[发明专利]一种基于动态多层耦合网络的复杂系统故障定位方法

权利要求书

1.一种基于动态多层耦合网络的复杂系统故障定位方法，其特征在于：其步骤如下：

步骤A：构建多模式下的动态多层耦合网络；

步骤B：定位复杂系统故障时段；

步骤C：定位复杂系统故障节点；

在步骤A中所述的“构建多模式下的动态多层耦合网络”，包括以下步骤：

步骤A1：量化复杂系统的正常模式与故障模式；

步骤A2：构建正常模式的动态复数层耦合网络；

步骤A3：构建故障模式的动态复数层耦合网络；

在步骤A1中所述的“正常模式”，其具体含义为：复杂系统在执行一故障激发测试用例后，复杂系统处于正常运行的表现形式；

在步骤A1中所述的“故障模式”，其具体含义为：复杂系统在执行一故障激发测试用例后，复杂系统处于故障运行的表现形式；

在步骤A1中所述的“量化复杂系统的正常模式与故障模式”，其具体做法如下：量化复杂系统状态监控工具对于正常模式与故障模式相对应的性能指标，即规范不同故障现象对应的监测指标，以及系统正常运行时的监测指标；

在步骤A2中所述的“构建正常模式的动态复数层耦合网络”，其具体做法如下：根据复杂系统的特性，选择合适的动态运行数据采样工具，执行一故障激发测试用例，在线采集在该故障激发测试用例下正常运行时的系统动态运行数据，然后基于复杂网络理论，抽取运行数据内部的节点交互关系，离线构建能映射复杂系统正常模式运行机理的动态复数层耦合网络；

在步骤A3中所述的“构建故障模式的动态复数层耦合网络”，其具体做法如下：根据复杂系统的特性，选择合适的动态运行数据采样工具，执行一故障激发测试用例，在线采集在该故障激发测试用例下故障运行时的系统动态运行数据，然后基于复杂网络理论，抽取运行数据内部的节点交互关系，离线构建能映射复杂系统故障模式运行机理的动态复数层耦合网络；

在步骤A2和步骤A3中所述的“动态多层耦合网络”，其具体含义为：一组以时间为序的静态复数层耦合网络的集合，每个静态复数层耦合网络对应着一个动态运行数据的时间切片，设经过分割后的动态运行数据共有m片，则动态复数层耦合网络中应包含m组静态复数层耦合网络；由于耦合层的节点间调用关系存在方向性，故动态耦合网络的连边为有向连边，动态耦合网络为有向网络；

步骤B中所述的“定位复杂系统故障时段”，其具体含义为：通过对比步骤A构建的正常模式与故障模式下的动态复数层耦合网络统计特征，发现故障发生的时段，并分别提取故障时段下故障模式与正常模式的动态复数层耦合网络切片，为后续的步骤C的定位复杂系统故障节点提供支撑；包括以下步骤：

步骤B1：校准不同模式下的动态复数层耦合网络；

步骤B2：计算不同模式下网络统计特征；

步骤B3：量化故障指标；

步骤B4：提取故障发生时段的动态多层耦合网络切片；

在步骤B1中所述的“校准不同模式下的动态复数层耦合网络”，其具体做法如下：以执行的一故障激发测试用例为准，设一故障激发测试用例的开始执行的时刻为0时刻，校准不同模式下的动态复数层耦合网络时间，并将执行一故障激发测试用例之前以及结束后的动态复数层耦合网络数据剔除，仅保留与执行故障激发测试用例相关的动态复数层耦合网络；

在步骤B2中所述的“网络统计特征”，其具体含义为：一组能体现动态复数层耦合网络不同时间间隔下的网络整体性质的统计指标，常见的指标有：网络规模、平均度和平均距离；网络规模是在一时间间隔T_k下该网络中活跃的节点总数，能衡量该时刻下复杂系统的工作强度；平均度是平均一时间间隔T_k下该网络内部所有节点的度，平均度能衡量该时间间隔下复杂系统内部总体的连通程度的指标；平均距离是平均一时间间隔T_k下该网络内部任意两节点之间的距离均值，平均距离能衡量该时间间隔下复杂系统内部的信息及物质的传递效率；

在步骤B2中所述的“计算不同模式下网络统计特征”，其具体做法如下：分别计算在正常模式与故障模式下动态复数层耦合网络中各个时间间隔下静态复数层耦合网络的网络规模、平均度和平均距离统计特征及各类组合，并依时间序列保存计算结果；

在步骤B3中所述的“量化故障指标”，其具体做法如下：量化统计特征异常的标准，设时间间隔T_k下正常模式的一个统计特征的值为P_r，同一时间间隔下故障模式相同的统计特征的值为P_f，设故障指标当α₁≥k₁，即故障指标不小于一个设定的常数阈值时，认定在此时间间隔内发生故障，由于在故障模式下复杂系统并不是全时段都处于故障状态，且复杂系统具有故障发生后自我修复的特性，因此故障发生时段的总时长应不大于故障激发测试用例的总时长；

在步骤B4中所述的“提取故障发生时段的动态多层耦合网络切片”，其具体做法如下：依次对比正常模式与故障模式在各个时间间隔下动态复数层耦合网络切片的统计特征组合，计算各个时间间隔下的故障指标，寻找故障模式相对于正常模式统计特征异常时间片段，并提取统计特征异常时间片段下的动态复数层耦合网络切片，为后续的步骤C复杂系统故障细定位提供数据支撑；

步骤C中所述的“定位复杂系统故障节点”，其具体含义为：通过对步骤B4保存的故障发生时段动态复数层耦合网络切片进行分析，找到故障发生的节点，包括以下步骤：

步骤C1：计算故障发生时段节点统计特征；

步骤C2：量化故障指标；

步骤C3：提取故障节点，输出故障信息；

步骤C4：仿真验证；

在步骤C1中所述的“节点统计特征”，其具体含义为：一组能体现动态复数层耦合网络在故障发生时段下的每个节点特征的统计指标，常见的指标有：度和介数；网络节点的度是一个能有效反应一节点与网络中其他节点直接的调用交互状态的指标，其定义为在一时间间隔T_k下一节点v_i与其他节点直接相连的节点总数，对于有向网络，分为出度与入度；网络节点的介数是一个能反映一节点在整体网络中影响力与重要程度的指标，其定义某时间间隔T_k下的网络中所有最短路径中经过某节点v_i的数目占最短路径总数的比例；

在步骤C1中所述的“计算故障发生时段节点统计特征”，其具体做法如下：依次计算在故障发生时段的故障模式和正常模式动态复数层耦合网络切片的度、介数节点统计特征组合，并保存每个动态复数层耦合网络切片的指标分布；

在步骤C2中所述的“量化故障指标”，其具体做法如下：量化统计特征异常的标准，设时间间隔T_k下的切片中，一节点v_i在正常模式的一个统计特征的值为P_r^v，同一时间间隔下故障模式相同的统计特征的值为设故障指标当α₂≥k₂，即故障指标不小于一个设定的常数阈值时，认定在此时间间隔内该节点发生异常；

在步骤C3中所述的“提取故障节点，输出故障信息”，其具体做法如下：依次计算每个节点故障发生时段下所有动态耦合网络切片中的故障指标，并提取各个动态耦合网络切片中超出设定阈值的节点，被提取的节点集合即为故障节点，统计故障节点出现频次的故障报告；

在步骤C4中所述的“仿真验证”，其具体做法如下：输入步骤C3提取的故障节点到该复杂系统动态复数层耦合网络模型中，以故障频次为序，基于渗流理论针对该网络模型实施蓄意攻击，观察网络模型受到攻击后的故障效果是否与实际状态拟合，并依据仿真结果输出故障风险评估。