[发明专利]基于深度动态贝叶斯网络的服务功能链故障诊断方法

权利要求书

1.一种基于深度动态贝叶斯网络的服务功能链故障诊断方法，其特征在于：包括以下步骤：

S1：根据服务功能链的分层网络架构中的故障传播关系，构建故障诊断模型；

S2：在物理节点监测其上多个虚拟网络功能VNF性能数据，并收集症状的高维数据；

S3：针对基于SDN/NFV架构下网络观测数据的多样性以及物理节点和VNF的空间相关性，建立相关的深度信念网络DBN模型对观测数据进行特征提取和降维，通过k步对比散度算法CD-k对历史观测数据集进行近似采样，并使用加入动量项的自适应BP算法对模型进行微调；

S4：利用故障间存在的时间相关性，建立动态贝叶斯网络DBN模型来实时诊断故障根源，使用1.5时间片联合树推理算法对故障根源进行定位；具体包括：

动态贝叶斯网络DBN模型定义为(B₀,B_→)，其中B₀表示深度信念网络的在线学习阶段初始时间片的先验网络，即最初时刻物理节点状态；B_→表示由两个以上时间片段的BN组成的隐藏状态转移模型；

动态贝叶斯网络DBN是根据观测数据Y_t＝{y₁,y₂,…,y_m}推导出隐变量X_t＝{x₁,x₂,…,x_n}最大可能取值的概率，其中Y表示SFC虚拟节点的症状信息，具有m种可能的取值，X表示基础设施层物理节点状态，具有n种可能的实际结果；

设初始隐变量先验分布矩阵为π，则

π＝(π_i)_1×n,i＝1,2,…,n

其中对应于初始时刻基础设施层节点工作状态的先验概率；使用深度信息网络的在线学习阶段初始时间片估计的后验概率作为节点状态的先验概率；

故障节点间状态转移矩阵为A，则

A＝(a_ik)_n×n,a_ik＝P(X_t＝i|X_t-1＝k)，i,k＝1,2,…,n

其中a_ij表示故障节点某一故障因素在t-1时刻的状态对t时刻状态的影响；

故障节点与症状信息间的状态转移矩阵为B，则

B＝(b_ij)_n×m，b_ij＝P(Y_t＝j|X_t＝i)，i＝1,2,…,n,j＝1,2,…,m.

其中b_ij表示t时刻i故障发生时，故障对虚拟节点工作性能数据的影响；

动态贝叶斯网络模型经典假设下，观测和状态的联合概率由下式给出：

其中表示DDBN推理所需的观测的发射概率；采用对高维数据特征提取良好的深度信念网络DBN来对观测的发射概率进行建模；

最后，进行SFC故障的推理，在给定故障症状的条件下，计算故障根源的概率分布，采用1.5时间片联合树推理算法来最大化故障可能的取值P(x_t＝i|y_1:T)；

根据动态贝叶斯网络的马尔可夫性，故障节点的集合在下一时间片都有子节点，在已知这些子节点取值的情况下，过去节点的状态和将来节点的状态没有任何关系，这样的子节点称为接口节点；设JT_t是时间t内的联合树，C_t是JT_t中含有I_t的团，D_t是JT_t中含有I_t-1的团，时间片中的接口节点I_t收到前一时间片接口I_t-1的影响，并且还影响下一时间片接口I_t+1，接口之间通过消息传播进行推理，推理的过程如下：

步骤1：将基于DBN的SFC故障推理模型通过执行正规化、三角化步骤构造一个1.5时间片联合树JT_t；把故障节点间的转移概率矩阵A通过三角化建立团树，找到三角化后的最大团，每个最大团间通过两个团的交集形成的分隔节点相连形成联结树；其中每个团都有一个势函数ψ，是各个团中节点的CPT条件概率表乘积；

步骤2：信息前向传播，当前时间片的联合树JT_t从前一时间片的联合树JT_t-1中获取新的证据；

步骤3：信息后向传播，当前时间片的联合树JT_t从后一时间片的联合树JT_t+1中吸收证据，并实现对当前时间片JT_t的联合树的概率分布进行更新。