基于AI的PON接入网质量智能分析系统，助力宽带用户体验提升

        近年来，随着宽带增值类业务日益增多，用户对带宽的需求越来越高，xPON（无源光网络）技术因其高带宽、抗干扰、易拓展、接入距离长等特点被广泛应用。同时，PON接入网络的质量保障问题也日益突出。如何快速判断、识别PON接入网上的各类质量问题，实现故障根因快速定位和修复，提升网络主动运维能力，保障PON接入网络质量，是当前对宽带网络进行精细化管理，切实提升宽带用户QoE（quality of experience，用户体验质量）水平所必须解决的问题。

PON网络运维挑战

        随着宽带用户数的急剧增长，用户体验对后续市场的发展起着决定性作用，而现网中家宽用户的诸多投诉都可能与PON网络质量息息相关。据某省统计，21.5%的宽带用户投诉原因是上网慢，其中约60%的故障是PON接入网段。PON光模块老化、光纤连接头污损、ONU收光弱、流氓ONU等问题，都会导致用户网络不稳定、频繁掉线、网速慢、视频卡顿等，严重影响用户宽带使用体验。

        PON接入网段的光链路属于无源网络，主要组成包括OLT PON光模块、主干光纤、1级分光器、分支光纤、2级分光器、入户光纤和ONU设备，故障节点较多，根因定位难，缺乏有效的分析手段。

        传统运维模式是在用户投诉后，先派单到装维，依靠人工经验定位故障位置，根因定位操作复杂，疑难故障准确定位更慢，此外不同维护子域间还可能互相转派“踢皮球”，导致故障修复时间长（>4小时），维护效率较低，增加了维护成本，用户体验差。

基于AI的PON接入网质量分析系统

        为应对PON网络运维挑战，助力运营商宽带用户体验提升，中兴通讯推出基于AI的PON接入网质量分析系统。使用PON接入网质量智能分析功能，不仅可以实现对投诉用户的故障根因快速定位，减少被动派单和检修时间，提升故障的修复效率，还可以实现对PON网络的定期“体检”，筛选出质差的PON光模块、ONU和ODN光链路，主动整治，极大提升网络质量。

        PON接入网质量分析系统可以独立部署，也可以集成在PON接入网管中。通过PON网络质量分析系统，可以定期从PON网络获取PON和ONU的基础性能数据和告警数据，通过对这些数据的相关性智能分析，输出有问题的ONU链路，并标注故障根因和故障位置。

        PON接入网质量分析系统主要由5个子模块组成：

• 统一采集模块：与OLT对接，负责自动定期采集PON接入网的PON端口性能数据、ONU性能数据，以及PON和ONU的各类告警数据；数据预处理后存入统一数据池。
• 数据池：储存采集到的原始基础性能数据，包括PON和ONU的各类告警数据，并按统一格式存储。
• AI分析模块：包括数据清洗、特征工程、样本学习、知识图谱、算法模型等子模块，可以对输入的源数据进行清洗和特征工程处理，根据知识图谱建立有效的AI算法模型，实现质差ONU链路的识别，输出分析结果；结果包括有故障的ONU及其故障根因和故障位置。
• 报表模块：将AI分析的结果文件定期标准化输出。
• API接口模块：提供API接口，可提供对输入数据的智能分析，输出ONU质量分析结果，若是质差ONU则提供故障根因和故障位置。

算法原理

        传统的故障分析依赖于维护人员的经验积累。而机器学习的原理就是模仿人类经验积累的过程，对大量已知故障期间的基础性能数据设计特征工程，采用合适的算法模型进行学习评估，确定最佳算法模型。对于未知故障的某用户的基础数据，通过该算法模型进行评估，就可以判断该用户是否有故障。

        基于AI的PON接入网质量分析算法，其原理是针对PON接入网网络组成特点（由PON、ODN、ONU三部分组成），根据PON网络的故障构成，设计了PON光模块、ONU设备、流氓ONU、ODN拓扑结构、ODN光链路质量这5大类算法模型。对于一段时间内的基础数据，包括ONU收发光、PON端收发光、ONU丢包数、定位帧错误数、CRC错误数、ONU BIP错误数等数据，应用知识图谱，针对性地建立分析特征工程，通过学习和训练，建立合适的故障判断模型，策略实现故障根因精确识别和故障定位。可识别的故障根因包括但不限于PON光模块故障、ONU设备故障、ODN分光比过小、PON收光动态范围过大、主干/分支/入户段光纤故障等。质差根因分析的实现原理如图1所示。

       PON接入网质量分析系统已在天津移动、福建移动等多地进行部署验证，质差故障判断准确率均在85%以上。系统通过主动识别网络质差和隐患，主动整改，极大提升了网络主动运维能力，支撑了接入网质量保障工作，降低了家宽用户投诉率，提升了用户家宽业务使用满意度，保障了用户宽带使用体验，有助于运营商品牌竞争力提升。