引用本文：

毛仕龙，赵赞善，王皓宇，等. 基于深度交叉网络的多任务学习OLT设备故障识别算法[J]. 光通信技术，2025，49（3）：27-33.

基于深度交叉网络的多任务学习OLT设备故障识别算法

毛仕龙1，赵赞善1,2,3，王皓宇1，高冠军1*

（1.北京邮电大学 电子工程学院，北京 100876；2.中国科学院声学研究所南海研究站，海口 570105； 3.陵水海洋信息海南省野外科学观测研究站，海南 陵水 572423）

【下载PDF全文】 【下载Word】

摘要：针对光网络数据集不均衡导致的人工智能（AI）模型偏差及特征学习不足问题，提出一种基于深度交叉网络（DCN）的多任务学习光线路终端（OLT）设备故障识别算法。首先，通过标准化均值-曼哈顿距离评估潜在故障，标记高相似度样本为质差数据；其次，构建DCN-多任务学习（MTL）模型，引入高阶特征交叉增强学习能力，并以质差检测为辅助任务优化主任务训练。实验结果表明：与传统的深度神经网络相比，该算法在相同数据量下准确率提升1.15%、召回率提升11.83%、F1分数提升6.39%、曲线下面积（AUC）提升5.91%，各项指标均突破0.95，验证了算法在故障数据稀缺场景下的强检测能力。

关键词：光接入网；故障检测；数据集不均衡；深度交叉网络；多任务学习

中图分类号：TN91 文献标志码：A 文章编号：1002-5561（2025）03-0027-07

DOI:10.13921/j.cnki.issn1002-5561.2025.03.005

1. 研究背景与目的

  • 背景：光网络数据集存在严重的不均衡问题，导致AI模型在故障检测中出现偏差及特征学习不足。

  • 目的：提出一种基于深度交叉网络（DCN）与多任务学习（MTL）的OLT设备故障识别算法，以解决上述问题。

2. 主要创新点

  • 潜在故障度量：使用标准化后的均值-曼哈顿距离对数据集进行潜在故障衡量，将与故障数据相似度高的样本标记为质差数据。

  • 多任务学习框架：提出基于DCN的多任务学习算法，通过引入高阶特征交叉强化模型学习能力，并将质差检测作为辅助任务来增强主任务故障检测的训练过程。

3. 模型与方法

  • 总体框架：包括内容网、传输网、接入网和控制平面。重点研究网络边缘的OLT设备，其星型拓扑结构和缺乏冗余保护的特性使其成为网络可靠性的瓶颈。

  • 潜在故障度量模块：通过数据标准化处理和均值-曼哈顿距离计算正常数据与故障数据之间的相似度，筛选出质差数据。

  • 共享专家训练模块：由多个专家模型组成，用于提取不同维度的特征，生成多样化的特征表示。

  • 门控网络训练模块：通过门控机制动态选择专家，在不同任务上做出决策，生成任务相关特征。

  • 塔模型训练模块：基于专家模型生成的共享特征和门控网络决策的加权系数，进行特定任务的预测。

4. 实验与结果

  • 数据集：使用国内某运营商2023年实际物理网络中OLT设备的性能数据，共51,425条记录，其中正常数据46,505条，故障数据4,920条。

  • 模型对比：对比了DNN、DCN、DNN-MMoE和DCN-MMoE四种模型。

  • 性能提升：DCN-MMoE算法在准确率、召回率、F1分数和AUC上均有显著提升，分别提高了1.15%、11.83%、6.39%和5.91%，各项指标均突破0.95。

5. 结论

  • 通过结合深度交叉网络和多任务学习，有效提高了模型在处理不平衡数据时的表现，为故障判别领域提供了新的研究方向和技术手段。