基于贝叶斯疑似度的启发式故障定位算法

故障定位问题理论上已经证明为NP-Hard问题.为了降低计算复杂度,以概率加权的二分图作为故障传播模型,提出了一种基于贝叶斯疑似度的启发式故障定位算法(Bayesian suspected degree fault localization algorithm,简称BSD).引入贝叶斯疑似度,对所有故障仅计算一遍;同时采用增量覆盖方式,使算法具有较低的计算复杂度O(|F|×|S|).仿真实验结果表明,BSD算法具有较高的故障检测率和较低的故障误检率,即使在部分告警无法观察、告警丢失和虚假等情况下,算法依然具有较高的故障检测率.BSD算法具有多项式计算复杂度,可以满足大规模通信网故障定位的要求.     

基于贝叶斯统计推理的故障定位实验研究

故障定位的目的是帮助程序员寻找引发失效的原因或故障位置,以加快调试过程.故障和失效间的关系往往非常复杂,难以直接描述故障到失效的转化.最新的研究多采用差异分析的方法,基于可疑模式,构建故障推理贝叶斯网络,其节点由可疑模式及组成可疑模式方法的调用者构成;定义了贝叶斯网络的构建算法、各个相关概率的定义及BBN中各个边的条件概率计算公式.提出基于该BBN的推理算法,推理得到包含故障的模块,并计算得到每个模块包含故障的概率.提出了评价方法,详细设计了参数调整与定位性能的关系实验和定位结果分析实验.实验数据表明,该故障定位方法取得了平均0.761的定准率和0.737的定全率,定位结果良好,具有较高的实用价值.     

基于聚类中值比较的WSNs故障检测算法

无线传感器网络(WSNs)中的传感器件容易失效而导致测量数据不准确,因而,高效、实用的故障检测算法对于保证WSNs的感知质量非常重要。提出一种基于聚类中值比较(CBMC)的故障检测算法。不同于传统的中值比较的思想,该算法引入聚类方法对待检测节点的邻居节点测量数据进行分组,根据分组信息计算该节点状态。仿真实验表明:CBMC算法具有较高的故障检测率(DR)和较低的故障误检率(FPR)。     

基于故障传播模型与监督学习的电力通信网络故障定位

针对电力通信网络中的故障定位问题,分析了一种网络设备或链路故障引发的大范围连通片故障告警情形,提出一种基于故障传播模型和监督分类学习方法的故障定位算法。首先使用改进的故障传播模型求得初步定位结果,用最少的故障数目解释当前告警;然后通过故障源-故障告警向量分解将故障定位问题转化为监督分类问题,定位告警区域内部故障;最后加入猜测的故障设备和故障链路完善定位结果以提高定位准确率。模拟结果表明提出的故障定位算法的故障检测率达到84%~95%,具有较高的故障定位可靠性。     

WSN中基于被动端到端的故障链路集推断算法

为了节省故障定位所需的网络能耗,给出了基于被动端到端的启发式贪婪故障链路推断算法.该算法基于被动端到端的数据建立故障链路推理模型,推断网络中最可能故障的链路集.使用端到端的数据计算各条路径的丢包率,通过与阈值的比较对路由矩阵进行简化,目的是去掉根据端到端的数据可以判定为好的路径.由于该推理模型需要各条链路的故障概率,通过简化矩阵的方式优化算法LIPM(loss inference based on passive measurement),给出了推测效果更好的LISC(loss inference based on passive measurement and set-cover)算法.仿真结果显示,新算法具有更好的精确度和运行效率.最后,迭代计算各条链路的权值,通过每次选择最优权值的链路并删除包含此链路的路径,直到所有的故障被解释为止.通过仿真验证了新算法具有更好的故障覆盖率.     

基于贝叶斯网络的电力变压器局部放电故障检测

针对传统电力变压器故障检测方法对电力系统中潜藏的故障问题检测水平不足,准确率较低,无法及时准确的发现异常隐患等问题,本文提出了一种基于贝叶斯网络的变压器局部放电故障检测方法,首先通过传感器获取电力变压器不同状态下运行过程中的参数数据,对局部放电故障发生的概率和范围进行合理性评估,提取评估概率数据综合为样本数据集,构建贝叶斯网络故障树;根据逻辑规则转化为贝叶斯网络,推演计算故障节点之间的算例关系,利用贝叶斯原理抽取故障特征指标与异常概率之间的关联关系,利用模糊描述方法构建故障特征关联函数,计算可得故障特征模糊函数动态变化关系,实现对变压器故障发生的概率与位置信息的判断与确定。通过实验结果可以证明,通过贝叶斯网络对电力变压器局部放电故障检测的准确率均达到了85%以上,最高可达96%,说明该方法具有较高的检测准确率,能够有效提高电力变压器放电故障检测的有效性。     

一种基于贝叶斯网络的模型诊断方法

提出一种结合贝叶斯网络进行基于模型诊断的方法.在基于模型诊断的基础上,建立了元件状态模型,并将诊断模型转换为贝叶斯网络,利用团树算法求解征兆产生时系统状态的后验概率,再通过计算边缘分布获得元件故障概率.最后给出一个数字故障电路的实例,在Matlab上进行推理,得到了精确的概率值,验证了该方法的有效性.     

贝叶斯分类器在入侵检测中的应用

本文针对贝叶斯网络分类器的时间复杂性均取决于特征值间的依赖程度,甚至可能是NP完全问题,提出了一种基于分治理论的贝叶斯分类器算法,该算法把分治理论的思想和贝叶斯网络分类器有机结合起来,既保留了贝叶斯网络分类器模型的结构简单、复杂度低的优点,又降低了传统贝叶斯分类器时间复杂度的问题。通过大量数据的进行贝叶斯网络训练得到的检测结果,与传统的基于神经网络和遗传算法相比,检测率提高5%以上。同时,该算法还有误检率低的优点。     

软件定义卫星网络的链路故障检测和恢复方案

针对具有星间链路的卫星网络,提出了一种软件定义卫星网络架构下的链路故障检测和恢复方案。首先基于软件定义卫星网络架构设计了一种主动上报式故障检测机制,并设计了链路故障检测算法,实现对卫星网络中链路故障的快速发现和准确定位。在此基础上,提出了一种保护加恢复式故障恢复机制来快速恢复因故障导致的业务中断。最后在原型系统中对该方案进行了验证。实验结果表明,该方案可以在毫秒级的时间内快速检测并准确定位到链路故障,并可以在10±2ms的时间内对故障进行快速恢复。同时,该方案可适用于多种卫星网络拓扑。     

网络中多节点故障定位的探测路径选择算法

针对现有故障定位技术不能满足多节点故障定位的要求,尤其当网络中存在大量故障节点时,提出了一种基于主动探测的探测路径选择算法。该算法主要包括用于故障检测的贪婪路径选择算法和用于故障定位的禁忌链路搜索算法。在故障检测阶段,使用贪婪路径选择算法迭代地选择具有最小权重的探测路径覆盖网络中的节点。在故障定位阶段,使用禁忌链路搜索算法多次生成候选路径集以选择最合适的探测路径来解决多节点故障定位问题。在随机网络拓扑和真实网络拓扑上的仿真结果表明,与现有的节点故障定位算法相比,探测路径选择算法具有更高的成功定位率和更低的探测成本。     

网络故障诊断关键技术

由于网络故障不可避免,这就要求对网络出现的故障进行管理。但是网络故障信息通常表现出复杂和不确定性的特点,要准确的对故障进行检测和定位是相当困难的,特别是故障定位。重点分析了故障定位的原理基础上．介绍了利用专家系统、神经网络和贝叶斯网络等人工智能技术,对症状和故障之间的因果关系进行推理的故障定位技术。     

基于分层模型的组合服务故障定位算法

在面向服务的架构中,服务之间的依赖关系具有单向性的特点。基于这种单向性依赖,提出了服务故障传播的分层模型并设计了服务的分层算法,将服务节点分层。根据分层模型设计了服务故障定位的监测探针和诊断部署,减少了监测探针的数目。在探针探测结果的基础上,提出了分层模型下基于贝叶斯网络的故障定位算法,该算法通过计算故障发生时服务的影响因子和可信度,快速定位故障。仿真结果验证了该算法可以较准确地定位组合服务中的故障,且保持较低的误报率。     

网络故障诊断关键技术

由于网络故障不可避免,这就要求对网络出现的故障进行管理。但是网络故障信息通常表现出复杂和不确定性的特点,要准确的对故障进行检测和定位是相当困难的,特别是故障定位。重点分析了故障定位的原理基础上,介绍了利用专家系统、神经网络和贝叶斯网络等人工智能技术,对症状和故障之间的因果关系进行推理的故障定位技术。     

网络虚拟化环境下的服务故障诊断算法

网络虚拟化环境下,底层网络的透明性造成虚拟网提供商不能诊断所有的虚拟网服务故障.为解决此问题,提出了基于映射关系的虚拟网服务故障传播模型.针对故障传播模型中故障集与症状集较大、网络环境动态和噪声大而导致的已有诊断算法误报率高、时间复杂度高的问题,基于网络虚拟化环境下症状内在相关性特点,提出了一种新的基于症状内在相关性的虚拟网服务故障诊断算法SFDoIC(service fault diagnosis algorithm based on inherent correlation among symptoms).仿真实验结果表明,SFDoIC算法能够很好地解决底层网络透明性造成的虚拟网服务故障难以定位的问题.SFDoIC算法可以有效地降低诊断算法的误报率,显著缩短诊断算法的运行时间.     

基于SVM和模糊逻辑的告警相关性分析*

针对网络故障诊断中现有告警关联算法存在的网络动态适应性差、关联误报率高等问题,提出了一种基于支持向量机(support vector machine,SVM)和模糊逻辑的告警相关性分析算法。该算法在数据预处理部分采用滑动时间窗、时序模糊以及特征统计的方法解决了网络不确定性和数据格式规范化的问题,并通过SVM训练和识别完成相关性分析。DARPA攻击数据集测试结果表明,该算法误报、漏报率低,压缩率大,网络动态适应性好,提高了告警关联效率。     

校园网程控交换机连网故障断点检测技术研究

当前校园网程控交换机连网故障断点检测技术检测准确率较低、误警率高,也无法实现对故障断点区域的精确定位,提出一种基于节点信誉感知模型的连网故障断点检测技术研究。依据校园网的网络层次结构布局,构建节点之间的信誉感知模型,以提取节点故障区域特征信息,基于小波算法对感知信誉数据进行预处理。为提高算法的稳定性,对邻近节点之间的健康程度进行分析,以最终实现对校园网程控交换机连网故障断点的准确定位与检测。仿真实验数据表明,提出的断点故障检测技术在节点感知故障率为0.6的条件下,仍可获得86.32%的检测率。     

基于二分图极大权值匹配的SOC故障定位算法研究*

针对故障传播给故障定位带来的影响,考虑SOC功能测试系统中的故障源和故障事件之间的不确定性,提出一种基于二分图的故障定位算法。首先从SOC中抽象出特定的硬件模块,由这些模块构成故障源。然后故障源结合相应的故障事件组合成二分图,在二分图的基础上生成一种适用于SOC故障定位的故障传播模型(Fault Propagation Model,FPM)。最后将SOC故障定位的问题转化成二分图极大权值匹配的求解问题,从概率上保证结果的正确性。实验结果表明,故障定位准确率提高了0~21%,误报率下降了0~15%,更加适用于小型系统的故障定位。     

基于贝叶斯网络的车辆电源系统故障诊断方法

针对车辆电源系统测试点少且测试数据不完备的问题,提出一种多信号流图模型和贝叶斯网络相结合的故障诊断方法。利用多信号流图模型建立电源系统的故障诊断模型,得到系统故障源与测试信号对应的故障依赖矩阵,在此基础上,建立用于故障诊断的贝叶斯网络结构,根据历史数据完成网络的参数学习,并以故障后验概率最大为准则,实现电源系统的故障诊断。仿真实验验证了该方法的有效性。