ODN網絡是家庭寬帶連接係統-無源光網絡 (PON) 的重要組成部分，是連接局端 OLT 和用戶 ONT 之間（jiān）的光路通道，其質量直接影響整個PON係統的性能及可（kě）靠性。ODN光纖鏈路包括OLT PON口、ODF、主（zhǔ）幹光纖、一級分光器、分支（zhī）光纖、二級分光器、入（rù）戶光纖、ONU光模塊等（děng），主要涵（hán）蓋以下設備：
可以（yǐ）看到，ODN網絡設備均為無源設備，對無源設備進行弱光定位顯（xiǎn）然非常不易的（de）。再從（cóng）ODN網絡連接圖（圖2）來分析光信號在 ODN 鏈路上傳輸損耗點：
並且光（guāng）信號在 ODN 鏈路上（shàng）傳（chuán）輸（shū）的過程中，有一部分能（néng）量轉化成熱能或者被傳輸（shū）介質吸收、散射，從而造（zào）成信號強度不斷減弱，即信號（hào）衰減，體現為（wéi）光功率劣化即為弱光。為優化PON網（wǎng）絡質量，對ODN光路耗損分析（xī）成為（wéi）了當下PON網（wǎng）絡運維的（de）重點（diǎn），又因是ODN網絡中全為無源設備，其弱光定位與整治又是難點（diǎn）。傳統ODN網絡運維，缺乏有效預判和指導，通常依賴人工現場逐段排查（chá）檢測ODN網絡收發（fā）光功率，耗（hào）費大量時間（jiān）和人力。
當前處理ODN弱光主要有以下幾個（gè）難點：
①寬（kuān）帶速率持續提速—要求高
隨著網絡技術發展（zhǎn），用戶網絡帶寬不斷提高，正在從百兆向千兆、雙（shuāng）千兆普及，新型家庭網關以及（jí）各種應用業務對網絡質量提出更嚴格的要求。
②運維聚（jù）焦ODN弱光—維護難
為了進一步提升用戶有線業務感知，把（bǎ）優化網（wǎng）絡質量的（de）焦點從用戶側 ONT 設備收光（guāng）轉移到整個 ODN 網絡光路（lù）損耗（hào），這對於有線業務運維來說，增加巨大運維難度。
③傳統人工（gōng）處理方式（shì）—效率低
ODN 網絡故障處置依靠維護人員現場逐步排查檢測，缺乏預判和指導手段，處理耗費大（dà）量人力。雖然現在業內已能（néng）根據人工經驗設（shè）定固定規則逐漸自動化進行ODN弱光定界定位，但依舊（jiù）存在（zài）定位不（bú）準等問題。
針對上述問題，本文對ODN網絡弱光智能化定界及整治進行探索。
分析ODN網絡光功率（lǜ）傳播規律（lǜ），采（cǎi）集端到端光路收發（fā）光（guāng）數據，同（tóng）時定時對ODN網絡進行弱光巡檢（jiǎn），采集匯聚相（xiàng）關資源拓撲、告警、光功（gōng）率（lǜ）等數據；建立寬帶上網ODN網絡弱（ruò）光聚類定界（jiè）模型，基於預測模（mó）型分析出弱光範圍；針對弱光範圍（wéi），派單閉環整治，實現ODN網（wǎng）絡高效（xiào）運（yùn）維。
定界知識庫構建模型：根據不同原因引起的光衰時，各設備節點的的關鍵特征表現，構建寬（kuān）帶上（shàng）網ODN網絡弱光聚類定界（jiè）知識模型（xíng），自動精（jīng）準定界弱光範圍。
高（gāo）效運維：基於（yú）寬帶上網ODN網絡弱光聚類定界知識模型，精準分（fèn）析出弱光範圍，快速（sù）排查故障點。
閉環處理：根據分析出的弱光範圍，及時進行派單整治，並將處理結果反饋到模型進行不斷調優，形成整個方案的閉環。
采集近（jìn）三個月曆史弱光整治工單數據作為知識庫訓練樣本，並采集當前ODN網絡（luò）的資源信息（xī）、拓撲信息、以及網絡性（xìng）能、告警等數據，建立知識庫模型標簽體係。
基於曆史弱光定界結果數據，結合（hé）OLT/一級（jí）分光器/二級分光器/ONU的收發光數據、損耗絕對值/相對值、弱光比例等特征信息，梳理不同原因引起的（de）光衰時，各設備節點的（de）的關鍵特征表現，初步形成（chéng）弱光定界知識體（tǐ）係。
➡️步驟一：采集（jí）ODN網絡（luò）拓撲數據，包含ODN網（wǎng）絡從上至下的全鏈路光（guāng）功（gōng）率分析設備關聯關係：OLT/PON端口（kǒu）、主幹光纖、分支光纖、入戶光纖、ONU。
➡️步驟二：以ODN網（wǎng）絡（luò）拓撲數據為基準，采集光功率、光損耗、弱光比例等（děng）數據（jù）篩選出（chū）弱光特征信息。
➡️步驟三：弱光（guāng）特征信息與曆史（shǐ）弱光定界結果數據（jù）關聯匹配，梳理不（bú）同原因下的弱光特征表（biǎo）現。
整理結果（guǒ）樣（yàng）本示例（lì）：
基於構建的弱（ruò）光定界知識體係，可采用相似（sì）度算法進行檢索，從而進行弱光（guāng）定界。
當有其他用戶發生光衰時，采集當前ODN網絡關鍵弱光特征數據，基於相似度計算，使用faiss架構對知識庫裏的特征信息進行高校檢索匹（pǐ）配，匹配度最高的特征對應的弱光定界（jiè）原因，即為該用（yòng）戶（hù）弱（ruò）光定界原因。
建議采用（yòng）Faiss向（xiàng）量檢索，Faiss是Facebook AI團隊開源的針對聚類和相似性搜索庫，為稠密向量提供高效相似度搜索和（hé）聚類，支持（chí）十億級別向量的搜索，是目前較為成熟的近似近鄰搜（sōu）索庫。
采用Faiss能根據弱光定界場（chǎng）景的（de）多項特征快速檢索，其具有以下特點:
全量構建（jiàn）索（suǒ）引：基於原始向量，train訓練並且add構建，生成（chéng）Faiss索引文件。
增（zēng）量構建索引：後續若（ruò）有新增向量（liàng），隻需add操作，即可對Faiss索引文件做（zuò）增量更新。
向量檢索查詢：提供（gòng）目標樣本向量信息並檢索索引文件，獲取與（yǔ）目標樣本最為相似的N個向量索（suǒ）引。
構建寬帶上（shàng）網ODN網（wǎng）絡弱（ruò）光聚類定界模型，由ODN弱光定時自（zì）動巡檢，采集告警、資源、性能數（shù）據歸一化處理（lǐ）後，依賴弱光聚類定界（jiè）模型，判斷是否存在弱光問（wèn）題，判斷弱光範圍。
采集數據：對接外係統獲取模型輸入數據，包含告警、資源拓撲、性能數（shù）據等。
模型計算：使用寬帶上網ODN網絡弱光聚類定界模（mó）型快速定界弱光範圍，並輸出結果進一步處理（lǐ）。
閉環處置：通過模型計算的結果，確定弱光範圍，派出整治工單及時處理，並將處理結果反饋（kuì）給模型。
持續調優：定期收集弱光定界數據，用以更新、補充知識庫（kù）。包括新增的弱光產生原因、已有原因由設備老化引起的整（zhěng）體數據分布的變動。
本方（fāng）案解決ODN網絡（luò）定界弱光範圍難和不準的（de）問題，采用構建弱光定界體係知（zhī）識庫（kù）能快速進行故障範圍的定界定位，以（yǐ）此提高故障處理的效果，在未來可以（yǐ）將知（zhī）識庫體（tǐ）係（xì）的（de）應用範圍擴大（dà）。如在ODN上（shàng）遊設備和家庭網絡側終端設備都能采集相關故障場景特征數據，並結合用戶行（háng）為等特征，構建有線業務（wù）網絡其他故（gù）障場景的知識（shí）體係，解決更多的故（gù）障場景。