[发明专利]一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估方法

权利要求书

1.一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估方法，包含基于Raft一致性的leader节点选举、基于贝叶斯网络模型的劣化链路定位和基于ARMA模型的链路劣化持续时间预测，其特征在于：

1)该方法适应网络的动态变化，各个节点周期性的收集与之关联的链路发生劣化的持续时间，同时网络选举出中心节点收集当前的网路拓扑结构和活跃路由树；中心节点在有效期内通过主动探测的方式对活跃路由树进行端到端探测，结合贝叶斯网路模型，推断出发生劣化的活跃链路，并把发生劣化的活跃链路的消息广播出去；相关节点收到发生劣化的活跃链路的消息后，基于给定过去一段时间内收集到的劣化持续时间数据，结合ARMA模型，预测劣化链路的劣化时间；

2)基于Raft一致性，选举出leader节点：

在中心节点选举机制中时间被切分为一个个的Term，是一种“逻辑时间”；每个Term时间内至多存在1个Leader；若当前Term由于选举失败，则不存在Leader；每个节点本地将维护一个Term值；Leader由Follower投票选出；初始状态时，没有Leader，所有参加节点均为Follower，并随机睡眠一段时间timeout；最先醒来的节点将自增Term值，意味着开始一个新的选举周期，并进入Candidate状态，Candidate状态的节点有权利发起投票，向其他所有节点发出Request_vote请求，请求其他节点给它投票使之成为Leader；当其他非Candidate状态节点接收到Request_vote请求后，将自己仅有的一票分别投给最先发送Request_vote请求的Candidate状态的节点，得票数最多的Candidate节点则自动进入Leader状态，Leader节点为进行抗毁性评估的中心节点，本次选举结束；每次Leader节点作为中心节点存在一定的“任期”时间、选出Leader后，Leader通过定期向所有Follower发送心跳信息(Heartbeat)维持其中心节点的角色功能状态；若Follower一段时间未收到Leader的心跳则认为Leader已经失效，需要再次发起选举Leader的过程；

3)中心节点基于贝叶斯网络模型进行劣化链路定位：

基于贝叶斯网络模型，推断发生劣化的链路并把这些发生劣化的链路定位信息反馈给全网其他节点及本地节点的拓扑控制接口；当中心节点选好之后，收集网络拓扑信息和活跃路径信息，生成活跃路由树；可建立网络拓扑的路由矩阵R，R中的每一列代表一条链路E_i，每一行表示一条路径P_j；若路径P_j经过链路E_i，则元素R_ij＝1；否则R_ij＝0；得到一个大小为n_p×n_E，元素为0和1的矩阵；ξ(E_i)(i∈n_E)为链路E_i的传输成功率，则1-ξ(E_i)为链路E_i的链路丢包率；ξ(P_j)(j∈n_p)为路径P_j的路径传输成功率，则1-ξ(P_j)为P_j的路径丢包率；定位丢包率高于某个约定阈值的链路，为劣化链路；用变量y_i表示路径P_j的状态：若路径P_j劣化，则y_j＝1，否则y_j＝0；变量x_j表示链路E_i的状态：若链路E_i劣化，则x_i＝1，否则x_i＝0；则y_i和x_i之间的关系如下：

通过对路由树进行端到端的测探，获得端到端的观测数据D；学习找出一个最匹配数据集D的网络结构G，评分函数就是表示此网络结构与真实网络的匹配程度，结构G上的评分表示score(G，D)；因为score(G，D)＝score(G|D)score(D)，而观测数据集D是确定的，score(D)是一个固定值，贝叶斯网络结构学习就是找到一个网络结构G^*，使其满足：

采用经典的K2算法，先确定网络中节点变量的次序然后基于结构搜索并且打分，它的结构打分函数为：

上式中B_s表示网络结构，D表示实例数据，C为常数，节点变量的数目为n，r_i表示节点x_i取值的数目；N_ij表示节点x_i对应父节点x_j的总数目；N_ijk则表示节点x_i在对应父节点x_j取值为k的总数目；q_j表示节点x_j的父节点数目；

4)基于给定过去一段时间内收集到的劣化持续时间数据，关联节点采用如下步骤预测劣化链路的劣化持续时间：

步骤1：平稳性检验及平稳化处理：无明显上升、下降或周期趋势；

步骤2：用AIC准则进行ARMA模型定阶：确定公式中的阶数m和n；n和m分别表示AR部分和MA部分的阶次；

步骤3：ARMA的参数估计：先估计公式中再估计出θ_j；θ_j(j＝1，2，...，m)分别为各部分的模型参数；

步骤4：模型的残差检验：检验残差序列是不是白噪声，若否，重新设定模型；

步骤5：滚动的进行前一步预测，每预测一次，用真实值代替预测值，加入到估计区间。