[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

摘要

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。本发明以提高移动自组织网络抗毁抗扰能力，保证主要服务、降低受损范围为目标，以中心节点选择为基础，以贝叶斯网络模型和ARMA模型为手段，解决高动态移动自组织网络链路状态评估问题。通过中心节点选举和主动探测，获得网络拓扑结构和活跃路径的运行状态，结合贝叶斯网络，推断出活跃路由中发生劣化的链路，并广播该消息；与劣化链路关联的相关节点收到中心节点的消息后，基于历史数据。结合ARMA模型，预测劣化链路的劣化持续时间。本发明引用了基于Raft一致性选举算法、贝叶斯结构学习方法、贝叶斯参数学习方法和局部联合树推理模型和自回归滑动平均模型(ARMA)。

主权项

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)该方法可以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，并把该消息广播出去；相关节点收到该消息后，基于历史相关信息，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(中心节点)：步骤1：任期Terms划分；步骤2：Leader节点选举；步骤3：Leader节点有效性检查；3)中心节点基于贝叶斯网络模型进行劣化链路定位：步骤1：QoS劣化定位的贝叶斯网络模型建立。对于给定网络拓扑T＝(V，E)，基于K2算法，建立链路E_i和包含链路的路径P_j之间的贝叶斯网络模型,贝叶斯网络结构为S；步骤2：路径状态获取。通过少量的端到端探测统计，获取m次测量的路径状态信息；步骤3：链路劣化的先验概率学习。利用步骤1给出的贝叶斯网络结构为S，步骤2获取的m次路径状态Y＝{Y¹，Y²，…，Y^m}，按照贝叶斯估计方法学习，推断出链路劣化的先验概率P_E；步骤4：QoS劣化定位的贝叶斯推理。贝叶斯网络的结构S和链路劣化的先验概率P_E已知的情况下，获取当前时刻的所有路径的状态Y′＝{Y′_j，1≤j≤n_p}，输入贝叶斯网络模型，结合劣化路径状态Y″和链路劣化先验概率P_E，利用局部联合树算法实现近似推理，估计链路状态X′＝{X′_i，1≤j≤n_E}的可能取值，进而实现QoS劣化定位；4)基于收集的相关历史信息，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：确定上式中的阶数m和n；步骤3:ARMA的参数估计：先估计再估计出θ_j；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，即每预测一次，用真实值代替预测值，加入到估计区间。