CN103763132A - 基于症状与故障相关性的网络虚拟化环境故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于症状与故障相关性的网络虚拟化环境故障诊断方法。本方法分别在两个“症状-故障”关系“虚拟网络中的观察症状-虚拟故障节点”和“RVF-物理故障节点”中将同样的诊断方法应用了两次：先由虚拟网络中的观察症状集合按贝叶斯定理选取得到可疑虚拟故障节点集合；再取实际症状集合为所述观察症状集合与可疑症状集合的交集，所述可疑症状集合由所述可疑虚拟故障节点集合的所有相关联症状组成；根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果，所述虚拟诊断结果能够解释所述实际症状集合中的所有症状的产生；再以同样的方法排除虚拟故障中的NRVF，得到物理故障。本发明可以实现对网络虚拟化环境更加准确的诊断。

Description

基于症状与故障相关性的网络虚拟化环境故障诊断方法

技术领域

本发明涉及计算机网络，具体涉及一种基于症状与故障相关性的网络虚拟化环境故障诊断方法。

背景技术

网络虚拟化环境是多个虚拟网络与物理网络的集合。其中，多个虚拟网络（上层）共存于同一个物理网络（底层）之上，利用物理网络的资源为终端用户提供个性化的服务，从而有效地促进网络创新的部署和应用。

在网络虚拟化环境中，传统的网络服务提供商ISP的设施与服务分离。由基础设施提供商InP（Infrastructure Provider）负责管理和运营底层物理网络设施；由服务提供商SP（Service Provider）负责向InP租赁网络资源组装虚拟网络，以提供个性化的端到端服务。

虚拟化环境中不断增长的资源共享使故障传播模型越来越复杂；此外，虚拟化网络映射采用的节点迁移、链路分割等技术使物理资源更容易消耗，虚拟服务更容易发生故障。虚拟化环境的这些特性将使故障诊断变得更加困难。

现有技术方案的研究重点多在于对于物理网络中出现的故障的诊断。比如一种网络虚拟化环境故障诊断方法提出并解决了虚拟网络底层透明性问题，从而实现虚拟网络环境下的物理故障的诊断。首先，为了获取充足的虚拟网络症状信息，该方法提出了VNFD架构用于共享虚拟网络症状信息。随后，利用贝叶斯和全概率公式近似的求出故障的先验概率以及条件概率。最终，利用置信度来评估每个故障假设集合发生故障的可能性，找出最有可能解释症状的故障假设集合。

该方法利用虚拟网络环境中多个虚拟网络映射一个物理网络的特性，通过共享多个虚拟网络的症状信息，从而使探测的症状信息更充足且探测的范围更广。该方法采用单层诊断方案，直接定位底层物理网络故障（下文简称为物理故障）。但在实际情况下，虚拟网络自身也会存在故障的发生，且这些故障与物理故障没有任何关联。而虚拟网络环境中的上层虚拟网络故障（下文简称为虚拟故障）中既包括这些虚拟网络自身故障（下文简称为NRVF），也包括物理故障引起的虚拟故障（下文简称为RVF）。然而该方法直接忽略了NRVF的存在，故而会降低诊断的准确性。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供一种基于症状与故障相关性的网络虚拟化环境故障诊断方法，充分考虑到了虚拟网络自身故障的存在，实现了对网络虚拟化环境更加准确的诊断。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于症状与故障相关性的网络虚拟化环境故障诊断方法，其特征在于，该方法包括：

收集所有虚拟网络的观察症状信息，构成观察症状集合；

根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合；

取实际症状集合为所述观察症状集合与可疑症状集合的交集，所述可疑症状集合由所述可疑虚拟故障节点集合的所有相关联症状组成；

根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果，所述虚拟故障节点集合能够解释所述实际症状集合中的所有症状的产生；

根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合；

取物理故障引起的虚拟故障节点集合为所述虚拟故障节点集合与可疑虚拟故障集合的交集，所述可疑虚拟故障集合由所述可疑物理故障节点集合的所有相关联虚拟故障节点组成；

根据所述物理故障引起的虚拟故障节点集合生成物理故障节点集合作为物理诊断结果，所述物理故障节点集合能够解释所述由物理故障引起的虚拟故障节点集合中所有的虚拟故障节点的产生。

优选地，所述根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合包括：

选取所有与所述观察症状集合中的观察症状相关联的虚拟节点组成关联虚拟故障节点集合。

优选地，所述根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合进一步包括：

对每个所述关联虚拟故障节点集合中的虚拟节点，计算所述观察症状集合中与该虚拟节点相关联的症状数量，占所有与该虚拟节点相关联的症状数量中的比例；若这一比例大于某预定阈值则将该虚拟节点选取到可疑虚拟故障节点集合中。

优选地，所述根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合包括：

选取所有与所述虚拟故障节点集合中的虚拟故障节点相关联的物理节点组成关联物理故障节点集合。

优选地，所述根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合进一步包括对每个所述关联物理故障节点集合中的物理节点，计算所述虚拟故障节点集合中与该物理节点相关联的虚拟故障节点数量，占所有与该物理节点相关联的虚拟故障节点数量中的比例，若这一比例大于某预定阈值则将该物理节点选取到可疑物理故障节点集合中。

优选地，所述根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果包括：

计算所述可疑虚拟故障节点集合中每个元素的贡献度，所述贡献度可以代表该元素对引发所述实际症状集合的可能性高低；

按所述贡献度从大到小的顺序将可疑虚拟故障节点集合中的元素排序；

按照所述顺序依次选取贡献度不同的元素加入到虚拟故障节点集合中，直至所述虚拟故障节点集合能够解释所述实际症状集合中的所有症状的产生；

若得到的虚拟故障节点集合数量大于一个，则选取其中置信度最大的作为虚拟诊断结果。

优选地，所述根据所述物理故障引起的虚拟故障节点集合生成物理故障节点集合作为物理诊断结果包括：

计算所述可疑物理故障节点集合中每个元素的贡献度，所述贡献度可以代表该元素对引发所述可疑物理故障节点集合的可能性高低；

按所述贡献度从大到小的顺序将可疑物理故障节点集合中的元素排序；

按照所述顺序依次选取贡献度不同的元素加入到物理故障节点集合中，直至所述物理故障节点集合能够解释所述由物理故障引起的虚拟故障节点集合中所有的虚拟故障节点的产生；

若得到的物理故障节点集合数量大于一个，则选取其中置信度最大的作为物理诊断结果。

（三）有益效果

本发明至少具有如下的有益效果：

本发明采取了分层诊断的方法，先在上层由虚拟网络中的观察症状反推得到虚拟故障，再根据“物理故障引发RVF”这一“故障引发症状”关系区分开了虚拟故障中的RVF和NRVF，从而依此诊断出了物理故障和NRVF，相比较背景技术而言有着进一步的诊断层次，可以提高对网络虚拟化环境诊断的准确性。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中一种基于症状与故障相关性的网络虚拟化环境故障诊断方法流程图；

图2是本发明一个实施例中网络规模和网络拓扑类型对诊断算法的影响测试结果；

图3是本发明一个实施例中噪声对诊断算法的影响的测试结果；

图4是本发明一个实施例中本算法与SFDoIC算法之间准确度和所用时间的比较。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出了一种基于症状与故障相关性的网络虚拟化环境故障诊断方法，参见图1，该方法包括：

步骤101：收集所有虚拟网络的观察症状信息，构成观察症状集合；

步骤102：根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合；

步骤103：取实际症状集合为所述观察症状集合与可疑症状集合的交集，所述可疑症状集合由所述可疑虚拟故障节点集合的所有相关联症状组成；

步骤104：根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果，所述虚拟故障节点集合能够解释所述实际症状集合中的所有症状的产生；

步骤105：根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合；

步骤106：取物理故障引起的虚拟故障节点集合为所述虚拟故障节点集合与可疑虚拟故障集合的交集，所述可疑虚拟故障集合由所述可疑物理故障节点集合的所有相关联虚拟故障节点组成；

步骤107：根据所述物理故障引起的虚拟故障节点集合生成物理故障节点集合作为物理诊断结果，所述物理故障节点集合能够解释所述由物理故障引起的虚拟故障节点集合中所有的虚拟故障节点的产生。

本方法有两个关键点：两个“症状-故障”关系——“虚拟网络中的观察症状-虚拟故障节点集合”和“物理故障引起的虚拟故障节点集合-物理故障节点集合”；和虚拟故障中NRVF和RVF的区分。

问题的根源在于，在实际的“症状-故障”关系中，观测得到的观察症状和故障间并不是一一对应的。既可能有其他因素引发的观察症状，比如噪声引起的观察症状，在此统称为“伪症状”；也有可能存在某些故障的症状没有全部都被观测到的情况。

为了修正这些可能存在的问题，本方法就利用症状和故障的相关性，先从观察症状中筛选出一部分“可疑故障”，代表从观察症状来看最有可能发生的一些故障；然后由这部分可疑故障反推回症状，得到所有与可疑故障相关联的症状；最后只需要将原观察症状和关联症状取交集，就可以得到既与可疑故障相关联的，又被实际观测到的症状的集合。这一部分集合就称为“目标症状”，经过这一步骤就可以至少把原观察症状中的“伪症状”去除掉一部分，而且对于缺少实际观测证据的故障也进行了一定程度的排除，进而可以保证后续诊断的准确程度。

对于这一方法而言，“筛选出可疑故障”是决定其效果的核心操作，其筛选原理就是概率学中的贝叶斯定理，其思想主要就是引入条件概率这一概念，用已发生的事件来推测估计未来的事件，属于常用方法。根据具体的数学模型或参数的不同，这一问题可以有不同程度的筛选结果。大体上说筛选条件越严格，可能会使筛选出的可疑故障的发生概率越大，但其数量也就相应越少，根据具体的情况可以在此处设置适合于具体问题的筛选条件。

在此基础之上，诊断就只需要从“可疑故障”集合中挑选出一定数量的元素构成一个假设的诊断结果，使其可以解释所有的“目标症状”。这里根据具体预定诊断目标的不同也可以采用不同的方法，比如较一般地按概率最大假设最少的原则，将可疑故障的综合概率按大小依次加入到假设当中，直到可以解释所有的“目标症状”为止，若出现概率相同的点再按照其他附加规则进行挑选。视情况的不同也可以考虑诊断结果的准确度、误报率、算法执行速度或置信度中的一种或几种加入到预定诊断目标中，这些都属于故障诊断方法中的常用技术手段，在此不再赘述。

经过了上述过程，就完成了症状中故障假设，也就是诊断结果的提取，以这样的方法得到的诊断结果因为考虑到了伪症状的存在，所以相比较现有方法而言准确程度更高。

以上流程就是本实施例的诊断方法的核心，具体应用于网络虚拟化环境当中时，实际上就是分别在两个“症状-故障”关系——“虚拟网络中的观察症状-虚拟故障节点集合”和“物理故障引起的虚拟故障节点集合-物理故障节点集合”中将这一诊断方法应用了两次，先排除虚拟网络症状中的伪症状，得到虚拟故障，再排除虚拟故障中的NRVF，得到物理故障。该方法可以由虚拟网络中的观察症状找出其中的NRVF和物理故障，相比较背景技术而言有着进一步的诊断层次，可以提高对网络虚拟化环境诊断的准确性。

更具体地，这里给出使用本方法的一种具体模型下的网络虚拟化环境的诊断过程。需要说明的是，因为对两个“症状-故障”关系的处理方式是相同的，所以为方便描述，将“虚拟网络的观察症状集合”和“虚拟故障节点集合”统称为“观察症状集合”；将“实际症状集合”和“物理故障引起的虚拟故障节点集合”统称为“目标症状”；将“可疑虚拟故障节点集合”和“可疑物理故障节点集合”统称为“可疑故障节点结合”；类似地将名词上对应的“虚拟”和“物理”都消去作为统称名。

利用BRITE软件生成底层物理网络拓扑和虚拟网络请求拓扑。其中，底层物理网络拓扑的规模为100-500的均匀分布，虚拟网络的节点个数为物理网络节点数的20%。对于文中端到端探测路径的选取采用最短路径算法。为比较拓扑模型对诊断的影响，特将模型分为三种：AS-Waxman,AS-BA,Hierarchical。假设文中故障节点发生故障的先验概率服从正态分布N（0.005，0.003），由于文中的节点、链路构成QMR-DT模型，设症状的条件概率p(s|f)代表了故障f发生的条件下探测到症状s的概率，故此模型下关于症状的条件概率计算方式如下：

$p(s=0|f_1,f_2,f_3,...,f_k)=(1-p_{\mathrm{inhibit}})\underset{j}{\mathrm{\Π}}{p}_{\mathrm{leak}}^j$

其中，p_inhibit指抑制概率，即构成探测的节点或链路发生故障而探测结果仍显示正常的概率。p_leak指泄漏概率，即构成探测的节点和链路工作良好而探测结果仍显示故障的概率。j指发生故障的故障节点个数。

步骤102和105中根据贝叶斯定理分析所述观察症状集合得到可疑故障节点集合的具体步骤如下：

先选取所有与观察症状集合相关联的节点组成关联故障节点集合，对于其中的每一个节点f，定义比值α_f：

${\mathrm{\α}}_f={\mathrm{Sum}}_{S_{o_f}}/\mathrm{Su}{m}_{S_f},{\mathrm{\α}}_f\∈\left[\mathrm{0,1}\right]$

其中，

指与节点f相关联的症状中已观测到的观察症状个数；

指与f相关联的症状个数，也就是说α_f代表观察症状集合中与该节点相关联的症状数量占所有与该节点相关联的症状数量中的比例。然后将α_f与一个预定阈值α₀（同样为一个0到1之间的小数），若α_f>α₀则表示在当前的观察症状集合下节点f发生的概率比较大，就将该节点选取到可疑故障节点集合中；否则则表示在当前的观察症状集合下节点f发生的概率比较小，不考虑该节点的故障可能。可见，这个预定阈值就是上面所说的为了决定“筛选可疑故障”的筛选条件。

在步骤104和步骤107中根据目标症状生成故障节点集合作为诊断结果的具体步骤如下：

对于可疑故障节点集合中的每个节点f，定义其贡献度con(f)：

$\mathrm{con}\left(f\right)=\underset{s\∈S_{o_f}}{\mathrm{\Σ}}\mathrm{\β}\left(f\right|s)/\underset{s\∈S_f}{\mathrm{\Σ}}\mathrm{\β}\left(f\right|s)$

其中， $\mathrm{\β}\left(f\right|s)=p\left(s\right|f)p\left(f\right)/{\mathrm{\Σ}}_{f\∈F_s}p\left(s\right|f)p\left(f\right),$

表示节点f关联的症状集合中已观测到的观察症状集合，S_f表示与节点f相关联的症状集合，F_s表示症状s所关联的故障节点的集合。可见，p(s|f)p(f)代表与症状s的相关联的节点f发生故障使症状s被观测到的概率，而β(f|s)代表所有与症状s的相关联的节点对应的上述概率之和中，节点f所占的比例，从而贡献度代表所有节点f相关联的症状的上述比例之和中，目标症状中已被观测到的与f相关联的症状所占的比例。也就是说，节点f的贡献度代表了节点f对引发当前的目标症状的可能性高低。

然后按所述贡献度从大到小的顺序将可疑故障节点集合中的元素排序；按照所述顺序依次选取贡献度不同的元素加入到故障节点集合中，直至故障节点集合能够解释所有“目标症状”的产生；若得到的故障节点集合数量大于一个，则选取其中置信度最大的作为诊断结果。其中对一个故障节点集合h的置信度Belief(h,S_o)定义如下：

$\mathrm{Belief}(h,S_o)=\underset{f\∈F}{\mathrm{\Π}}p\left(f\right)\underset{s\∈S}{\mathrm{\Π}}p\left(s\right|\mathrm{\π}\left(s\right))$

=Π_f∈hp(f=1)*Π_f∈F\hp(f=0)

$*{\mathrm{\Π}}_{{s\∈S}_o}p(s=1|\mathrm{\π}\left(s\right))*{\mathrm{\Π}}_{{s\∈S\backslash S}_o}p(s=0|\mathrm{\π}\left(s\right))$

其中，π(s)指症状s的父节点，即症状s所关联的故障集合，S_o指观测的观察症状集合，p(s|π(s))指症状s的条件概率，已经在上面做过具体定义。

需要说明的是，贡献度或置信度的设定不仅限于这一种形式，可以根据具体情况进行具体的设定，总体而言其目标都是为了找到一个最有可能的诊断结果，其实际的操作形式与参数选择都可以在现有技术中找到具体说明。

自此完成了对这一具体情景的诊断算法模型，这里用两个参数指标来评价诊断结果的准确性：准确度（Accuracy）和误报率（False-positive）

其中，H_i指诊断的故障集合，F指实际发生的故障集合。对该算法的测试结果有如下图表可以表示：图2表示了网络规模和网络拓扑类型对诊断算法的影响，图3表示噪声对诊断算法的影响，图4表示本算法与SFDoIC算法之间准确度和所用时间的比较。

结合图表可见，这一算法总体上准确度保持在0.8以上（精确度不大于0.15），而且所用时间与SFDoIC算法相比有所减小，而且该算法对于网络规模、网络拓扑类型和噪声都有比较良好的稳定性。

综上所述，利用本发明提供的方法进行虚拟网络环境下的故障诊断，除已经叙述过的有益效果外，还具有以下优点：

通过症状管理中心收集所有虚拟网络观测的观察症状，实现多个虚拟网络观察症状的共享。此外，对观察症状进行筛选，抛弃部分由于网络动态变化以及噪声干扰所导致的伪症状。以上措施增加了观察症状的利用率并且提高了观察症状诊断的准确性。

这里增加了对虚拟网络故障的认识，将虚拟网络故障分为：虚拟网络自身故障（NRVF）和由底层引起的虚拟网络故障（RVF）。因此，本发明可以诊断NRVF以及物理网络故障，提高了诊断的准确性。此外，采用引入贡献度的方法，可以快速的定位故障，降低了诊断时间。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于症状与故障相关性的网络虚拟化环境故障诊断方法，其特征在于，该方法包括：

收集所有虚拟网络的观察症状信息，构成观察症状集合；

根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合；

取实际症状集合为所述观察症状集合与可疑症状集合的交集，所述可疑症状集合由所述可疑虚拟故障节点集合的所有相关联症状组成；

根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果，所述虚拟故障节点集合能够解释所述实际症状集合中的所有症状的产生；

根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合；

取物理故障引起的虚拟故障节点集合为所述虚拟故障节点集合与可疑虚拟故障集合的交集，所述可疑虚拟故障集合由所述可疑物理故障节点集合的所有相关联虚拟故障节点组成；

根据所述物理故障引起的虚拟故障节点集合生成物理故障节点集合作为物理诊断结果，所述物理故障节点集合能够解释所述由物理故障引起的虚拟故障节点集合中所有的虚拟故障节点的产生。

2.根据权利要求1所述的方法，其特征在于，所述根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合包括：

选取所有与所述观察症状集合中的观察症状相关联的虚拟节点组成关联虚拟故障节点集合。

3.根据权利要求2所述的方法，其特征在于，所述根据贝叶斯定理分析所述观察症状集合得到可疑虚拟故障节点集合进一步包括：

对每个所述关联虚拟故障节点集合中的虚拟节点，计算所述观察症状集合中与该虚拟节点相关联的症状数量，占所有与该虚拟节点相关联的症状数量中的比例；若这一比例大于某预定阈值则将该虚拟节点选取到可疑虚拟故障节点集合中。

4.根据权利要求1所述的方法，其特征在于，所述根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合包括：

选取所有与所述虚拟故障节点集合中的虚拟故障节点相关联的物理节点组成关联物理故障节点集合。

5.根据权利要求4所述的方法，其特征在于，所述根据贝叶斯定理分析所述虚拟故障节点集合得到可疑物理故障节点集合进一步包括对每个所述关联物理故障节点集合中的物理节点，计算所述虚拟故障节点集合中与该物理节点相关联的虚拟故障节点数量，占所有与该物理节点相关联的虚拟故障节点数量中的比例，若这一比例大于某预定阈值则将该物理节点选取到可疑物理故障节点集合中。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据实际症状集合生成虚拟故障节点集合作为虚拟诊断结果包括：

计算所述可疑虚拟故障节点集合中每个元素的贡献度，所述贡献度可以代表该元素对引发所述实际症状集合的可能性高低；

按所述贡献度从大到小的顺序将可疑虚拟故障节点集合中的元素排序；

按照所述顺序依次选取贡献度不同的元素加入到虚拟故障节点集合中，直至所述虚拟故障节点集合能够解释所述实际症状集合中的所有症状的产生；

若得到的虚拟故障节点集合数量大于一个，则选取其中置信度最大的作为虚拟诊断结果。

7.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述物理故障引起的虚拟故障节点集合生成物理故障节点集合作为物理诊断结果包括：

计算所述可疑物理故障节点集合中每个元素的贡献度，所述贡献度可以代表该元素对引发所述可疑物理故障节点集合的可能性高低；

按所述贡献度从大到小的顺序将可疑物理故障节点集合中的元素排序；

按照所述顺序依次选取贡献度不同的元素加入到物理故障节点集合中，直至所述物理故障节点集合能够解释所述由物理故障引起的虚拟故障节点集合中所有的虚拟故障节点的产生；

若得到的物理故障节点集合数量大于一个，则选取其中置信度最大的作为物理诊断结果。

Images