CN120896640A - 边缘计算赋能的otdr多光路并行诊断方法及系统 - Google Patents

Abstract

本发明公开了边缘计算赋能的OTDR多光路并行诊断方法及系统，涉及光纤通信技术领域，用于解决现有方案难以稳定且可解释地区分断纤、接头与弯曲等事件，且输出的落点结果缺乏可信度与搜寻半径，无法满足复杂网络环境下的高精度故障定位需求的问题；面对多光路并行与多波长采样带来的噪声差异、链路增益差异、峰形重叠与阈值漂移等干扰因素时，难以实现精确、稳定、可解释定位的问题。本发明通过一系列创新步骤，包括自适应参考波长选择、跨波长一致性度量、阈值自适应、最小代价补扫、稀疏去卷积拆峰以及不确定度输出等，构建了一个综合性的故障定位解决方案，并充分利用边缘计算能力，实现多光路并行诊断。

Description

边缘计算赋能的OTDR多光路并行诊断方法及系统

技术领域

本发明涉及光纤通信技术领域，更具体地说，本发明涉及边缘计算赋能的OTDR多光路并行诊断方法及系统。

背景技术

现有基于OTDR的光纤故障定位方案，通常采用“数据采集，随后信号处理，再进行事件检测与类型判别，之后按往返时间与群折射率换算距离，最后在GIS系统中呈现”的流程。分析实现多使用Java流程化判断与规则库。采集侧常见参数包含量程、脉宽、平均时间、在线档位、折射率、各类门限以及尾纤长度等字段。现有做法在单波长场景下多以阈值与峰值规则识别断纤、接头与均匀损耗，能够完成基础定位与可视化。

现有技术存在以下不足：

在ODN（光分配网络）与干线等复杂环境中，面对多光路并行与多波长采样带来的噪声差异、链路增益差异、峰形重叠与阈值漂移等干扰因素，现有方案存在显著不足。具体表现为：在多设备批量化、低信噪比、近端多事件、以及多波长数据的一致性利用方面公开不够充分，缺少可落地的跨波长一致性度量与阈值自适应机制。此外，在多光路并行诊断场景下，端口间的串扰隔离、时钟同步以及数据解混叠等工程要点也未得到充分考虑和显式条款化。这导致在实际网络的低信噪比与多事件叠加条件下，现有方案难以稳定且可解释地区分断纤、接头与弯曲等事件，且输出的落点结果缺乏可信度与搜寻半径，无法满足复杂网络环境下的高精度故障定位需求。

针对上述问题，本发明提出一种解决方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供边缘计算赋能的OTDR多光路并行诊断方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

边缘计算赋能的OTDR多光路并行诊断方法及系统，包括如下步骤；

获取多波长多端口的OTDR回波序列与端口标识，在参考区段执行先导微扫，统一米坐标与时间基准，进行端口时隙隔离与同步校正，确定参考波长，并在所述参考波长上生成噪声基线与候选事件初集；

在所述候选的跨波长对齐窗口内计算反射率、斜率、曲率与稳健离散度等时域特征，结合端口间串扰补偿与时基漂移修正，基于一致性度量与阈值分档生成每一候选的可靠性标记与处理优先级；

针对拥挤区构建拥挤冲突图与连通分量并按块优先级调度，执行非负稀疏去卷及峰形拟合以分离重叠子事件，更新所述候选的时空位置参数与不确定度，并以版本化记录写入证据对象；

依据所述可靠性标记与信息增益—代价模型生成补扫计划并触发采样回注，设置冷却期与切换门限，满足再决策条件后固化参考波长，将事件清单及其位置参数写入边缘与云端的一致性数据存储。

在一个优选的实施方式中，先导微扫通过预设空段选择与多档脉宽序列执行，采样率与量化位宽按端口配置表设定，所述时间基准采用双向往返标定与温度补偿联合校正，并以端口编码完成时隙隔离与触发同步控制，温度通道号与校准周期一并记录并固化批次号。

在一个优选的实施方式中，噪声基线由滑动窗口的稳健统计计算，使用中位数与MAD组合阈值生成，所述候选事件初集同时记录米坐标、端口编号、脉宽档位、脉冲编号与采样时间戳，并以记录号关联原始波形索引，滑窗宽度与步长作为计算参数存入元数据与索引区。

在一个优选的实施方式中，跨波长对齐采用米坐标网格搜索与相位拉伸联合实现，窗口长度按脉宽与色散参数自适应设定，对端口间串扰采用端口指纹矩阵进行线性解耦与残差约束，并将校正后窗口写入对齐版本集合，所述指纹矩阵来源与更新时间在记录头标识与清单表登记。

在一个优选的实施方式中，一致性度量由单波长偏差与多波长聚合度构成，多波长聚合度基于稳健均值与离散度计算，所述阈值分档映射为klevel，并与端口时基漂移修正参数在同一记录中联合存储，供后续优先级与调度引用，同时缓存最近N次度量快照用于回滚与比对。

在一个优选的实施方式中，构建拥挤冲突图时，以候选间距与等效FWHM形成边集，按连通分量划分处理块，并按块内局部SNR与候选优先级进行调度次序与并行队列编排，完成块级任务提交与回收，任务编号与依赖关系写入调度日志与资源表项并标注块级序号。

在一个优选的实施方式中，稀疏去卷采用非负L1正则的迭代算法，脉冲响应库含高斯与Voigt模板，峰形拟合以AIC与BIC准则二选一，并将子事件回注至所述证据对象的版本集合，附带模板编号与收敛轮次，残差阈值与最大迭代数在参数表声明与固化。

在一个优选的实施方式中，补扫计划基于信息增益—代价模型确定，所述冷却期与切换门限构成状态机约束，满足再决策条件时固化参考波长并生成版本标签与切换日志，同时记录动作来源与时间戳，计划编号与执行窗口在计划表注册并归档并生成执行摘要。

在一个优选的实施方式中，证据对象包含事件标识、位置参数、不确定度、klevel、端口指纹、时基修正、窗口参数与拟合残差，并记录输入来源与处理链编号，所述边缘与云端以一致性策略进行双向同步存储，冲突解决策略与优先级表内置与可配置并维护校验哈希。

边缘计算赋能的OTDR多光路并行诊断系统，用于实现所述的方法，包括：

数据采集与同步模块，被配置为执行所述先导微扫、统一米坐标与时间基准并完成端口时隙隔离与同步校正；

对齐与特征提取模块，被配置为在跨波长对齐窗口内计算反射率、斜率、曲率与稳健离散度；

一致性与分档模块，被配置为进行端口间串扰补偿与时基漂移修正并生成可靠性标记与处理优先级；

稀疏去卷与拟合模块，被配置为基于拥挤冲突图分块调度、执行非负稀疏去卷及峰形拟合并更新时空位置参数与不确定度；

补扫与再决策模块，被配置为依据信息增益—代价模型生成补扫计划、控制冷却期与切换门限并写入边缘与云端的一致性数据存储。

本发明边缘计算赋能的OTDR多光路并行诊断方法及系统的技术效果和优点：

1.显著提升定位精度与稳定性：通过引入“自适应参考波长选择”机制，解决了多波长数据噪声差异、链路增益差异等问题，确保了在复杂环境下始终选择最优波长作为定位基准，从而使同一物理事件能够在米坐标上被准确对齐，显著提升了定位的稳定性和精度。

2.实现了跨波长数据的高效一致性利用：提出了“跨波长一致性度量与”，通过对不同波长特征的稳健统计分析，有效量化了事件在不同波长下的表现一致性，克服了现有方案在多波长数据利用上的不足，为事件判别提供了更可靠的依据。

3.增强了阈值的自适应能力与鲁棒性：引入了“基于空段稳健估噪的自适应阈值”机制，并结合局部SNR动态调整阈值系数，有效应对了阈值漂移问题，使得在低信噪比环境下也能稳定检测事件，减少了漏报和误报。

4.优化了复杂场景下的事件识别与分离：针对近端多事件和峰形重叠问题，设计了“稀疏去卷积拆峰”步骤，能够有效分离重叠事件，结合“轻量贝叶斯机理融合”，使得在多事件叠加条件下，能够稳定且可解释地区分断纤、接头与弯曲等事件。

5.提供了量化可信度与精确搜寻半径：通过“距离不确定度=测量项+模型项”的综合计算，为故障落点提供了量化的可信度信息和搜寻半径（R95或R99），极大地提升了故障定位结果的实用性和指导性，便于后续的维护工作。

附图说明

图1是根据本发明一个实施例的边缘计算赋能的OTDR多光路并行诊断方法的流程示意图；

图2是根据本发明一个实施例的先导微扫与参考波长自适应推荐的流程示意图；

图3是根据本发明一个实施例的最小代价补扫与参考波长再决策闭环的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域的普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种边缘计算赋能的OTDR多光路并行诊断方法及系统，旨在解决现有OTDR故障定位方案在复杂光网络环境中，面对多光路并行与多波长采样带来的噪声差异、链路增益差异、峰形重叠与阈值漂移等干扰因素时，难以实现精确、稳定、可解释定位的问题。本发明通过一系列创新步骤，包括自适应参考波长选择、跨波长一致性度量、阈值自适应、最小代价补扫、稀疏去卷积拆峰以及不确定度输出等，构建了一个综合性的故障定位解决方案，并充分利用边缘计算能力，实现多光路并行诊断。

具体包括：

中央证据总线（CEB）与证据对象（ER）；

本发明采用中央证据总线（CEB）作为核心数据通道，将步骤零至步骤八的输出按固定字段写入证据对象（ER）。下游步骤仅通过CEB读取这些指定字段，不得进行跨越式读写，从而形成一个不可分割的综合分析链。每个证据对象（ER）需包含以下字段：

参考锚定：参考波长、否决项通过情况（veto_flags）、分胜负指标（winner_reason）、是否启用平局裁决（tiebreak_rule）。

噪声基线：各波长空段噪声、中值绝对偏差（MAD）、局部信噪比（SNR）。

窗口与特征：所选窗口Δ、平滑点数、按波长的三特征（反射率、斜率、曲率）。

一致性指标：单波长一致性、事件级一致性、SNR到阈值系数的映射档位（klevel）。

机理与置信：事件类型、置信分。

补扫计划：补扫动作、代价、预期增益。

去卷结果：是否拥挤、FWHM（半高宽）、峰位与残差。

不确定度：米坐标、R95或R99。

审计谱系：各字段的算法来源、参数、时间戳与上游依赖。

任一步骤未产出上述指定字段，则后续步骤无法执行或进入异常分支。这确保了本发明各步骤之间的强耦合性和不可分割性，构成一个一体化的综合分析流程。

为保证多波长、多端口并行诊断在边缘侧的一致性、可追溯性与实时性，本发明采用中央证据总线（CEB）在步骤零至步骤八之间传递标准化证据对象（ER）。优选地，下游步骤仅通过CEB读取上游已经写入并签名校验的指定字段，不得直接绕过CEB随意访问原始波形或其他中间缓存数据（即不进行跨越式读写）。该访问策略的目的在于：

统计口径一致：如阈值系数的选取需与局部SNR的估计口径一致；若下游绕过CEB重新估噪，易造成“同一事件、不同口径”的漂移，直接导致告警门限与一致性分数不可比。

因果链清晰：证据对象携带“生成时间戳、版本签名、上游依赖”的谱系信息（lineage），云端回放与合规审计据此逐字段复现。跨越式读取会破坏因果链，使结果不可复验。

资源与时延可控：边缘SoC下，跨模块重复计算（如多次去趋势/估噪）会拉高CPU与内存峰值，引发降级；通过CEB复用上游计算结果，可把关键路径时延稳定在目标范围内。

防止“隐形耦合”：跨越式读写常引入隐藏依赖（例如下游偷偷使用未经饱和掩码的原始峰值），形成“表面并行、实则串扰”的风险。CEB的白名单字段能有效切断不透明依赖。

容错与降级友好：当步骤六（去卷）因算力降级被关闭时，CEB仍提供“拥挤标记/主瓣宽度”的上次有效值，保证后续类型判别与补扫策略按约定回退，而不是读取到半成品中间量。

安全与最小暴露：CEB仅暴露必要最小字段；敏感原始数据（全波形、原始计数）默认不对跨模块开放，降低误用与泄露面。

可扩展与可维护：新增算法模块只需注册/订阅字段即可协同工作，无需在各步骤之间额外打通“临时通道”，避免“意大利面式”依赖。

访问与校验策略：优选地，系统对证据对象的字段实行白名单访问与版本签名校验：下游步骤仅能通过中央证据总线读取经校验的指定字段，不直接访问原始波形或未签名的中间数据。该策略确保统计口径一致、避免重复计算并强化审计可追溯性。

等效实现：在另一实施例中，上述中央证据总线可以由消息队列、共享内存配合字段签名、远程过程调用接口或其他数据一致性中间件实现；凡满足（i）上游输出经标准化字段与版本签名固化；（ii）下游判决只基于该标准化证据进行；（iii）证据谱系可审计复现的实现，均视为落入本发明保护范围。

本文将“中央证据总线”简称CEB，“证据对象”简称ER；“信噪比”简称SNR（Signal-to-NoiseRatio）；“半高全宽”简称FWHM；“赤池信息准则/贝叶斯信息准则”简称AIC/BIC。首次出现时采用“中文名（英文缩写）”，后文可仅用中文或缩写，但全篇保持一致。凡无法直译的专有缩写均在本节给出中文含义并在字段表中注明量纲与单位。

CEB实现细节：

CEB中的证据对象（ER）采用结构化数据格式，例如ProtocolBuffers或JSON，并包含以下关键元数据：

字段表结构：每个字段定义其名称、数据类型（如float,int,string,enum）、量纲（如dB,m,%）、量化位宽（如16bit,32bitfloat）和单位。

签名算法：每个ER在写入CEB时，由生成模块使用HMACSHA256算法对其内容进行签名，确保数据完整性和来源可信。

版本号语义：CEB支持版本化管理，每个ER携带其Schema版本号。版本号采用语义化版本控制（MAJOR.MINOR.PATCH），MAJOR版本变更表示不兼容的Schema修改，MINOR版本变更表示向后兼容的字段添加，PATCH版本变更表示bug修复。

跨模块访问控制策略：每个处理模块在初始化时，会加载其允许访问的ER字段白名单。在运行时，所有对ER字段的读取请求都必须通过CEB的访问控制层进行校验。

异常分支的状态机：当ER字段校验失败（如字段缺失、签名不匹配、版本不兼容）或上游模块未按约定产出ER时，CEB会触发异常状态。下游模块根据预设的状态机进入降级模式（如使用默认值、回退到上次有效指纹、或标记为不可信并跳过处理），并记录详细的审计日志。

策略区与回放校验：与冲突解决相关的优先级表与规则集合序列化为策略区，并与事件清单一并保存与同步。策略区包含策略标识（policy_id）、优先级表（priority_table）及对策略区序列化字节计算得到的哈希值；哈希采用HMAC-SHA256算法，写入清单用于回放核验。策略或优先级表发生修改时，重新计算哈希并更新policy_id与版本标识；下游回放按哈希一致性判定策略是否被篡改或与处理时版本不一致。

本发明实施例的边缘计算赋能的OTDR多光路并行诊断方法，包括以下主要步骤：

通用预处理：在进行后续步骤之前，对所有OTDR原始波形数据进行统一的预处理，包括：

1.单位与量纲归一化：将所有波形数据统一到dB幅度域进行处理，确保不同波长、不同端口的数据在量纲上的一致性。

2.米坐标统一：所有距离计算均基于统一的米坐标，确保空间对齐。

3.特征值标准化：在特征抽取后，对特征值进行标准化处理（如Zscore归一化或minmax归一化到[0,1]区间），以消除不同特征间的量纲差异，确保后续算法的统计有效性。

标准化范围统一：特征值标准化仅用于步骤二三的三特征与一致性度量；步骤零的五指标（SNR、Resolv、Disc、Stability、Cost）不做归一化与加权，仅用于序贯比较与否决门。

SNR口径统一：所有SNR统计先在线性域计算比值再取dB：

；其中，是对真实信号强度的一个稳健估计，是对噪声强度的均方根估计；

并在CEB中以字段snr_db存储。凡与阈值及一致性的映射使用SNR时，仅读取该字段，不得在下游重复估噪。

参照图1和图2，包括如下步骤：

步骤零：先导微扫与参考波长自适应推荐。

该步骤的目标是在不做全量扫描的前提下，为每个可用波长计算画像向量，并最终确定本批次处理的参考波长。

具体地，该步骤包括：

1.空段选择：

a.优先按历史参考签名或预设规则避开接头密集区，选取三至五段长度为二十至五十米的空段。这些空段应尽可能地代表光纤链路的均匀损耗区域，且不受事件干扰。

b.若无历史签名数据，则在全局粗差分后，以绝对斜率与反射峰均低于低阈值的区间作为空段。这确保了所选空段的信号波动最小，噪声特性最稳定。

2.指标计算：对选定的空段，计算每个可用波长（,其中）的以下关键指标：

a.信噪比（SNR）：在线性域计量后再取对数；

；

其中为近端长度米窗口内（推荐m）的稳健幅值（如P95分位或峰值稳健估计），为空段长度米窗口内（推荐m）的噪声均方根（两者均在线性域统计）。该指标衡量了信号强度相对于噪声的水平，反映了波形的质量。

b.分辨率（Resolv）：为近端十至五十米窗口的一阶梯度能量或二阶项幅度的分位数指标，表示分辨率与盲区代理。高分辨率意味着能够区分更近的事件。

c.判别度（Disc）：用于衡量对历史混淆对（如弱反射阶跃与纯弯曲）的区分能力。若有标注数据，使用Fisher判别系数；若无标注，则采用以下可执行替代方案：在先导短窗上，对“斜率曲率二维向量”使用高斯混合模型（GMM）或Kmeans算法进行两簇聚类（k=2），然后计算两簇之间的Bhattacharyya距离、JS散度或类间方差比作为Disc的近似值。例如，若距离大于0.8，则记为高判别度。此无标注近似方法要求最小样本量在先导短窗聚类（GMM或KMeans, k=2）中，每一波长在空段与候选邻域合计的样本点数不少于Nmin，例如Nmin=200个采样点/事件窗口，否则退化为类间方差比法；该下限与采样率相关，取值在设备规格中给出并写入参数表；若GMM失效，则退化为Kmeans或类间方差比。

d.稳定性（Stability）：衡量空段噪声的中位数绝对偏差相对均值的百分比，以及强反射饱和发生率。低偏差和低饱和率表示波形更稳定。

e.成本（Cost）：为平均时间与切换开销的线性组合。该指标考虑了不同波长采集和处理的资源消耗。

在指标计算阶段，不进行加权和归一化处理。

3.否决门：若某波长同时不满足以下任一条件，则不进入后续比较：

a.SNR不低于15dB（站点可调范围1218dB）；

b.强反射饱和率低于1%；

c.端口同步通过，残余时基偏差小于1个采样间隔（可验证指标：端口间串扰小于40dB，残余时基偏差小于1采样间隔）；

d.该波长在本站点可用且采集正常（无长段缺失或严重丢帧）。

未通过者标记为“否决”，本批次不作为参考波长候选。

4.序贯比较与选择：对通过否决门的波长进行序贯比较，以确定参考波长：

a.比较分辨率代理（Resolv）：近端十至五十米窗口内分辨能力更强者胜出；若能分出胜负，则确定为参考波长。

b.若上一项打平，比较稳定性（Stability）：空段噪声更稳定、强反射饱和更少者胜出；若能分出胜负，则确定为参考波长。

c.若仍打平，比较判别度（Disc）：对弱反射阶跃与弯曲的区分能力更强者胜出；若能分出胜负，则确定为参考波长。

d.若前三项仍打平，比较采集成本（Cost）：成本更低者胜出；若能分出胜负，则确定为参考波长。

e.平局裁决：如以上仍打平，则根据站点机理倾向裁决。弯曲/老化为主的网段优先选择长波（1625或1650nm），反射/接头为主的网段优先选择短波（1或1550nm）。若无先验倾向，默认选择1550nm。

设计理由：采用按分辨率、稳定性、判别度、成本的顺序进行序贯比较，其理由在于：在给定的信噪比分档下，分辨率与稳定性的共同改善会使虚警界与漏检风险在同一口径下呈现不增关系；当前两者相当时，以判别度作为次序可在特征空间中增加类间距离而不增加采集代价；如仍相当，再以成本作为次序可在相同风险水平下取得资源占优。

5.输出写入CEB：参考锚定字段（参考波长、否决项通过情况veto_flags、分胜负指标winner_reason、是否触发平局裁决tiebreak_rule）；噪声基线字段（各波长空段噪声、局部SNR）。

6.异常处理：若所有波长均被否决，则短时提升平均次数或改用短盲区档位重做先导微扫一次；若仍失败，则标注为低可信批次并仅输出需要复测的最小信息。这确保了在极端低信噪比情况下，系统能够及时反馈并采取补救措施。

步骤一：在参考波长上进行候选中心检测并建立噪声基线。

该步骤的目标是得到候选事件中心集合的米坐标，并为后续的阈值自适应提供可信的噪声基线。

具体地，该步骤包括：

1.统一米坐标：使用公式将参考波长的时间轴转换为米坐标，其中为光速，为时间差，为设备标定的群折射率。这确保了所有事件的定位都基于统一的物理距离。

2.滤波与差分：对参考波长波形进行轻度平滑以抑制高频噪声，然后使用一阶差分与匹配滤波组合生成响应曲线。平滑处理减少了噪声对事件检测的干扰，差分和匹配滤波则增强了事件特征。

3.阈值生成：在空段使用估计噪声，其中为中位数绝对偏差，这是一种对异常值不敏感的稳健噪声估计方法。设置阈值，其中为信号均值，为阈值系数。

理论推导：在对称或轻重尾噪声模型下，保持信噪比不变而增大时，虚警概率的上界单调增加；信噪比提升并映射到较小的时，上界单调下降。相关口径由本批次的分档与字段确定并在后续步骤沿用。

4.峰事件与阶跃事件并行检测：对匹配滤波峰值超过阈值者判为反射型候选事件（如断纤、连接器），对一阶差分的绝对值超过阈值者判为阶跃型候选事件（如熔接点、弯曲损耗）。

5.最小间隔与冲突裁决：设定最小事件间隔为倍FWHM（冲激响应半高宽）；FWHM由步骤六的的幅度主峰半高宽估算；若不可估，则以等效脉宽的倍替代。若峰型与阶跃型事件落在最小间隔内，则以模型拟合残差较小者为主事件，另一者作为次要特征保留。这确保了事件检测的唯一性和准确性。

6.输出：候选中心集合、局部与阈值快照。

7.异常处理：若单位长度候选密度m或按触发拥挤标记并上限截断，以交由步骤六的去卷积机制处理。

步骤二：跨波长对齐与窗口化特征抽取。

该步骤的目标是：在所有波长上对齐到相同的事件窗口，并提取三类关键特征。该步骤与步骤零中选出的参考波长联动，但其核心逻辑保持不变。

具体地，该步骤包括：

1.波长对齐：将各波长的时间轴统一转换为米坐标，使用相同的群折射率。若设备支持双向标定，则按最近一次标定修正。这确保了不同波长数据在空间上的精确对齐。

2.窗口设定：对于每个候选事件，设定一个局部分析窗口。取自候选集合m，并通过网格搜索，使跨波长对齐代价最小。

；

其中为跨波长中位数，为中位数绝对偏差，取0.1–0.2dB或1–2LSB。采用“逐特征归一后取平均”可避免某一特征量级主导，同时保持与后续的度量口径一致。近端与候选拥挤区使用上界。当采样间隔改变（由量程/平均时间影响）时，窗口点数。

理论推导：在对称重尾/子高斯混合等温和假设下，选择可使的分位普遍下移，从而使的期望与分位整体降低。这解释了为什么该搜索能让一致性指标受益。

3.去趋势与平滑：在每个窗口内进行局部线性或二阶去趋势，以消除背景损耗或增益的影响。然后进行中值平滑，平滑窗点数，以进一步抑制噪声。

4.特征定义：针对每个波长和每个候选事件，提取以下三类特征：

a.反射率：峰值相对邻域分位数的差值或比值，用于表征反射型事件的强度。

b.局部斜率：窗口内线性拟合的斜率或阶跃幅度，用于表征损耗型事件的强度。

c.曲率：二阶差分幅度或二阶项系数，用于表征事件的形状和弯曲程度。

5.异常点剔除：对每个特征按稳健距离进行温和截尾，避免单一波长异常数据对整体分析的拉偏。

6.输出写入CEB：窗口与特征字段（所选窗口Δ、平滑点数、按波长的三特征）。

强耦合用途：步骤三计算必须使用该Δ；否则一致性度量失真。

步骤三：跨波长一致性度量与阈值自适应。

该步骤的目标是计算单波长一致性与事件级一致性，并依据当前自适应阈值等级。该步骤的逻辑与步骤零中参考波长的选择机制独立，仅依赖于步骤二输出的特征。

具体地，该步骤包括：

1.稳健中心与离散度：对于每个特征，计算其在所有波长上的稳健中心和稳健离散度。中位数和中位数绝对偏差对异常值具有鲁棒性。

2.一致性度量：计算每个波长在事件处的单波长一致性：

。

其中，取量化级别的一至两倍。例如，若采用16bit量化，可取1–2个LSB（最低有效位）；若已归一化到dB幅度，可取0.1–0.2dB。该度量反映了单个波长特征偏离其跨波长稳健中心的程度，值越小表示一致性越高。

3.事件级聚合：计算事件的事件级一致性。当某些波长数据缺失时，只聚合有效波长。该指标综合反映了该事件在所有可用波长下的整体一致性。

跨端口一致性修正：若端口隔离与同步模块输出的残余时基偏差或串扰估计超限，则采用的惩罚形式；该惩罚为非负且随超限量单调增加，使受污染证据在后续环节优先进入补扫或降级路径。

其中为合格上限，。这把端口层证据“写入”一致性，确保模块对后续补扫与判别有实质作用。

4.阈值自适应：维护一个阈值系数区间的映射表，将局部区间映射到阈值系数区间。例如，当dB时，可取；当dB时，可取；当dB时，可取。该固定表通过离线标定流程获得，标定数据集应覆盖至少条典型链路数据，并进行交叉验证。

5.输出写入CEB：一致性指标字段（单波长一致性、事件级一致性、SNR到阈值系数的映射档位klevel）。

强耦合用途：档直接被步骤四的机理判别与步骤五补扫触发采用，保证口径统一。

步骤四：轻量贝叶斯机理融合（统计×机理）。

该步骤根据一致性度量和各波长特征对事件进行类型判别，并给出置信度。

具体地，该步骤包括：

1.规则判别：对每类机理（断纤/弯曲/污染）设离线标定的均值与协方差；在边缘侧计算简化后验：

噪声档–后验协方差联动：令步骤三得到的阈值档映射为似然噪声尺度因子，并调节机理类条件高斯的协方差：

。

其中为尺度因子，来源于离线标定或交叉验证，取值范围通常在，防止过拟合。

则“轻量贝叶斯机理融合”的后验为：

理论推导：令类条件分布为，其中。两类的Bhattacharyya距离满足随（因为协方差放大使判别界收紧）。由得知错分上界随增大而变差、随减小而变好。这表明高SNR（小）导致更小协方差和更强区分，低SNR反之。

先验可结合站点类型与步骤零“分胜负指标”赋值（例如弯曲主导站点提高长波相关机理先验）。取作为类型，置信分可由最大后验与次大后验的差值线性映射至。

2.置信度评估：以与各特征的稳健Z值（即特征值与其稳健中心之差除以稳健离散度）组合成一至十分的置信分，作为补扫与派修优先级的依据。置信分越高，表示判别结果越可靠。

3.输出写入CEB：机理与置信字段（类型与置信分）。

强耦合用途：作为步骤五“信息增益”估计的先验，决定补扫是否与如何进行。

如图3所示，步骤五：最小后悔补扫。

该步骤根据事件级一致性触发补扫或建议复测，并根据补扫结果或统计数据重新决策参考波长，形成闭环优化。该步骤与步骤零中参考波长的选择机制联动，但其核心逻辑保持不变。

具体地，该步骤包括：

1.触发：

a.若，则直接定类，无需补扫。例如，可设置为1.0（稳健距离刻度）。

b.若，则触发补扫。例如，可设置为2.0（稳健距离刻度）。这些阈值可由历史数据集标定。

c.若，则标注为不可靠并建议复测或云端精判。

2.补扫策略：补扫策略的选择基于“最小后悔”原则，即选择能够以最小资源消耗获得最大信息增益的波长与档位组合。

设动作。定义预期一致性增益：

；

其中为补扫前后事件级一致性变化（期望值），为机理后验对数似然提升的期望（由步骤四当前线性化近似），。

信息增益/代价函数标定流程：等参数通过以下流程获得：

数据集：收集包含至少0条典型故障事件的OTDR波形数据集，每条数据包含多波长波形、真实事件类型、位置及补扫前后的性能指标。数据集应覆盖城域网、数据中心、老化线路等多种场景。

交叉验证：采用K折交叉验证（K=5或10）对模型进行训练和验证，以确保参数的泛化能力。

优化目标：优化目标为最小化误检率和漏检率，同时兼顾补扫次数和边缘处理时延。

若缺少历史统计，冷启动取：

；

其中来自离线经验表（随站点类型可配置）。

定义代价,其中为补扫时延，为能耗/CPU增量，为权衡系数（默认0.5，可调范围0.30.7）。择优准则；

a.当事件倾向于弯曲时（根据步骤四的初步判别），优先在一至两条长波（如1625nm或1650nm）上执行短盲区档位细扫，以更精确地捕获弯曲损耗特征。

b.当事件倾向于阶跃弱反射时（根据步骤四的初步判别），优先在一至两条短波（如1nm或1550nm）上执行短脉宽高分辨率细扫，以提高对反射事件的检测精度。

3.参考波长再决策：仅当影子模式下新参考波长的事件级一致性中位数提升，且连续个事件的值持续高于或均落在中间带（到之间），方在冷却期个批次后（避免频繁切换导致系统振荡）重新执行步骤零的序贯比较与选择过程，并切换到新的最优参考波长。、N将记录入指纹，以便追溯和避免来回抖动。

4.输出写入CEB：补扫计划字段（动作、代价、预期增益）。补扫完成后，强制回注步骤二至四，刷新Δ、特征、、机理与置信分。

强耦合用途：无该计划，下游去卷与派修调度的优先级缺乏依据。

步骤六：拥挤冲突图×去卷优先级调度。

该步骤用于处理OTDR波形中常见的重叠事件，通过稀疏去卷积和峰形拟合，将重叠的事件分离并重新分析。

具体地，该步骤包括：

1.观测模型构建：建立观测模型，其中是观测到的OTDR波形，是由标定的冲激响应构造的卷积矩阵，是待恢复的稀疏事件序列（非负），是噪声。

冲激响应的获得与维护：的获得通过以下三步：首先，利用“端面反射靶”进行精确标定，通过发射多脉宽的OTDR信号并采集其反射波形；其次，通过最小二乘法或频域反卷积技术，从采集到的波形中反演出精确的冲激响应；最后，将获得的存储在设备库中。

H的标定与库：标定流程明确：在固定采样率（如MHz）下，使用不同脉宽（如3ns,10ns,30ns,ns）的OTDR信号，通过窗函数（如Hanning窗）进行预处理，然后采用L曲线法或固定表（根据经验值）选取正则化参数进行去卷积。每次更换量程、脉宽或在线档位后，系统将自动触发复标或从对应库中调用预存的指纹。此外，系统会定期检查的漂移情况，例如当环境温度变化超过阈值（如）时，自动触发快速重标定或调用备份库，确保的准确性。

2.求解：目标是最小化，其中是L1范数，用于促进解的稀疏性，是正则化参数。采用Lipschitz常数的估计形成固定步长；若难以标定Lipschitz常数，可用回溯线搜索保证单调下降。每步后做非负投影。终止条件为迭代上限（如两百次），或相对残差小于千分之一，或相对解变动小于千分之一。

3.拥挤冲突图与去卷优先级调度：以事件间距与冲激响应主峰半高宽FWHM判定冲突：若两事件间距小于，则视为冲突，同属一个连通分量；按“分量大小局部SNR”排序，优先去卷最大分量。FWHM由步骤六的标定得到；若不稳，则用设备标称等效脉宽的倍近似。这解决了重叠事件多、算力有限时需“先难后易”的问题。

理论推导：将拥挤区按“间距<”划分连通分量。对每个子块做非负L1去卷，其误差上界为。按“块大小局部SNR”排序，等价于优先选择误差上界贡献最大的项进行优化。在迭代/算力受限时，这种贪心式调度最小化全局残差的上界增长。

4.峰形拟合：对得到的峰位进行Voigt或Gauss拟合，使用AIC（赤池信息准则）或BIC（贝叶斯信息准则）确定最佳峰数，并以拟合残差阈值为通过条件。这确保了分离出的子事件具有合理的物理形态。

5.回注：每个分离后的子事件重新进入步骤二至步骤四的一致性计算与机理判别流程，以获得其独立的类型和置信度。

6.选取：正则化参数采用经验表或L曲线法在离线标定后固化到设备配置中；边缘侧只读取该值，无需实时计算。

7.输出写入CEB：去卷结果字段（是否拥挤、FWHM、峰位与残差）。

强耦合用途：峰分解结果回注步骤二至四，影响一致性与机理，进而影响是否继续补扫与最终输出。

步骤七：距离换算与不确定度传播。

该步骤计算事件的精确米坐标，并量化其定位不确定度，最终在GIS系统上进行可视化呈现。

具体地，该步骤包括：

1.距离计算：使用公式计算事件的精确落点米坐标。

2.不确定度计算：采用“不确定度=测量项+模型项”的综合计算方式。

；

其中是时间测量的不确定度，是折射率测量的不确定度。

模型项定义：

；

其中，为通过阈值，为事件级一致性（越小越一致），为单位长度候选密度、，为窗口饱和掩码比例，为标定系数。

u1/u2/u3的量纲与取值来源：这些系数通过对典型工况（例如，城域网、数据中心、老化线路，每类至少50条链路）的实验数据进行回归分析和交叉验证获得。例如，在城域网场景下，。R95等价半径为1.96倍的，R99等价半径为2.58倍的。这为维护人员提供了故障点的搜寻半径。

R95/R99与实测误差对比：在验证阶段，通过绘制R95/R99与实测误差的对比散点图或误差分布直方图，验证模型项的有效性，确保95%或99%的实测误差落在对应的半径内。

3.GIS展示：米坐标沿预置光缆polyline做最近点投影与里程内插，映射为经纬度；缺段时分段线性插值并在报告中标注“路线不完整”。在GIS（地理信息系统）上以点位和置信圆呈现故障事件，同时标注事件级一致性分数与判别类型。输出字段格式为：`{lat,lon,d_meter,r95_meter,s_consistency,type,conf_score}`，便于直接对接GIS系统。

4.输出写入CEB：不确定度字段（米坐标与R95/R99）。

强耦合用途：GIS呈现与派修优先级共同使用；没有模型项，R95与调度会偏乐观。

步骤八：结果输出与边云一致性。

该步骤将处理结果以结构化的方式输出，并确保边缘侧与云端数据的一致性。

具体地，该步骤包括：

1.参数指纹生成：以键值结构固化本次OTDR采集的量程、脉宽、平均时间、在线档位、折射率、门限、尾纤长度等设备参数，为云端一致性校验提供依据。

2.一致性指纹生成：包含候选位置、各波长三类特征（）、单波长一致性、事件级一致性、阈值系数、局部、补扫记录与参考波长选择信息，以及步骤零中新增的veto_flags、winner_reason、tiebreak_rule。

3.证据谱系（lineage）：在一致性指纹中新增lineage字段，记录“Δ由哪次选得；档由哪个SNR决定；type由哪个时间戳的后验计算得到；补扫动作何时触发、何时回注”等信息。同时，将算法版本、配置哈希、输入文件哈希（或其摘要）写入lineage，确保结果的可追溯性和可复现性。

4.版本对齐：云端对模型指纹与阈值指纹进行核对；指纹不一致时回退或重处理，确保边缘侧和云端使用相同的算法版本和参数配置，保证结果的一致性和可追溯性。

5.事件清单输出：最终输出事件清单，对每一事件给出类型、米坐标、R95或R99、事件级一致性分数、各波长特征摘要、局部、参数指纹与一致性指纹。

强耦合用途：云端回放需逐字段对齐lineage，不符即回退重算。

错误与饱和保护：

本发明在处理过程中，对可能出现的错误和饱和情况进行保护：

1.饱和处理：对于强反射饱和区域，系统将对饱和片段进行掩码处理，并在饱和附近区域采用邻域插值与权重衰减策略，以减少饱和对后续分析的影响。

2.数据缺失：对于原始数据缺失或SOR（StandardOpticalReport）数据不完整的情况，缺失的波长将不进入聚合计算，但会记录缺失率，并在最终报告中注明。

本发明还提供一种边缘计算赋能的OTDR多光路并行诊断系统，该系统包括：

输入模块，用于接收多波长OTDR波形、设备参数和历史回放参数；

先导微扫与参考波长自适应推荐模块，与上述方法中的步骤零对应，用于在不做全量扫描的前提下，为每个可用波长计算画像向量，并确定本批参考波长；该模块包括空段选择单元、指标计算单元、否决门、序贯比较与选择单元和异常处理单元；

候选中心检测与噪声基线建立模块，与上述方法中的步骤一对应，用于在参考波长上进行候选中心检测并建立噪声基线，得到候选中心集合的米坐标，并为阈值自适应提供可信噪声基线；该模块包括统一米坐标单元、滤波与差分单元、阈值生成单元、峰事件与阶跃事件并行检测单元、最小间隔与冲突裁决单元和异常处理单元；

跨波长对齐与特征抽取模块，与上述方法中的步骤二对应，用于在所有波长上对齐到相同的，并提取三类特征；该模块包括波长对齐单元、窗口设定单元、去趋势与平滑单元、特征定义单元和异常点剔除单元；

跨波长一致性度量与阈值自适应模块，与上述方法中的步骤三对应，用于计算单波长一致性与事件级一致性，并依据当前自适应阈值等级；该模块包括稳健中心与离散度计算单元、一致性度量计算单元、事件级聚合单元和阈值自适应单元；

机理语句驱动的类型判别模块，与上述方法中的步骤四对应，用于根据一致性度量和各波长特征对事件进行类型判别，并给出置信度；该模块包括规则判别单元和置信度评估单元；

最小代价补扫与参考波长再决策闭环模块，与上述方法中的步骤五对应，用于根据事件级一致性触发补扫或建议复测，并根据补扫结果或统计数据重新决策参考波长；该模块包括触发单元、补扫策略单元和参考波长再决策单元；

重叠事件稀疏去卷与峰形拟合模块，与上述方法中的步骤六对应，用于对重叠事件进行稀疏去卷积处理，并通过峰形拟合确定峰数，将分离后的子事件重新进入一致性计算与机理判别；该模块包括观测模型构建单元、求解单元、峰形拟合单元和回注单元；

距离换算与不确定度传播模块，与上述方法中的步骤七对应，用于计算事件落点米坐标，并输出带有R95或R99等价半径的不确定度，在GIS上以点位和置信圆呈现；该模块包括距离计算单元、不确定度计算单元和GIS展示单元；

结果输出与边云一致性模块，与上述方法中的步骤八对应，用于输出包含参数指纹、一致性指纹的事件清单，并进行边云版本对齐；该模块包括参数指纹生成单元、一致性指纹生成单元和版本对齐单元；

端口指纹矩阵的来源与登记：针对同一测量任务的多端口回波数据，依次执行时隙隔离、互相关/串扰估计与时间基准对齐的联合处理，得到端口间耦合与相对延时参数，形成端口指纹矩阵。在生成或更新该矩阵时，将其来源标识（互相关/实测回归/出厂标定等）、更新时间戳（UTC）与版本号写入记录头，并在清单表登记对应的fp_id；下游解耦与残差约束仅引用清单中登记的版本，以保证回放可核验与处理链一致性。

事件清单输出，用于输出最终的事件清单；

端口隔离与同步子模块，用于处理多光路并行诊断中的端口间串扰隔离、时钟同步和数据解混叠问题，该模块包括：

端口编码/时隙隔离单元，用于通过轻量PN码或时隙抖动等技术，对不同端口的OTDR信号进行编码或时隙分配，以实现端口间的串扰隔离。例如，采用码长为127的m序列PN码，芯片率为MHz。互相关门限设置为0.1，以确保有效隔离。这种隔离机制是实现多光路并行诊断的关键，它确保了即使在多个端口同时工作时，各端口的OTDR波形也能保持独立性，避免信号混叠。

联合时基校正单元，用于通过参考反射靶估计端口间的时间差，并利用卡尔曼滤波等方法进行联合时基校正，确保不同端口数据的时钟同步和精确对齐。该单元确保了在多端口并行采集时，所有端口的数据都能够精确地对齐到统一的时间基准和米坐标系，从而为后续的跨波长对齐和一致性度量提供准确的基础。可验证指标包括：端口间串扰小于40dB，残余时基偏差小于1采样间隔。时钟源采用OCXO（恒温晶体振荡器），其抖动规格优于10ppb，以保证高精度时基。

端口级参数指纹一致性检查单元，用于对不同端口的参数指纹进行一致性检查，若发现不一致，则将数据分批分析，避免因参数差异导致诊断结果偏差。

端口隔离与同步模块与候选锚定、窗口对齐的必要耦合：端口隔离与同步模块的有效运行是本发明实现多光路并行诊断并保证其准确性的前提。若无该模块的同步和隔离，在跨端口并行采集下，不同端口的OTDR波形可能出现事件错置或重影，从而破坏后续步骤中跨波长一致性度量的统计有效性。例如，一个端口的反射事件可能被误判为另一个端口的事件，或者两个端口的事件在时间轴上发生混叠，导致特征提取和一致性计算的错误。因此，端口隔离与同步模块是并行场景下本方案独特且必要的一步，它为后续的候选事件检测、跨波长对齐和一致性度量提供了干净、同步的数据流。

资源与时延预算及降级策略：

本系统在边缘SoC（例如，基于ARMCortexA72的NXPi.MX8MPlus）上运行时，单端口单路波长处理时延优选–毫秒。在并行端口数为4时，CPU峰值利用率可控制在60%以下，内存峰值利用率在40%以下；在并行端口数为8时，CPU峰值利用率可控制在85%以下，内存峰值利用率在60%以下。为了确保系统在资源受限或高负载情况下的稳定运行，引入降级策略：当并行端口数超过4–8个或CPU使用率超过80–85%时，系统将自动降级，例如：关闭稀疏去卷积功能（即步骤六），或将补扫限制为仅执行一次，以保证核心诊断功能的正常运行。关闭步骤六后，系统仍能提供基础的事件检测和类型判别，误检率和漏检率的劣化不超过10%，平均处理时延可降低30%。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和发明约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种边缘计算赋能的OTDR多光路并行诊断方法，其特征在于，包括如下步骤：

获取多波长多端口的OTDR回波序列与端口标识，在参考区段执行先导微扫，统一米坐标与时间基准，进行端口时隙隔离与同步校正，确定参考波长，并在参考波长上生成噪声基线与候选事件初集；

在候选的跨波长对齐窗口内计算反射率、斜率、曲率与稳健离散度，结合端口间串扰补偿与时基漂移修正，基于一致性度量与阈值分档生成每一候选的可靠性标记与处理优先级；

针对拥挤区构建拥挤冲突图与连通分量并按块优先级调度，执行非负稀疏去卷及峰形拟合以分离重叠子事件，更新候选的时空位置参数与不确定度，并以版本化记录写入证据对象；

依据可靠性标记与信息增益—代价模型生成补扫计划并触发采样回注，设置冷却期与切换门限，满足再决策条件后固化参考波长，将事件清单及其位置参数写入边缘与云端的一致性数据存储。

2.根据权利要求1的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于：

先导微扫通过预设空段选择与多档脉宽序列执行，采样率与量化位宽按端口配置表设定，时间基准采用双向往返标定与温度补偿联合校正，并以端口编码完成时隙隔离与触发同步控制，温度通道号与校准周期一并记录并固化批次号。

3.根据权利要求1的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于：噪声基线由滑动窗口的稳健统计计算，使用中位数与MAD组合阈值生成，候选事件初集同时记录米坐标、端口编号、脉宽档位、脉冲编号与采样时间戳，并以记录号关联原始波形索引，滑窗宽度与步长作为计算参数存入元数据与索引区。

4.根据权利要求1的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于；

跨波长对齐采用米坐标网格搜索与相位拉伸联合实现，窗口长度按脉宽与色散参数自适应设定，对端口间串扰采用端口指纹矩阵进行线性解耦与残差约束，并将校正后窗口写入对齐版本集合，端口指纹矩阵的来源标识、更新时间戳与版本号作为字段写入记录头并在清单表登记，后续处理仅使用登记版本参与解耦与残差约束。

5.根据权利要求2的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于：一致性度量由单波长偏差与多波长聚合度构成，多波长聚合度基于稳健均值与离散度计算，阈值分档映射为klevel，并与端口时基漂移修正参数在同一记录中联合存储，供后续优先级与调度引用，同时缓存最近N次度量快照用于回滚与比对。

6.根据权利要求5的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于，构建拥挤冲突图时，以候选间距与等效FWHM形成边集，按连通分量划分处理块，并按块内局部SNR与候选优先级进行调度次序与并行队列编排，完成块级任务提交与回收，任务编号与依赖关系写入调度日志与资源表项并标注块级序号。

7.根据权利要求6的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于，稀疏去卷采用非负L1正则的迭代算法，脉冲响应库含高斯与Voigt模板，峰形拟合以AIC与BIC准则二选一，并将子事件回注至证据对象的版本集合，附带模板编号与收敛轮次，残差阈值与最大迭代数在参数表声明与固化。

8.根据权利要求7的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于，补扫计划基于信息增益—代价模型确定，冷却期与切换门限构成状态机约束，满足再决策条件时固化参考波长并生成版本标签与切换日志，同时记录动作来源与时间戳，计划编号与执行窗口在计划表注册并归档并生成执行摘要。

9.根据权利要求8的边缘计算赋能的OTDR多光路并行诊断方法，其特征在于，证据对象包含事件标识、位置参数、不确定度、klevel、端口指纹、时基修正、窗口参数与拟合残差，并记录输入来源与处理链编号，边缘与云端以一致性策略进行双向同步存储，冲突解决策略与优先级表以策略区形式随事件清单保存，包含策略标识、优先级表及对策略区序列化内容计算的哈希值；所述哈希值采用HMAC-SHA256并在回放校验时核对一致性。

10.边缘计算赋能的OTDR多光路并行诊断系统，用于实现权利要求1-9任一项的方法，其特征在于，包括：

数据采集与同步模块，被配置为执行先导微扫、统一米坐标与时间基准并完成端口时隙隔离与同步校正；

对齐与特征提取模块，被配置为在跨波长对齐窗口内计算反射率、斜率、曲率与稳健离散度；

一致性与分档模块，被配置为进行端口间串扰补偿与时基漂移修正并生成可靠性标记与处理优先级；

稀疏去卷与拟合模块，被配置为基于拥挤冲突图分块调度、执行非负稀疏去卷及峰形拟合并更新时空位置参数与不确定度；

补扫与再决策模块，被配置为依据信息增益—代价模型生成补扫计划、控制冷却期与切换门限并写入边缘与云端的一致性数据存储。