CN105721209A - 一种有噪网络的故障检测方法 - Google Patents

Abstract

本发明涉及一种有噪网络的故障检测方法；根据网络中N个节点发生故障的概率p，设置同时出现故障网络节点个数α；对节点的各条路径进行探测，根据探测成功和探测失败概率，确定节点的可疑故障阈值，将各个节点可疑故障阈值和设定的目标阈值通过比较，选取出节点作为可疑节点并组成可疑节点集合；然后，更新可疑节点集合；针对新的可疑节点集合，重复上述步骤，直到选取出的故障节点数量达到设定的目标阈值时，即完成故障诊断。本发明可以灵活的根据实际网络情况和自身的需要设定故障节点个数，适时的调整故障诊断中的计算复杂度和准确性。

Description

一种有噪网络的故障检测方法

技术领域

本发明涉及一种有噪网络的故障检测方法，属于网络故障诊断的技术领域。

背景技术

随着电力综合数据网的快速发展，网络的可靠性和稳定性越来越重要。网络的健康稳定运行离不开高效准确的故障诊断，近年来，网络故障诊断一直是研究的热点。网络中经常会由于各种因素产生噪声，无噪声网络仅仅是一个理想状态，噪声是无处不在的，例如网络拓扑的更新、拥塞丢包等原因会导致原本应返回成功的探测返回失败；而由于路由变化等原因会导致原来本应失败的探测返回成功。由于工作人员会根据实际情况对故障检测的要求各不相同，在某些情况下，工作人员仅需要查找出其中存在的主要故障因素，如果此时还是按照传统的方式对整个网络中所有故障逐个进行遍历和查找，再加之其中存在的各种噪声，这会对检测的准确性和效率大打折扣，不仅无法查找出研究人员亟待获取的目标故障，也增加了系统检测的复杂度和时间。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种有噪网络的故障检测方法，适用于工作人员可以灵活调整对故障诊断的复杂度和准确度。

本发明是通过如下方案予以实现的：

一种有噪网络的故障检测方法，步骤如下：

步骤1，根据网络中N个节点发生故障的概率p，计算可能同时出故障的网络节点个数α；

步骤2，对节点的各条路径进行探测，根据探测成功和探测失败概率，确定节点的可疑故障阈值将各个节点可疑故障阈值和设定的目标阈值a通过比较，从中选取出节点作为可疑节点并组成可疑节点集合；

步骤3，从上述可疑节点集合中选取熵最小的可疑节点作为故障点，然后，删除该可疑节点，得到一个新的可疑节点集合；

步骤4，针对步骤3中得到的新的可疑节点集合重复步骤2和步骤3，直到选取出的故障节点数量达到设定的α时，完成故障诊断。

进一步的，步骤1中设置同时出现故障网络节点个数为α的表达式如下:

$P\left(\right|F|>\mathrm{\&alpha;})=1-\underset{\mathrm{\&alpha;}=0}{\overset{k}{\&Sigma;}}P\left(X\right)<0.05$

其中，|F|网络中的故障节点个数； $\left(X\right)=\left(\begin{array}{c}N\\ \mathrm{\&alpha;}\end{array}\right)p^{\mathrm{\&alpha;}}{(1-p)}^{N-\mathrm{\&alpha;}}$ 表示节点的状态概率分布，N为节点个数，p为每个节点出现故障的概率；

满足上式中α的最小值作为所设置的出现的故障节点个数α。

进一步的，步骤2中可疑故障阈值的表达式为：

$a_{x_i}=\frac{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i=1)}{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i)}$

其中，T_j为探测路径；T_obs为已选探测集合；X_i是T_j中的一个节点；X_i＝1表示出现故障。

进一步的，步骤2中计算熵的表达式：

$H\left(x_i\right)=-a_{x_i}{\log }_2{a}_{x_i}-(1-a_{x_i}){\log }_2(1-a_{x_i})$

其中，为节点x_i可疑故障阈值；H(x_i)为节点x_i的信息熵。

本发明和现有技术相比的有益效果是：

本发明提出了一种有噪网络的故障检测方法，根据各节点的故障概率设定网络中故障节点个数，计算各个节点的可疑故障阈值，建立可疑节点集合，选取出集合中熵最小的可疑节点作为故障节点；然后更新可疑节点集合，反复上述步骤，直到检测出设定的自身设定的故障节点个数。本发明可以灵活的根据实际网络情况和自身的需要设定故障节点个数，适时的调整故障诊断中的计算复杂度和准确性。的尤其在网络中存在噪声的情况下，不仅减少了系统计算工作量，还提高了工作效率，使对目标故障诊断更具针对性和灵活性，在设定范围内进行故障诊断仍能达到较高的精度。

附图说明

图1是本发明实施例的工作流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细的说明。

一种有噪网络的故障检测方法，步骤如下：

步骤(一)、根据网络中N个节点发生故障的概率p，设置同时出现故障网络节点个数为α；具体如下：

所述的网络中包含有N个节点，根据每个网络节点出现的故障概率为p,计算此时各个节点X＝{X₁,X₂,...,X_N}状态的概率分布为：

$P\left(X\right)=\left(\begin{array}{c}N\\ \mathrm{\&alpha;}\end{array}\right)p^{\mathrm{\&alpha;}}{(1-p)}^{N-\mathrm{\&alpha;}}---\left(1\right)$

假设网络中的故障节点各数为|F|,则根据小概率事件的性质：当一个事件发生的概率小于0.05，可以认为该事情不可能发生。所以，通过故障概率p，限定出现的故障节点个数α，如下：

若满足， $P\left(\right|F|>\mathrm{\&alpha;})=1-\underset{\mathrm{\&alpha;}=0}{\overset{k}{\&Sigma;}}P\left(X\right)<0.05---\left(2\right)$

则表示同时发生故障的节点个数不超过α个，将满足式(2)中α的最小值作为选取的设置出现的故障节点个数。

步骤(二)、对节点的各条路径进行探测，根据探测成功和失败概率，确定节点的可疑故障阈值将各个节点可疑故障阈值和设定的目标阈值a通过比较选取出其中的可疑节点组成可疑节点集合；

则可疑故障节点的表达式为：

$a_{x_i}=\frac{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i=1)}{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i)}---\left(3\right)$

其中，T_j为探测路径，T_obs为已选探测集合，X_i是T_j中的一个节点，X_i＝1表示出现故障。

设定目标阈值为a(a为0到1的常数)，对于节点X_i，若则表示节点X_i为可疑节点，否则表示该节点为正常节点。将所有检测得到的可疑节点形成可疑节点集合。

步骤(三)、从上述可疑节点集合中选取熵最小的可疑节点作为故障点，然后，删除该可疑节点，进而重新获取了一个可疑节点集合，具体如下：

从可疑节点集合中选取熵最小的可疑节点作为故障节点是基于信息增益的基本原理。即可通过可疑节点的信息增益判断可疑节点与探测结果之间的关联性强度。二者之间的关联性越高，该信息增益对应的可疑节点也就越可能是故障节点。可疑节点信息增益IG(X_i)的表达式如下：

IG(X_i)＝H(T)-H(T|X_i)(4)

其中，H(T)为所有探测结果的熵，H(T|X_i)为在节点X_i所在的探测状态已知的情况下的信息熵，IG(X_i)为节点X_i的信息增益；对于每个可疑节点在计算信息增益时H(T)的值都一样。

又因为，信息增益越大，可疑节点越有可能是故障节点。所以将求取最大的信息增益转换成求取可疑节点熵H(T|X_i)的最小值。

则计算熵值的表达式如下：

$H\left(x_i\right)=-a_{x_i}{\log }_2{a}_{x_i}-(1-a_{x_i}){\log }_2(1-a_{x_i})---\left(5\right)$

其中，为节点x_i可疑故障阈值；H(x_i)为节点x_i的信息熵。

步骤(四)、针对步骤(三)中得到的新的可疑节点集合，并且重复步骤(二)和步骤(三表)，直到选择出的故障节点个数满足故障网络节点个数α，即结束故障诊断。

本实施例结合实例证明本发明的有效性，实例的实验结果如表1所示：

1有噪网络的故障诊断测试结果

通过表1发现，基本上利用本发明诊断出的故障点和实验前设置的故障点一直，除了表中标“*”号对应的行中，虽然检测到了所有的故障节点，但是把一个正常节点误判为故障节点。

但是，就该实验总体而言，可以很明显的看出故障诊断的正确率跟设置的故障个数和可疑节点阈值有关，两者设置的越接近网络实际情况就能得到越高准确率的故障节点，通过对比诊断的故障节点数与实际的故障节点数的准确率，证明了本方法的有效性。

Claims (4)

1.一种有噪网络的故障检测方法，其特征在于，步骤如下：

步骤1，根据网络中N个节点发生故障的概率p，计算可能同时出故障的网络节点个数α；

步骤2，对节点的各条路径进行探测，根据探测成功和探测失败概率，确定节点的可疑故障阈值将各个节点可疑故障阈值和设定的目标阈值a通过比较，从中选取出节点作为可疑节点并组成可疑节点集合；

步骤3，从上述可疑节点集合中选取熵最小的可疑节点作为故障点，然后，删除该可疑节点，得到一个新的可疑节点集合；

步骤4，针对步骤3中得到的新的可疑节点集合重复步骤2和步骤3，直到选取出的故障节点数量达到设定的α时，完成故障诊断。

2.根据权利要求1所述的一种有噪网络的故障检测方法，其特征在于，步骤1中设置同时出现故障网络节点个数为α的表达式如下:

$P\left(\right|F|>\mathrm{\&alpha;})=1-\underset{\mathrm{\&alpha;}=0}{\overset{k}{\&Sigma;}}P\left(X\right)<0.05$

其中，|F|网络中的故障节点个数；表示节点的状态概率分布，N为节点个数，p为每个节点出现故障的概率；

满足上式中α的最小值作为所设置的出现的故障节点个数α。

3.根据权利要求1所述的一种有噪网络的故障检测方法，其特征在于，步骤2中可疑故障阈值的表达式为：

$a_{x_i}=\frac{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i=1)}{\underset{T_j\&Element;T_{obs}}{\&Sigma;}P\left(T_j\right|X_i)}$

其中，T_j为探测路径；T_obs为已选探测集合；X_i是T_j中的一个节点；X_i＝1表示出现故障。

4.根据权利要求1所述的一种有噪网络的故障检测方法，其特征在于，步骤2中计算熵的表达式：

$H\left(x_i\right)=-a_{x_i}{\log }_2{a}_{x_i}-(1-a_{x_i}){\log }_2(1-a_{x_i})$

其中，为节点x_i可疑故障阈值；H(x_i)为节点x_i的信息熵。