CN102170648A - 无线传感器网络的被动诊断方法 - Google Patents
无线传感器网络的被动诊断方法 Download PDFInfo
- Publication number
- CN102170648A CN102170648A CN2011100311596A CN201110031159A CN102170648A CN 102170648 A CN102170648 A CN 102170648A CN 2011100311596 A CN2011100311596 A CN 2011100311596A CN 201110031159 A CN201110031159 A CN 201110031159A CN 102170648 A CN102170648 A CN 102170648A
- Authority
- CN
- China
- Prior art keywords
- packet
- variable
- node
- source node
- mark
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络的被动诊断方法,属于无线自组织网络与传感器网络领域,包括:在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过;若是则当前的中间节点直接转发该数据包;否则判断该节点是否收到过该源节点发送的数据包,如果没有则对该数据包进行标记,否则判断是否连续收到过该源节点发送的数据包;基站上运行对收到的带有标记的数据包进行故障解析。本方法诊断结果准确性高,并能够实时地对于大规模无线传感器网络进行故障诊断,对于网络动态性和不完整信息具有良好的适应能力,不产生额外的网络流量,不会对系统的正常运行产生负担,因此能够胜任在实际部署系统中长期提供轻量级高效诊断服务的任务。
Description
技术领域
本发明属于无线自组织网络与传感器网络领域,涉及一种被动式的无线传感器网络诊断技术的实现方法,用于实时对无线传感器网络中出现的故障进行诊断。
背景技术
随着通信、传感器制造、嵌入式计算的日益成熟,大规模无线传感器网络技术迅速发展并被广泛应用到环境、国防、救灾抢险、城市管理等诸多领域。典型的无线传感器网络由大量微型传感器节点组成,它们能够在恶劣及危险环境中迅速展开,并通过无线自组成网,不受现有有线网络基础设施的限制。感知数据通过无线通信以多跳中继方式汇集到数据处理中心。
目前已经有大量研究工作致力于如何提高无线传感器网络的性能以及降低能量消耗。而事实上,及时准确高效的故障诊断工具是保证一个无线传感网络系统正常运行的关键所在。由于其无线自组特性,无线传感器网络在部署之后面临严重的可见性缺失问题。大量节点远程部署并自组成网,导致基站很难实时地了解系统内部节点的各种状态以及节点之间的交互行为。现有的故障诊断方法主要依靠主动收集诊断所需的系统状态信息例如链路质量、邻居列表、节点剩余电量等,每个节点周期性向基站报告这些状态数据。基站利用收集到的状态信息进行故障的判断并定位出错节点。主动信息收集的方法给网络带来很大的计算和通信负担。这类工具主要适用于系统调试阶段,因为在对原型系统进行调试的过程中,网络规模和节点行为都具有很高的可控性,网络资源也相对充足。但是对一个正式部署的实际系统来说,主动式诊断工具带来的资源持续大量消耗将会严重影响系统的正常运行和运行寿命。
发明内容
本发明的目的是提供一种无线传感器网络的被动诊断方法,该方法和主动式方法不同,采取了被动式的解决方案,通过对普通的数据流量进行标记和解析,被动观测和发掘系统内部关联和实时的状态信息,从而找到异常发生的故障原因。
为了达到上述目的,本发明提供各节点上运行对数据包进行包括如下步骤 的标记:
(1)在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过;
(2)如果该数据包已经被标记过,当前的中间节点就直接转发该数据包;
(3)如果该数据包未被标记,则判断该节点是否收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则对该数据包进行标记。
(4)如果收到过该源节点发送的数据包,则判断是否连续收到过该源节点发送的数据包,如果是连续收到该源节点发送的数据包,则将该数据包的跳数加1。
(5)如果不是连续收到该源节点发送的数据包,则直接对该数据包进行标记。
基站上运行对收到的带有标记的数据包进行如下步骤的故障解析:
(A)当收到新的数据包标记与通过原标记重构的网路拓扑比较不一致时,即触发路由变化诊断报告。
(B)当收到的前、后两次收到的数据包不连续时,即触发数据包丢失诊断报告;
所述的标记是指在数据包中加入当前中间节点的信息。
所述的通过原标记重构网路拓扑其步骤如下:
(1)判断基站是否没有收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则将该源节点记录下来,并判断该数据包是否标记过,如果标记过,则建立该源节点和该中间节点的网络拓扑;
(2)如果收到过该源节点发送的数据包,判断该数据包是否标记过,如果标记过,则建立该源节点和该中间节点的网络拓扑;
所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的贝叶斯信念网络,故障包括:数据报告变量、感知变量、连接变量、传输路径变量和无线链路变量,感知变量和连接变量为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)采用精确推理或近似推理计算每个节点各个变量的概率,并结合由变 化诊断报告和数据包丢失诊断报告,确定概率最大的故障原因。
所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的因果图,故障包括:数据报告故障、感知故障、连接故障、传输路径故障和无线链路故障,感知故障和连接故障为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)将每个中间事件表示为他们一阶割集(CS1)表达式。
(4)早期不交化机制。在生成最终割集(CSf)表达式之前,直接在一阶割集表达式上执行不交化操作。需要说明的是基于Select门的定义,在连接故障事件的一阶割集表达式中的割集已经是互斥的,因此无须进行不交化。
(5)通过递归地将一阶割集表达式中的中间事件替换为表达式,计算得到最终不交化割集(DCSf)表达式。因为第二个步骤中引入的取非操作涉及的事件都是基本事件,因此本方法避免了对中间事件表达式进行复杂的取非操作,递归替换的操作得以高效执行。
(6)最后一步估计用户指定事件的后验概率。给定观察到的事件集合E(证据),计算出感兴趣的事件集合H(一般来讲是故障原因事件)发生的后验概率。E=E1∩E2∩...∩Ek。根据贝叶斯公式:
H和Ei都表示为最终不交化割集表达式,并且对两个最终不交化割集表达式进行逻辑与操作的结果依然是一个最终不交化割集表达式。结合由变化诊断报告和数据包丢失诊断报告,确定概率最大的故障原因。
所述的精确推理算法为联结树算法。
所述的近似推理算法为循环消息传递算法。所述中间节点周期性的清空记录数据包访问情况的列表。
所述的基站在10倍数据采样率的时间时,清除记录的没有发送数据包的源节点拓扑。
所述的数据包不含源节点地址和序列号信息,应在步骤(1)前加入添加源节点地址和序列号信息到数据包中的步骤。
本发明的诊断结果准确性高,并能够实时地对于大规模无线传感器网络进行故障诊断。同时该方法对于网络动态性和不完整信息具有良好的适应能力。本发明不产生额外的网络流量,不会对系统的正常运行产生负担,因此能够胜任在实际部署系统中长期提供轻量级高效诊断服务的任务。
附图说明
图1是数据包标记阶段相关数据结构的示意图;
图2是信念网络构建实例的示意图;
图3是推理模型中noisy-OR和Select两种逻辑门的条件概率表;
图4是因果图实例;
图5是根据无线传感器网络拓扑构建因果图的示意图。
具体实施方式
下面结合附图和实施例对本发明内容进行解释。
实施例1:
各节点上运行对数据包进行如下步骤的标记:
(1)在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过,中间节点为除基站和源节点之外的其他节点;
(2)如果该数据包已经被标记过,当前的中间节点就直接转发该数据包;
(3)如果该数据包未被标记,则判断该节点是否收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则对该数据包进行标记。
(4)如果收到过该源节点发送的数据包,则判断是否连续收到过该源节点发送的数据包,如果是连续收到该源节点发送的数据包,则将该数据包的跳数加1。
(5)如果不是连续收到该源节点发送的数据包,则直接对该数据包进行标记。
上述步骤可采用如下具体方法即:各中间节点的数据包标记阶段:数据包标记步骤运行在传感器节点上,对普通数据包进行标记,为基站的故障解析处理提供输入,以实时追踪无线传感网络的拓扑变化以及网络内部关联信息。标 记算法不产生任何额外的网络流量,以被动观测方式实时追踪网络内部状态。
标记步骤的主要操作是让传感器节点将其ID根据本发明提出的上述标记步骤写入到经过的数据包上。但是由于数据包本身的长度限制,我们只能利用几个字节的空间来存放标记。标记步骤由中间节点中来进行判断并执行,需要说明的是很多数据包并不会被任何节点标记。当网络状况比较稳定的时候,节点中驻留的标记步骤在重构完整的网络拓扑之后会自动停止标记。当网络中出现一些变化或者异常情况,例如有数据包丢失或者路由发生变化导致拓扑的变化,临近异常区域的节点将会重新启动数据包标记操作。
通常的数据包中基本都已经包含以下字段:1、该数据包源节点的ID;2、一个用来标识这个数据包的序列号。源节点给自己生成的数据包加入序列号是广泛采用的标识数据包以及去除重复包的手段。如果当前应用对数据包格式的设计不包含这两个字段,那么标记算法将把它们添加到数据包当中。嵌入数据包中的标记主要由两部分组成:一部分是数据包传送过程中经过的某一跳节点的ID (即:pass node ID),另一部分是一个记录从源节点到标记节点的跳数距离的计数器(即:hop to source)。当源节点发出一个新的数据包,pass node ID字段被置为空而hop to source字段的值被置为0。
每一个中间节点都拥有维护其上游所有源节点(即这些源节点的数据经过该中间节点到达基站)的缓存。每个缓存记录包括一个源节点ID以及该源节点最近发出经过该中间节点的数据包序列号。两个序列号连续是指如果来自同一源节点的两个数据包的序列号相差为1,那么我们称这两个序列号是连续的,即这两个数据包是该源节点连续发出的。
数据包标记(数据包p)步骤如下:
1.如果p已经被标记,则将p直接转发;
2.如果p未被标记,则检查缓存,如果缓存中没有p的源节点对应的表项,则对对p进行标记,同时在缓存中用p中的源节点ID和序列号创建新的表项;
3.如果缓存中有p的源节点对应的表项,则判断如果表项存在并且序列号连续,则用新的序列号更新表项,并将p中hop to source字段的值加1;
4.如果表项存在并且序列号不连续,则对p进行标记,并用新的序列号更新表项。
当收到一个数据包的时候,中间节点首先检查这个数据包是否已经被其他 节点标记。如果该包已经被标记(pass node ID字段不为空),则不进行操作直接转发这个数据包,否则节点检查自己的缓存并根据判断条件进行适当操作。如果缓存中没有该数据包源节点ID对应的记录,中间节点将自己的ID标记到数据包中的pass node ID字段,同时在自己的缓存中为该源节点创建一个新的记录并记录当前数据包的序列号作为该源节点最近到达的序列号。如果缓存中已存在该数据包源节点ID对应的记录并且该数据包中的序列号和缓存记录中的序列号连续(这里要求数据包中的序列号大于缓存记录中的序列号,否则认为是重复接受的数据包),中间节点将缓存中的序列号更新为数据包中新的序列号。在这种情况下,为避免重复标记,中间节点将不会修改数据包的pass node ID字段,而是将hop to source字段的值加1然后转发这个数据包。如果数据包中的序列号和缓存记录中的序列号不连续,这可能是由数据包的丢失或者路由变化引起的。中间节点将自己的ID标记到数据包中pass node ID字段然后转发此数据包,中间节点同时需要更新自己对应缓存记录的序列号为数据包中包含的新序列号。值得注意的是基站节点作为数据包传输的终点也会参与到标记的过程中。利用上述标记算法,基站收到的数据包中将可能包含标记,标记记录了该数据包经过的路由中某一跳的节点ID以及从源节点到该中间节点的跳数距离。通过上述算法可以看到hop to source字段在每一跳传输之后都会增加1,但这个过程会在该数据包被标记后停止,因此hop to source字段记录了从源节点到标记节点的跳数距离。我们的标记算法利用中间节点内部的缓存避免了重复标记,使得从同一源节点发出的连续的数据包将会逐跳被经过的节点标记,最小化需要的标记数量并提高算法收敛速度。缓存的使用增加了中间节点的内存开销,可以应用bloom filter等数据结构来存储缓存记录来减少所需的存储空间。
图1(a)展示了一个被标记数据包的实例。图1(b)展示了节点中缓存记录的格式。
基站上运行对收到的带有标记的数据包进行如下步骤的解析:
(A)判断基站是否没有收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则将该源节点记录下来,并判断该数据包是否标记过,如果标记过,则建立该源节点和该中间节点的网络拓扑;
(B)如果收到过该源节点发送的数据包,判断该数据包是否标记过,如果 标记过,则建立该源节点和该中间节点的网络拓扑;
(C)当收到新的数据包标记与通过原标记重构的网路拓扑比较不一致时,即触发路由变化诊断报告。
(D)当收到的前、后两次收到的数据包不连续时,即触发数据包丢失诊断报告;
上述解析步骤可采用如下具体方法:基站运行的标记解析步骤是提取和分析收到数据包中携带的标记信息。通过分析收到的大量数据包中零星包含的标记,在基站上运行的标记解析步骤追踪重构每个源节点到基站的路径。通过对所有源节点到基站的路径进行组合拼装,我们就能够在基站在线重构和维护整个网络拓扑。标记解析阶段还能够提供很多预诊断结果例如定位数据包的丢失和路由变化。
首先定义一个path数据结构,用来存储源节点到基站所经过的路由信息。对每个源节点,我们将维护一个path的实例。一个path包含了一个数组,数组中每个位置存放一个数据包途径节点的ID。这些节点ID在数组中的位置由它们到源节点的跳数距离来索引。Path数据结构同时还包含一个字段记录对应的源节点到达基站的数据包的最近序列号。
当收到一个新数据包的时候,标记解析模块首先检查是否已经存在该源节点对应的path实例,如果没有这样的实例,表明这是基站收到该源节点发来的第一个包。基站会为此源节点创建一个新的path实例,把数据包中的源节点ID记录在path数组中第一个位置同时将该数据包的序列号存入path中的序列号字段。标记解析模块接下来会检查该数据包是否被标记过(pass node ID字段是否为空)。如果已经被标记,则使用数据包中的hop to source字段作为索引将pass node ID存入path数组中相应的位置。
如果源节点已经有对应的path实例,则标记解析算法将会比较数据包的序列号以及path当前的序列号来决定进一步操作。我们这里将数据包中序列号减当前path中记录的序列号的差记为d。如果新数据包序列号等于或者小于path中记录的序列号(d<1),说明这是一个重复或者延迟收到的数据包。因为重复和延迟包中的标记信息通常已经过时而且很可能给标记解析过程带来错误,因此我们选择忽略这些包中的标记。事实上,通过长期的部署实践我们发现,在一个实际的具有相对较长数据采样间隔的无线传感网络中,上述情况(d< 1)是很少见的。如果d>=1,path中的序列号将会被更新为新数据包中的序列号,同时path中记录途径节点ID的数组也会进行相应的更新操作,具体过程如算法2所示。通常情况下,如果没有数据包丢失,则d=1,我们直接将数据包中标记的pass node ID记入path数组中对应的位置。序列号的不连续现象指示有数据包在传输途中丢失并因此触发一个数据包丢失的预诊断报告。另外,丢失的包的数量为d-1。如果数据包标记中的pass node ID和path数组中对应索引位置上当前记录的ID不一致,则标记解析模块将判断有路由变化发生,并且路由发生变化的位置在hop to source索引的位置和其之前d-1跳范围内。否则,标记发生的位置将会早于当前位置。和数据包丢失报告类似,标记解析模块会据此生成一个路由变化的预诊断报告。在发生路由变化的情况下,path数组中当前所记录的从hop to source之前d-1跳开始到基站的路由信息很可能已经与实际路由不一致,因此我们将该数组中该范围内的数据都清空。
通过对所有的path实例进行组装,标记解析算法实时地构建和更新整个网络的拓扑。每当基站接收到新的数据包,与其源节点对应的path实例也被更新,同时这也告诉我们这条路由上的所有链接参与一次数据包的传输。对于拓扑中的每一条链接,我们都维护一个计数器来记录它进行的数据包传输的数量。该信息可以用来辅助推理模型的建立,因为节点和其下一跳父节点之间数据传输的密度反映了它们之间依赖关系的强度。综上所述,本算法具有以下性质:1)当一条新的路由被发现,路径上节点会按照它们距离源节点的远近逐跳标记源节点连续发出的一系列数据包,该过程由驻留在中间节点中的标记算法通过局部决策来保证执行。基站在收到并解析足够标记后能够追踪完整路径。2)在拓扑稳定的网络中,追踪一条完整的路径需要等待的数据包数量等于源节点到基站的跳数。因此我们的标记算法收敛构建出完整拓扑所需时间的上界由源节点到基站的最大跳数距离决定。
因为每条链接都可能被多条路径共享,因此我们在发现完整网络拓扑的过程中并不需要获得所有完整的路径信息。即使基站当前所记录的部分路径中缺少某些链接,在拓扑构建过程中,这些丢失的链接也将会以很大的概率在其它共享该链接的路径中被追踪到。事实上我们的数据包标记算法仅需要很少数量的标记就能够捕捉到完整的网络拓扑,实际系统中的部署实验结果也证实了以 上特性。
标记解析步骤(数据包p):
1.如果p的源节点没有对应的path数据结构,为p的源节点创建新的path结构;
2.d=p的序列号-path记录的序列号;
3.如果d<1这是一个重复包;
4.如果d等于1,如果path[hopToSource]记录的节点地址不等于p的passNodeID字段的值,则将passNodeID字段的值赋值给path[hopToSource]记录的节点地址,并清空path结构中path[hopToSource]之后的所有元素,因为已经路由变化,后面的数据丢弃,并生成路由变化诊断报告;
5.如果d>1,生成数据包丢失诊断报告;
6.如果path[hopToSource]不等于p.passNodeID,则清空path结构中path[hopToSource-d+1]之后的所有元素,因发生故障所以路由也丢弃了,path[hopToSource]=p.passNodeID。
本步骤还存在一个潜在的问题,如果基站中存储的拓扑中有部分信息缺失了而同时网络本身趋于稳定,节点中的标记系统自动停止而基站很难收到新的标记,导致我们的信息出现盲区。因此,我们可能需要等待很长的时间才会受到足够的标记信息来补全缺损的网络拓扑。虽然多条路径对链接的共享大大缓解,但是并不能完全避免这类问题。为彻底解决此类问题,我们采取主动机制来消除这类信息盲区的问题。中间节点将会周期性的清空它们自己的缓存,导致新的标记被嵌入数据包中,这样即使在网络稳定的情况下基站依然能够获取新的标记刷新拓扑并补全缺失信息。
无线传感网络中链路的动态性很强,因此节点常常同时维护并动态在多个父节点之间切换。对于这种多路径问题,我们采用一下方法来处理,为每一个path实例和链路都附带一个时间戳,记录该path或者链路最近被观测到的时间。每一个新收到的数据包都会更新相应的时间戳。超过一定时间没有被观测到的链接将会从拓扑中被移除,本系统中移除一个链接的等待时间阈值设为10倍的数据采样时间。
图1(c)展示了一个数据包解析的例子。基站收到一个新的标记,pass node ID是S”,距离源节点4跳。S”和path数组中对应位置当前存储的节点ID, 即S4并不一致,因此我们可以判定已经发生了路由变化。现在的问题是如何准确定位出路由变化所发生的起始位置。在没有数据包丢失的情况下,我们可以判断出此时的路由变化是S3节点将其下一跳父节点从S4变为S”。在本例中d=2,意味着有一个数据包在传输过程中丢失了,当然实际系统中还存在更复杂的情况。路由变化发生的起始位置可能在S2节点处,即S2将其下一跳父节点从S3变为S’,根据我们的标记算法,S’节点将会标记同一源节点接下来到达的数据包。但是此被标记的数据包可能在下面的途中丢失了,因此基站并没有及时发现这个路由的变化。直到之后的一个数据包被S”标记并到达基站,基站才能够了解到该源节点至基站的路由已经发生了变化。另一种可能的情况就是路由变化的起始位置就在S3,但是S3没有把该源节点的下一个数据包成功发送给S”,因此直到第二个数据包到来S”才进行标记。综合可能存在的多种情况,在此路由变化的例子中,基站当前path数组中从S3(path[hopToSource-d+1])到基站之间的路由信息都是不准确的。标记解析算法将S4更新为S”并清空数组中其他位置,等待进一步的信息来更新整条路径。
实施例2:
各节点上运行对数据包进行如下步骤的标记:
(1)在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过;
(2)如果该数据包已经被标记过,当前的中间节点就直接转发该数据包;
(3)如果该数据包未被标记,则判断该节点是否收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则对该数据包进行标记。
(4)如果收到过该源节点发送的数据包,则判断是否连续收到过该源节点发送的数据包,如果是连续收到该源节点发送的数据包,则将该数据包的跳数加1。
(5)如果不是连续收到该源节点发送的数据包,则直接对该数据包进行标记。
基站上运行对收到的带有标记的数据包进行如下步骤的解析:
(A)当收到新的数据包标记与通过原标记重构的网路拓扑比较不一致时,即触发路由变化诊断报告。
(B)当收到的前、后两次收到的数据包不连续时,即触发数据包丢失诊断 报告;
所述的标记是指在数据包中加入当前中间节点的信息。
所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的贝叶斯信念网络,故障包括:数据报告变量、感知变量、连接变量、传输路径变量和无线链路变量,感知变量和连接变量为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)采用联结树算法计算每个节点各个变量的概率,并结合由变化诊断报告和数据包丢失诊断报告,确定概率最大的故障原因。
数据包标记解析阶段提供的诊断结果粒度较粗而且并不完整,通过发现和利用网络元素之间的内在关联,概率推理阶段帮助我们找到隐藏的故障原因。无线传感器网络内部包括多种类型的元素例如链路状态、传感器感知能力以及路由状态等,本发明引入分级的概率模型来对系统内部的元素关联进行建模,该模型能够反映多层次的网络元素依赖关系并且具有良好的动态适应性。在该阶段本发明利用标记和解析阶段得到的网络状态信息自动构建和实时维护概率推理模型。系统运行过程中观察到的异常现象我们称作症状,例如数据接收的高延迟和数据包丢失等,这些症状将作为概率推理模型的输入。当症状出现的时候,通过概率推理运算实时得到各个网络元素发生故障的后验概率并选出概率最大的作为导致系统异常的原因。
本发明首先提出基于信念网络的推理模型。信念网络(或贝叶斯网络)是一个有向无环图(DAG),它表示了一组变量以及这些变量之间的概率关联。图中的每个顶点表示一个随机变量。在本文下面的讨论中,我们将不区分顶点和变量。一个箭头从顶点X1指向X2表示两个变量之间存在因果联系,其中起始点X1是原因而目的点X2是结果。原因变量X1称为结果变量X2的一个父变量。父变量和其子变量之间的因果联系的强度定义为条件概率。接下来我们形式化的将一个信念网络定义为一个二元组(G,P),其中G={V,E}是一个有向无环图,而P={Pi}指定了在G上的一个条件概率分布(CPD)。这里V={Vi}表示G中的顶点(变量)集合,E={Ej}表示所有的箭头(也称作边)。Pi指定了当给定其父变量值的时候每个变量的条件概率分布。当变量的值域是离散的时候,条 件概率分布就可以表示为一个条件概率表(CPT)。给定证据(某些变量的取值),信念网络可以回答三类主要问题:1)其它变量后验概率估计,2)最大后验假设,3)最可能解释。
利用标记解析模块的输出,本发明的推理模块自动构建和维护一个信念网络,并通过在该网络上运行推理算法找到隐藏变量的取值。信念网络是依据标记解析模块输出的网络拓扑信息进行构建的。
a)构建信念网络。我们的信念网络共包含五种类型的变量,每个变量的值域都是{UP,Down},分别表示正常和异常的工作状态。对于每个源节点,我们添加一个数据报告变量Di到信念网络中表示该源节点的数据被送达基站的情况,即前述的数据包丢失诊断报告。例如,基站在很长一段时间内没有接收到某个源节点的数据包,对应的Di变量值将被设置为Down。在很多应用中部分传感器节点仅负责传输数据而自身并不采样和生成数据包,因此这些节点就没有对应的数据报告变量Di。数据送达变量Di依赖两个父变量,感知能力变量Si和连接变量Ci。感知能力变量Si指示传感器节点的感知采样功能,连接变量Ci描述从源节点到基站之间的网络连接状况。我们分别添加从Si和Ci到Di的有向边来表示他们之间的依赖关系。在信念网络中,Si和Ci称作Di的父变量,因为节点的感知功能是否正常和网络连接状况都会影响到节点是否能够成功地采样数据并送达基站。从源节点到基站的网络连接依赖一条或者多条连接它们的路径,在信念网络当中用路径变量来表示。路径变量的下标顺序表示了该路径的起始节点ID、起始节点的下一跳节点ID和路径的最后一个节点ID。每个路径变量的状态都依赖于两个父变量,一个父变量是路径起始节点到其下一跳的链接变量,另一个是起始节点的下一跳父节点到基站的连接变量。无线链路变量Lm-n表示两个节点m和n之间的无线链接的通讯状况。Pi为传输路径变量,即前述的路由变化诊断报告。
我们将存在依赖关系的每一对变量都用箭头连接起来,箭头方向从原因变量到结果变量。最终我们得到一个由以上5种变量组成的层次化的网络,该网络抽象表示了实际无线传感网络元素的依赖关系。在这5种类型的变量中,链接变量和感知变量是隐藏变量,网络外部的管理者很难观察到它们,因此需要通过推理来了解。路径变量和连接变量都是中间变量,它们通常反映了多个父变量共同作用的结果。数据送达变量的值可以在基站直接观察到,即某个源节 点是否及时送达它们的数据。当网络拓扑和通讯状况动态变化的时候,实时维护和更新信念网络。
信念网络结构建立之后,一个关键问题就是怎样为变量设置条件概率表,条件概率表指定了父变量和子变量之间的条件概率,即给定父变量的条件下子变量取值的概率分布。父变量和子变量之间不同的逻辑关系导致了条件概率表的不同计算方法。例如,感知变量和连接变量按照逻辑或的方式影响它们的数据送达子变量,即如果感知变量和连接变量中的任何一个处在Down状态,则数据送达变量取值也为Down。由于无线传感网络中存在多种路由策略及很强的动态性,一个传感器节点可能会同时维护多个父节点来传输数据。因此在我们的推理模型中,多个路径变量按照选择的方式作用于一个连接子变量,即被选中的路径变量将决定连接变量的取值。在本发明中,我们利用noisy-OR门和Select门来表示这些操作。
在信念网络中,每一个noisy-OR门连接两个父变量到一个子变量,所以条件概率表的计算速度很快。Select门可能连接多个父变量到一个子变量但是父变量的最大数量不超过传感器节点的邻居总数。传感器节点的最大邻居数通常被看作是一个常数,因此Select门的条件概率表计算也是比较高效的。在初始化阶段,链接变量和感知变量的先验概率分布通过经验数据来指定。
图2(a)给出了一个简单的网络拓扑实例,包括一个基站和三个传感器节点。图2(b)给出了根据上述网络拓扑构建的信念网络实例。图3(a)展示了一个noisy-OR门对应的条件概率表,其中任何一个父变量取值为Down都将导致子变量的取值为Down。在图4中,h1和h2刻画了噪声效果,即即使两个父变量都处在Up状态,子变量也可能处在Down状态。在本发明中,noisy-OR门出现在下述几种情况中:一个感知变量和一个连接变量影响一个数据送达子变量,一个链接变量和一个连接变量共同影响路径子变量,等等。如图3(b)所示,多个路径父变量和一个连接子变量之间的关系由Select门表示。这里d代表子变量对于每个父变量的依赖强度,在图3(b)的例子中,d表示了连接变量选择某个父路径变量的概率。由此可知,一个连接变量取值为Up的概率可按如下公式计算:
实施例3:
各节点上运行对数据包进行如下步骤的标记:
(1)在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过;
(2)如果该数据包已经被标记过,当前的中间节点就直接转发该数据包;
(3)如果该数据包未被标记,则判断该节点是否收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则对该数据包进行标记。
(4)如果收到过该源节点发送的数据包,则判断是否连续收到过该源节点发送的数据包,如果是连续收到该源节点发送的数据包,则将该数据包的跳数加1。
(5)如果不是连续收到该源节点发送的数据包,则直接对该数据包进行标记。
基站上运行对收到的带有标记的数据包进行如下步骤的解析:
(A)当收到新的数据包标记与通过原标记重构的网路拓扑比较不一致时,即触发路由变化诊断报告。
(B)当收到的前、后两次收到的数据包不连续时,即触发数据包丢失诊断报告;
所述的标记是指在数据包中加入当前中间节点的信息。
所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的因果图,故障包括:数据报告故障、感知故障、连接故障、传输路径故障和无线链路故障,感知故障和连接故障为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)将每个中间事件表示为他们一阶割集(CS1)表达式。
(4)早期不交化机制。在生成最终割集(CSf)表达式之前,直接在一阶割集表达式上执行不交化操作。需要说明的是基于Select门的定义,在连接故障事件的一阶割集表达式中的割集已经是互斥的,因此无须进行不交化。
(5)通过递归地将一阶割集表达式中的中间事件替换为表达式,计算得到最终不交化割集(DCSf)表达式。因为第二个步骤中引入的取非操作涉及的事件都是基本事件,因此本方法避免了对中间事件表达式进行复杂的取非操作,递归 替换的操作得以高效执行。
(6)最后一步估计用户指定事件的后验概率。给定观察到的事件集合E(证据),计算出感兴趣的事件集合H(一般来讲是故障原因事件)发生的后验概率。E=E1∩E2∩...∩Ek。根据贝叶斯公式:
H和Ei都表示为最终不交化割集表达式,并且对两个最终不交化割集表达式进行逻辑与操作的结果依然是一个最终不交化割集表达式。
因果图也是基于图的推理模型。但是和信念网络中的条件概率不同,因果图用依赖强度来表示顶点之间的联系,同时将逻辑运算引入概率推理过程。因果图是一个有向图,它包含四类不同的元素:基础事件、中间事件、箭头事件和逻辑门。基础事件是独立于其它事件的原因事件。中间事件可能是其它原因事件的结果也可能作为原因来导致其它事件的发生。箭头事件指定两个被连接事件之间的因果联系。箭头上关联的强度表示了父事件影响子事件的概率。特别的,如果箭头上没有额外的参数,表明父事件以概率1影响子事件。逻辑门指定了多个父事件如何联合起来影响一个子事件。
和信念网络不同,因果图中的每一个顶点代表了一个故障事件。其包括:链路故障事件L、感知故障事件S、传输路径故障事件P、连接故障事件C和数据报告故障事件D,与实施例2的五类变量向对应。没有父顶点的事件称作基础事件,它们独立于是其它事件的原因。其它的圆形顶点表示中间事件。因果图上的传统推理算法也是NP-Hard,因此在本发明中,我们充分利用了无线传感网络的结构特征,使用OR和Select两种逻辑门来建模节点行为之间的依赖关系,得到一种快速的推理算法。推理算法包含以下四个步骤:1)将每个中间事件表示为他们一阶割集(CS1)表达式。2)早期不交化机制。在生成最终割集(CSf)表达式之前,直接在一阶割集表达式上执行不交化操作。需要说明的是基于Select门的定义,在连接故障事件的一阶割集表达式中的割集已经是互斥的,因此无须进行不交化。3)通过递归地将一阶割集表达式中的中间事件替换为表达式,计算得到最终不交化割集(DCSf)表达式。因为第二个步骤中引入的取非操作涉及的事件都是基本事件,因此本方法避免了对中间事件表达式进行复杂的取非操作,递归替换的操作得以高效执行。4)最后一步估计用户指定事件的 后验概率。给定观察到的事件集合E(证据),计算出感兴趣的事件集合H(一般来讲是故障原因事件)发生的后验概率。E=E1∩E2∩...∩Ek。根据贝叶斯公式:
H和Ei都表示为最终不交化割集表达式,并且对两个最终不交化割集表达式进行逻辑与操作的结果依然是一个最终不交化割集表达式。因此,上述公式中分子分母计算结果都是最终不交化割集表达式,H的后验概率能够通过简单的代数运算得到。
推理输出结果是对隐藏的链接变量和感知变量的故障概率估计,结合标记解析阶段的报告我们能够实时定位出故障的节点和链路。图4为因果图实例,图5是根据无线传感器网络拓扑构建因果图的示意图。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种无线传感器网络的被动诊断方法,其特征在于:
各节点上对数据包进行包括如下步骤的标记:
(1)在数据包传送的中间节点上,各个中间节点判断该数据包是否已经被标记过;
(2)如果该数据包已经被标记过,当前的中间节点就直接转发该数据包;
(3)如果该数据包未被标记,则判断该节点是否收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则对该数据包进行标记;
(4)如果收到过该源节点发送的数据包,则判断是否连续收到过该源节点发送的数据包,如果是连续收到该源节点发送的数据包,则将该数据包的跳数加1;
(5)如果不是连续收到该源节点发送的数据包,则直接对该数据包进行标记;
基站上运行对收到的带有标记的数据包进行如下步骤的故障解析:
(A)当收到新的数据包标记与通过原标记重构的网路拓扑比较不一致时,即触发路由变化诊断报告;
(B)当收到的前、后两次收到的数据包不连续时,即触发数据包丢失诊断报告。
2.根据权利要求1所述的无线传感器网络的被动诊断方法,其特征在于:所述的标记是指在数据包中加入当前中间节点的信息。
3.根据权利要求1或2所述的无线传感器网络的被动诊断方法,其特征在于:所述的通过原标记重构网路拓扑其步骤如下:
(1)判断基站是否没有收到过该源节点发送的数据包,如果没有收到过该源节点发送的数据包,则将该源节点记录下来,并判断该数据包是否标记过,如果标记过,则建立该源节点和该中间节点的网络拓扑;
(2)如果收到过该源节点发送的数据包,判断该数据包是否标记过,如果标记过,则建立该源节点和该中间节点的网络拓扑。
4.根据权利要求3所述的无线传感器网络的被动诊断方法,其特征在于:所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的贝叶斯信念网络,故障包括:数据报告变量、感知变量、连接变量、传输路径变量和无线链路变量,感知变量和连接变量为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)采用精确推理或近似推理计算每个节点各个变量的概率,并结合由变化诊断报告和数据包丢失诊断报告,确定概率最大的故障原因。
5.根据权利要求3所述的无线传感器网络的被动诊断方法,其特征在于:所述的基站上还运行如下步骤的故障推理方法:
(1)通过重构的网络拓扑建立每个节点故障的因果图,故障包括:数据报告故障、感知故障、连接故障、传输路径故障和无线链路故障,感知故障和连接故障为数据报告变量的父变量;
(2)为上述变量设置条件概率表,OR门连接两个父变量到一个子变量,Select门连接多个父变量到一个子变量;
(3)将每个中间事件表示为他们一阶割集(CS1)表达式;
(4)早期不交化机制:在生成最终割集(CSf)表达式之前,直接在一阶割集表达式上执行不交化操作;
(5)通过递归地将一阶割集表达式中的中间事件替换为表达式,计算得到最终不交化割集(DCSf)表达式;
(6)最后一步估计用户指定事件的后验概率:给定观察到的事件集合E,计算出感兴趣的事件集合H发生的后验概率,E=E1∩E2∩...∩Ek,根据贝叶斯公式:
H和Ei都表示为最终不交化割集表达式,并且对两个最终不交化割集表达式进行逻辑与操作的结果依然是一个最终不交化割集表达式;结合由变化诊断报告和数据包丢失诊断报告,确定概率最大的故障原因。
6.根据权利要求4所述的无线传感器网络的被动诊断方法,其特征在于:所述的精确推理算法为联结树算法。
7.根据权利要求4所述的无线传感器网络的被动诊断方法,其特征在于:所述的近似推理算法为循环消息传递算法。
8.根据权利要求1所述的无线传感器网络的被动诊断方法,其特征在于:所述中间节点周期性的清空记录数据包访问情况的列表。
9.根据权利要求1所述的无线传感器网络的被动诊断方法,其特征在于:所述的基站在10倍数据采样率的时间时,清除记录的没有发送数据包的源节点拓扑。
10.根据权利要求1所述的无线传感器网络的被动诊断方法,其特征在于:所述的数据包不含源节点地址和序列号信息时,应在步骤(1)前加入添加源节点地址和序列号信息到数据包中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100311596A CN102170648A (zh) | 2011-01-28 | 2011-01-28 | 无线传感器网络的被动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100311596A CN102170648A (zh) | 2011-01-28 | 2011-01-28 | 无线传感器网络的被动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102170648A true CN102170648A (zh) | 2011-08-31 |
Family
ID=44491589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100311596A Pending CN102170648A (zh) | 2011-01-28 | 2011-01-28 | 无线传感器网络的被动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102170648A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438267A (zh) * | 2011-10-31 | 2012-05-02 | 沈阳师范大学 | Zigbee无线传感器网络节点能耗及故障检测装置 |
CN102802182A (zh) * | 2012-08-09 | 2012-11-28 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN103023719A (zh) * | 2012-12-04 | 2013-04-03 | 宁夏隆基宁光仪表有限公司 | 一种基于贝叶斯网络的专变采集终端故障诊断方法 |
CN104735743A (zh) * | 2015-03-18 | 2015-06-24 | 无锡士康通讯技术有限公司 | 嵌入式无线自组织网络的路由优化方法 |
CN104837170A (zh) * | 2015-04-23 | 2015-08-12 | 中国矿业大学 | 一种基于802.15.4通信协议的wsn渐进式物理拓扑定位方法 |
CN104865956A (zh) * | 2015-03-27 | 2015-08-26 | 重庆大学 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
CN105228185A (zh) * | 2015-09-30 | 2016-01-06 | 中国人民解放军国防科学技术大学 | 一种用于识别通信网络中模糊冗余节点身份的方法 |
CN103117875B (zh) * | 2013-01-21 | 2017-06-20 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种传感网络诊断工具选择方法和装置 |
CN107241778A (zh) * | 2017-05-23 | 2017-10-10 | 山东大学 | 基于数据溯源的wsn加权传输拓扑发现方法及系统 |
CN107295536A (zh) * | 2017-07-05 | 2017-10-24 | 苏州大学 | 一种并行诊断测试方法 |
CN107911834A (zh) * | 2017-12-28 | 2018-04-13 | 西安电子科技大学 | 以数据为中心的无线传感器网络中生命期最优dag构造方法 |
CN108076499A (zh) * | 2017-12-28 | 2018-05-25 | 西安电子科技大学 | 一种生命期最优路由的启发式构造方法 |
CN108700437A (zh) * | 2016-04-28 | 2018-10-23 | 西门子股份公司 | 用于确定过程自动化中的过程变量的现场仪器 |
CN109063940A (zh) * | 2018-02-05 | 2018-12-21 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
CN109886292A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种基于异常关联图的异常原因诊断方法 |
CN110162423A (zh) * | 2019-05-21 | 2019-08-23 | 联想(北京)有限公司 | 资源检查方法和资源检查装置 |
CN111405074A (zh) * | 2020-06-08 | 2020-07-10 | 南京邮电大学 | 一种基于混合链的数据中心网络故障诊断和自动配置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006048840A1 (en) * | 2004-11-08 | 2006-05-11 | Koninklijke Philips Electronics, N.V. | Safe identification and association of wireless sensors |
CN101309135A (zh) * | 2008-03-07 | 2008-11-19 | 华中科技大学 | 一种提高工业无线传感器网络可靠性的方法 |
-
2011
- 2011-01-28 CN CN2011100311596A patent/CN102170648A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006048840A1 (en) * | 2004-11-08 | 2006-05-11 | Koninklijke Philips Electronics, N.V. | Safe identification and association of wireless sensors |
CN101309135A (zh) * | 2008-03-07 | 2008-11-19 | 华中科技大学 | 一种提高工业无线传感器网络可靠性的方法 |
Non-Patent Citations (1)
Title |
---|
KEBIN LIU等: "Passive Diagnosis for Wireless Sensor Networks", 《IEEE/ACM TRANSACTIONS ON NETWORKING》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438267A (zh) * | 2011-10-31 | 2012-05-02 | 沈阳师范大学 | Zigbee无线传感器网络节点能耗及故障检测装置 |
CN102802182B (zh) * | 2012-08-09 | 2015-08-26 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN102802182A (zh) * | 2012-08-09 | 2012-11-28 | 无锡赛睿科技有限公司 | 一种无线传感器网络故障诊断装置及方法 |
CN103023719A (zh) * | 2012-12-04 | 2013-04-03 | 宁夏隆基宁光仪表有限公司 | 一种基于贝叶斯网络的专变采集终端故障诊断方法 |
CN103117875B (zh) * | 2013-01-21 | 2017-06-20 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种传感网络诊断工具选择方法和装置 |
CN104735743B (zh) * | 2015-03-18 | 2018-02-16 | 无锡士康通讯技术有限公司 | 嵌入式无线自组织网络的路由优化方法 |
CN104735743A (zh) * | 2015-03-18 | 2015-06-24 | 无锡士康通讯技术有限公司 | 嵌入式无线自组织网络的路由优化方法 |
CN104865956B (zh) * | 2015-03-27 | 2017-07-07 | 重庆大学 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
CN104865956A (zh) * | 2015-03-27 | 2015-08-26 | 重庆大学 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
CN104837170A (zh) * | 2015-04-23 | 2015-08-12 | 中国矿业大学 | 一种基于802.15.4通信协议的wsn渐进式物理拓扑定位方法 |
CN104837170B (zh) * | 2015-04-23 | 2018-04-10 | 中国矿业大学 | 一种基于802.15.4通信协议的wsn渐进式物理拓扑定位方法 |
CN105228185A (zh) * | 2015-09-30 | 2016-01-06 | 中国人民解放军国防科学技术大学 | 一种用于识别通信网络中模糊冗余节点身份的方法 |
CN108700437A (zh) * | 2016-04-28 | 2018-10-23 | 西门子股份公司 | 用于确定过程自动化中的过程变量的现场仪器 |
CN108700437B (zh) * | 2016-04-28 | 2021-01-15 | 西门子股份公司 | 用于确定过程自动化中的过程变量的现场仪器 |
CN107241778A (zh) * | 2017-05-23 | 2017-10-10 | 山东大学 | 基于数据溯源的wsn加权传输拓扑发现方法及系统 |
CN107295536A (zh) * | 2017-07-05 | 2017-10-24 | 苏州大学 | 一种并行诊断测试方法 |
CN108076499A (zh) * | 2017-12-28 | 2018-05-25 | 西安电子科技大学 | 一种生命期最优路由的启发式构造方法 |
CN107911834B (zh) * | 2017-12-28 | 2020-09-22 | 西安电子科技大学 | 以数据为中心的无线传感器网络中生命期最优dag构造方法 |
CN107911834A (zh) * | 2017-12-28 | 2018-04-13 | 西安电子科技大学 | 以数据为中心的无线传感器网络中生命期最优dag构造方法 |
CN109063940A (zh) * | 2018-02-05 | 2018-12-21 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
CN109063940B (zh) * | 2018-02-05 | 2024-01-26 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
CN109886292A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种基于异常关联图的异常原因诊断方法 |
CN109886292B (zh) * | 2019-01-09 | 2021-05-11 | 同济大学 | 一种基于异常关联图的异常原因诊断方法 |
CN110162423A (zh) * | 2019-05-21 | 2019-08-23 | 联想(北京)有限公司 | 资源检查方法和资源检查装置 |
CN110162423B (zh) * | 2019-05-21 | 2021-04-13 | 联想(北京)有限公司 | 资源检查方法和资源检查装置 |
CN111405074A (zh) * | 2020-06-08 | 2020-07-10 | 南京邮电大学 | 一种基于混合链的数据中心网络故障诊断和自动配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102170648A (zh) | 无线传感器网络的被动诊断方法 | |
US10659328B2 (en) | Tracing message transmissions between communicating network devices | |
US8634314B2 (en) | Reporting statistics on the health of a sensor node in a sensor network | |
US9161255B2 (en) | Reporting method, detection method, device and system for network state | |
Lamperti et al. | Diagnosis of discrete-event systems from uncertain temporal observations | |
CN107690778A (zh) | 使用镜像探测分组测量网络的性能 | |
CN102802182B (zh) | 一种无线传感器网络故障诊断装置及方法 | |
US20120026898A1 (en) | Formatting Messages from Sensor Nodes in a Sensor Network | |
CN103840967A (zh) | 一种电力通信网中故障定位的方法 | |
CN102883359B (zh) | 一种用于无线传感器网络的关键节点的测量的方法、装置以及系统 | |
Ringwald et al. | Passive inspection of sensor networks | |
CN101715203B (zh) | 一种自动定位故障点的方法和设备 | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
CN105678337B (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
Liu et al. | Self-diagnosis for detecting system failures in large-scale wireless sensor networks | |
Gillies et al. | Probabilistic approaches to estimating the quality of information in military sensor networks | |
CN102739527B (zh) | 网络丢包率探测方法 | |
Zhang et al. | Service failure diagnosis in service function chain | |
Bhattacharyya et al. | A discrete event systems approach to network fault management: detection and diagnosis of faults | |
Chang et al. | A causal model method for fault diagnosis in wireless sensor networks | |
CN101360053A (zh) | 基于信息熵的路由干扰影响度量方法 | |
Gries et al. | Tracing cascading data corruption in CPS with the information flow monitor | |
Ma et al. | BOND: exploring hidden bottleneck nodes in large-scale wireless sensor networks | |
Khan et al. | Finding symbolic bug patterns in sensor networks | |
De Jong et al. | MoMi: Model-based diagnosis middleware for sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110831 |
|
WD01 | Invention patent application deemed withdrawn after publication |