0 引言
      随着光传输网规模的扩大，传输设备数量快速增长且设备间依赖关系越发错综复杂。设备一旦发生故障，其影响范围将大规模蔓延。为规避风险，基于机器学习的预测算法在网络预警案例中得到了广泛应用。机器学习算法可发现复杂问题的潜在模式并构建较高准确率的事件预测模型[1]。例如：文献[2]提出基于双指数平滑和支持向量机的波分复用（WDM）故障预测方法；文献[3]提出具备模型预测控制的体系结构以避免光传输系统中的激光故障；文献[4]通过训练高斯过程分类器预测每条光链路的告警概率。由于机器学习模型基于数据构建，数据集质量的好坏直接影响模型性能（稳定性、准确性等）高低。现在网络所产生的海量数据种类繁多，格式不一，无法进行人工分析[5]。近年来，用户画像（UP）技术在大数据领域得到了广泛应用[6-7]，其核心为特征标签集合，即在具体应用场景下根据对象多个特征定义相应标签，并通过特征标签制定适用于该场景的策略或方案[8-9]。
　　本文提出一种基于光通信设备健康画像的故障预测方法，对设备数据进行处理并生成设备健康画像，用标签序列训练基于深度学习（DL）的故障预测模型，获得高准确率模型对现在网络故障进行实时预测。

4 结束语
       本文针对光传输网中设备预警问题，提出了一种基于健康画像的光通信设备故障预测方法，同时采用数据增强算法增量了原始数据集。仿真实验结果表明：与传统FCNN预测模型相比，基于健康画像的FCNN预测模型具有100%的故障解决准确率，这有助于获取高准确率的设备预警信息以规避光通信设备运行风险，从而提高光传输网的稳健性。