Page 33 - 网络电信2023年3月刊
P. 33
(2) Map。将光通信系统状态识别数据片看作一组(Key， 这样光通信系统状态识别问题就变为
value) 键值对，Map函数处理(Key，value) 得到(Key，value)
中间值，将中间值发送到节点中，对具有相同中间值的键进行 (5)
合并处理，产生中间键链(Key，list of values) 。 式中，K(x i ，x j ) = φ(x i ) ·φ(x j )
(3) Ｒeduce。Ｒeduce函数遍历所有中间键链(list of 最后建立光通信系统状态识别的分类器，具体为
values)，输出新的键值对，并把Ｒeduce的输出结果发送到服
务器进行存储。MapＲeduce的运行原理大致如图1所示。 (6)
图1 MapＲeduce的运行原理 三、光通信系统状态识别的仿真测试
3.1 搭建云计算平台
为了验证云计算的光通信系统状态模式识别方法的性能，
首先搭建云计算平台，该平台共包含了11个节点，其中1个节点
为服务节点，主要用于管理和协调其它节点，并存储光通信系
统状态数据以及识别结果，其它10个节点作为普通节点，它们
的配置完全相同，属于同构节点，主要用于运行光通信系统状
态识别程序，并得到光通信系统状态识别结果，它们的配置具
体如表1所示。
表1 云计算平台的节点配置
2.2 模式识别技术建立光通信系统状态识别分类器
对于给定的光通信系统状态识别样本{x i ，y i }，i=1，
2，…，N，支持向量机可以拟合y关于x的对应关系，具体如下
(1)
原始样本的光通信系统状态识别样本具有高维特征，直接
进行建模难以获得理想的光通信系统状态识别结果，因此，采
用非线性映射函数，将光通信系统状态识别样本数据映射到高
3.2 测试数据
维空间，然后进行求解，即变为如下优化问题。 选取多个光通信系统作为实验对象，采集它们一段时间的
工作状态数据作为测试对象，光通信系统状态划分为2类，一类
为正常状态，另一类为异常状态，共进行5次仿真测试，每一次
(2) 测试的正常状态和异常状态数据样本的个数分别如表2所示。
表2 光通信系统状态识别的测试数据
其中: ξ为松弛变量，为了加快光通信系统状态识别速
度，建立Lagrange函数，具体如下
(3)
根据KKT条件，对w，b，ξ，α求偏导等于零，可以得到
3.3 光通信系统状态识别结果分析
选择光通信系统状态识别正确率、误识率、漏识率作为实
验结果评价标准，对于相同的数据，在相同的环境下，选择当
(4) 前流行的光通信系统状态识别方法: K近邻算法、ＲBF神经网络
进行对比实验，结果如图2～图4所示。对图2～图4的光通信系
统状态识别结果进行分析可以得到如下结论:
(1) K近邻算法的光通信系统状态识别正确率极低，得到较
网络电信 二零二三年四月 59
