OptiSCS：面向多类别不平衡数据的选择性类别采样光纤故障检测方法

《Array》：OptiSCS: Optical Fiber Fault Detection with Selective Class Sampling Approach for Multiclass Imbalanced Data

　　

本研究旨在改善高度不平衡数据条件下基于光时域反射仪(OTDR)迹线的光纤网络故障分类性能。以往研究通常只强调整体性能，对少数类故障关注不足。本研究的主要贡献是一种新策略，将选择性类别采样与标签平滑整合进CNN-BiGRU架构中，统称为OptiSCS。该建模策略降低了模型对多数类的偏向，并提升了少数类的评估性能。OptiSCS在限制采样所引入额外计算成本的同时，改善了少数类故障的表示。传统过采样技术通常为所有少数类生成额外样本；OptiSCS仅对样本数量低于所定义阈值的特定少数类应用采样。CNN-BiGRU架构从OTDR迹线特征中提取局部模式和序列关系。实验结果表明，与CNN-BiGRU骨干网络相比，OptiSCS在两个最严重的少数类上提升了F1分数，同时以显著更低的计算成本保持了与以往研究相当的性能。评估使用了宏平均F1(Macro-F1)、马修斯相关系数(MCC)、平衡准确率、AUC以及准确率，覆盖多数类和少数类。OptiSCS所需的训练时间也明显少于在同一数据集上评估的生成式方法。该结果为OptiSCS在分类性能、少数类识别和计算效率之间取得平衡、从而集成到实际光纤监测系统提供了支撑。

研究背景与问题：光纤网络支撑5G、物联网、云计算和高清视频等业务，故障若未能及时处理，会导致服务中断和运营商损失。光时域反射仪(OTDR)被广泛用于故障定位，但人工判读依赖经验，低信噪比(SNR)条件下尤其困难。已有机器学习方法多在较平衡的数据分布上验证，且普遍重视总体准确率，对少数类故障性能关注不足。实际运行中正常样本持续积累，光纤断裂(Fiber Cut)、PC连接器(PC Connector)等关键故障极少出现，形成严重类别不平衡。全局过采样方法会对已充分表示的类别产生冗余，生成式方法(如cGAN)性能虽好但训练成本极高。为此，研究人员提出OptiSCS，将选择性类别采样与标签平滑结合到CNN-BiGRU架构中，在控制计算开销的同时改善严重少数类的故障识别。

研究内容与结论：研究人员使用Abdelli等人公开的OTDR数据集构建严重不平衡场景。该数据集包含8个故障类别和32个特征(P1–P30、SNR和最大幅值)。参考Healy等人的做法，将第5类Fiber Cut和第6类PC Connector各减少至1600个样本，形成不平衡比(IR)为10:1的共99135个样本，并采用分层5折交叉验证。实验表明，CNN-BiGRU骨干网络显著优于CNN；全局SMOTE和类别加权均不能稳定改善少数类；OptiSCS在宏F1、MCC和训练时间之间取得最佳平衡，与全局SMOTE相比训练时间降低约16.1%，同时提升Fiber Cut和PC Connector的F1分数，且对其他类别几乎无负面影响。重要意义在于，OptiSCS以较低计算成本改善了严重少数类识别，为实际光纤监测系统中的周期性再训练提供了可行方案。

主要关键技术方法：研究人员使用三类关键技术。(1)选择性类别采样：以每折训练集中最大类别样本数N_max的50%作为阈值，仅对样本数低于0.5×N_max的类别应用SMOTE，并通过因子3将目标类扩增至4800个样本。(2)CNN-BiGRU骨干网络：两个Conv1D块提取局部反射模式，双向门控循环单元(BiGRU)建模沿光纤距离的序列依赖关系。(3)标签平滑：以ε=0.1将硬标签转换为软分布，降低模型对合成样本的过拟合。训练采用Adam优化器，学习率1×10^-3，批大小128，训练40轮。样本队列来源为Abdelli等人公开的OTDR迹线数据集。

研究结果：总体分类性能：与CNN相比，CNN-BiGRU将宏F1从0.8531提升至0.9616；OptiSCS取得宏F1 0.9640、平衡准确率0.9564、MCC 0.9891，且训练时间低于全局SMOTE。消融研究：单独使用标签平滑带来小幅稳定提升；仅选择性采样虽使平衡准确率最高，但宏F1和Fiber Cut F1下降；二者组合才能同时提高少数类F1与全局稳定性。特征表示分析：t-SNE显示，原始特征空间中Fiber Cut分散且与其他类重叠；OptiSCS使Fiber Cut和PC Connector形成更紧致、更分离的子簇，与少数类F1提升一致。逐类分析：OptiSCS将Fiber Cut F1从CNN-BiGRU的0.821提升至0.833，PC Connector F1从0.906提升至0.912；混淆矩阵显示Fiber Cut的误差主要集中于模式最相似的Bending类，而非分散到多个类别。逐类AUC：OptiSCS的Fiber Cut和PC Connector AUC略低于CNN-BiGRU，但F1更高，原因是标签平滑改变概率排序，而最终类别决策更稳定。采样因子选择：在因子2、3、5、8的扫描中，因子3给出最高宏F1及最高的两类严重少数类F1；因子过大增加训练时间并降低少数类F1。训练收敛：OptiSCS损失稳定在约0.47，高于CNN-BiGRU，这是标签平滑将正确类目标权重设为0.9125的结果，而非收敛失败。计算分析：OptiSCS参数量与CNN-BiGRU相同，训练时间为226.88秒，比全局SMOTE快43.65秒，稳态推断时间约0.409秒。SNR鲁棒性：在0–10 dB低信噪比下，OptiSCS的宏F1为0.9242，比CNN高27.72%；在20–30 dB下达到0.9960。与已有研究比较：与Healy等人的严重不平衡实验相比，OptiSCS在PC Connector上F1最高(0.9125)，Fiber Cut F1(0.8325)低于生成式方法，但Fiber Cut精度高于cGAN；训练时间比cVAE降低约95.1%，比cGAN降低约98.9%。

讨论与结论：讨论部分指出，单一组件不足以解决严重不平衡问题；选择性采样与标签平滑在功能上互补。OptiSCS的改进集中在少数类，对已充分表示的类别无实质影响。与生成式方法相比，OptiSCS以更低计算成本提供有竞争力的少数类识别，更适合需要周期性再训练的光纤监测系统。研究局限在于仅在Abdelli等人发布的单一公开数据集上验证，未涵盖不同光纤长度、脉宽、采集设备或多故障并发情形，也不能完全排除同一光纤链路或采集会话样本间的残余相关性，部署意义仅限于与评估数据相似的条件，仍需现场数据独立验证。研究结论：在OTDR故障分类的严重不平衡场景中，使用选择性策略处理不平衡是有益的，对所有类别统一处理的方式效果较差。OptiSCS只增强真正样本不足的类别，并对合成样本的预测置信度进行正则化。该组合策略以低于全局SMOTE的增强成本，在Fiber Cut和PC Connector上获得逐类F1增益；相对于CNN-BiGRU骨干的整体提升小于这两个少数类的提升，反映出骨干表示能力较强。OptiSCS有望应用于与评估数据相似的不平衡条件下的光纤网络监测系统。