CN104486113A - 传感器网络中基于主动和被动的贪婪故障链路定位方法 - Google Patents
传感器网络中基于主动和被动的贪婪故障链路定位方法 Download PDFInfo
- Publication number
- CN104486113A CN104486113A CN201410762498.5A CN201410762498A CN104486113A CN 104486113 A CN104486113 A CN 104486113A CN 201410762498 A CN201410762498 A CN 201410762498A CN 104486113 A CN104486113 A CN 104486113A
- Authority
- CN
- China
- Prior art keywords
- node
- monitoring
- path
- subgraph
- fault
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种传感器网络中基于主动和被动的贪婪故障链路定位方法,属于无线传感器网络技术领域。该方法通过基于节点的拓扑拆分算法将故障网络分解为多个子图,在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数;最后,对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。本方法较传统方法具有更高的效率,同时,采用节点监测启发式贪婪算法,有效的减少了主动测量次数,降低了算法的耗时和能耗。
Description
技术领域
本发明属于无线传感器网络技术领域,涉及一种传感器网络中基于主动和被动的贪婪故障链路定位方法。
背景技术
随着通信、微电子、嵌入式和传感器技术的飞速发展,人们研制出各种具有感知、计算和通信能力的无线传感器节点。传感节点能够感知各种各样的物理信息,比如温度、湿度、光照和压力等。由传感器节点组成的无线传感器网络便成为了新的网络应用类型,它综合了传感器技术、嵌入式计算技术、分布式信息处理技术和通信技术,通过实时感知区域中的各类数据信息,并对其进行融合处理,最后发送到服务器端,通过数据挖掘等技术得到相应的信息。无线传感器网络可广泛用于国防军事、环境监测、医疗卫生、反恐抗灾、建筑结构检测等领域。
在实际应用过程中,传感器节点通常部署在周围气候环境或地理条件非常恶劣的区域中,如月球气候环境监测,活火山实时监测,高危区域远程控制等。无线传感网络的服务质量和系统运行状况可能会在节点软硬件故障、节点电量耗尽、人为破坏和气候原因导致的物理环境的改变等复杂因素的影响下,使得网络中出现节点故障、链路丢失等现象,从而影响到整个网络的可靠性和实际应用效果。通过实时监测网络状态,一旦发生异常便引发故障定位并修复,从而保证网络应用正常运行。随着无线传感器网络规模逐渐增大、结构日益复杂,网络发生故障的概率也逐渐上升,为了维持网络的可用性,使其更高效、安全、稳定、可靠的运行,更大限度的降低运营成本,提供真实可靠的数据信息,国内外在无线传感器网络故障管理领域展开了一系列的深入研究。
传感器节点部署到实际应用环境后,经常没有按照预先设定的方式运行,甚至停止工作。为了使网络正常运行,必须建立网络故障管理系统,一旦发现网络中存在可能判定为存在故障的异常信息,便会触发报警并自动对异常信息进行分析处理,提出最优的解决方案,直到所有的故障被发现为止。且随着无线传感网络规模的增大,各个传感器节点之间的相互影响,如果中间路由节点发生故障,通过该节点进行数据包转发的大量节点也会被认为发生故障。因此无线传感器网络中发生故障时,及时检测到异常,通过对相关数据进行分析并快速的定位到具体的故障部件是保证网络稳定、可靠运行的关键,也是网络故障管理的首要任务。因 此,无线传感网络故障管理对于网络正常运行是至关重要的。
无线传感器网络中的故障链推断问题,分为基于主动测量、基于被动测量和基于主动加被动测量的定位和推断技术。有限的能量和传输带宽,使得基站接收的感知数据成为网络故障检测中仅有的可供分析数据,然而这些数据提供的信息量往往不足以解释故障发生的原因。主动测量通过发送探测包询问的方式获得额外的节点或链路状态参数,用以解决网络故障检测中存在的信息不足的问题。
根据无线传感器网络的特点,使用一组与网络连通性、网络数据流和节点相关的参数用于故障检测,引入决策树算法检测网络中存在的故障。通过修改网络协议,降低故障检测可见性开销,可见性开销是故障发生的概率与检测出该故障所需能耗的乘积的总和,通过对协议的进行修改,降低了能耗的开销,但是,修改协议的方式在大多数情况下是不成立的。通过轻量级数据包标记策略,可以得到网络拓扑和一系列网络运行状态信息,并根据上述信息可以得到传感器节点的依赖关系图和推断模型,然后,将观测到的症状输入到推断模型,得到在某节点故障条件下的网络中不同节点发生故障的后验概率,并通过各种故障后验概率的比较进行故障检测。
主动监测消耗传感器网络中的能源,且不正常的行为可能会误导故障定位。例如节点可能错误的报告自己或者邻居的状态信息,或者中间路由节点可能会修改转发包中的信息。而被动监测,使用端到端的数据,因此不会发生上述问题。使用网络断层技术推断节点的丢包率,基于特定模型的方法只能分析单一的故障,提出使用相关图进行故障检测。相关图描述了在一段时间内各个节点的相关参数在统计上的相关性。在传感器网络正常运行的情况下,同一节点不同时刻的相关图具有时间相关性,而同一时刻不同节点的相关图具有空间相关性。使用节点的相关图在时间和空间上的异常突变来检测网络中可能存在的故障。该方式的优点是需要较少的通信开销、适用于数据收集类应用的网络故障检测,缺点是不适用于比较复杂的应用场景。上述两种方法都需要对数据进行聚合处理,缺点是仅适应在固定的树形拓扑下,且推理也可能会出现错误。网络断层分析技术早已经被非常成熟的研究,大多数应用在有线网络中,且不能被直接用到传感网络中。因为这种技术需要静态拓扑和相关联的数据包。在无线传感网中,端到端的数据是不相关联的且拓扑随时改变。采用端到端的数据引导主动探测,但每次只能监测一条链路,本发明可以同时监测多条链路,减少了主动探测的次数,节省了能耗。
越来越多面向不同应用领域的传感器网络被广泛的部署在真实环境中,使人们以新的方式观测周围的物理世界。然而这些网络中常常会出现各种不可预测的故障,能否快速有效地 对这些故障进行定位,是无线传感器网络研究的重要内容。现有无线传感器网络故障定位的研究中,大多采用主动测量或被动测量的方式。主动测量产生大量额外的能量消耗,减少了网络的生存周期,优点是能够精确定位故障的位置。被动测量不需要额外的能量消耗,对于能量有限的传感器网络是一种非常合适的测量方式。被动测量中提出了故障推断问题,基于端到端的数据定位所有的故障。然而,端到端的数据的异常可能是由不同节点的故障引起的,因此并不总是能够正确的定位故障。
因此,目前急需一种高效的传感器网络故障链路定位方法。
发明内容
有鉴于此,本发明的目的在于提供一种传感器网络中基于主动和被动的贪婪故障链路定位方法,该方法通过基于节点的拓扑拆分算法将故障网络分解为多个子图,在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数;最后,对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。节点监测路径的方式,即监测节点将被监测的所有故障路径依数据传输方向分为两部分:尾节点-监测节点、监测节点-头节点,根据监测结果采用路径分割算法将正常的部分路径所包含的链路从故障链路集中删除,从而缩小了故障链路集,直到所有的故障被发现。本方法将其转化为最优监测序列问题,并利用节省监测次数最优设计了基于节点监测启发式贪婪算法,有效的减少主动测量次数,降低算法耗时和能耗。
为达到上述目的,本发明提供如下技术方案:
一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:包括以下步骤:
步骤一:通过基于节点的拓扑拆分算法将故障网络分解为多个子图;
步骤二:在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数;
步骤三:对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。
进一步,节点监测路径的方式,即监测节点将被监测的所有故障路径依数据传输方向分为两部分:尾节点-监测节点、监测节点-头节点,根据监测结果采用路径分割算法将正常的部分路径所包含的链路从故障链路集中删除,从而缩小了故障链路集,直到所有的故障被 发现。
进一步,将故障拓扑图分解成为依nk的关联子图集即迭代遍历经过nk的所有路径 将依节点nk上行路径相关联的路径划分到子图中,直到每一条经过nk的路径都被划分到某个子图,最后将子图求并集得到其中pnk是包含节点nk的路径集。
进一步,在步骤二中,引入节点概率集计算节点概率,概率集可以通过: 计算得到,且除外,其余3个可以通过公式计算求得。
进一步,经过监测节点nk测试后得到拓扑中nk的上下部分子图状态后,将正常的链路从故障路径中分割掉;每次监测并进行分割之后,都将减少故障链路的数量,直到所有故障链路被发现为止。且此算法也可以用来计算计算的基本思想是,已知关联子图和以节点nk分界点的上下部分子图的状态为即nk上部分子图是正常的且下部分是存在故障的。从故障链路集L中删除节点nk的上部分全部链路,目的是减小故障链路集中链路的数量,将正常的链路从路径中进行分割。然后,在剩余故障链路集L中查找状态是responsible的链路li,将其删除并将包含此链路的路径从故障路径集合中删除。最后,再次遍历故障链路集,检测状态为irrelevant的链路并将其删除。其中,pi是包含链路li的路径集。
进一步,引入启发式贪婪算法确定故障节点,算法每次选择具有最高权值的节点进行监测;除第一个监测节点,其余节点的权值是根据上一次节点监测的结果计算得到的;节点nk的权值是,在该节点还没有进行监测的情况下,可能会节省的监测节点个数,令为节点nk的权值;为节点nk的上行路径段故障且下行路径段是正常的情况下节省监测节点的个数; 为节点nk的上行路径段是正常的且下行路径段有故障的情况下节省监测节点的个数;其中是所有被删除节点的个数;是所有被删除节点的个数;
本发明的有益效果在于:本发明提供的传感器网络中基于主动和被动的贪婪故障链路定位方法较传统方法具有更高的效率,同时,采用节点监测启发式贪婪算法,有效的减少了主动测量次数,降低了算法的耗时和能耗。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明路由表更新前后的两个网络拓扑图;
图2为本发明n2为监测点的关联子图;
图3为本发明的一般拓扑图;
图4为本发明依节点nk拆分子图
图5为本发明依节点nk拆分子图
图6为本发明所述方法的流程示意图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图6为本发明所述方法的流程示意图,如图所示,本发明提供的传感器网络中基于主动和被动的贪婪故障链路定位方法,包括以下步骤:步骤一:通过基于节点的拓扑拆分算法将故障网络分解为多个子图;步骤二:在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数;步骤三:对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。
下面对本方案进行具体说明:
定义1、一个故障拓扑图是一个三元组G=(N,L,P),N表示故障节点集合;L表示故障链路集合;P表示端到端的故障路径集合;G是只有一个sink节点的静态传感器网络。在一个长度为T的时间窗口W内,收集并分析网络中的端到端的数据。为了分析动态拓扑网络下的数据,将时间窗口分解为相同大小时间槽TR,TR时间内认为网络拓扑是不变的(静态的),且TR小于动态路由表更新时间。
定义2、路由矩阵 行表示一条端到端的路径;列表示链路。 表示链路lj在路径pi中。在固定时间间隔后,通过路由更新报告获得。
路由矩阵包含了图1中网络拓扑图更新前后的所有路径和链路信息,因此可以很好的分析动态路由下的网络。
定义3、在网络拓扑图G中:
给定某一节点nk, 其中节点序列 称路径pi和pj的关系为关于节点nk上行路径段相关联的。
定义4、叫做连通图G(N,L,P)中经过节点nk的路径集合的一个依节点nk的关联子图,具有以下性质:
(1)
(2)那么pj与pi是依节点nk不相关联的。
(3) 且
定义5、节点nk的关联子图的概率集
表1 变量定义及说明
又因和的状态是相互独立的,所以得到:
定义6、监测节点是可以对接收到的包进行统计,并按一定时间间隔Δt发送包到sink的节点。
定义7、J*(I)是能够节省测试消耗的最优值。
是故障拓扑G经过拓扑拆分后的一个子图中的能够解释该子图中所有故障需要监测次数最少的节点集合。在关联子图中,是以nk为分界点的上部分子图正常,且下部分子图故障;是上部分子图故障,下部分子图正常。
每个监测节点nk都可以形成一颗监测树,即依节点nk的关联子图。图2是由图1得到的以节点n2为监测点的关联子图n2作为监测点,负责监测路径p4、p5。统计来自n6、n7的包,即监测n2-n6和n2-n7之间的链路,并按时间间隔Δt发送包到sink节点,即监测n2-n0之间的链路,最后将n2的监测结果发送到sink节点。因此,可以同时监测多条链路l2、l6、l7。
n2(UD),因为已经确定子图存在故障,所以此状态不存在,因此也就不需要进行路径分割。
表示单路径中存在多条故障链路,因此采用先定位节点n2-sink之间的故障链路。因为定位n2-n6和n2-n7之间的故障链路,n2-sink之间的链路必须是正常的。
通过基于节点的拓扑拆分算法将故障网络分解为多个子图,在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数。最后,对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。节点监测路径的方式,即监测节点将被监测的所有故障路径依数据传输方向分为两部分.尾节点-监测节点、监测节点-头节点,根据监测结果采用路径分割算法将正常的部分路径所包含的链路从故障链路集中删除,从而缩小了故障链路集,直到所有的故障被发现。
定义8、是responsible,当且仅当至少存在一条故障路径pj只能够被链路li解释故障发生的原因。
定义9、是irrelevant,当且仅当没有一条路径可以被链路li解释故障发生的原因。
一、拆分子图
基于节点nk进行拆分子图的基本思想是,将故障拓扑图中分分解成为依nk的关联子图集Cnk,即迭代遍历经过nk的所有路径将依节点nk上行路径相关联的路径划分到子图中,直到每一条经过nk的路径都被划分到某个子图。最后将子图求并集得到其中pnk是包含节点nk的路径集。
二、节点概率集
计算节点概率的基本思想是,概率集可以通过 计算得到。且除外,其余3个可以通过公式计算求得。
三、路径分割
路径分割的基本思想是,经过监测节点nk测试后得到拓扑中nk的上下部分子图状态后,将正常的链路故障路径中分割掉。每次监测并进行分割之后,都将减少故障链路的数量,直到所有故障链路被发现为止。且此算法也可以用来计算
计算的基本思想是,已知关联子图和以节点nk分界点的上下部分子图的状态为即nk上部分子图是正常的且下部分是存在故障的。从故障链路集L中删除节点nk的上部分全部链路,目的是减小故障链路集中链路的数量,将正常的链路从路径中进行分割。然后,在剩余故障链路集L中查找状态是responsible的链路li,将其删除并将包含此链路的路径从故障路径集合中删除。最后,再次遍历故障链路集,检测状态为irrelevant的链路并将其删除。其中,pi是包含链路li的路径集。
计算的基本思想是,已知关联子图和以节点nk分界点的上下部分的状态为即nk上部分子图是存在故障的且下部分是正常的。通过建立一个堆栈遍历节点nk下部分子图中的所有链路,并将该链路从故障链路集中删除,将正常的链路从路径中进行分割。其中,pi是包含链路li的路径集。
四、启发式贪婪算法
算法每次选择具有最高权值的节点进行监测。除第一个监测节点,其余节点的权值是根据上一次节点监测的结果计算得到的。节点nk的权值是,在该节点还没有进行监测的情况下,可能会节省的监测节点个数,令为节点nk的权值。为节点nk的上行路径段故障且下行路径段是正常的情况下节省监测节点的个数。为节点nk的上行路径段是正常的且下行路径段有故障的情况下节省监测节点的个数。其中是所有被删除节点的个数; 是所有被删除节点的个数;
下面用一个具体实例对上述算法进行详细说明。假设已知图3拓扑图中所有路径的完整信息:p1=(l1,l3,l5),p2=(l1,l3,l6),p3=(l2,l4)。链路发生故障的先验概率p=0.1。根据NTHG算法的原理,因为头结点-尾节点的路径发生故障的概率为1,因此头节点和尾节点的权值为0。经过节点n2的路径集合P={p1,p2,p3},根据分拆的规则:节点nk上行路径段相关联的,得到 其中 和两个故障路径集合,如下图所示:
图4为故障路径集合 有上述论述已知
其中上述1和3分别表示,在上述概率条件下节省监测节点的数目。
其中上述2表示,在上述概率条件下节省测量节点的数目。
图5为故障路经集合有上述分析已知 又因所以首先监测的节点为n2。根据计算结果显示n2的权值是最大的,所以选择n2作为监测节点。对于路径p1、p2,上行路径段(n2~n0)是正常的情况下,删除路径p1,p2中的链路l1,那么路径将变为p1=(l3,l5),p2=(l3,l6)。下行路径段({n2,…,n5}、{n2,…,n6})是正常的情况下,删除路径p1,p1中的链路l3,l5,l6,那么故障路径将变为p1=p1=(l2)。对于路径p3:上行路径段(n2~n1)是正常的情况下,删除路径p3中的链路l1,那么路径将变为p3=(l4)。下行路径段(n2~n3)是正常的情况下,删除路径p3中的链路l4,那么故障路径将变为p3=(l2)。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (6)
1.一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:包括以下步骤:
步骤一:通过基于节点的拓扑拆分算法将故障网络分解为多个子图;
步骤二:在每个子图中分别求解该节点概率集并进一步计算该节点作为监测点可能节省主动监测的次数;
步骤三:对子图中计算得到的节省次数进行求和并选择值最大的作为监测节点,且每一次监测节点的选择都是基于上一次监测的结果和端到端的数据计算产生的,直到所有故障问题都得到解释为止。
2.根据权利要求1所述的一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:节点监测路径的方式,即监测节点将被监测的所有故障路径依数据传输方向分为两部分:尾节点—监测节点、监测节点—头节点,根据监测结果采用路径分割算法将正常的部分路径所包含的链路从故障链路集中删除,从而缩小了故障链路集,直到所有的故障被发现。
3.根据权利要求1所述的一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:将故障拓扑图分解成为依nk的关联子图集即迭代遍历经过nk的所有路径将依节点nk上行路径相关联的路径划分到子图中,直到每一条经过nk的路径都被划分到某个子图,最后将子图求并集得到其中是包含节点nk的路径集。
4.根据权利要求1所述的一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:在步骤二中,引入节点概率集计算节点概率,概率集可以通过:
计算得到,且除外,其余3个可以通过公式计算求得。
5.根据权利要求1所述的一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:经过监测节点nk测试后得到拓扑中nk的上下部分子图状态后,将正常的链路从故障路径中分割掉;每次监测并进行分割之后,都将减少故障链路的数量,直到所有故障链路被发现为止。
6.根据权利要求1所述的一种传感器网络中基于主动和被动的贪婪故障链路定位方法,其特征在于:引入启发式贪婪算法确定故障节点,算法每次选择具有最高权值的节点进行监测;除第一个监测节点,其余节点的权值是根据上一次节点监测的结果计算得到的;节点nk的权值是,在该节点还没有进行监测的情况下,可能会节省的监测节点个数,令为节点nk的权值;为节点nk的上行路径段故障且下行路径段是正常的情况下节省监测节点的个数;
为节点nk的上行路径段是正常的且下行路径段有故障的情况下节省监测节点的个数;
其中是所有被删除节点的个数;是所有被删除节点的个数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410762498.5A CN104486113A (zh) | 2014-12-11 | 2014-12-11 | 传感器网络中基于主动和被动的贪婪故障链路定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410762498.5A CN104486113A (zh) | 2014-12-11 | 2014-12-11 | 传感器网络中基于主动和被动的贪婪故障链路定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104486113A true CN104486113A (zh) | 2015-04-01 |
Family
ID=52760621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410762498.5A Pending CN104486113A (zh) | 2014-12-11 | 2014-12-11 | 传感器网络中基于主动和被动的贪婪故障链路定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104486113A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157571A (zh) * | 2015-05-12 | 2016-11-23 | 霍尼韦尔国际公司 | 从无线网状传感器到云的预测数据的自动报告 |
CN106686539A (zh) * | 2017-03-02 | 2017-05-17 | 南京龙渊微电子科技有限公司 | 一种基于邻接信息和启发式路径决策的wsn定位方法 |
CN107295536A (zh) * | 2017-07-05 | 2017-10-24 | 苏州大学 | 一种并行诊断测试方法 |
CN109246736A (zh) * | 2018-08-31 | 2019-01-18 | 中建科技有限公司深圳分公司 | 一种传感器网络监听系统、监听器及故障分析终端 |
CN105207843B (zh) * | 2015-08-27 | 2019-05-28 | 国家计算机网络与信息安全管理中心 | 一种基于历史测试结果的网站访问质量检测方法 |
CN115119241A (zh) * | 2022-06-21 | 2022-09-27 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN117938714A (zh) * | 2024-02-01 | 2024-04-26 | 山东师范大学 | 网络链路故障检测方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080232281A1 (en) * | 2007-01-22 | 2008-09-25 | Worcester Polytechnic Institute | Precise node localization in sensor ad-hoc networks |
CN102026331A (zh) * | 2010-12-23 | 2011-04-20 | 重庆邮电大学 | 无线传感器网络中分布式多跳节能通信方法 |
CN104159251A (zh) * | 2014-08-18 | 2014-11-19 | 重庆邮电大学 | 基于被动端到端的传感器网络故障链路推断方法 |
-
2014
- 2014-12-11 CN CN201410762498.5A patent/CN104486113A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080232281A1 (en) * | 2007-01-22 | 2008-09-25 | Worcester Polytechnic Institute | Precise node localization in sensor ad-hoc networks |
CN102026331A (zh) * | 2010-12-23 | 2011-04-20 | 重庆邮电大学 | 无线传感器网络中分布式多跳节能通信方法 |
CN104159251A (zh) * | 2014-08-18 | 2014-11-19 | 重庆邮电大学 | 基于被动端到端的传感器网络故障链路推断方法 |
Non-Patent Citations (1)
Title |
---|
尚凤军等: ""WSN中基于端到端的贪婪故障定位算法"", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157571A (zh) * | 2015-05-12 | 2016-11-23 | 霍尼韦尔国际公司 | 从无线网状传感器到云的预测数据的自动报告 |
CN105207843B (zh) * | 2015-08-27 | 2019-05-28 | 国家计算机网络与信息安全管理中心 | 一种基于历史测试结果的网站访问质量检测方法 |
CN106686539A (zh) * | 2017-03-02 | 2017-05-17 | 南京龙渊微电子科技有限公司 | 一种基于邻接信息和启发式路径决策的wsn定位方法 |
CN107295536A (zh) * | 2017-07-05 | 2017-10-24 | 苏州大学 | 一种并行诊断测试方法 |
CN109246736A (zh) * | 2018-08-31 | 2019-01-18 | 中建科技有限公司深圳分公司 | 一种传感器网络监听系统、监听器及故障分析终端 |
CN109246736B (zh) * | 2018-08-31 | 2021-11-26 | 中建科技集团有限公司 | 一种传感器网络监听系统、监听器及故障分析终端 |
CN115119241A (zh) * | 2022-06-21 | 2022-09-27 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN115119241B (zh) * | 2022-06-21 | 2024-05-14 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN117938714A (zh) * | 2024-02-01 | 2024-04-26 | 山东师范大学 | 网络链路故障检测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104486113A (zh) | 传感器网络中基于主动和被动的贪婪故障链路定位方法 | |
Zhang et al. | A survey on fault diagnosis in wireless sensor networks | |
Lau et al. | Probabilistic fault detector for wireless sensor network | |
Srinivasan et al. | Machine learning-based link fault identification and localization in complex networks | |
US8634314B2 (en) | Reporting statistics on the health of a sensor node in a sensor network | |
US8638680B2 (en) | Applying policies to a sensor network | |
US20120026938A1 (en) | Applying Policies to a Sensor Network | |
Liu et al. | Self-diagnosis for detecting system failures in large-scale wireless sensor networks | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
WO2016095710A1 (zh) | 一种调整srlg的方法和装置 | |
CN104159251A (zh) | 基于被动端到端的传感器网络故障链路推断方法 | |
Yu et al. | A self detection technique in fault management in WSN | |
Gupta et al. | ANDES: an anomaly detection system for wireless sensor networks | |
CN111600805A (zh) | 基于贝叶斯的电力数据网拥塞链路推断算法 | |
Zafar et al. | A hybrid fault diagnosis architecture for wireless sensor networks | |
Prabhan et al. | Identifying faulty nodes in wireless sensor network to enhance reliability | |
Zhang et al. | Service failure diagnosis in service function chain | |
CN102281103A (zh) | 基于模糊集合解算的光网络多故障恢复方法 | |
CN105187276B (zh) | IPV6网络环境中OSPFv3协议下的链路通断检测方法及系统 | |
Sathiyavathi et al. | A review on fault detection in wireless sensor networks | |
Natu et al. | Using temporal correlation for fault localization in dynamically changing networks | |
Zhang et al. | Lossy links diagnosis for wireless sensor networks by utilising the existing traffic information | |
Lalem et al. | Boundary node failure detection in wireless sensor networks | |
CN105281974A (zh) | IPV6网络环境中OSPFv3协议下的路由器通断状态检测方法及系统 | |
JP2017034403A (ja) | サービス影響原因推定装置、サービス影響原因推定プログラム、及びサービス影響原因推定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150401 |
|
RJ01 | Rejection of invention patent application after publication |