CN107566193A - 模糊故障Petri网及其网络故障诊断方法 - Google Patents

Abstract

本发明涉及一种模糊故障Petri网及其网络故障诊断方法，其技术特点是：模糊故障Petri网包括如下一个11元组：Σ＝(S,T,F,D,G,w,η,θ,γ,M₀,H)；所述网络故障诊断方法将模糊Petri网和故障Petri网相结合提出模糊故障Petri网(Fuzzy Fault Petri Net，FFPN)，建立基于FFPN的网络故障成因模型，并结合基于FFPN诊断思想的算法，计算模型中某个引起以太网出现故障因素的真实度，真实度最高的成因因素即为可能引起以太网出现故障的最主要因素。本发明设计合理，解决了网络故障处理速度慢并影响用户使用体验的问题，能够较好地描述网络故障因素间的因果关系，并可定量分析得出以太网出现故障的主要因素，可为网络故障领域的研究与探索提供参考。

Description

模糊故障Petri网及其网络故障诊断方法

技术领域

本发明属于网络故障诊断技术领域，尤其是一种模糊故障Petri网及其网络故障诊断方法。

背景技术

随着计算机网络技术的快速发展，网络的应用越来越受到人们的重视，对于网络的应用也愈加丰富。网络已经深入千家万户，人们的日常生活已经离不开它，人们已经从单一的使用网络，逐渐变为依赖网络来解决各式各样的问题。但是随着网络涉及的领域扩大，网络开始产生智能化、动态化和异构化等特性，网络故障的诊断变得困难重重。

为了正常地使用网络，网络故障的诊断效率尤为重要，一个有效的故障诊断方法，能够第一时间确保网络运用的常态性以及网络自修复能力的提升。在日益发展的网络面前，网络用户对网络资源的需求日益增加，同时网络的结构也变得尤为复杂。网络资源是有限的，超大的网络用户群致使网络承担了极大的责任，从性能上考虑，网络性能会受其影响而下降。网络故障的产生也会给网络用户群带来极大的影响以及不便。在经济方面，甚至会有巨大的损失。因此，对于网络故障成因的研究是极其重要的。网络故障诊断成为当今网络运用过程中急需处理的难题，并且在网络管理方面，职责之重。管理网络的关键就是故障的诊断，网络故障诊断方法的研究成为了网络故障诊断能力提高的最基本方法。故障诊断能力的提升对于网络故障诊断的效率有非常大的好处，可以将损失减小到最少。

故障系统中每一部位或类型的变化都会影响着该系统功能上的变化，从而引起整个系统以及系统各部分的状态和运行参数受其影响。诊断故障的核心就是在系统中的任一环节呈现出问题时，需要从状态和运行参数上推测大致引起故障的成因以及可能造成故障产生的位置。整个系统状态的变化是由于某一部分造成时，称之为故障征兆，故障诊断是从已知的故障征兆，来推断系统的故障类型以及故障原因的过程。

故障诊断是极其困难的，其主要难点在于通常状况下，故障成因以及征兆之间不是简单的一一对应关系。一种故障的成因可能是由很多故障征兆造成的，而一种征兆可能是多种故障成因一起作用的结果。所以，诊断故障是极其模糊化而又复杂特殊的过程。一般情况下，从已经存在的信息内容中提取出故障的征兆，遵循给定的算法，进行初步筛选诊断，得到结论，找出故障成因。随即检查整个系统是否恢复正常，如果还未恢复正常，就必须添加一条新的信息再一次诊断推理，直至将系统的状态恢复正常为止。

Petri网是分布式系统中的建模与研究工具，它在许多应用领域里发挥着很强的建模分析能力。随着国内外学者专家的潜心研究，Petri网发展迅速，人们也从中获取了一整套完善的基础理论及方法，在并发、同步、冲突和顺序等特征的系统中拥有很好的性能。与其他模型相比，Petri网也有其独特的优势。Petri网与离散数学和线性代数的基础知识相结合，对于在离散系统的研究上有很大的帮助。Petri网所应用的范围十分宽泛，Petri网的理论基础可以与许多领域相结合，目前在专家系统领域、控制系统、生产制造系统和计算机系统中都已得到很好的应用。如何将Petri网理论应用在故障诊断中以快速准确地推理出故障点是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种模糊故障Petri网及其网络故障诊断方法，解决网络故障解决速度慢并影响用户使用体验的问题。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种模糊故障Petri网，包括如下一个11元组：

Σ＝(S,T,F,D,G,w,η,θ,γ,M₀,H)

其中：

S：S＝{s₁,s₂,s₃,…s_n}为库所集；

T：T＝{t₁,t₂,t₃,…t_m}为变迁集；

F：F为流关系集合；

D：S→{0,1}为FFPN的容量函数；

G：G＝{g₁,g₂,…,g_n}为有限的命题集合；

w：T→[0,1]为函数。

η：S→[0,1]是库所S的关联函数；

θ：S→G，是一个库所到命题的关联函数；

γ：T→[0,1]为变迁的阈值映射；

M₀：初始标识；

H：长度为2的数组。

进一步，所述变迁集合与库所集合满足如下条件：两种不同的元素变迁与库所至少有其一。

进一步，所述流关系集合与变迁集合、库所集合之间的关系为：

其中，

进一步，所述有限的命题集合与变迁集合、库所集合之间的关系为：

一种模糊故障Petri网的网络故障诊断方法，其特征在于：

假设s_i为网络故障的主要因素，每个因素的状态由库所对应命题g_i来表示，真实度为η(s_i)，如果目标库所表示以太网出现故障，初始库所为网络使用过程中网络出现故障的致因因素，t_i表示事件，置信度u_i表示t_i发生的可能性，具体诊断方法包括以下步骤：

步骤1、如果s_i∈S是网络发生故障的各个原因，那么M(s_i)＝1，否则为0，i＝1,…,n；

步骤2、设一个库所s₀，全部库所s_i，如果M(s_i)＝1，则s₀和s_i间加入变迁t，^·t＝s₀，t^·＝s_i，η(s₀)＝1；

步骤3、令H(s₀)＝[0,1]，库所s₀被标注未被查看；

步骤4、已被标注未被查看库所s_i与相邻库所s_j，如果s_i∈^·t_ij，s_j∈t_ij ^·，则：

如果η(s_i)>γ(t_ij)，则：令H(s_j)＝[s_i,η(s_j)]，将s_j标注，η(s_j)＝η(s_i)×u(t_ij)；

如果|^·t_ij|＝n,n≥2,当η(s_i)>γ(t_ij)，i＝1，2，…，n时，则：H(s_j)＝[s_i,η(s_j)]，η(s_j)＝min[η(s₁),η(s₂),…,η(s_j)]×u(t_ij)；

如果η(s_i)≤γ(t_ij)，则：s_j不进行标注，H(s_i)＝[0,η(s_i)]。

如果s_j已被标注，则：新H值H’(s_j)与旧H值H(s_j)中第二个元素比较，η’(s_j)和η(s_j)取较大者；

步骤5、如果s_i已被查看，重复执行步骤4，直到所有s都被查看；

步骤6、依据目标库所H值第一元素逆向回溯找到传播路径，此路径上的命题即为网络故障的主要因素。

本发明的优点和积极效果是：

本发明设计合理，其将模糊Petri网和故障Petri网结合在一起形成模糊故障Petri网(FuzzyFaultPetriNet，FFPN)，建立基于FFPN的网络故障成因模型，并结合基于FFPN诊断思想的算法，计算模型中某个引起以太网出现故障因素的真实度，真实度最高的成因因素即为可能引起以太网出现故障的最主要因素，解决了解决网络故障解决速度慢并影响用户使用体验的问题，经试验表明，本发明可以较好地描述网络故障因素间的因果关系，并可定量分析得出以太网出现故障的主要因素，可为网络故障领域的研究与探索提供参考。

附图说明

图1为本发明基于FFPN的网络故障致因模型。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

本发明的设计思路为：由于模糊Petri网在进行推理寻找故障源时存在缺陷，会产生故障的传播，造成源故障消失的错觉，而故障Petri网只是定性分析故障传播路径，也很难找到故障源，既没有数据支持，也不够全面。因此，为了提高故障诊断的效率，方便快速地找到故障传播路径，本发明在模糊Petri网和故障Petri网的理论基础上提出模糊故障Petri网(fuzzy fault Petrinet，FFPN)模型，该模型提出长度为2的数组H，结合逆向推理的思想，可以定量分析得出以太网出现故障的主要因素，方便快速，可为网络故障领域的研究与探索提供参考。本发明在FFPN的基础上，建立基于FFPN的网络故障成因模型，并结合基于FFPN诊断思想的算法，计算模型中某个引起以太网出现故障因素的真实度，真实度最高的成因因素即为可能引起以太网出现故障的最主要因素。

本发明提出的模糊故障Petri网为如下的一个11元组：

Σ＝(S,T,F,D,G,w,η,θ,γ,M₀,H)

其中：

S：S＝{s₁,s₂,s₃,…s_n}为库所集和，有限且非空，表示系统的状态。在FFPN中，如果对于有那么s为初始库所，表示系统的初始故障状态，如网口毁坏，路由器不工作等。如果对于有那么s为目标库所，表示系统的最终状态，系统故障。

T：T＝{t₁,t₂,t₃,…t_m}为变迁集和，有限且非空，表示系统中故障的发生过程。

变迁集合与库所集合需要满足条件：两种不同的元素变迁与库所至少有其一。

F：F为流关系集合，反映网结构关系的信息流向。

其中：

D：S→{0,1}为FFPN的容量函数。

G：G＝{g₁,g₂,…,g_n}为有限的命题集合，|S|＝|G|。

w：T→[0,1]为函数，表示变迁对应的推理规则的置信度。

η：S→[0,1]是库所S的关联函数，η(s_i)＝η_i，表示该库所对应的命题的真实度为η_i，η_i∈[0,1]，i＝1,2，…n。

θ：S→G，是一个库所到命题的关联函数。θ(s_i)＝g_i表示s_i与命题g_i有对应关系。IFη(s_i)＝η_i，并且θ(s_i)＝g_i，THENg_i真值为η_i。

γ：T→[0,1]为变迁的阈值映射，表示g的真实度的最低要求。

M₀：M₀称为初始标识，它表示为系统的初始状态。如果s_i∈S命题成立，那么M(s_i)＝1，否则M(s_i)＝0。

H：H是长度为2的数组，即有两个元素，用来判断库所是否被查看或标注，第一个元素是数字0(未被查看)或者库所s∈S的记号s_i，第二个元素是η(s_i)对应的值，η(s_i)＝0(未被标注)。H(s_i)＝[s_i,η(s_i)]，表示库所s_i已被查看并标注。

基于上述模糊故障Petri网，本发明的网络故障诊断方法如下：

假设s_i为网络故障的主要因素，每个因素的状态由库所对应命题g_i来表示，真实度为η(s_i)。如果目标库所表示以太网出现故障，初始库所为网络使用过程中网络出现故障的致因因素，t_i表示事件，置信度u_i表示t_i发生的可能性。本发明基于正向诊断算法，每条规则从初始的故障发生征兆到故障结果进行诊断分析，此规则经过的库所进行标注H，然后依据库所标注值逆向回溯到初始库所得出致因因素。求解算法，包括以下步骤：

步骤1、如果s_i∈S是网络发生故障的各个原因，那么M(s_i)＝1，否则为0，i＝1,…,n。

步骤2、设一个库所s₀，全部库所s_i，IFM(s_i)＝1，THENs₀和s_i间加入变迁t，·t＝s₀，t·＝s_i，η(s₀)＝1。

步骤3、令H(s₀)＝[0,1]，库所s₀已被标注未被查看。

步骤4、已被标注未被查看库所s_i与相邻库所s_j，IFs_i∈·t_ij，s_j∈t_ij ^·，THEN

Ifη(s_i)>γ(t_ij)，then令H(s_j)＝[s_i,η(s_j)]，将s_j标注，η(s_j)＝η(s_i)×u(t_ij)。

If|^·t_ij|＝n,n≥2,当η(s_i)>γ(t_ij)，i＝1，2，…，n时，thenH(s_j)＝[s_i,η(s_j)]，η(s_j)＝min[η(s₁),η(s₂),…,η(s_j)]×u(t_ij)。

Ifη(s_i)≤γ(t_ij)，thens_j不进行标注，H(s_i)＝[0,η(s_i)]。

Ifs_j已被标注，then新H值H’(s_j)与旧H值H(s_j)中第二个元素比较，η’(s_j)和η(s_j)取较大者。

步骤5、如果s_i已被查看，重复第四步，直到所有s都被查看。

步骤6、依据目标库所H值第一元素逆向回溯找到传播路径，此路径上的命题即为网络故障的主要因素。

下面以太网为例对本发明进行说明：

以太网一直是局域网中使用最为广泛的，主要从线缆故障，网络接口卡故障，介质访问单元故障，中继器和集线器故障，网桥故障，路由器故障等大的方面对以太网进行分层讨论故障问题。根据各个致因因素，用snoopy仿真软件建立基于FFPN的网络故障致因模型，如图1所示。分析库所和命题含义见表1和表2。

表1 FFPN模型库所含义

表2 FFPN模型命题含义

图1中，网络故障致因模型的致因因素对应库所为s₁、s₂、s₃、s₄、s₅、s₆、s₇、s₈、s₉、s₁₀、s₁₁、s₁₂、s₁₃、s₁₄、s₁₅、s₁₆、s₁₇、s₁₈。假设根据网络故障实际情况，通过专家打分得到用户反馈的故障现象的命题真实度值。给出如下值：

η(s₁)＝0.4，η(s₂)＝0.8，η(s₃)＝0.6，η(s₄)＝0.7，η(s₅)＝0.6，η(s₆)＝0.55，η(s₇)＝0.6，η(s₈)＝0.6，η(s₉)＝0.35，η(s₁₀)＝0.4，η(s₁₁)＝0.85，η(s₁₂)＝0.8，η(s₁₃)＝0.75，η(s₁₄)＝0.55，η(s₁₅)＝0.1，η(s₁₆)＝0.1，η(s₁₇)＝0.6，η(s₁₈)＝0.3。各个变迁的置信度分别为u₁₉(t₁)＝0.95，u₁₉(t₂)＝0.9，u₁₉(t₃)＝0.85，u₂₀(t₄)＝0.9，u₂₀(t₅)＝0.8，u₂₁(t₆)＝0.85，u₂₁(t₇)＝0.8，u₂₁(t₈)＝0.95，u₂₂(t₉)＝0.8，u₂₂(t₁₀)＝0.95，u₂₃(t₁₀)＝0.95，u₂₇(t₁₁)＝0.9，u₂₄(t₁₂)＝0.9，u₂₄(t₁₃)＝0.9，u₂₄(t₁₄)＝0.8，

u₂₅(t₁₄)＝0.8，u₂₅(t₁₅)＝0.9，u₂₆(t₁₆)＝0.9，u₂₆(t₁₇)＝0.85，u₂₆(t₁₈)＝0.92，u₂₉(t₁₉)＝0.95，u₂₉(t₂₀)＝0.9，u₂₇(t₂₁)＝0.85，u₂₇(t₂₂)＝0.85，u₂₈(t₂₃)＝0.98，u₂₈(t₂₄)＝0.7，u₂₈(t₂₅)＝0.8，u₂₉(t₂₆)＝0.95，u₂₉(t₂₇)＝1.0。u的下标表示对应变迁发生后的下一个s序号，u₁₉(t₁)表示t₁发生后指向s₁₉方向的置信度。本实例中变迁阈值统一取γ＝0.6。根据FFPN推理算法，具体推理步骤如下：

(1)库所中所有token＝1，排除η(s_i)<γ_i的库所。s₁，s₆，s₉，s₁₀，s₁₄，s₁₅，s₁₆，

s₁₇，s₁₈都排除。

(2)当t₂发生时，η(s₁₉)＝η(s₂)×u₁₉(t₂)＝0.8×0.9＝0.72，则H(s₁₉)＝[s₂,0.72]。

(3)当t₃发生时，η(s₁₉)＝η(s₃)×u₁₉(t₃)＝0.6×0.85＝0.51，则H(s₁₉)＝[s₃,0.51]。所有到达s₁₉的情况已经给出，取所有H(s₁₉)的第2个元素值最大者，即[s₂,0.72]。

(4)当t₄发生时，η(s₁₉)＝η(s₄)×u₂₀(t₄)＝0.7×0.9＝0.63，则H(s₂₀)＝[s₄,0.63]。

(5)当t₅发生时，η(s₂₀)＝η(s₅)×u₂₀(t₅)＝0.6×0.8＝0.48，则H(s₂₀)＝[s₅,0.48]。所有到达s₂₀的情况已经给出，取所有H(s₂₀)的第2个元素值最大者，即[s₄,0.63]。

(6)当t₇发生时，η(s₂₁)＝η(s₇)×u₂₁(t₇)＝0.6×0.8＝0.48，则H(s₂₁)＝[s₇,0.48]。

(7)当t₈发生时，η(s₂₁)＝η(s₈)×u₂₁(t₈)＝0.6×0.95＝0.57，则H(s₂₁)＝[s₈,0.57]。所有到达s₂₁的情况已经给出，由于η(s₂₁)<γ₂₀，所以η(s₂₁)不取值。

(8)当t₁₁发生时，η(s₂₇)＝η(s₁₁)×u₂₇(t₁₁)＝0.85×0.9＝0.765，则H(s₂₇)＝[s₁₁,0.765]。

(9)当t₁₂发生时，η(s₂₄)＝η(s₁₂)×u₂₄(t₁₂)＝0.8×0.9＝0.72，则H(s₂₄)＝[s₁₂,0.72]。

(10)当t₁₃发生时，η(s₂₄)＝η(s₁₃)×u₂₄(t₁₃)＝0.75×0.9＝0.675，则H(s₂₄)＝[s₁₃,0.675]。所有到达s₂₄的情况已经给出，取所有H(s₂₄)的第2个元素值最大者，即[s₁₃,0.765]。

(11)当t₁₇发生时，η(s₂₆)＝η(s₁₇)×u₂₆(t₁₇)＝0.6×0.85＝0.51，则H(s₂₆)＝[s₁₇,0.51]。因为η(s₂₆)<γ₂₅＝0.6，t₂₅不会发生。

(12)由于t₁₉发生时，要比较η(s₁₉)和η(s₂₀)的值，满足产生式规则类型2，取最小值。所以t₁₉发生时，η(s₂₉)＝η(s₂₀)×u₂₉(t₁₉)＝0.63×0.95＝0.5985，则H(s₂₉)＝[s₂₀,0.5985]。

(13)由于t₂₀发生时，要比较η(s₂₀)和η(s₂₁)的值，由于η(s₂₁)不取值，所以t₂₀发生时，η(s₂₉)＝η(s₂₀)×u₂₉(t₂₀)＝0.63×0.9＝0.567，则H(s₂₉)＝[s₂₀,0.567]。

(14)当t₂₃发生时，η(s₂₈)＝η(s₂₄)×u₂₈(t₁₃)＝0.765×0.98＝0.7497，则H(s₂₈)＝[s₂₄,0.7497]。

(15)当t₂₆发生时，η(s₂₉)＝η(s₂₇)×u₂₉(t₂₆)＝0.765×0.95＝0.7268，则H(s₂₉)＝[s₂₇,0.7268]。

(16)当t₂₇发生时，η(s₂₉)＝η(s₂₈)×u₂₉(t₂₇)＝0.7497×1.0＝0.7497，则H(s₂₉)＝[s₂₈,0.7497]。

此时所有到达s₂₉的情况已经给出，取所有H(s₂₉)的第2个元素值最大者，即[s₂₈,0.7497]。

此时目标库所达到，根据H值的第一个元素逆向回溯结果为s₂₉，s₂₈，s₂₄，s₁₃，即协议中地址表存在问题可能造成以太网出现故障，以太网出现故障的真实度约为0.7497。可以通过查找协议中地址表存在的问题来排查以太网故障，解决问题。如果没有通过定量计算，只是定性分析，后续诊断过程需考虑因素覆盖面较广、无针对性，不仅仅是通过定性分析，而是通过定量计算，使其更加具有针对性，可以最大可能地降低以太网出现故障的频率。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种模糊故障Petri网，其特征在于：包括如下一个11元组：

Σ＝(S,T,F,D,G,w,η,θ,γ,M₀,H)

其中：

S：S＝{s₁,s₂,s₃,…s_n}为库所集；

T：T＝{t₁,t₂,t₃,…t_m}为变迁集；

F：F为流关系集合；

D：S→{0,1}为FFPN的容量函数；

G：G＝{g₁,g₂,…,g_n}为有限的命题集合；

w：T→[0,1]为函数。

η：S→[0,1]是库所S的关联函数；

θ：S→G，是一个库所到命题的关联函数；

γ：T→[0,1]为变迁的阈值映射；

M₀：初始标识；

H：长度为2的数组。

2.根据权利要求1所述的模糊故障Petri网，其特征在于：所述变迁集合与库所集合满足如下条件：两种不同的元素变迁与库所至少有其一。

3.根据权利要求1所述的模糊故障Petri网，其特征在于：所述流关系集合与变迁集合、库所集合之间的关系为：

<mrow> <mi>F</mi> <mo>&amp;SubsetEqual;</mo> <mrow> <mo>(</mo> <mi>S</mi> <mo>&amp;times;</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>&amp;dtri;</mo> <mrow> <mo>(</mo> <mi>T</mi> <mo>&amp;times;</mo> <mi>S</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>d</mi> <mi>o</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>F</mi> <mo>)</mo> </mrow> <mo>&amp;cup;</mo> <mi>c</mi> <mi>o</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>F</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>S</mi> <mo>&amp;cup;</mo> <mi>T</mi> <mo>,</mo> </mrow>

其中，

<mrow> <mi>c</mi> <mi>o</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>F</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>{</mo> <mi>s</mi> <mo>&amp;Element;</mo> <mi>S</mi> <mo>&amp;cup;</mo> <mi>T</mi> <mo>|</mo> <mo>&amp;Exists;</mo> <mi>t</mi> <mo>&amp;Element;</mo> <mi>S</mi> <mo>&amp;cup;</mo> <mi>T</mi> <mo>:</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>&amp;Element;</mo> <mi>F</mi> <mo>}</mo> <mo>.</mo> </mrow>

4.根据权利要求1所述的模糊故障Petri网，其特征在于：所述有限的命题集合与变迁集合、库所集合之间的关系为：

5.一种根据权利要求1至4任一项所述模糊故障Petri网的网络故障诊断方法，其特征在于：

假设s_i为网络故障的主要因素，每个因素的状态由库所对应命题g_i来表示，真实度为η(s_i)，如果目标库所表示以太网出现故障，初始库所为网络使用过程中网络出现故障的致因因素，t_i表示事件，置信度u_i表示t_i发生的可能性，具体诊断方法包括以下步骤：

步骤1、如果s_i∈S是网络发生故障的各个原因，那么M(s_i)＝1，否则为0，i＝1,…,n；

步骤2、设一个库所s₀，全部库所s_i，如果M(s_i)＝1，则s₀和s_i间加入变迁t，^·t＝s₀，t^·＝s_i，η(s₀)＝1；

步骤3、令H(s₀)＝[0,1]，库所s₀被标注未被查看；

步骤4、已被标注未被查看库所s_i与相邻库所s_j，如果s_i∈^·t_ij，s_j∈t_ij ^·，则：

如果η(s_i)>γ(t_ij)，则：令H(s_j)＝[s_i,η(s_j)]，将s_j标注，η(s_j)＝η(s_i)×u(t_ij)；

如果|^·t_ij|＝n,n≥2,当η(s_i)>γ(t_ij)，i＝1，2，…，n时，则：H(s_j)＝[s_i,η(s_j)]，η(s_j)＝min[η(s₁),η(s₂),…,η(s_j)]×u(t_ij)；

如果η(s_i)≤γ(t_ij)，则：s_j不进行标注，H(s_i)＝[0,η(s_i)]。

如果s_j已被标注，则：新H值H’(s_j)与旧H值H(s_j)中第二个元素比较，η’(s_j)和η(s_j)取较大者；

步骤5、如果s_i已被查看，重复执行步骤4，直到所有s都被查看；

步骤6、依据目标库所H值第一元素逆向回溯找到传播路径，此路径上的命题即为网络故障的主要因素。