CN103501257B

CN103501257B - 一种ip网络故障探针的选择方法

Info

Publication number: CN103501257B
Application number: CN201310474004.9A
Authority: CN
Inventors: 李文璟; 王智立; 关璐; 王颖; 邱雪松; 郭少勇; 杨杨
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2013-10-11
Filing date: 2013-10-11
Publication date: 2016-10-19
Anticipated expiration: 2033-10-11
Also published as: CN103501257A

Abstract

本发明提供一种IP网络故障探针的选择方法，该方法包括：建立备选故障探针与相应的备选故障探针经过的网络节点之间的贝叶斯网络模型，并计算备选故障探针的条件熵B，还包括：计算各个备选故障探针的条件熵A；计算各个备选故障探针的信息熵增益G；选取信息增益最大的备选故障探针进行发送。本发明中，将信息熵增益分解为两个条件熵A、B之差，且条件熵B为基于故障探针经过的节点的故障探针的信息熵，在探测过程中不发生改变，这样在整个探测过程中仅需计算一次条件熵B，通过这种方式降低了探针选择过程中的运算量，提高了探针选择的效率，并降低了探针选择所占用的系统资源。

Description

一种IP网络故障探针的选择方法

技术领域

本发明涉及IP网络故障检测技术领域，特别涉及一种IP网络故障探针的选择方法。

背景技术

随着互联网的迅猛发展，IP网络规模也不断扩大，网络结构和设备变得越来越复杂。如何快速准确地探测和定位到网络故障成为了网络管理中的一大挑战。基于主动探测的故障探测和定位技术具有自适应、高效和准确的特点，成为了近年来网管领域的研究热点。主动探测需要挑选合适的探针集合，探针选择的目的是以最少的探测代价获得最多的网络信息。

现有的探针选择方法中有采用一种基于贝叶斯模型的探测选择算法BPEA（Belief Propagation for Entropy Approximation)算法，该算法将网络剩余的信息熵化简为三部分，交差熵减去条件熵再加上一个常量。并利用近似推理的算法通过利用置信传播计算网络剩余信息熵以降低探针质量计算时的计算复杂度。

但该方法中，每次在探针返回故障探测结果后，都需要利用置信传播算法对交叉熵和条件熵进行一次运算，探针选择过程耗时，且会占用大量的系统资源。

发明内容

（一）所要解决的技术问题

本发明提供了一种IP网络故障探针的选择方法，能够降低探针选择过程中的运算量，从而降低探针选择过程所占用的时间和系统资源。

（二）技术方案

本发明提供一种IP网络故障探针选择方法选择，该方法包括：

建立备选故障探针与相应的备选故障探针经过的网络节点之间的贝叶斯网络模型，并计算备选故障探针的条件熵B，其中第i个备选故障探针T_i的条件熵B（T_i）为H（T_i|parent（T_i）），parent（T_i）为第i个备选故障探针所经过的网络节点的状态，所述方法还包括：

计算各个备选故障探针的条件熵A，其中第i个备选故障探针的条件熵A（T_i）=H（T_i|D），D为已发送故障探针返回的结果集合；

计算各个备选故障探针的信息熵增益G，其中第i个备选故障探针的信息熵增益G（T_i）=A（T_i）—B（T_i）；

选取信息增益最大的备选故障探针进行发送。

优选的，所述计算备选故障探针的条件熵B，具体为离线计算备选故障探针的条件熵B。

优选的，所述选取信息增益最大的备选故障探针进行发送之后，所述方法还包括：

判断网络中剩余的不确定度是否小于预先设定的阈值，若是，则结束探测，并基于已发送故障探针返回的结果定位故障，否则返回计算各个备选故障探针的条件熵A的步骤，继续选择故障探针发送。

优选的，所述计算各个备选故障探针的条件熵A具体为利用近似推理算法计算所述条件熵A。

本发明还提供了一种IP网络故障探针的选择设备，包括：

建模模块，用于建立备选故障探针与相应的备选故障探针经过的网络节点之间的贝叶斯网络模型；

第一计算模块，用于计算备选故障探针的条件熵B，其中第i个备选故障探针T_i的条件熵B（T_i）为H（T_i|parent（T_i）），parent（T_i）为第i个备选故障探针所经过的网络节点的状态；

第二计算模块，用于计算各个备选故障探针的条件熵A，第i个备选故障探针的条件熵A（T_i）=H（T_i|D），D为已发送故障探针返回的结果集合；

第三计算模块，用于计算各个备选故障探针的信息熵增益G，其中第i个备选故障探针的信息熵增益G（T_i）=A（T_i）—B（T_i）；

探针发送模块，用于选取信息增益最大的备选故障探针进行发送。

优选的，所述第一计算模块具体用于离线计算备选故障探针的条件熵B。

优选的，该设备还包括：判断模块，用于判断网络中剩余的不确定度是否小于预先设定的阈值，并在判断为是时，指示所述设备结束探测，在判断为否时，指示所述第二计算模块再次计算各个备选故障探针的条件熵A；

故障定位模块，用于在所述判断模块的判断结果为是时，根据已发送故障探针返回的结果定位故障。

优选的，所述第二计算模块具体用于利用近似推理算法计算所述条件熵A。

（三）有益效果

本发明提供了一种IP网络故障探针选择方法，该方法中，将备选探针的信息熵增益分解为两个条件熵A、B之差，其中条件熵B为基于故障探针经过的节点的故障探针的信息熵，在探测过程中不发生改变，这样在整个探测过程中仅需计算一次条件熵B，通过这种方式降低了探针选择过程中的运算量，提高了探针选择的效率，并降低了探针选择所占用的系统资源。同时本发明中，离线计算条件熵B，降低了探针选择对在线资源的占用。另外，本发明中，利用近似推理算法计算条件熵A，降低了计算的复杂度。

附图说明

图1为本发明实施例提供的IP网络故障探针选择方法的流程示意图；

图2为本发明实施例提供的IP网络故障探针选择方法的流程示意图；

图3为本发明实施例提供的IP网络故障探针选择设备的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明提供的IP网络故障探针选择方法做进一步详细说明。

本发明实施例提供了一种IP网络故障探针选择方法，如图1所示，该方法包括：

步骤101、建立备选故障探针与相应的备选故障探针经过的网络节点之间的贝叶斯网络模型，并计算备选故障探针的条件熵B；其中第i个备选故障探针的条件熵B（T_i）为H（T_i|parent（T_i）），parent（T_i）为第i个备选故障探针所经过的网络节点的状态。

这里的网络节点的状态是指网络节点的工作状态，即网络节点是否发生能够正常工作。

本步骤中，建立贝叶斯网络模型的方式与现有技术中一致，在此不再赘述。且根据本步骤的记载，本领域技术人员能够明确H（T_i|parent（T_i））的计算方法，在此也不再进一步说明。

不难理解，条件熵B的值仅与其经过的网络节点的状态有关，这样，本发明实施例中针对同一个故障探针T_i,仅需计算一次条件熵B。

步骤102、计算各个备选故障探针的条件熵A，第i个备选故障探针的条件熵A（T_i）=H（T_i|D），D为已发送故障探针返回的结果集合。

步骤103、计算各个备选故障探针的信息熵增益G，其中第i个备选故障探针的信息熵增益G（T_i）=A（T_i）—B（T_i）。

步骤104、选取信息增益最大的备选故障探针进行发送。

本发明实施例中，由于将信息熵增益分解为两个条件熵A和B的差值，且条件熵B为基于故障探针经过的网络节点的状态的信息熵，在探测过程中不发生改变，这样在整个探测过程中仅需计算一次条件熵B，通过这种方式降低了探针选择过程中的运算量，提高了探针选择的效率，并降低了探针选择所占用的系统资源。

优选的，由于条件熵B仅与其经过的节点状态有关，与故障探针返回的结果无关，因此在本发明优选的实施例中，可以在探测过程开始之前，离线计算条件熵B并存储。这样后续过程中无需在线计算条件熵B，节省了探针选择所占用的时间和在线资源。

优选的，本发明实施例一中的步骤104后还可以包括：

步骤105，判断网络中剩余的不确定度是否小于预先设定的阈值，若是，则结束探测，并基于已发送故障探针返回的结果定位故障，否则回到步骤102。网络中剩余的不确定度用来衡量目前对于网络的状态的确定程度，通过发送故障探针等形式对网络的状态了解的越多，该网络的不确定就越小。本发明优选的实施例中，接收到故障探针发送的结果之后，还可以使系统对当前网络中的不确定度进行判断，若小于一定的预先设定值，则说明对网络的状态有足够的了解，此时无需继续进行探测，在此基础上，结束探测，并基于探针返回的结果进行故障定位（基于返回的结果进行故障定位的方式在现有技术中已经实现，本发明中不再做进一步的阐述）。若是系统的判断结果为大于或等于一定的预先设定值，则说明对网络中的状态还没有了解到需要了解的程度，则转向步骤102，继续执行步骤102-步骤104，直到判断网络中剩余的不确定度小于预设值。

在本发明优选的实施例中，系统利用近似推理算法对条件熵A进行计算。

下面结合图2对本发明实施例提供的另外一种IP网络故障探针的选择方法进行详细说明，如图2所示，该方法可以包括：

步骤201，开始进行故障检测。

步骤202，建立网络节点与故障探针之间的贝叶斯网络依赖模型。模型给出了各个故障探针（比如T_i）的返回结果与其经过的节点状态(parent(T_i))之间的直接依赖关系，以及相应的条件概率P(T_i|parent(T_i))。这里的故障探针可以为全部的故障探针，也可以为备选的故障探针，或者一定范围内的故障探针。

步骤203，离线环境下计算各个备选故障探针的条件熵B，其中第i个备选故障探针T_i对应的条件熵B(T_i)可以根据如下公式进行计算：B（T_i）=H（T_i|parent（T_i））=-∑T_i,parent（T_i）P(T_i,parent（T_i）)logP（T_i|parent（T_i））。

步骤204，计算各个备选故障探针的条件熵A，其中第i个备选故障探针T_i对应的条件熵A(T_i)可以根据如下公式进行计算：P(Ti,parent（Ti）)

A (T_{i}) = H (T_{i} | D) = - Σ_{T_{i}} P (T_{i} | D) \log P (T_{i} | D);

其中D为已经返回的故障探针的结果集合。由于P(T_i|,D)的计算复杂度很高，可采用近似推理的算法，如BP（belief propagation，置信传播）计算出P(T_i|D)的近似值，然后得到A(T_i)的近似值。

步骤205，计算每个备选故障探针的信息熵增益，其中，其中第i个备选故障探针T_i对应的条件熵增益G（T_i）可以根据如下公式计算：

G(T_i)=H(T_i|D)-H(T_i|parent(T_i))即G（T_i）=A（T_i）—B（T_i）。

由于现有技术中，信息熵增益计算公式为：

G(T_i)=H(X丨D)—H(X丨D，T_i)（1）；

由信息熵的链式性质可知：

H(X|D)=H(X,D)-H(D)(2);

H(X|D,T_i)=H(X,D,T_i)-H(D,T_i)(3);

将（2）（3）式带入式（1）可得：

G(T_i)=H(X，D)-H(D)-H(X，D，T_i)+H(D，T_i)

=H(D，T_i)-H(D)-(H(X，D，T_i)-H(X，D))(4);

再次使用链式性质可得：

G(T_i)=H(T_i|D)-H(T_i|X，D)(5);

由于故障探针T_i的状态只与其经过的网络节点parent(T_i)的状态有关，则

H(T_i|X，D)=H(T_i|parent(T_i))(6);

进而得：G(T_i)=H(T_i|D)-H(T_i|parent(T_i))。

这样，每个备选故障探针信息熵增益可分为条件熵A、B两个部分。其中，B可在离线环境下计算并存储，A则可是用计算推理的算法计算出来。如此可大大降低探针信息熵增益计算的在线计算复杂度和计算时间。

按照这种方式，系统计算每个备选故障探针的信息熵增益。

步骤206，选取备选探针集合中信息增益熵最大的故障探针进行发送。

步骤207，判断网络中剩余的不确定度H(X|D)是否小于预设值，若是，则转向步骤208，若否，则转向步骤204，继续选择故障探针并发送。其中，X为网络中所有的节点，并根据如下公式计算剩余不确定度：H(X|D)=Σ_DP(D)H(X|D)=-Σ_X,DP(X,D)logP(X|D)。如果网络中剩余的不确定度小于预先设定的阈值，则表明网络的情况基本探明，可以结束探测；否则说明对网络中的状态还没有了解到需要了解的程度，此时回到步骤204，继续选择故障探针并发送。

步骤208，将已发送的探针返回的结果作为故障诊断的输入，利用相应的故障诊断进行故障诊断和定位。

本发明实施例中，将备选探针的信息熵增益分解为两个条件熵A、B之差，其中条件熵B为基于故障探针经过的节点的故障探针的信息熵，在探测过程中不发生改变，这样在整个探测过程中仅需计算一次条件熵B，通过这种方式降低了探针选择过程中的运算量，提高了探针选择的效率，并降低了探针选择所占用的系统资源。同时本发明实施例中，离线计算条件熵B，降低了探针选择对在线资源的占用。另外，本发明实施例中，利用近似推理算法计算条件熵A，降低了计算的复杂度。

基于同样的构思，本发明实施例还提供了一种IP网络故障探针的选择设备，如图3所示，包括：

建模模块301，用于建立备选故障探针与相应的备选故障探针经过的网络节点之间的贝叶斯网络模型；

第一计算模块302，用于计算备选故障探针的条件熵B，其中第i个备选故障探针T_i的条件熵B（T_i）为H（T_i|parent（T_i）），parent（T_i）为第i个备选故障探针所经过的网络节点的状态；

第二计算模块303，用于计算各个备选故障探针的条件熵A，第i个备选故障探针的条件熵A（T_i）=H（T_i|D），D为已发送故障探针返回的结果集合；

第三计算模块304，用于计算各个备选故障探针的信息熵增益G，其中第i个备选故障探针的信息熵增益G（T_i）=A（T_i）—B（T_i）；

探针发送模块305，用于选取信息增益最大的备选故障探针进行发送。

优选的，第一计算模块302具体用于离线计算备选故障探针的条件熵B。

优选的，该设备还包括：判断模块306，用于判断网络中剩余的不确定度是否小于预先设定的阈值，并在判断为是时，指示所述设备结束探测，在判断为否时，指示第二计算模块303再次计算各个备选故障探针的条件熵A；

故障定位模块307，用于在判断模块306的判断结果为是时，根据已发送故障探针返回的结果定位故障。

第二计算模块303具体用于利用近似推理算法计算所述条件熵A。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims

1.一种IP网络故障探针的选择方法，其特征在于，该方法包括：

选取信息增益最大的备选故障探针进行发送。

2.如权利要求1所述的方法，其特征在于，所述计算备选故障探针的条件熵B，具体为离线计算备选故障探针的条件熵B。

3.如权利要求1所述的方法，其特征在于，所述选取信息增益最大的备选故障探针进行发送之后，所述方法还包括：

4.如权利要求1-3任一项所述方法，其特征在于，所述计算各个备选故障探针的条件熵A具体为利用近似推理算法计算所述条件熵A。

5.一种IP网络故障探针的选择设备，其特征在于，包括：

6.如权利要求5所述的设备，其特征在于，所述第一计算模块具体用于离线计算备选故障探针的条件熵B。

7.如权利要求5所述的设备，其特征在于，还包括：判断模块，用于判断网络中剩余的不确定度是否小于预先设定的阈值，并在判断为是时，指示所述设备结束探测，在判断为否时，指示所述第二计算模块再次计算各个备选故障探针的条件熵A；

8.如权利要求5-7任一项所述的设备，其特征在于，所述第二计算模块具体用于利用近似推理算法计算所述条件熵A。