CN104468196A - 基于证据筛选的虚拟网络故障诊断方法及装置 - Google Patents

基于证据筛选的虚拟网络故障诊断方法及装置 Download PDF

Info

Publication number
CN104468196A
CN104468196A CN201410641874.5A CN201410641874A CN104468196A CN 104468196 A CN104468196 A CN 104468196A CN 201410641874 A CN201410641874 A CN 201410641874A CN 104468196 A CN104468196 A CN 104468196A
Authority
CN
China
Prior art keywords
evidence
virtual network
network components
matrix
evidence matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410641874.5A
Other languages
English (en)
Other versions
CN104468196B (zh
Inventor
王颖
李文璟
王昊
邱雪松
芮兰兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201410641874.5A priority Critical patent/CN104468196B/zh
Publication of CN104468196A publication Critical patent/CN104468196A/zh
Application granted granted Critical
Publication of CN104468196B publication Critical patent/CN104468196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及网络故障诊断技术领域，具体涉及一种基于证据筛选的虚拟网络故障诊断方法及装置。本发明提供的一种基于证据筛选的虚拟网络故障诊断方法及装置，通过采用对虚拟网络的观察结果建立证据矩阵模型，利用DS证据理论求解各个虚拟网络组件的故障概率，从而确定故障组件，克服了虚拟网络的动态性、扩展性以及信息不确定性。同时，因为本发明所采用的技术方案对证据进行了提前的筛选处理，使得故障定位既保持了高准确性，又极大的提高了时间效率，使得整体效益最大化。

Description

基于证据筛选的虚拟网络故障诊断方法及装置
技术领域
本发明涉及网络故障诊断技术领域，具体涉及一种基于证据筛选的虚拟网络故障诊断方法及装置。
背景技术
在虚拟网络环境中，多个虚拟网络同时存在于同一底层物理网络上，传统的互联网服务提供商(Internet Service Provider，ISP)分为两部分：基础设施提供商(Infrastructure Providers，InPs)和网络服务运营商(Service Providers，SPs)，基础设施提供商用来提供和管理物理基础设施，网络服务运营商利用多个InPs提供的资源，通过抽象、分配和隔离机制部署虚拟网络，为终端用户提供创新的端到端服务及多样化的业务应用。
虚拟化环境中由于底层信息对于上层虚拟网络的透明性使得故障检测***无法获取完整的网络知识，从而在对虚拟网络故障诊断中存在大量的不确定性；此外，虚拟网路是典型的大规模分布式网络，其中包含大量的虚拟节点和虚拟链路，这些组件又随需求动态变更，没有固定的网络拓扑。加之噪声影响，使得虚拟环境中对虚拟网络的故障诊断变得更加困难。
现有的技术方案主要采用基于管理层主动或被动探测故障定位方法来对虚拟网络进行故障诊断。然而，采用上述方法诊断虚拟网络故障需要了解网络的全局拓扑，不能较好地适应虚拟网络的动态性和扩展性。
发明内容
针对现有技术中不能较好地适应虚拟网络的动态性和扩展性的缺陷，本发明提供了一种基于证据筛选的虚拟网络故障诊断方法及装置。
一方面，本发明提供的一种基于证据筛选的虚拟网络故障诊断方法，包括：
获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果；
建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路；
将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等；
针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率；
按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
进一步地，所述将所述证据矩阵拆分为多个子证据矩阵的步骤，包括：
将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
进一步地，所述根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率的步骤，包括：
针对每一个所述子证据矩阵，根据DS证据理论构造每一个虚拟网络组件的一个m函数；
针对每一个虚拟网络组件，根据DS证据理论的融合规则将同一个虚拟网络组件的所有m函数进行融合，得到该虚拟网络组件发生故障的概率。
进一步地，所述根据DS证据理论构造每一个虚拟网络组件的一个m函数的步骤，包括：
针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率。
进一步地，所述根据DS证据理论将同一个虚拟网络组件的所有m函数值进行融合的步骤，包括：
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：
进一步地，所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)；
其中抗噪声系数为预设参数。
相对应的，并发明还提供一种基于证据筛选的虚拟网络故障诊断装置，包括：
获取模块，用于获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果；
建立模块，用于建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路；
拆分模块，用于将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等；
求解模块，用于针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率；
选取模块，用于按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
进一步地，所述拆分模块具体用于：
将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
进一步地，所述求解模块具体用于：
针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率；
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：
进一步地，所述选取模块具体用于：
所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)；其中抗噪声系数为预设参数。
本发明提供的一种基于证据筛选的虚拟网络故障诊断方法及装置，通过采用对虚拟网络的观察结果建立证据矩阵模型，利用DS证据理论求解各个虚拟网络组件的故障概率，从而确定故障组件，克服了虚拟网络的动态性、扩展性以及信息不确定性。同时，因为本发明所采用的技术方案对证据进行了提前的筛选处理，使得故障定位既保持了高准确性，又极大的提高了时间效率，使得整体效益最大化。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是本发明一个实施例中一种基于证据筛选的虚拟网络故障诊断方法的流程示意图；
图2是本发明一个实施例中采用本实施例方法与现有技术故障检测所耗时比值随组件数量的变化示意图；
图3是本发明一个实施例中采用本实施例方法与现有技术故障检测所耗时比值随证据数量的变化示意图；
图4是本发明一个实施例中故障率为0.5％时采用本实施例方法与现有技术进行故障检测的准确率比较示意图；
图5是本发明一个实施例中故障率为0.6％时采用本实施例方法与现有技术进行故障检测的准确率比较示意图；
图6是本发明一个实施例中故障率为0.8％时采用本实施例方法与现有技术进行故障检测的准确率比较示意图；
图7是本发明一个实施例中故障率为1.0％时采用本实施例方法与现有技术进行故障检测的准确率比较示意图；
图8是本发明一个实施例中故障率为0.5％时采用本实施例方法与现有技术进行故障检测的误诊率比较示意图；
图9是本发明一个实施例中故障率为0.6％时采用本实施例方法与现有技术进行故障检测的误诊率比较示意图；
图10是本发明一个实施例中故障率为0.8％时采用本实施例方法与现有技术进行故障检测的误诊率比较示意图；
图11是本发明一个实施例中故障率为1.0％时采用本实施例方法与现有技术进行故障检测的误诊率比较示意图；
图12是本发明一个实施例中一种基于证据筛选的虚拟网络故障诊断装置的结构示意图。
具体实施方式
现结合附图和实施例对本发明技术方案作进一步详细阐述。
图1示出了本实施例中一种基于证据筛选的虚拟网络故障诊断方法的流程示意图，如图1所示，本实施例提供的一种基于证据筛选的虚拟网络故障诊断方法，包括：
S1，获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果。
S2，建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路。
具体地，所述证据矩阵包括：
所述证据矩阵的第一列为报错列，若所述客户端的观察结果为故障，则该客户端对应行的第一列为1，若所述客户端的观察结果为正常，则该客户端对应行的第一列为0；
从第二列开始，每一个所述虚拟网络组件对应所述证据矩阵的一列，若所述客户端对应的虚拟网络路径包含所述虚拟网络组件，则该客户端对应行的该虚拟网络组件对应的列为1，其余列为0。
S3，将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等。
S4，针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率。
S5，按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
为了避免噪声对检测结果的影响，通过引入抗噪声系数来提高检测结果的准确度，即所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)。
进一步地，为了能够获得更加准确的虚拟网络组件的m函数，本实施例中采用奇偶行拆分，将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
进一步地，所述根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率的步骤，包括：
针对每一个所述子证据矩阵，根据DS证据理论构造每一个虚拟网络组件的一个m函数；
针对每一个虚拟网络组件，根据DS证据理论的融合规则将同一个虚拟网络组件的所有m函数进行融合，得到该虚拟网络组件发生故障的概率。
其中，所述根据DS证据理论构造每一个虚拟网络组件的一个m函数的步骤，包括：
针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率。
对于所述后验概率Qi采用递归函数loop进行求解。对于任意虚拟网络组件Ci。记Relatei为Ci的相关组件集合，即包含组件Ci的发生故障的路径中的其他组件的集合。如果该集合为空，则Qi＝FaultRate，即虚拟网络固有故障率；若集合不为空，则利用递归函数loop进行如下操作：
(1)对原子证据矩阵M删除所有包含Relatei[count]的证据，得到新矩阵M1；
(2)从原子证据矩阵中移除Relatei[count]，得到新矩阵M2
对计数器count加1，然后递归函数loop返回Prc*loop(count，M1)+(1-Prc)*loop(count，M2)，其中，Prc为Relatei[count]的先验概率。
进一步地，所述根据DS证据理论将同一个虚拟网络组件的所有m函数值进行融合的步骤，包括：
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：其中抗噪声系数为预设参数。
在本实例中，采用虚拟场景实验来说明本实施例检测方法效果。利用INET工具生成不同节点数的网络拓扑。节点数从1000至20000，选取其中的10％到20％作为虚拟组件，虚拟网络中的故障率由0.5％至1.5％，客户端观察到的证据数从1000至20000条，其中观察结果为正常的证据称为积极证据和观察结果为发生故障的证据称为消极证据，由于证据是随机生成的，所以大部分证据为积极证据。该***中的噪声干扰率为0.01％，70％的路由跳数为1，20％的为2，7％的为3，3％的为4。
如图2所示为不同故障率下随着组件数增长，采用本实施例方法进行故障检测的耗时与采用现有技术进行故障检测的耗时的比值的变化，如图3所示为不同故障率下随着证据数增长，采用本实施例方法进行故障检测的耗时与采用现有技术进行故障检测的耗时的比值的变化。
图4至图7分别示出了在不同故障率情况下，采用本实施例方法进行故障检测与采用现有技术进行故障检测的准确率对比情况。图8至图11分别示出了在不同故障率情况下，采用本实施例方法进行故障检测与采用现有技术进行故障检测的误诊率对比情况。
综上所述，采用本实施例检测方法所消耗的时间，相比较于采用现有技术所耗的时间平均减少20～30％，但是对证据进行分拆后，准确率和误诊率与现有技术相比几乎没有变化。因此本实施例提供的一种基于证据筛选的虚拟网络故障诊断方法很大程度地提高的时间效率同时保持了高准确率。
本实施例提供的一种基于证据筛选的虚拟网络故障诊断方法，通过采用对虚拟网络的观察结果建立证据矩阵模型，利用DS证据理论求解各个虚拟网络组件的故障概率，从而确定故障组件，克服了虚拟网络的动态性、扩展性以及信息不确定性。同时，因为本发明所采用的技术方案对证据进行了提前的筛选处理，使得故障定位既保持了高准确性，又极大的提高了时间效率，使得整体效益最大化。
另一方面，如图12所示，本实施例还提供了一种基于证据筛选的虚拟网络故障诊断装置，包括：
获取模块101，用于获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果；
建立模块102，用于建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路；
拆分模块103，用于将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等；
求解模块104，用于针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率；
选取模块105，用于按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
进一步地，所述拆分模块103具体用于：
将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
进一步地，所述求解模块104具体用于：
针对每一个所述子证据矩阵，根据DS证据理论构造每一个虚拟网络组件的一个m函数；
针对每一个虚拟网络组件，根据DS证据理论的融合规则将同一个虚拟网络组件的所有m函数进行融合，得到该虚拟网络组件发生故障的概率。
具体的，针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率。
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：
进一步地，所述选取模块105具体用于：
所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)；其中抗噪声系数为预设参数。
本发明提供的一种基于证据筛选的虚拟网络故障诊断装置，通过采用对虚拟网络的观察结果建立证据矩阵模型，利用DS证据理论求解各个虚拟网络组件的故障概率，从而确定故障组件，克服了虚拟网络的动态性、扩展性以及信息不确定性。同时，因为本发明所采用的技术方案对证据进行了提前的筛选处理，使得故障定位既保持了高准确性，又极大的提高了时间效率，使得整体效益最大化。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于证据筛选的虚拟网络故障诊断方法，其特征在于，所述方法包括：
获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果；
建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路；
将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等；
针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率；
按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
2.根据权利要求1所述的方法，其特征在于，所述将所述证据矩阵拆分为多个子证据矩阵的步骤，包括：
将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
3.根据权利要求1或2所述的方法，其特征在于，所述根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率的步骤，包括：
针对每一个所述子证据矩阵，根据DS证据理论构造每一个虚拟网络组件的一个m函数；
针对每一个虚拟网络组件，根据DS证据理论的融合规则将同一个虚拟网络组件的所有m函数进行融合，得到该虚拟网络组件发生故障的概率。
4.根据权利要求3所述的方法，其特征在于，所述根据DS证据理论构造每一个虚拟网络组件的一个m函数的步骤，包括：
针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率。
5.根据权利要求4所述的方法，其特征在于，所述根据DS证据理论将同一个虚拟网络组件的所有m函数值进行融合的步骤，包括：
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：
6.根据权利要求1所述的方法，其特征在于，所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)；
其中抗噪声系数为预设参数。
7.一种基于证据筛选的虚拟网络故障诊断装置，其特征在于，所述装置包括：
获取模块，用于获取每一个客户端对该客户端对应的虚拟网络路径是否发生故障的观察结果；
建立模块，用于建立证据矩阵，其中所述证据矩阵的每一行对应一个客户端，所述证据矩阵的第一列对应该客户端的观察结果，其余每一列对应一个虚拟网络组件，所述虚拟网络组件包括虚拟节点和虚拟链路；
拆分模块，用于将所述证据矩阵拆分为多个子证据矩阵，每一个所述子证据矩阵的列数与所述证据矩阵的列数相等；
求解模块，用于针对每一个所述子证据矩阵，根据DS证据理论求解得到每一个虚拟网络组件的发生故障的概率；
选取模块，用于按照发生故障的概率由大到小的顺序依次选取发生故障概率最大的虚拟网络组件，直到选取的全部虚拟网络组件所覆盖的发生故障的虚拟网络路径的数量达到预设值为止。
8.根据权利要求7所述的装置，其特征在于，所述拆分模块具体用于：
将所述证据矩阵拆分为两个子证据矩阵，所述证据矩阵的奇数行作为第一子证据矩阵，所述证据矩阵的偶数行作为第二子证据矩阵。
9.根据权利要求8所述的装置，其特征在于，所述求解模块具体用于：
针对第i个虚拟网络组件Ci，建立Ci的识别框架Θ＝{Ni，Ai}，其中N代表正常，A代表故障；
当Qi>Pi时，m(Ni)＝min(1，log(Qi\Pi))，m({Ni，Ai})＝1-m(Ni)；m(Ai)＝0；
当Qi<＝Pi时，m(Ai)＝min(1，-log(Qi\Pi))；m({Ni，Ai})＝1-m(Ni)，m(Ni)＝0；
所述Qi为所述虚拟网络组件Ci正常的后验概率，所述Pi为所述虚拟网络组件Ci故障的后验概率；
对于
其中，X、B、C为焦元，m1第一子证据矩阵对应的m函数，m2为第二子证据矩阵对应的m函数，K为归一化常数：
10.根据权利要求7所述的装置，其特征在于，所述选取模块具体用于：
所述预设值采用以下公式计算得到：
预设值＝所有发生故障的虚拟网络路径数量*(1-抗噪声系数)；
其中抗噪声系数为预设参数。
CN201410641874.5A 2014-11-13 2014-11-13 基于证据筛选的虚拟网络故障诊断方法及装置 Active CN104468196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410641874.5A CN104468196B (zh) 2014-11-13 2014-11-13 基于证据筛选的虚拟网络故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410641874.5A CN104468196B (zh) 2014-11-13 2014-11-13 基于证据筛选的虚拟网络故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN104468196A true CN104468196A (zh) 2015-03-25
CN104468196B CN104468196B (zh) 2017-12-05

Family

ID=52913607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410641874.5A Active CN104468196B (zh) 2014-11-13 2014-11-13 基于证据筛选的虚拟网络故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN104468196B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105490836A (zh) * 2015-11-19 2016-04-13 湘南学院 一种复杂网络可靠度的蒙特卡罗评估方法
CN108520266A (zh) * 2018-03-01 2018-09-11 西北工业大学 一种基于ds证据理论的时域融合故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350739A (zh) * 2008-09-05 2009-01-21 北京邮电大学 一种ip网络中的故障定位方法
US20130080050A1 (en) * 2011-09-22 2013-03-28 Honeywell International Inc. Systems and methods for combining a priori data with sensor data
CN103763132A (zh) * 2014-01-02 2014-04-30 北京邮电大学 基于症状与故障相关性的网络虚拟化环境故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350739A (zh) * 2008-09-05 2009-01-21 北京邮电大学 一种ip网络中的故障定位方法
US20130080050A1 (en) * 2011-09-22 2013-03-28 Honeywell International Inc. Systems and methods for combining a priori data with sensor data
CN103763132A (zh) * 2014-01-02 2014-04-30 北京邮电大学 基于症状与故障相关性的网络虚拟化环境故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WANG CHUNDONG, ZHANG YU: "Network Security Situation Evaluation Based on Modified D-S Evidence Theory", 《WUHAN UNIVERSITY JOURNAL OF NATURAL SCIENCES》 *
XIANFENG FAN, HONG-ZHONG HUANG, AND QIANG MIAO: "Evidence Relationship Matrix and Its Application to D-S Evidence Theory for Information Fusion", 《IDEAL》 *
杨靖，林益，洪露，李泽滔: "一种改进的D-S证据理论合成方法", 《计算机工程与应用》 *
诸葛建伟，王大为，陈 昱，叶志远，邹维: "基于D-S 证据理论的网络异常检测方法", 《软件学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105490836A (zh) * 2015-11-19 2016-04-13 湘南学院 一种复杂网络可靠度的蒙特卡罗评估方法
CN105490836B (zh) * 2015-11-19 2019-04-19 湘南学院 一种复杂网络可靠度的蒙特卡罗评估方法
CN108520266A (zh) * 2018-03-01 2018-09-11 西北工业大学 一种基于ds证据理论的时域融合故障诊断方法
CN108520266B (zh) * 2018-03-01 2019-10-22 西北工业大学 一种基于ds证据理论的时域融合故障诊断方法

Also Published As

Publication number Publication date
CN104468196B (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
Milanović et al. Modeling of interconnected critical infrastructure systems using complex network theory
Weerakkody et al. A graph-theoretic characterization of perfect attackability for secure design of distributed control systems
Ge et al. Distributed fault detection over sensor networks with Markovian switching topologies
Dunn et al. Identifying critical components in infrastructure networks using network topology
CN102546205B (zh) 一种故障关系生成及故障确定方法及装置
US11252052B1 (en) Intelligent node failure prediction and ticket triage solution
CN105512011B (zh) 一种电子装备测试性建模评估方法
Rohrer et al. Predicting topology survivability using path diversity
CN106294076A (zh) 一种服务器关联故障预测方法及其***
Manzano et al. Robustness analysis of real network topologies under multiple failure scenarios
CN104252401A (zh) 一种基于权重的设备状态判断方法及其***
CN113259148A (zh) 基于联邦学习的告警关联检测方法、***、网络及介质
CN102739527B (zh) 网络丢包率探测方法
CN103995901B (zh) 一种确定数据节点失效的方法
CN104486017B (zh) 一种基于ip光传输的卫星授时多节点同步监测方法
CN103763132A (zh) 基于症状与故障相关性的网络虚拟化环境故障诊断方法
CN103152212B (zh) 一种告警相关性分析方法、装置及网络管理***
CN104468196A (zh) 基于证据筛选的虚拟网络故障诊断方法及装置
CN102281103A (zh) 基于模糊集合解算的光网络多故障恢复方法
Alenazi et al. Evaluation and improvement of network resilience against attacks using graph spectral metrics
CN104796440B (zh) 用于发送定位数据的方法和装置
Arjannikov et al. Using markov chains to model sensor network reliability
Bhattacharyya et al. A discrete event systems approach to network fault management: detection and diagnosis of faults
CN113381902A (zh) 跨地区的网络链路的检测方法、装置和计算机存储介质
Shao et al. A network risk assessment methodology for power communication business

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant