CN104573386A - 一种利用贝叶斯模型进行系统评估检测的方法 - Google Patents

Abstract

本发明公开了一种利用贝叶斯模型进行系统评估检测的方法，所述方法包括：步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；步骤B：通过A步骤，对逻辑模型建立故障树模型；步骤C：建立基于所述故障树模型的贝叶斯网络；步骤D：基于所述贝叶斯网络进行系统评估检测，实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

Description

一种利用贝叶斯模型进行系统评估检测的方法

技术领域

本发明涉及计算机软件理论和软件系统研究领域，尤其涉及一种利用贝叶斯模型进行系统评估检测的方法。

背景技术

贝叶斯网络的定义，贝叶斯网络又称贝叶斯信念网络，是一种对概率关系的有向图解描述，它提供了一种将知识直觉地图解可视化的方法。贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG)，它由代表变量的节点及连接这些节点的有向边构成。其中节点代表论域中的变量，有向弧代表变量间的关系(即影响概率)，通过图形表达不确定性知识，通过条件概率分布(CPD)的注释，可以在模型中表达局部条件的依赖性。

由上可见，贝叶斯网络是一种表示数据变量间潜在关系的定性与定量相结合的方法，它采用图形结构表示一组条件独立声明，并用条件概率表的数据值刻画变量间的依赖强度。

由概率的链规则可得：

$P(X_1,...,X_n)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(X_i\right|X_1,X_2,...,X_{i-1})---\left(1\right)$

而对于任一变量X_i，通常可以找到一个与X_i都不独立的最小子集 $\mathrm{Parent}\left(X_i\right)\⊆\{X_1,X_2,...,X_{i-1}\},$ 使得

P(X_i|X₁,X₂,…,X_i-1)＝P(X_i|Parent(X_i)) (2)

因此，当网络变量元组<X₁,…,X_n>赋予具体数据值<x₁,…,x_n>时，贝叶斯网络的联合概率分布可以由下面公式表示：

$P(x_1,...,x_n)=\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}P\left(x_i\right|\mathrm{Val}\left(\mathrm{Parent}\left(x_i\right)\right))=\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}{\mathrm{\&theta;}}_{x_i|\mathrm{Val}\left(\mathrm{Parent}\left(X_i\right)\right)}---\left(3\right)$

贝叶斯网络的条件独立性，贝叶斯网络的拓扑结构代表了变量间的相互关系，它表达了变量之间的条件独立性。贝叶斯网络的一个优势是它提供了节点变量概率分布的简单表达，这个概率分布可以表达为，在给定父节点分布的情况下 节点的条件分布。因此Pa(t)代表节点T的父节点，则节点T的概率分布为P(T)为：

P(T)＝∏_{t ∈ T}P(t|P_a(t)) (4)

利用条件独立性进行分解，可以极大地减少计算联合概率所需的参数数量。

贝叶斯网络的双向推理，贝叶斯网络是一种用图表示知识的方法,并且是可以计算的概率模型。通过这种网络，可以综合各种来源的数据，并对这些数据进行综合的推理。

贝叶斯网络有正向推理和反向推理。贝叶斯网络推理计算分精确推理计算方法和近似计算方法。精确推理计算方法又分基于图形结构的方法，如多义树传播算法(Polytree Propagation)、团树推理方法(Clique Tree Propagation)、图约减算法(Graph Reduction)和基于组合优化的算法，如桶排除方法(Bucket Propagation)。

这些推理算法都没有摆脱显式求和的计算方式，其计算量都是随着节点数的增多呈指数增长。目前己经提出了多种近似推理算法。主要分为两大类：基于仿真的方法和基于搜索的方法。这些算法都采取一定的方式在运行时间和推理精度上寻求一个折中，力求在较短的时间内得到一个满足精度要求的结果。

在现有技术中，故障树分析方法的存在局限性，如故障树只能考虑系统二态:工作或失效,而考虑多态时很困难；系统事件之间要做独立假设,对于相关事件难于处理；应用故障树进行故障诊断分析时，要求得最小路集或最小割集,采用不交化方法，计算量大；如要计算系统中某一属性或多个属性对系统故障的影响时,计算难度大，有时甚至无法计算。

综上所述，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

在现有技术中，由于应用故障树进行故障诊断分析时，要求得最小路集或最小割集,采用不交化方法，计算量大，如要计算系统中某一属性或多个属性对系统故障的影响时,计算难度大，有时甚至无法计算，所以，现有技术中应用故障树进行系统故障诊断分析时存在计算量大，计算难度大，有时甚至无法计算的技术问题。

发明内容

本发明提供了一种利用贝叶斯模型进行系统评估检测的方法，解决了现有技术中应用故障树进行系统故障诊断分析时存在计算量大，计算难度大，有时甚至无法计算的技术问题，实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

为解决上述技术问题，本申请实施例提供了一种利用贝叶斯模型进行系统评估检测的方法，所述方法包括：

步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；

步骤B：通过A步骤，对逻辑模型建立故障树模型；

步骤C：建立基于所述故障树模型的贝叶斯网络；

步骤D：基于所述贝叶斯网络进行系统评估检测。

进一步的，所述步骤A具体包括：

A1：对所述软件系统中的数据库数据、属性、关系进行分析；

A2：建立所述软件系统中各个属性与所述软件系统运行的关系；

A3：基于A1和A2，建立所述逻辑关系与事件关系。

进一步的，所述步骤B具体包括：

B1：获得所述软件系统状态及各种属性的参数与正常运行的判定方式，绘制出对应的物理模型、逻辑模型；

B2：收集事故案例，进行事故统计，设定所述软件系统原来已经发生过的事故；

B3：将需要分析的对象作为顶上事件；

B4：调查与事故有关的所有原因事件和各种因素；

B5：从顶上事件起，逐级找出直接原因的事件，直至所要分析的深度，按其逻辑关系，画出故障树；

B6：记录并确定所有事故发生概率，标在所述故障树的对应事件(属性)上，并进而求出顶上事件(事故)的发生概率。

进一步的，所述步骤C具体包括：

C1：根据步骤B5中画出的所述故障树图求出它的最小路集(或最小割集)；

C2：将逻辑门关系用贝叶斯网络节点和CPT来表达；

C3：根据步骤C1中的故障树或最小路集(或最小割集)画出贝叶斯网络；

C4：将故障树中逻辑门用贝叶斯网络来表达，故障树向贝叶斯网络进行转化。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了将利用贝叶斯模型进行系统评估检测的方法设计为包括：步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；步骤B：通过A步骤，对逻辑模型建立故障树模型；步骤C：建立基于所述故障树模型的贝叶斯网络；步骤D：基于所述贝叶斯网络进行系统评估检测的技术方案，即基于故障树建立的贝叶斯网络模型，打破了故障树分析方法的局限性，贝叶斯网络技术的应用,可以根据系统中属性间的逻辑关系直接建立故障树，在故障树已有的情况下，也可以直接基于故障树生成贝叶斯网络，并可以简单地处理上述故障树难于解决的难题，且贝叶斯模型是一种较为简单且具有很强实用性的概率模型，用在评估系统的稳定性可以使数据的处理更为简单且直接实用，所以，有效解决了现有技术中应用故障树进行系统故障诊断分析时存在计算量大，计算难度大，有时甚至无法计算的技术问题，进而实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

附图说明

图1是本申请实施例一中利用贝叶斯模型进行系统评估检测的方法的流程图；

图2是本申请实施例一中c软件系统的属性以及事件关系的逻辑示意图；

图3是本申请实施例一中贝叶斯网络模型示意图；

图4是本申请实施例一中对应节点示意的示意图。

具体实施方式

本发明提供了一种利用贝叶斯模型进行系统评估检测的方法，解决了现有技术中应用故障树进行系统故障诊断分析时存在计算量大，计算难度大，有时甚至无法计算的技术问题，实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

由于不同的领域计算机软件中所提供的软件系统，会由于领域的不同，而出现不一样的故障与运行状态的评估方法。因此运用于各种软件系统评估的故障诊 断技术中广泛存在的不确定性和复杂关联。同时，不管是公司应用的系统还是科研应用的系统等，都需要数据库的支持来记录各个数据的值与关系，而这种数据的关系与值的正确与否对于系统的稳定性与应用性有这很大的影响。

当前故障树分析(FTA)常应用在软件系统可靠性分析中。故障树分析能够计算出软件系统的可靠度，并给出底事件发生对顶事件的影响大小，但是不能定量给出某几个底事件或中间事件在整个软件系统可靠性中所占的地位。当软件系统中某些程序运行状态已知时，很难计算出这些元件对整个软件系统或部分软件系统影响的条件概率，而这些条件概率对于改善和提高各种领域所用的软件系统的可靠性是很有帮助的。例如，可以利用这些信息找出对应软件系统可靠性的薄弱环节或薄弱点。

同时，又由于贝叶斯网络本身节点变量间的条件独立性，基于故障树法基本思想的贝叶斯网络的推理计算，不再有单独处理的不交化计算过程和最小割集的求解，避免了不交化的大量计算，同时通过双向推理可以计算出任意一个或多个变量节点给定的条件下，网络正常工作的概率。进而通过反向推理，在网络故障条件下，计算出任意一个或多个变量节点故障的概率，对网络的薄弱环节进行诊断。桶排除法的推理算法即应用了贝叶斯网络节点变量间的条件独立性原则，进行网络的正向推理。

基于此，提出基于概率理论和图论的贝叶斯网络作为软件系统评估与检测的模型和手段，具有很好的应用前景。

本申请实施中的技术方案为解决上述技术问题。总体思路如下：

采用了将利用贝叶斯模型进行系统评估检测的方法设计为包括：步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；步骤B：通过A步骤，对逻辑模型建立故障树模型；步骤C：建立基于所述故障树模型的贝叶斯网络；步骤D：基于所述贝叶斯网络进行系统评估检测的技术方案，即基于故障树建立的贝叶斯网络模型，打破了故障树分析方法的局限性，贝叶斯网络技术的应用,可以根据系统中属性间的逻辑关系直接建立故障树，在故障树已有的情况下，也可以直接基于故障树生成贝叶斯网络，并可以简单地处理上述故障树难于解决的难题，且贝叶斯模型是一种较为简单且具有很强实用性的概率模型，用在评估系统的稳定性可以使数据的处理更为简单且直接实用，所以， 有效解决了现有技术中应用故障树进行系统故障诊断分析时存在计算量大，计算难度大，有时甚至无法计算的技术问题，进而实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例一：

在实施例一中，提供了一种利用贝叶斯模型进行系统评估检测的方法，请参考图1-图4，所述方法包括：

步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；

步骤B：通过A步骤，对逻辑模型建立故障树模型；

步骤C：建立基于所述故障树模型的贝叶斯网络；

步骤D：基于所述贝叶斯网络进行系统评估检测。

其中，在本申请实施例中，大部分的软件软件系统是由许多该软件系统记录、测控的属性所构成，而这些属性中的数据又会被用于该软件系统的某些功能中，从而使软件系统可以运行或操作更多数据与功能。

其中，在本申请实施例中，所述步骤A具体包括：

A1：对所述软件系统中的数据库数据、属性、关系进行分析。

其中，在本申请实施例中，对于不同领域应用的系统，背后都会有相应的数据库来记载该领域系统中的数据以及相关属性。如表4.1和表4.2所示我们假设C软件系统有A、B两中属性,C中某些功能的运行是又A、B共同决定，也相当于当A或B出现故障对应C软件系统的该功能出现故障。我们把这各功能设为n，及n为A、B对C的某种关系。同理，也有关系m也是由A、B共同决定，但当A与B同时出现故障时C才会出现问题。这就好比A、B与C所具有的关系n为一种类似串联的关系，而关系m是一种类似与并联的关系。就如同电路中C为一个灯泡，而A、B是两个开关，而A与B的连接方式就是A、B与C的关系表示。当A与B一起决定C的正常运行与否时，A与B就是“与“的关系，当A与B其中的任意一个都可以维持C的正常运行时，A与B就是”或”的关系。以此类推一个数据库中的所关系与属性、功能或用户数据等。

A2：建立所述软件系统中各个属性与所述软件系统运行的关系。

其中，在本申请实施例中，以此类推，建立一个软件系统中各个属性与软件系统运行的关系(某一功能所需要的软件系统属性)。同时，向相关领域的用户询问A、B属性应该具有的实际值范围或是与其他属性对应的关系，如图4所示如果各关系与数据都正常则用a＝1，b＝1来表示该属性本身没有故障或是警告(即用特定的标识表示对应的属性是否运行正常)，若有数据出现故障则用a＝0，b＝0表示属性出现了故障或警告。同理，软件系统C有故障时用c＝0表示，反之则用c＝1表示。为了方便起见，我们称a与b共同决定软件系统c的事件称为“与”节点，a或b共同决定软件系统c的事件称为“或”节点。

A3：基于A1和A2，建立所述逻辑关系与事件关系。

其中，在本申请实施例中，基于步骤A1、A2的分析方法与转化方法，一个大型的系统背后的数据库中，各个属性与其关系已经不会局限于“与”或“或”的关系，所以对应的其他逻辑关系与事件关系。比如：在某些系统中有的功能与属性决定了某种功能是否正常运行或是接下来的步骤是否可以进行，这时候就需要“非“这种逻辑的出现，当这一种属性出先问题或是警告时就直接决定了对应功能的运行与否。

其中，在本申请实施例中，所述步骤B具体包括：

B1：获得所述软件系统状态及各种属性的参数与正常运行的判定方式，绘制出对应的物理模型、逻辑模型。即画出某一系统对应的物理模型或是逻辑模型，使得在接下来的步骤中更容易建立故障树。

其中，在本申请实施例中，要详细了解系统状态及各种属性的参数与正常运行的判定方式，可以利用工具(诸如：power designer等)绘制出对应的物理模型、逻辑模型等。

B2：由于建立故障树需要在原来系统的故障与警告的基础下进行修改，这样也使得系统出现警告与崩溃时处理问题更有针对性，或是在出行问题前能够更好的去与预测事故。所以B1后需要收集事故案例，进行事故统计，设定所述软件系统原来已经发生的事故。

其中，在本申请实施例中，收集事故案例，进行事故统计，设想给定系统可能发生的事故。对于不同环境与领域的系统运行，给出一般情况或是已经收集到 的系统事故。特别是由于数据的异常或是系统中的部分属性引起的警告与系统崩溃。

B3：将需要分析的对象作为顶上事件。

其中，在本申请实施例中，要分析的对象即为顶上事件。对所调查的事故进行全面分析，从中找出后果严重且较易发生的事故作为顶上事件。尤其是引起系统崩溃或是引起重要数据丢失的事故或是操作，可以作为顶上事件。

B4：调查与事故有关的所有原因事件和各种因素。

其中，在本申请实施例中，调查与事故有关的所有原因事件和各种因素。分析对应的大型事故的原因，或是各种事故堆积所引起的系统崩溃等。

B5：从顶上事件起，逐级找出直接原因的事件，直至所要分析的深度，按其逻辑关系，画出故障树。

其中，在本申请实施例中，从顶上事件起，逐级找出直接原因的事件，直至所要分析的深度，按其逻辑关系，画出故障树。并按故障树结构进行简化，确定各基本事件的结构重要度。(需要对应的专业人员确定某一种事件的重要程度即某种事故对整体的影响程度)。

B6：记录并确定所有事故发生概率，标在所述故障树的对应事件上，并进而求出顶上事件的发生概率。记录并确定所有事故发生概率，标在所述故障树的对应属性上，并进而求出事故的发生概率。

其中，在本申请实施例中，所述步骤C具体包括：

C1：根据步骤B5中画出的所述故障树图求出它的最小路集(或最小割集)；

C2：将逻辑门关系用贝叶斯网络节点和CPT来表达；

C3：根据步骤C1中的故障树或最小路集(或最小割集)画出贝叶斯网络；

其中，在本申请实施例中，对于更复杂的网络(如桥型网络),可以用一些有效的方法,如联络矩阵法、布尔行列式法、搜索法等求出它的最小路集。故障树和最小割集是从故障的角度看问题,最小路集是从正常运行的角度看问题。故障树中的“与”节点，“或”节点对应,最小割集是“或”节点,最小路集是“与”节点。

C4：将故障树中逻辑门用贝叶斯网络来表达，故障树向贝叶斯网络进行转化。

其中，在本申请实施例中，在系统可靠性评估中,贝叶斯网络模型的建立与 故障树的结构是一一对应的,因此逻辑门的转换也是必要的。从推理过程和对系统状态的描述过程来看,故障树向贝叶斯网络的映射基于两个原则:贝叶斯网络中的结点与故障树中的事件是一一对应的；贝叶斯网络中的条件概率分布是故障树中逻辑门关系的反映。基于此原则,将故障树中多种逻辑门用贝叶斯网络来表达,讨论了故障树向贝叶斯网络转化的方法:包括事件、逻辑门与节点的映射关系、事件之间逻辑关系与条件概率分布之间的映射关系。

其中，在实际应用中，下面结合具体的例子对本申请实施例中的方案进行介绍：

如图2所示，建立一个c软件系统的几个属性以及事件关系的逻辑示意图，

假设其中的几个属性下的几个相关属性中的其中一个或是几个属性出现了故障，从而引起了c软件系统中出现了警告信息或是崩溃。

根据图2所示的逻辑关系，建立如图3的贝叶斯网络模型。得到如表3所示的一系列属性的关系表格(其中：“0”表示故障，“1”表示数据或运行正常)。

所以应用Bucket Elimination方法,图2中软件系统节点F正常工作概率的计算过程为:

$\begin{array}{c}P(f=1)\underset{g3,l3,g2,g2,l1,l\mathrm{2,0},t}{\mathrm{\&Sigma;}}P(g3,l2,g2,l1,l2,o,t,f)\\ =\underset{o,t}{\mathrm{\&Sigma;}}\left\{P(f=1o,t)\underset{g3,l3,g2}{\mathrm{\&Sigma;}}\right[P(0g3,l3,g3)P\left(g3\right)P\left(l3\right)P\left(g2\right)]\\ \underset{l1,l2}{\mathrm{\&Sigma;}}P\left[(\mathrm{tl}1,l2)P\left(l1\right)P\left(l2\right)\right]\}=0.8472\end{array}$

即软件系统节点F的故障概率为P(f＝0)＝1-0.8472＝0.1528(这与实际数据的结果一致)从而在进行诊断推理时,假定软件系统故障情况下,各个元件的故障概率如表2所示。由表2可看出各元件在软件系统可靠性中所起作用的大小。例如计算g3的故障概率的公式：

表2软件系统故障时各元件的故障概率(诊断推理)

$P(g3=0f=0)=\frac{p(g3=0,f=0)}{p(f=0)}=0.3926$

表3.1G3、L3、G2的关系表格：

表3.1

G3	L3	G2	P(o＝1|G3,L3,G2)
				0	0	0	0
0	0	1	0
				0	1	0	0
0	1	1	0
				1	0	0	0
1	0	1	0
				1	1	0	0
1	1	1	1

表3.2L1、L2的关系表格：

表3.2

L1	L2	P(t＝1|L1,L2)
			0	0	0
0	1	1
			1	0	1
1	1	1

表3.3贝叶斯网络中的相关概率数据：

表3.3

O	T	P(f＝1|O,T)
			0	0	0
0	1	0
			1	0	0
1	1	1

表4.1a与b决定c软件系统的稳定性：

表4.1

A	B	P(c|A,B)
			0	0	0
0	1	0
			1	0	0
1	1	1

表4.2a或b决定c软件系统的稳定性：

表4.2

A	B	P(c|A,B)
			0	0	0
0	1	1
			1	0	1
1	1	1

应用故障树分析方法求解顶事件发生概率、概率重要度和关键重要度的关键是求出故障树的不交化最小割集矩阵,而求最小割集和不交化计算过程的计算量一般是很大的。把故障树转换成贝叶斯网络来计算,就可以避开不交化计算过程,同时也省去了最小割集的求解,并且使得计算分析更加直观灵活,可计算单个元件或任意几个元件故障情况下计算软件系统故障的条件概率。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

由于采用了将利用贝叶斯模型进行系统评估检测的方法设计为包括：步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；步骤B：通过A步骤，对逻辑模型建立故障树模型；步骤C：建立基于所述故障树模型的贝叶斯网络；步骤D：基于所述贝叶斯网络进行系统评估检测的技术方案，即基于故障树建立的贝叶斯网络模型，打破了故障树分析方法的局限性，贝叶斯网络技术的应用,可以根据系统中属性间的逻辑关系直接建立故障树，在故障树已有的情况下，也可以直接基于故障树生成贝叶斯网络，并可以简单地处理上述故障树难于解决的难题，且贝叶斯模型是一种较为简单且具有很强实用性的概率模型，用在评估系统的稳定性可以使数据的处理更为简单且直接实用，所以，有效解决了现有技术中应用故障树进行系统故障诊断分析时存在计算量大， 计算难度大，有时甚至无法计算的技术问题，进而实现了利用贝叶斯模型进行系统评估检测计算量小，计算难度小，简单实用的技术效果。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种利用贝叶斯模型进行系统评估检测的方法，其特征在于，所述方法包括：

步骤A：建立软件系统与所述软件系统中数据库变量及关系转化后的逻辑关系与事件关系；

步骤B：通过A步骤，对逻辑模型建立故障树模型；

步骤C：建立基于所述故障树模型的贝叶斯网络；

步骤D：基于所述贝叶斯网络进行系统评估检测。

2.根据权利要求1所述的方法，其特征在于，所述步骤A具体包括：

A1：对所述软件系统中的数据库数据、属性、关系进行分析；

A2：建立所述软件系统中各个属性与所述软件系统运行的关系；

A3：基于A1和A2，建立所述逻辑关系与事件关系。

3.根据权利要求1所述的方法，其特征在于，所述步骤B具体包括：

B1：获得所述软件系统状态及各种属性的参数与正常运行的判定方式，绘制出对应的物理模型、逻辑模型；

B2：收集事故案例，进行事故统计，设定所述软件系统原来已经发生过的事故；

B3：将需要分析的对象作为顶上事件；

B4：调查与事故有关的所有原因事件和各种因素；

B5：从顶上事件起，逐级找出直接原因的事件，直至所要分析的深度，按其逻辑关系，画出故障树；

B6：记录并确定所有事故发生概率，标在所述故障树的对应事件上，并进而求出顶上事件的发生概率。

4.根据权利要求3所述的方法，其特征在于，所述步骤C具体包括：

C1：根据步骤B5中画出的所述故障树图求出它的最小路集；

C2：将逻辑门关系用贝叶斯网络节点和CPT来表达；

C3：根据步骤C1中的故障树或最小路集画出贝叶斯网络；

C4：将故障树中逻辑门用贝叶斯网络来表达，故障树向贝叶斯网络进行转化。