2，否则跳转至步骤4。

SA-BP神经网络算法流程如图3所示。

SA-BP神经网络算法伪代码如下。

图3 SA-BP神经网络算法流程

4 仿真实验

4.1 参数设置

根据第3.2节标准BP神经网络算法和本文设计的SA-BP神经网络算法，分别对表3所示的通道质量评估模型中 37个指标进行仿真。仿真场景为我国东部某省 2016年光接入网通道上行现网数据。随机选取该省3个地区构成3组实验样本，每个地区随机选取5条通道，每条通道的样本数据均包含37个指标值和1个通道质量值。排除指标值缺失等无效样本后，每组通道有效样本数见表5。每条通道样本随机选取75%作为训练样本，剩余25%作为预测样本。将预测样本的拟合率作为评价指标对仿真结果进行评价与分析。参数设置见表6。

表5 通道有效样本数

表6 参数设置

4.2 隐含层神经元的优化

隐含层神经元数直接影响神经网络对复杂问题的映射能力，可计算为：

为了优化SA-BP神经网络结构，本次实验按照式（9）选取了 8～17个隐含层神经元数，选择某东部省份配用电通信网 524组有效样本用于SA-BP神经网络的训练。图4显示了通道质量评估最小误差随隐含层神经元数变化曲线，当隐含层神经元数为 9时，SA-BP神经网络结构最佳。

4.3 实验结果与分析

图5～图7分别为表5中所列出的3组通道质量评估值和实际值对比。定义误差绝对值小于1%表示评估值与实际值拟合。表6根据图5～图 7统计了每组实验数据在不同神经网络中的拟合率。

图4 误差值随隐含层神经元数变化曲线

图5 第1组不同网络中通道质量评估值与实际值对比

图6 第2组不同网络中通道质量评估值与实际值对比

分析表7的实验结果可知，在上述仿真场景下，本文提出的光接入网通道质量评估模型在标准BP神经网络下3组数据正确评估通道质量的概率为75%以上，而在SA-BP神经网络中为90%以上。由此可知，本文提出的评估模型可以较为正确地评估通道质量，并且在SA-BP神经网络中具有更高的正确率。由此可知，相较于标准BP神经网络，SA-BP神经网络更适合本评估模型。

图8是两种神经网络中15个通道质量评估的平均误差对比。由图8可知，BP神经网络中约有2/3的通道平均误差在1%以上，最大误差与最小误差相差0.012 8；SA-BP神经网络中所有通道平均误差均在1%以下，最大误差与最小误差相差0.004 3。分析可知，BP神经网络整体波动范围较大，误差在平均值周围摆动幅度大，而SA-BP神经网络整体波动范围较小，误差在平均值周围摆动幅度较小。因此，SA-BP神经网络拥有更高的预测精度和更好的稳定性。这是由于模拟退火算法会以一定概率接受较差的解，并且这个概率会随着训练次数的增加而减小，使训练结果趋于稳定，所以在训练过程中更容易跳出局部极小值，最终达到全局最优解，因此得到的评估值会更接近期望值。

图7 第3组不同网络中通道质量评估值与实际值对比

表7 不同神经网络中通道质量评估值的拟合率

图8 不同神经网络中通道质量平均评估误差对比

5 结束语

通过对光接入网通道质量评估的研究，本文提出了一种基于 SA-BP神经网络算法的通道质量评估方法。通过仿真可知，本文提出的评估方法可以全面地评估光接入网通道质量，并且与BP神经网络相比，本文设计的SA-BP神经网络算法使得评估的准确性和稳定性都得到了进一步的提升。

参考文献：

[1] 刘国军, 侯兴哲, 王楠, 等.智能配用电通信综合网管系统研究[J].电网技术, 2012, 36(1)： 12-17.LIU G J, HOU X Z, WANG N, et al.An integrated network management system for communication of smart power distri-bution and utilization grid[J].Power System Technology, 2012,36(1)： 12-17.

[2] 赵炜妹, 郭庆琳, 孙晓霞, 等.EPON综合网管系统的研究与实现[J].电力系统通信, 2010, 31(2)： 41-44.ZHAO W M, GUO Q L, SUN X X, et al.Research and implementation of EPON integrated network management system[J].Telecommunications for Electric Power System, 2010, 31(2)： 41-44.

[3] 陈宁宁.智能配用电通信网设备运行质量综合评估系统的研究与实现[D].北京： 北京邮电大学, 2014.CHEN N N.Research and realization of comprehensive evaluation system for equipment operation quality of intelligent distribution electric communication network[D].Beijing： Beijing University of Posts and Telecommunications, 2014.

[4] 张冬艳, 胡铭曾, 张宏莉.基于测量的网络性能评价方法研究[J].通信学报, 2006, 27(10)： 74-79.ZHANG D Y, HU M C, ZHANG H L.Study on network performance evaluation method based on measurement[J].Journal on Communications, 2006, 27(10)： 74-79.

[5] 张奕奎, 邱雪松, 成璐.基于策略的业务质量评价方法[J].计算机工程, 2007, 33(13)： 109-111.ZHANG Y K, QIU X S, CHENG L.Policy-based approach for service quality assessment[J].Computer Engineering, 2007,33(13)： 109-111.

[6] Telemanagement Forum.SLA management handbook：GB917[S].2010.

[7] 孙蕾.智能电网管理评价指标体系与多属性分析模型研究[D].北京： 华北电力大学, 2015.SUN L.Research on evaluation index system and multi-attribute analysis model of smart grid management[D].Beijing： North China Electric Power University, 2015.

[8] ZHANG Y, NIU D, LIU J.The evaluation of thermal power enterprise environmental sustainable development based on SA-BP neural network[C]//International Conference on Environmental Science and Information Application Technology, July 17-18,2010, Wuhan, China.Piscataway： IEEE Press, 2010： 674-677.

[9] 杨小彬, 李和明, 尹忠东, 等.基于层次分析法的配电网能效指标体系[J].电力系统自动化, 2013, 37(21)： 146-150.YANG X M, LI H M, YIN Z D, et al.Energy efficiency index system for distribution network based on analytic hierarchy process[J].Automation of Electric Power Systems, 2013, 37(21)：146-150.

[10] ZHANG H L, FANG B X, HU M Z, et al.A survey on internet measurement and analysis[J].Journal of Software, 2003, 93(14)：110-116.

[11] 田景文, 高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社, 2006.TIAN J W, GAO M J.Research and application of artificial neural network algorithm[M].Beijing： Beijing Institute of Technology Press, 2006.