[发明专利]一种基于静态贝叶斯模型的IP网络故障定位方法

摘要

本发明公开了一种基于静态贝叶斯模型的IP网络故障定位方法，一方面通过新增疑似故障过滤模块，消除了网络噪声对探测结果的影响，大大提升故障定位准确度；另一方面通过新增故障预处理模块，计算最优故障集合，大大降低了现有算法的复杂度，从而适用于大规模网络拓扑。

主权项

一种基于静态贝叶斯模型的IP网络故障定位方法，其特征在于：包括以下步骤：(101)、目标网络的拓扑获取：上层的故障管理系统通过接口采集设备网管中设备间互联的链路信息，重新组建需进行故障定位的目标网络拓扑；(102)、在目标网络中选取能够发送探测包的探测节点，并在探测节点之间相互发送端到端探测包，若探测包能够成功到达，则在改路径上标记0；若不能成功到达，则在改路径上标记1，在所有端到端路径之间发送探测包，并得到所有路径的探测结果；(103)、根据探测结果得到疑似故障集合，并过滤不准确探测结果，具体过程如下：(3.1)、由于IP网噪声的存在，探测往往呈现矛盾的结果，为了解决网络噪声的问题，首先定义疑似故障阈值，如下式所示：${\mathrm{\α}}_{X_i}=\frac{\underset{T_j\∈T_{obs}}{\Σ}P\left(T_j\right|X_i)}{\underset{T_j\∈T}{\Σ}P\left(T_j\right|X_i)},$其中T表示全部探测路径的集合，T_obs表示已观测到探测结果的探测路径的集合，X_i表示第i个节点的状态(X_i＝0表示正常，X_i＝1表示故障)，P(T_j|X_i)为当X_i正常或故障时探测路径T_j的探测结果成功或失败的概率，对于节点X_i，若则认为节点X_i为疑似故障，其中α为0到1之间的常数，通常选取为0.5；(3.2)、通过计算式找出所有疑似故障节点后，仅保留至少经过一个疑似故障节点的探测，其他探测将被过滤掉，这样既过滤了不准确的探测结果，又大大降低了系统规模；(104)、计算最优故障集合，具体过程如下：(4.1)、将步骤(3)的输出结果作为步输入条件之一，计算最优故障集合：假设每个节点出故障的概率为p，网络中N个节点中出故障的节点个数为α，则此时节点X＝{X₁,X₂,...,X₂₀}状态的概率分布可表示为P(X)＝p^α(1‑p)^N‑α，变量X_i是服从二项分布的，假设F为发生故障的节点，|F|为发生故障节点个数，则N为节点个数；根据贝努力实验可得假设节点发生故障的概率p＝10^‑3，可计算出网络发生一个故障的概率为0.368063，网络不发生故障的概率为0.367695，而同时发生4个以上的概率为：因此可以得出结论：如果限制同时发生故障的节点个数不超过5个，那么由此带来的误差将不超过0.37％，但可以将推理的计算复杂度大大降低；(4.2)、产生备选故障集合：设故障发生个数为k，从k＝1开始，产生故障个数为k个的故障组合，到k等于最大故障个数为止；(4.3)、从备选集合中逐个选择故障组合；(4.4)、判断当前故障组合是否能解完所有探测结果：假设当前故障组合是故障节点，判断是否能够符合当前探测的返回结果；(4.5)、加入故障集合H；(4.6)、增加故障个数，将故障个数k加1；(4.7)、判断是否超过最大故障个数，若当前故障组合能够解释所有探测结果，则把该故障组合加入故障集合H；(4.8)、输出集合H；(105)、建立贝叶斯模型算法，利用贝叶斯公式计算每个Hi概率，其中概率最大的为最有可能故障组合；H集合由多个假设故障集合H_i组成，每个H_i都是疑似故障集合F_s的一个子集，并且可以解释所有T_l中的失败探测；首先初始化每一个F_s中的节点为一个备选故障集合h；其次，将能够解释T_l中最多的失败探测的h加入到H中作为一个H_i，同时将该集合h从F_s中移除；然后，将备选故障集合h扩展为包含两个F_s中节点；重复以上过程，直到h包含k个疑似故障节点，最后，如果H中仍为空，则将备选故障集合h直接加入H中，每个H_i发生的概率通过以下公式计算：$\begin{array}{c}P\left(H_i\right)=compute\mathrm{Pr}obability(H_i,T_{obs})\\ =\underset{F_i\∈F}{\Π}P\left(F_i\right)\underset{T_j\∈T}{\Π}P\left(T_j\right|pa\left(T_j\right))\\ =\underset{F_i\∈H_i}{\Π}P(F_i=1)\underset{F_i\∈F\backslash H_i}{\Π}P(F_i=0)\end{array}$$\underset{T_j\∈T_l}{\Π}P(T_j=1|pa\left(T_j\right))\underset{T_j\∈T\backslash T_l}{\Π}P(T_j=0|pa\left(T_j\right))$发生概率最大的故障集合H_i被认为是最有可能的故障集合，如果最大概率的故障集合与次大概率故障集合发生概率相差不大，则将两个集合合并作为最有可能故障集合；贝叶斯模型算法的计算包括两部分：(1)找出疑似故障集合F_s，过滤虚假探测结果；(2)选择最有可能故障集合，现实中探测的个数是随着网络节点个数呈线性增长的，因此第一部分的计算复杂度近似为O(N²)，其中N为网络节点的个数；假设疑似故障集合F_s中疑似故障节点的个数为n，显然n≤N；而故障发生的个数最多不超过k个，因此，第二部分的计算复杂度近似为O(n^k+1)，则新算法总的时间复杂度为O(N²+n^k+1)；实际情况中，n是远远小于N的，相比O(N²)，大多数情况下O(n^k+1)可忽略不计，因此算法时间复杂度可近似为O(N²)；(106)、输出故障定位结果，即最有可能的故障集合。