·50· 智能系统学报 第14卷 本思想是，通过使用CBR减少基于BN相关的故 系：对于每个行动，与之联系起来的是行动顶点 障诊断方法的内在复杂性来简化和优化故障诊断 a,∈A;对于每个症状，与之联系起来的是症状顶 过程。在诊断过程中，BN结构的子集通过 点s∈S;对于每个故障，与之联系起来的是故障 CBR来识别，在子集中只推理观测到变化的节 顶点f∈F;对于每个故障，与之关联的边的权重 点。CBR的使用有助于利用先前学到的情况来 等于p(s),表示症状s,由它造成。对于每个行动 解决目前的以及未来的问题。随着时间的推移， ,与之关联的边的权重等于行动花费，表示行动 CBR的知识库不断更新，有助于提高诊断的效 验证症状存在的可能性。故障-症状-行动模型采 率。通过使用混合模型加速了故障诊断过程以及 用了主被动结合探测策略，弥补了单一探测的不足。 减少了与推理相关的计算复杂度。 使用基于图论的故障传播模型的故障定位方 法面临着如何获得和保持准确信息的挑战6，因 为故障定位的准确性直接取决于模型中信息的准 确性。一些研究人员B1利用建立非确定性故障 传播模型将信息的动态相关性纳入模型中。 0.3 0.9 0.9 0.3 Rish等B和Steiner等建立动态贝叶斯网络模型 0.4 0.3 0.6 0.3 0.9 来表示网络部件状态随时间的变化情况。动态 BN网络模型通过引入时间片的概念和时间片之 0.01 0.02 0.01 间的转移概率P(XX-)对静态BN网络模型进行 图4症状-故障-行动模型 扩展，X=(x,,…,)表示节点在时间片t的状态 Fig.4 Flow chart of AlR framework 向量。然而，“动态”表示动态的系统，而不是随 4多层网络故障诊断与定位方法 时间变化的系统，DBN模型是非时变的，DBN 模型具有马尔科夫特性，即给定当前的状态，网 4.1 O-AIR 络将来的状态与它过去的状态是独立的。时间片 与文献[15]的AIR类似，Overlay网络故障集 内的依赖关系用静态贝叶斯模型来描述。DBN 成推理(O-AIR)B采用主被动结合探测策略。该 模型是一个平稳过程，即转移概率和时间片内依 方法假定网络监测代理驻留在每个覆盖网络节点 赖关系不随时间的变化而变化。 上，监测代理监控链路并收集关于网络部件故障 旦给定动态的BN模型，基于先验概率分 概率的信息和传统观察对应覆盖网症状的概率， 布P(X-1)以及在时间片t的观测值，可以应用标 收集的探测信息用来构造集中式的基于查询的信 准的BN模型推断算法来计算P(XX-,Y),其中 息系统称为覆盖网络配置(overlay network profile, Y是在时间t观测到的症状集。由于DBN模型的 ONP)。进而将相关端到端症状和故障用于建立 时间复杂度很高，文献[35]提出了高效的近似算 overlay故障-症状模型。然而，观察到的症状可 法来解决这个问题。为了减少控制开销，应用网 能不足以识别网络中的所有故障，因此需要采用 络分区策略。目前的分区策略包括基于分簇的策 主动探测策略执行一组监测行动来确定发生故障 略和基于图分割的策略，这些策略的使用有助于 的根源，在此基础上建立overlay网络症状-故障- 减少通信开销和控制开销。Li等通过使用分簇 行动(O-SFA)模型来定位出所有的故障部件。 策略建立动态贝叶斯网络模型来减少故障推理的 O-AR包括3个功能模块：症状挖掘、故障推 时间复杂度，即使用DBN模型来表示大型P网 理和行动选择。基于ONP,症状挖掘模块使用观 络的状态，将故障节点划分为独立的分簇来减少 察到的overlay症状来动态地创建O-SFA模型。 诊断时间。由于故障节点间的条件具有独立性， 故障推理模块把O-SFA作为输入，返回故障假设 对故障节点进行分簇是可行的。然而分簇的使用 h作为输出。故障假设h包括一组能解释所有观察 降低了故障诊断的准确性。 到的症状的部件。选择对应的overlay行动来验 3.3症状-故障-行动模型 证假设。如果h中的所有故障都得到验证，那么 症状-故障-行动模型(SFA模型)是一个5元 overlay故障诊断过程终止并进行故障汇报。反 组(S,F,A,E,E2),其中故障集F、症状集S、行动集 之，基于行动结果，通过除去不能解释的over- A是3个互相独立的顶点集。 lay症状和不相关的部件并且增加新的症状及与 如图4所示，症状-故障-行动模型表示的关 之相关的部件来更新之前创建的O-SFA。该过程本思想是，通过使用 CBR 减少基于 BN 相关的故 障诊断方法的内在复杂性来简化和优化故障诊断 过程。在诊断过程中， B N 结构的子集通 过 CBR 来识别，在子集中只推理观测到变化的节 点。CBR 的使用有助于利用先前学到的情况来 解决目前的以及未来的问题。随着时间的推移， CBR 的知识库不断更新，有助于提高诊断的效 率。通过使用混合模型加速了故障诊断过程以及 减少了与推理相关的计算复杂度。 P ( X t |X t−1 ) X t = ( x t 1 , x t 2 ,··· , x t n ) t 使用基于图论的故障传播模型的故障定位方 法面临着如何获得和保持准确信息的挑战[6, 14] ，因 为故障定位的准确性直接取决于模型中信息的准 确性。一些研究人员[31-33]利用建立非确定性故障 传播模型将信息的动态相关性纳入模型中。 Rish 等 [34]和 Steiner 等 [31]建立动态贝叶斯网络模型 来表示网络部件状态随时间的变化情况。动态 BN 网络模型通过引入时间片的概念和时间片之 间的转移概率 对静态 BN 网络模型进行 扩展， 表示节点在时间片 的状态 向量。然而，“动态”表示动态的系统，而不是随 时间变化的系统，DBN 模型是非时变的，DBN 模型具有马尔科夫特性，即给定当前的状态，网 络将来的状态与它过去的状态是独立的。时间片 内的依赖关系用静态贝叶斯模型来描述。DBN 模型是一个平稳过程，即转移概率和时间片内依 赖关系不随时间的变化而变化。 P ( X t−1 ) t Y t P ( X t |X t−1 ,Y t ) Y t t 一旦给定动态的 BN 模型，基于先验概率分 布 以及在时间片 的观测值 ，可以应用标 准的 BN 模型推断算法来计算 ，其中 是在时间 观测到的症状集。由于 DBN 模型的 时间复杂度很高，文献[35]提出了高效的近似算 法来解决这个问题。为了减少控制开销，应用网 络分区策略。目前的分区策略包括基于分簇的策 略和基于图分割的策略，这些策略的使用有助于 减少通信开销和控制开销。Li 等 [36]通过使用分簇 策略建立动态贝叶斯网络模型来减少故障推理的 时间复杂度，即使用 DBN 模型来表示大型 IP 网 络的状态，将故障节点划分为独立的分簇来减少 诊断时间。由于故障节点间的条件具有独立性， 对故障节点进行分簇是可行的。然而分簇的使用 降低了故障诊断的准确性。 3.3 症状–故障–行动模型 (S,F,A,E1,E2) F S A 症状–故障–行动模型 (SFA 模型) 是一个 5 元 组 ，其中故障集 、症状集 、行动集 是 3 个互相独立的顶点集。 如图 4 所示，症状–故障–行动模型表示的关 ai ∈ A si ∈ S fi ∈ F fi p(si | fi) si ai 系：对于每个行动，与之联系起来的是行动顶点 ；对于每个症状，与之联系起来的是症状顶 点 ；对于每个故障，与之联系起来的是故障 顶点 ；对于每个故障 ，与之关联的边的权重 等于 ，表示症状 由它造成。对于每个行动 ，与之关联的边的权重等于行动花费，表示行动 验证症状存在的可能性。故障–症状–行动模型采 用了主被动结合探测策略，弥补了单一探测的不足。 a1 a2 a3 a4 s1 s2 s3 s4 f1 f2 f3 0.9 0.3 0.4 0.3 0.9 0.3 0.9 0.6 0.3 1 2 2 1 1 2 1 1 0.01 0.02 0.01 图 4 症状–故障–行动模型 Fig. 4 Flow chart of AIR framework 4 多层网络故障诊断与定位方法 4.1 O-AIR 与文献[15]的 AIR 类似，Overlay 网络故障集 成推理 (O-AIR)[37]采用主被动结合探测策略。该 方法假定网络监测代理驻留在每个覆盖网络节点 上，监测代理监控链路并收集关于网络部件故障 概率的信息和传统观察对应覆盖网症状的概率， 收集的探测信息用来构造集中式的基于查询的信 息系统称为覆盖网络配置 (overlay network profile， ONP)。进而将相关端到端症状和故障用于建立 overlay 故障–症状模型。然而，观察到的症状可 能不足以识别网络中的所有故障，因此需要采用 主动探测策略执行一组监测行动来确定发生故障 的根源，在此基础上建立 overlay 网络症状–故障– 行动 (O-SFA) 模型来定位出所有的故障部件。 h h h O-AIR 包括 3 个功能模块：症状挖掘、故障推 理和行动选择。基于 ONP，症状挖掘模块使用观 察到的 overlay 症状来动态地创建 O-SFA 模型。 故障推理模块把 O-SFA 作为输入，返回故障假设 作为输出。故障假设 包括一组能解释所有观察 到的症状的部件。选择对应的 overlay 行动来验 证假设。如果 中的所有故障都得到验证，那么 overlay 故障诊断过程终止并进行故障汇报。反 之，基于行动结果，通过除去不能解释的 over￾lay 症状和不相关的部件并且增加新的症状及与 之相关的部件来更新之前创建的 O-SFA。该过程 ·50· 智 能 系 统 学 报 第 14 卷