[发明专利]一种网络故障定位方法和装置

说明书

技术领域

本发明涉及计算机网络领域，尤其涉及一种网络故障定位方法和装置。 

背景技术

现有的故障定位技术主要有确定性推理技术和不确定性推理技术。确定性推理技术是指故障的发生必然会导致某些症状的发生，主要有基于规则的、基于模型的等；而不确定性推理技术是指故障的发生以一定的概率导致某些症状的发生，目前比较流行的是基于贝叶斯网络的故障定位技术，包括基于静态贝叶斯网络的故障定位技术和基于动态贝叶斯网络的故障定位技术。 

基于静态贝叶斯网络的故障定位技术主要有：变量消元算法、团树传播算法、迭代信度传播算法等，以及这些算法的变种，例如IHU算法、Shrink算法、ITFD算法等，这些算法都有一个共同的假设作为前提，即在故障定位的过程中，被管系统是不变的，即诊断过程中各个节点的状态不会发生变化，利用当前观测周期内观测到的所有症状，对当前时间段系统中各个节点状态进行诊断，这种方法没有考虑在观测周期内或是诊断过程中某个节点的状态发生变化的情况。而在大量业务部署的复杂网络中，由于路由变化，访问量变化，链路拥塞或解除等原因，节点的状态都以一定的概率发生动态的变化。在网络规模比较大时，分布在被管网络中的站点或代理的观测周期不可能过于密集，因此在同一个观测周期内观测到的节点状态可能出现不一致的情况，这就使得静态贝叶斯方法诊断错误率升高，诊断效率降低。 

为了解决静态贝叶斯网络进行故障定位时出现的问题，现有技术中通常采用动态贝叶斯网络。动态贝叶斯网络将系统表示成从起始时间到终止时间的一系列快照，每一个快照都包括一个完整的贝叶斯网 络，表示系统在该时间的状态，前后两个快照之间相关的节点添加因果联系，表示在不同时间片的节点状态传播关系。基于动态贝叶斯网络的推理是处理动态不确定性问题的重要方法，在动态系统故障定位中发挥着重要的作用。其中，精确推理算法有forwards-backwards算法、frontier算法、The interface算法等，但这些算法由于精确推理算法复杂度高，不能满足大规模的动态贝叶斯网络推理的需要。 

由此可以看出，上述现有技术存在以下缺陷： 

(1)不能解决网络中节点状态和特性随时间动态变化的问题。基于静态贝叶斯网络的故障定位系统虽然取得了较好的诊断效率，但是他们都是以被管系统节点状态和特性不会随时间片动态变化为前提的。在大量业务部署的复杂网络中，由于路由变化，访问量变化，链路拥塞或解除等原因，节点的状态和特性都是以一定的概率发生动态的变化，这给基于静态贝叶斯网络的故障定位提出了新的挑战。 

(2)网络中的噪声对现有的算法影响较大。现有的基于动态贝叶斯网络的故障定位技术中并没有考虑噪声对算法的影响。而在实际网络中，网络环境复杂，产生告警丢失或虚假告警是在所难免的，当网络规模较大的时候，虚假症状的个数会明显增多，因此一种好的噪声处理机制，对提高故障定位准确度意义重大。 

(3)现有的基于动态贝叶斯网络的故障定位技术算法复杂度较高，而在实际网络节点规模比较大的情况下，故障定位的时间比较长，因此已经失去故障定位的意义。 

发明内容

本发明的目的是针对现有技术中存在的缺陷和不足，提出了一种网络故障定位的方案，其针对网络的动态性采用基于动态贝叶斯网络的模型，加入了时间片信息，并且利用时间片之间的传播概率信息，对每个节点动态地更新其先验概率，利用先验概率参与信度计算，同时，本发明的方案还实现了对虚假告警的过滤。 

为达到上述目的，本发明提供了一种网络故障定位方法，包括以下步骤： 

S1，建立传播模型：利用静态贝叶斯网络进行建模，然后通过加入时间因素扩展静态贝叶斯模型得到动态贝叶斯网络模型； 

S2，处理时间片信息：首先对当前时间片进行判断，如果是初始时间片，则进入步骤S3，否则判断当前症状集合So^t是否和上一个时间片的症状集合信息So^t-1相同，t表示时间片，若相同，则使用上一个时间片定位的故障节点H*^t-1，作为当前时间片定位的故障节点H*^t，并进入步骤S6，否则将上一个时间片定位的故障节点并入当前时间片的疑似节点集合中，再进入步骤S3，其中，当一个端到端的网络服务失败时，该服务所经过路径上的所有节点都被认为是疑似节点，被并入到疑似节点集合中； 

S3，过滤噪声：过滤疑似节点集合中由噪声引起的节点；