基于贝叶斯网络的复杂网络故障诊断.docxVIP

基于贝叶斯网络的复杂网络故障诊断 0 贝叶斯网络故障诊断技术 随着计算机网络技术的发展，网络结构也变得越来越复杂。因此，网络故障已成为研究的重点。发生网络故障时,先对网络故障进行诊断,判断引起网络故障的原因,然后采取相应的措施进行修复。在对复杂网络故障进行诊断时,贝叶斯网络方法具有如下优点:(1)贝叶斯网络能集成定量及定性信息,并且可以充分利用多源信息功能;(2)贝叶斯理论是贝叶斯网络的数理基础,可以充分利用验前信息,以发挥在故障诊断中的学习作用,减少故障诊断的试验样本量,进而降低研制成本、缩短研制周期;(3)在不完备数据集情况下,贝叶斯网络也可以描述系统故障的完整概率。 1 节点区能力上的事件发生机制 贝叶斯网络方法是以概率分析和图论为基础的一种不确定性的推理模型和知识表达,它是一种信息表示框架结合了概率知识和因果知识。从直观角度讲,贝叶斯网络表现为一种复杂的因果关系网络图,并且具有赋值特征,网络中的每个节点都代表相应的变量,也就是在一个事件中,不同变量之间的有向弧代表事件发生的直接因果关系。贝叶斯网络中的定量信息以节点的联合概率密度代表,定性信息以网络拓扑结构代表。 在贝叶斯网络中的根节点为没有有向弧输入的节点,子节点为有向弧输入的节点,父节点为输出的节点。根节点要先确定先验概率;在父节点不同状态下,每个子节点要确定其条件概率。 对于变量集U ={X 公式(1)中,π 贝叶斯网络的统计推断以试验结果为基础进行,假设已经知道观测结果e,则有: 应用贝叶斯网络进行故障诊断根据结果结果逆向推理各级父节点发生故障的概率,它是一个逆向推理的过程。 2 基于贝叶斯网络的复杂网络故障诊断系统 随着计算机网络技术的发展,网络结构越来越复杂,这给网络故障的诊断和修复带来一定的困难。如果网络出现故障,应该立即收集各种有用的信息,并对这些信息进行分析,找出发生故障的可能原因,并逐一对这些故障进行测试,将故障范围缩小至某一网络节点。在故障分析时,要进行反复测试,不能根据一次结果确定问题的所在,因为故障存在的原因可能不只一处,使用尽可能的方法,并对所有的可能性进行测试,这加大了故障诊断的工作量,因此本文提出了贝叶斯网络故障诊断系统,这种科学的诊断方法,提高了故障诊断的工作效率。 应用贝叶斯网络进行网络故障诊断,先进行贝叶斯网络建模,明确研究的问题,确定和复杂网络故障诊断的相关因素,并将它们用统计量表示,建立网络的拓扑结构。在复杂网络故障诊断的贝叶斯网络模型中,节点有两种分别为状态节点和故障节点。状态节点通常代表系统的故障征兆,通过观测即可获得数据;故障原因节点由可能导致网络系统发生故障的部件组成, 分为“正常”和“故障”两种状态。定义节点是确定贝叶斯网络拓扑结构的基础和关键。故障之间的因果关系链就是通过这些节点连结而成的。 对复杂网络系统进行故障分析,并建立如图1所示的网络拓扑异构故障树。故障树主要针对网络运行中出现的问题进行建模,并不考虑网络自诊断能够诊断出的部分。而对于网络某个具体故障的解决,则可通过网络的自诊断系统结合相关的操作手册来排除。 根据图1的故障树可将故障树中的所有事件都对应表达成贝叶斯网络中的节点,并对这些节点进行分类,分成根节点层, 中间现象层,原因层。上述故障树中根节点为网络故障;中间现象层包括连接阻塞、端口关闭、广播风暴;本质原因层包括网络传输内容太大、局域网中的广播风暴、网卡损坏、服务定制比等。 3 贝叶斯网络故障诊断模型 为了提高诊断系统的准确性,提出了多属性加权模糊贝叶斯诊断算法。多属性加权模糊贝叶斯是在贝叶斯网络的基础上, 引入多个属性值和模糊集合理论,扩展贝叶斯网络的条件概率分布,提高模型计算的灵敏度和准确度。复杂网络节点故障验证以节点的信号收发稳定性和节点运作是否正常作为指标,因此可以得出网络发生故障的概率为: 公式(4)中,α 代表概率值,其取值范围在(0,1)之间; V(x 加权模糊函数主要是以网络节点的损耗为指标进行确定,根据观测到的故障节点样本确定造成节点损耗的参数的分布特征,然后进行概率估算,因此,加权模糊函数的表达式为:节点损耗到一定程度,才会出现故障,在此之前,网络运行正常,则有: 公式(5)中,ζ 代表损耗系数,W(x 通过得到的最底层的故障概率,可以对父节点和子节点的故障概率进行预测,将图1的网络故障树从上到下分别设置为Z,Y, X三层,已知底层节点故障的发生概率,则有: 贝叶斯网络在接收到底层节点发生故障状态的概率后,该节点的就会传递自身的故障概率到上层的子节点,子节点会重新计算自身的故障概率,之后传递给父节点,从而计算出所有节点的故障概率。 判断出贝叶斯网络的结构图中的节点是否处于故障状态后,接着采用贝叶斯故障定位方法来获取故障节点的位置。 假设图1中故障节点集为U,故障节点有向边集为D。