基于机器学习的无源光网络故障分支识别

无源光网络（PONs）已成为一种有前景的宽带接入网络解决方案。为确保可靠传输并满足服务等级协议，必须持续监控PON系统以快速识别和定位网络故障。通常，PON系统中的服务中断主要由于光纤断裂和光网络单元（ONU）发射机/接收机故障引起。当ONU距光线路终端（OLT）距离不同时，可通过分析记录的光时域反射仪（OTDR）轨迹来识别故障ONU或分支。然而，当来自两个或更多长度相近分支的反射重叠时，故障分支隔离变得非常具有挑战性，这使得基于全局后向散射信号很难区分故障分支。近来，基于机器学习（ML）的方法在管理PON系统光故障方面展现出巨大潜力。此类技术在由同一PON系统导出的数据训练和测试时表现良好。但如果用于生成训练数据的PON系统发生变化（例如增加更多分支或改变相邻分支间长度差），其性能可能严重下降。每次网络变更都须重新训练ML模型，这可能很耗时。本文为克服上述问题，提出了一种独立于网络架构训练的通用ML方法，用于在给定OTDR信号且分支长度接近的情况下识别PON系统中的故障分支。该方法可应用于任意PON系统，无需针对每次网络变更重新训练。所提方法使用源自PON系统的实验数据进行了验证。