CN108768745A - 一种基于复杂网络的集群系统脆性测评方法 - Google Patents

一种基于复杂网络的集群系统脆性测评方法 Download PDF

Info

Publication number
CN108768745A
CN108768745A CN201810614049.4A CN201810614049A CN108768745A CN 108768745 A CN108768745 A CN 108768745A CN 201810614049 A CN201810614049 A CN 201810614049A CN 108768745 A CN108768745 A CN 108768745A
Authority
CN
China
Prior art keywords
node
group
attack
brittleness
index
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.)
Granted
Application number
CN201810614049.4A
Other languages
English (en)
Other versions
CN108768745B (zh
Inventor
孙鹏飞
李大庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201810614049.4A priority Critical patent/CN108768745B/zh
Publication of CN108768745A publication Critical patent/CN108768745A/zh
Application granted granted Critical
Publication of CN108768745B publication Critical patent/CN108768745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种基于复杂网络的集群系统脆性测评方法，主要包含以下步骤：步骤A：分析测评对象构建系统网络模型，发掘脆弱节点；步骤B：设置脆性指标；步骤C：设置蓄意攻击策略；步骤D：实施攻击，监控记录系统性能指标；步骤E：汇总性能指标的变化趋势，分析集群系统的脆性性能。本发明在考虑到集群系统多种复杂特性的前提下，采用本发明的测评方法对集群系统进行脆弱节点搜寻，然后针对脆弱节点进行蓄意攻击，采用本发明提出的脆性指标对攻击后的集群系统进行脆性定量分析和脆性趋势分析，便于系统设计人员发现系统脆弱节点，并根据测评结果针对脆弱节点以及网络结构进行优化改进，进而提高系统的脆性性能。

Description

一种基于复杂网络的集群系统脆性测评方法
技术领域
本发明提出了一种基于复杂网络的集群系统脆性测评方法，它涉及一种基于复杂网络的集群系统脆性测评方法，属于复杂性科学领域以及可靠性领域。
背景技术
集群系统应用广泛，通过对低性能的个体进行组合，个体间进行局部作用，在系统层次上可以涌现出远超单体性能的智慧，具有全新性、连贯性、动态性、以及灵活性，故可以低成本、高分散的形式解决任务。无人机器人集群系统可以应用在灾区搜索、仓储物流、军事对抗等多方面，具有很好的发展前景；传感器集群系统可以态势感知等方面。集群系统常常有三个层面：感知层、传输层和计算层，是多层耦合的非线性系统，在鲁棒性上优于传统的简单系统。
系统的脆弱性，简称脆性，是一种系统的属性，用于发现系统在运行中容易使系统受到破坏、性能降级乃至整体崩溃的薄弱节点和环节，并衡量薄弱节点对系统的影响。对于一个系统来说，当薄弱环节即使受到一个低强度的攻击或者扰动，也很可能产生严重的后果，所以如何发现薄弱节点并对薄弱节点的影响加以衡量显得尤为重要。
集群系统耦合了计算、网络、物理环境等多层结构，使得系统相比简单系统而言，当受到随机干扰和攻击时具有较好的鲁棒性，但正是由于结构复杂，当集群系统的薄弱节点受到蓄意攻击时，故障会沿着网络扩散到整个系统，集群系统因此会很容易崩溃。为了使系统具备在蓄意攻击下尽大可能维持正常运行的能力，集群系统的脆性性能需要有所提升。现有的脆性测评常采用单一指标对系统的脆性进行测评，没有综合地从全局、中心性以及局部等多方面对系统的脆性进行测评。
本发明针对于以上的问题及趋势提出了一种有效的解决方案。本方案主要将复杂网络的相关概念引入集群系统的脆性性能测评中来，采用复杂网络中“最大连通子团”这一指标作为集群系统的脆性指标，对复杂网络中“度”、“紧密度”和“介数”三个指标进行加权，以加权后的指标为依据来发掘集群系统的脆弱节点，通过评判向集群系统的脆弱节点发起蓄意攻击后集群系统的“最大连通子团”规模的变化趋势来衡量系统的脆性性能。本发明采用的基于复杂网络的动态测量的方案，解决了现有的脆性测量方法对于集群系统这种复杂结构系统度量效果差的问题。
发明内容
本发明主要应用于提供一种集群系统的脆性度量以及测评方法。由于集群系统内部的结构十分复杂，节点间的耦合程度高，在具备高鲁棒性的同时也存在着很多脆弱节点，这些脆弱节点受到较小的蓄意攻击就可能导致系统大范围的崩溃，发生级联失效。现有的方法多从单方面考虑节点在网络模型中的脆弱性，没有从全局、中心性以及局部同时评判一个节点是否脆弱。于是我们构建出一种可以有效的体现集群系统的脆性性能的脆性测评方法。
针对以上的技术问题以及本发明的目的，本文提出了一种基于复杂网络的集群系统脆性测评方法，方案包括如下部分：
(一)发明目的
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于复杂网络的集群系统脆性测评方法，在考虑到集群系统多种复杂特性的前提下，采用本发明的测评方法对集群系统进行脆弱节点搜寻，然后针对脆弱节点进行蓄意攻击，采用本发明提出的脆性指标对攻击后的集群系统进行脆性定量分析和脆性趋势分析，便于系统设计人员发现系统脆弱节点，并根据测评结果针对脆弱节点以及网络结构进行优化改进，进而提高系统的脆性性能。
(二)技术方案
为了实现上述目的，本发明的方法所采用的技术方案是：一种基于复杂网络的集群系统脆性测评方法。
本发明一种基于复杂网络的集群系统脆性测评方法，其步骤如下：
步骤A：分析测评对象构建系统网络模型，发掘脆弱节点；
步骤B：设置脆性指标；
步骤C：设置蓄意攻击策略；
步骤D：实施攻击，监控记录系统性能指标；
步骤E：汇总性能指标的变化趋势，分析集群系统的脆性性能。
其中，步骤A中所述的“系统网络模型”，其具体含义为：一个具体的集群系统可以抽象为一个点集V和一个边集E组成的图G，即：G＝(V,E)；抽象后的网络模型可以清晰体现各个节点之间的调用关系，并方便对系统进行脆性性能分析；根据系统的调用关系的不同，该图可以为有向图或无向图，图的存储形式可以为矩阵或者链表的形式；步骤A“分析测评对象构建系统网络模型”，包括以下步骤：
步骤A1：分析抽取集群系统的节点分布情况，构建系统网络模型的点集V；
步骤A2：分析抽取各个节点之间的调用关系，构建系统网络模型的边集E；
步骤A3：构建系统网络模型G；
其中，步骤A中所述的“发掘脆弱节点”，其具体方法如下：引入复杂网络中“度”、“紧密度”和“介数”三个指标，并对三个指标进行加权，采用加权后的指标对集群系统网络模型进行分析，进而发掘出脆弱节点；
“度”指标用于衡量某节点在集群系统网络模型中节点局部的脆弱性；度(Degree)指与某节点关联的边的数量，即其他节点与该节点的连通情况，当该节点的度越大，则意味着与该节点相连接的节点数量越多，则该节点在局部上为一个脆弱节点；对于有向图来说，节点的度包括入度和出度两者之和为度ki，本专利仅对度进行考虑，采用度来计算该节点的局部脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的度指标：
即该节点的度除以该节点最大可能的度(N-1)，通过遍历图中所有节点，可以得到每个节点的度指标的值；
“紧密度”指标用于衡量某节点在集群网络模型中趋于网络中心的脆弱性；紧密度(Closeness)指某节点在在网络模型中居于中心的程度，是衡量节点脆性的一个重要指标；定义dij为节点i到节点j的最短路径所需要经历的边的数量，则对于一个拥有N个节点的连通图G中的节点vi来说，其紧密度为：
即表示节点vi到其他节点最短路径所需要经历的边的数量之和的倒数乘以节点数量，值越大则意味着该节点位于网络的中心，该节点的崩溃则会影响到其他节点；对于非连通图，上述计算方法无法计算分别属于两个连通子团下的节点的紧密度，则对于非连通图，可以采用如下的指标计算紧密度：
此时，对于两个非连通节点，dij＝∞，而解决了连通图下计算方式的不足；
“介数”指标用于衡量某节点在集群系统网络模型中全局的脆弱性；节点的介数(Betweenness)指全局所有节点中任意两个节点之间的最短路径通过某节点的比例，即：
其中Bi为节点vi的介数，Njl(i)为通过节点vi的节点vj和节点vl之间最短路径的数量，Njl为节点vj和节点vl之间最短路径的总数；由于为了保证系统的信息流、能量流的传递效率，在集群系统内部，我们假设所有的信息流、能量流通过最短路径进行相互传递，而某节点的介数可以有效的体现出该节点对于全局的流量传递效率的影响，当介数数值大的节点发生故障，系统内部最短传递路径将会发生断裂，传输效率受到影响；采用介数中心度来衡量该节点的全局脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的介数中心性：
即该节点的介数除以图中最多可能的节点对数通过遍历图中所有节点，可以得到每个节点的介数中心性的值；
以上三个指标分别从局部、中心性以及全局流量三个方面对集群系统网络模型脆弱节点进行分析；为了更全面地评判一个节点是否为脆弱节点，本发明首先将度、紧密度和介数中心度三个指标进行加权生成新的脆弱节点判断指标CM(vi)，采用加权后的指标从全局和局部对集群系统网络模型的脆弱节点进行发掘，即：
CM(vi)＝αDCD(vi)+αCCC(vi)+αBCB(vi)
式中：CD(vi)赋予权重αD，CC(vi)赋予权重αC，CB(vi)赋予权重αB；由于需要对三个指标进行归一化处理，故三个指标权重的和为1，即：(αD+αC+αB)＝1；由于被衡量性能参数对全局和局部的侧重点不同，度、紧密度和介数中心度的权值根据实际需求进行人工设置，如对集群机器人系统的局部搜索性能的脆性进行测试时，则需对网络的局部脆性进行重点考察，可以设αD＝0.5，αC＝0.25，αB＝0.25；对集群机器人系统的信息传递性能的脆性进行测试时，则需要对网络的全局脆性进行重点考察，可以设αD＝0.25，αC＝0.25，αB＝0.75；运用提出的脆弱节点评价指标对集群系统网络模型进行发掘，找到脆弱节点，并根据脆弱程度排序，组成脆弱节点序列，为接下来的蓄意攻击做准备；
其中，步骤B所述的“设置脆性指标”，其具体含义为：根据所需测量的集群系统的性能，设置接下来进行的脆性指标；包含以下三个步骤：
步骤B1：确定所需分析的系统性能类型；
步骤B2：量化所需分析的性能参数；
步骤B3：构建系统的脆性指标；
其中，步骤B1所述的“确定所需分析的系统性能类型”，其具体做法如下：根据测试的具体要求，确定所要分析的系统性能类型；由于评判一个系统的性能有很多个维度，各个维度的评判标准与评判方法各不相同，故在对系统建立脆性指标之前需要根据测试要求确定所要分析系统的性能类型；以集群机器人系统为例，可以对集群物流机器人系统的各个子机器人之间的通讯能力、子机器人之间传感器感知能力等多维度进行脆性测试；
其中，步骤B2所述的“量化所需分析的性能参数”，其具体做法如下：根据性能类型的特点，量化性能参数；首先找到该节点在所测试的性能类型下的最大承受能力的临界值，即该节点崩溃前所承受的最大压力；以集群机器人系统的机器人之间的通讯能力为例，设其通讯正常时某两个机器人之间的丢包率为pk，当受到电磁干扰后，丢包率增加；当丢包率增长为正常的α倍后，即pk1＝αpk，认为发生故障，某两个机器人之间通讯中断，此时系统网络模型中这两个机器人对应的节点之间的连边被打断；
其中，步骤B3所述的“构建系统的脆性指标”，其具体做法如下：运用复杂网络中的最大连通子团的概念构建系统的脆性指标，包括以下的步骤：
步骤B31：计算初始状态下的系统网络模型的最大连通子团的规模；
步骤B32：以初始状态下的最大连通子团作为基础，构建脆性测评指数；
其中，步骤B31所述的“系统网络模型的最大连通子团的规模”，其具体内容如下：最大连通子团G′是指在系统网络模型内最大的一个连通子团；连通子团，又称连通子图，是指在系统网络模型G中的一个子团，在这个子团内的任意两个节点至少存在一条简单路径，即两个节点之间可以连通，而最大连通子团G′是指在非连通图内最大的一个连通子团，最大连通子团G′的规模在整个网络之中所占的比例可以衡量该网络是否稳定；
其中，步骤B31所述的“计算初始状态下的系统网络模型的最大连通子团的规模”，其具体方法如下：使用广度优先搜索(BFS)对初始状态下的集群系统网络模型求解最大连通子团的规模；广度优先搜索又叫横向优先搜索，其基本原理为：从根节点开始进行搜索，沿着树的宽度遍历树的节点，当所有的节点均被访问，则算法终止。在系统网络模型G中，随机寻找一个特定的源节点s，然后广度优先搜索系统地探索G中的边，最终发现可以从s到达的所有节点，即为包含源节点的一个连通子团，将该连通子团的节点信息进行存贮，接着从未被记录的节点中随机寻找一个节点作为源节点s′并执行广度优先搜索连通子团程序，直至遍历所有节点，将所储存的所有连通子团规模信息进行比较，这样就可以找到最大连通子团；该算法对有向图和无向图同样适用；
其中，步骤B32所述的“以初始状态下的最大连通子团作为基础，构建脆性测评指数”，其具体作法如下：以集群系统网络模型初始状态下的最大连通子团G′0作为为依据，集群系统当受到扰动后，最大连通子团的规模势必发生变化，而最大连通子团的规模可以衡量集群系统网络是否稳定，故在本专利中，第m次攻击下的脆性测评指数Vm可由本次攻击过程中最大连通子团的规模与初始状态下最大连通子团G′0的比值的最小值来表示，即：
式中，t为本次攻击结束的时刻，tm为从攻击开始到攻击结束过程中的某个时刻；
其中，步骤C所述的“设置蓄意攻击策略”，其具体方法如下：选择被攻击脆弱节点，设置攻击强度和攻击方式；包含以下步骤：
C1：选择被攻击脆弱节点；
C2：设置攻击策略；
其中，步骤C1所述的“选择被攻击节点”，具体方法如下：根据步骤A所找到的脆弱节点序列，从中选择前10％的脆弱节点设置为被攻击节点；由于系统具有冗余性，仅仅攻击单一脆弱节点并不能有效衡量系统整体的脆性，故选取其中一部分的节点进行攻击；
其中，步骤C2所述的“设置攻击策略”，具体作法如下：1.注入：选择被攻击节点后，设置初始攻击强度，初始攻击强度不宜过大，过大无法有效衡量系统真实的脆性性能；2.观察：攻击实施后，观察整个系统的崩溃情况；3.重置：若系统未发生崩溃，则系统归位，继续并向这些节点逐渐加大故障注入强度；重复上述“注入-观察-重置”的过程，直至系统崩溃，在崩溃时注入的故障强度为集群系统的脆性强度；根据实际使用情况下，设置对集群系统注入的攻击的指标，如：对集群系统的通讯抗压的脆性性能进行测试时，根据实际需求设置注入时最大通讯压力Pmax；
其中，步骤D所述的“实施扰动，监控记录系统脆性指标”，其具体方法如下：根据步骤C所确定的攻击策略对集群系统实施攻击，通过软件监控或者硬件监控的方式监控每次攻击时集群系统所有节点在攻击实施前、攻击实施中以及攻击实施后三个阶段性能降级、性能恢复的参数，根据步骤B2所量化的性能参数，判断节点间是否发生故障，并将性能参数以及判断后的故障信息进行记录，以供下一步进行分析；
其中，步骤E所述的“汇总性能指标的变化趋势，分析集群系统的脆性性能”，其具体作法如下：提取每次攻击时，整个集群系统所有节点在步骤D所记录的性能指标以及故障信息，汇总每次攻击时的最大连通子团的数据；对汇总的每次攻击时的最大连通子团数据依据步骤B3进行分析，得出本次攻击下的脆性指标，以脆性指标为纵轴，以攻击强度为横轴，构建线形图，即能清楚的观察该系统的脆性变化趋势；
通过以上步骤，本发明所述的一种基于复杂网络的集群系统脆性测评方法，解决了现有的方法多从单方面考虑节点在网络模型中的脆弱性，没有从全局、中心性与局部同时考量一个节点是否脆弱，以及对于如集群系统这类内部耦合结构复杂、系统内部节点众多的复杂系统现有的脆性指标和测评方法无法很好的定量分析的问题，具有良好的实际应用价值。
(三)优点创新
本发明具有如下的创新点：
1.易计算：本发明中所采用的脆性指标基于最大连通子团这一概念，可以采用广度优先搜索算法进行求取，广度优先搜索算法相比其他复杂算法容易实现，且对系统的硬件要求较低，便于工程操作；
2.应用广：本发明所设计的计算脆性指标以及测评方法适用于多种集群系统，并根据所测试的系统性能的属性可以对脆性指标进行人为调节，以更好地适应不同类型的系统，以及不同类型的脆性属性；
3.易理解：通过线形图的方式可以清晰展现集群系统的脆性指标和变化趋势，便于研究人员定性和定量地理解系统的脆性性能。
综上，这种基于复杂网络的集群系统脆性指标及测评方法为工程应用中的集群系统脆性测试提供一种很好的解决方案。
附图说明
图1是本发明所述方法流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图及具体实施案例进行详细描述。应当理解，此处所描述的实施实例仅用于说明和解释本发明，并不用于限定本发明。
本发明的目的在于解决现有的脆性指标主要围绕多从单方面考虑节点在网络模型中的脆弱性，没有从全局与局部同时评判一个节点是否脆弱。本专利在考虑到集群系统多种复杂特性的前提下，采用本发明的测评方法对集群系统进行脆弱节点搜寻，然后针对脆弱节点进行蓄意攻击，采用本发明提出的脆性指标对攻击后的集群系统进行脆性定量分析和脆性趋势分析，具有较好的应用价值。
下面结合附图说明及具体实施方式对本发明进一步说明。
本发明实施例以某智能集群机器人系统为例，阐述本发明方法。具体地说，该分拣中心包含200个机器人，机器人间通过蓝牙无线模块进行通信，现需要对该系统的系统内部信息传递的脆性性能进行测试。本发明一种基于复杂网络的集群系统脆性测评方法，其步骤如图1所示：
步骤A：分析测评对象构建系统网络模型，发掘脆弱节点；
分析抽取集群系统的节点分布情况，构建系统网络模型的点集V，分析抽取各个节点之间的调用关系，构建系统网络模型的边集E，构建系统网络模型G。引入复杂网络中“度”、“紧密度”和“介数”三个指标，并对三个指标进行加权，采用加权后的指标对集群系统网络模型进行分析，进而发掘出脆弱节点，并根据脆弱程度排序，组成脆弱节点序列，为接下来的蓄意攻击做准备。
步骤B：设置脆性指标；
确定所需分析的系统性能类型，根据测试的具体要求，确定所要分析的系统性能类型。量化所需分析的性能参数，首先找到该节点在所测试的性能类型下的最大承受能力的临界值，即该节点崩溃前所承受的最大压力。以集群机器人系统的机器人之间的通讯能力为例，设其通讯正常时某两个机器人之间的丢包率为pk，当受到电磁干扰后，丢包率增加。当丢包率增长为正常的α倍后，即pk1＝αpk，认为发生故障，某两个机器人之间通讯中断，此时系统网络模型中这两个机器人对应的节点之间的连边被打断。构建系统的脆性指标，运用复杂网络中的最大连通子团的概念构建系统的脆性指标，首先计算初始状态下的系统网络模型的最大连通子团的规模，接着以初始状态下的最大连通子团作为基础，构建脆性测评指数。
步骤C：设置蓄意攻击策略；
选择被攻击脆弱节点，根据步骤A所找到的脆弱节点序列，从中选择前10％的脆弱节点设置为被攻击节点。由于系统具有冗余性，仅仅攻击单一脆弱节点并不能有效衡量系统整体的脆性，故选取其中一部分的节点进行攻击。设置攻击策略，在选择被攻击节点之后，设置初始攻击强度，进行攻击。攻击实施后，观察整个系统的崩溃情况，若系统未发生崩溃，则系统归位，继续并向这些节点逐渐加大故障注入强度，重复上述“注入-观察-重置”的过程，直至系统崩溃，在崩溃时注入的故障强度为集群系统的脆性强度。
步骤D：实施攻击，监控记录系统性能指标；
根据步骤C所确定的攻击策略对集群系统实施攻击，通过软件监控或者硬件监控的方式监控每次攻击时集群系统所有节点在攻击实施前、攻击实施中以及攻击实施后三个阶段性能降级、性能恢复的参数，根据步骤B2所量化的性能参数，判断节点间是否发生故障，并将性能参数以及判断后的故障信息进行记录，以供下一步进行分析。
步骤E：汇总性能指标的变化趋势，分析集群系统的脆性性能。
提取每次攻击时，整个集群系统所有节点在步骤D所记录的性能指标以及故障信息，汇总每次攻击时的最大连通子团的数据，对汇总的每次攻击时的最大连通子团数据依据步骤B3进行分析，可以得出本次攻击下的脆性指标，以脆性指标为纵轴，以攻击强度为横轴，构建线形图，即可清楚的观察该系统的脆性变化趋势。
其中，步骤A中所述的“系统网络模型”，其具体含义为：一个具体的集群系统可以抽象为一个点集V和一个边集E组成的图G，即：G＝(V,E)；抽象后的网络模型可以清晰体现各个节点之间的调用关系，并方便对系统进行脆性性能分析。根据系统的调用关系的不同，该图可以为有向图或无向图，图的存储形式可以为矩阵或者链表的形式；步骤A“分析测评对象构建系统网络模型”，包括以下步骤：
步骤A1：分析抽取集群系统的节点分布情况，构建系统网络模型的点集V；
步骤A2：分析抽取各个节点之间的调用关系，构建系统网络模型的边集E；
步骤A3：构建系统网络模型G；
其中，步骤A中所述的“发掘脆弱节点”，其具体方法如下：引入复杂网络中“度”、“紧密度”和“介数”三个指标，并对三个指标进行加权，采用加权后的指标对集群系统网络模型进行分析，进而发掘出脆弱节点；
“度”指标用于衡量某节点在集群系统网络模型中节点局部的脆弱性；度(Degree)指与某节点关联的边的数量，即其他节点与该节点的连通情况，当该节点的度越大，则意味着与该节点相连接的节点数量越多，则该节点在局部上为一个脆弱节点；对于有向图来说，节点的度包括入度和出度两者之和为度ki，本专利仅对度进行考虑，采用度来计算该节点的局部脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的度指标：
即该节点的度除以该节点最大可能的度(N-1)，通过遍历图中所有节点，可以得到每个节点的度指标的值；
“紧密度”指标用于衡量某节点在集群网络模型中趋于网络中心的脆弱性；紧密度(Closeness)指某节点在在网络模型中居于中心的程度，是衡量节点脆性的一个重要指标；定义dij为节点i到节点j的最短路径所需要经历的边的数量，则对于一个拥有N个节点的连通图G中的节点vi来说，其紧密度为：
即表示节点vi到其他节点最短路径所需要经历的边的数量之和的倒数乘以节点数量，值越大则意味着该节点位于网络的中心，该节点的崩溃则会影响到其他节点。对于非连通图，上述计算方法无法计算分别属于两个连通子团下的节点的紧密度，则对于非连通图，可以采用如下的指标计算紧密度：
此时，对于两个非连通节点，dij＝∞，而解决了连通图下计算方式的不足；
“介数”指标用于衡量某节点在集群系统网络模型中全局的脆弱性；节点的介数(Betweenness)指全局所有节点中任意两个节点之间的最短路径通过某节点的比例，即：
其中Bi为节点vi的介数，Njl(i)为通过节点vi的节点vj和节点vl之间最短路径的数量，Njl为节点vj和节点vl之间最短路径的总数；由于为了保证系统的信息流、能量流的传递效率，在集群系统内部，我们假设所有的信息流、能量流通过最短路径进行相互传递，而某节点的介数可以有效的体现出该节点对于全局的流量传递效率的影响，当介数数值大的节点发生故障，系统内部最短传递路径将会发生断裂，传输效率受到影响；采用介数中心度来衡量该节点的全局脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的介数中心性：
即该节点的介数除以图中最多可能的节点对数通过遍历图中所有节点，可以得到每个节点的介数中心性的值；
以上三个指标分别从局部、中心性以及全局流量三个方面对集群系统网络模型脆弱节点进行分析；为了更全面地评判一个节点是否为脆弱节点，本专利首先将度、紧密度和介数中心度三个指标进行加权生成新的脆弱节点判断指标CM(vi)，采用加权后的指标从全局和局部对集群系统网络模型的脆弱节点进行发掘；CD(vi)赋予权重αD，CC(vi)赋予权重αC，CB(vi)赋予权重αB，即：
CM(vi)＝αDCD(vi)+αCCC(vi)+αBCB(vi)
三个权重的和为1，即：(αD+αC+αB)＝1；由于被衡量性能参数对全局和局部的侧重点不同，度、紧密度和介数中心度的权值根据实际需求进行人工设置，对集群机器人系统的信息传递性能的脆性进行测试时，则需要对网络的全局脆性进行重点考察，可以设αD＝0.25，αC＝0.25，αB＝0.75；运用提出的脆弱节点评价指标对集群系统网络模型进行发掘，找到脆弱节点，并根据脆弱程度排序，组成脆弱节点序列，为接下来的蓄意攻击做准备；
其中，步骤B所述的“设置脆性指标”，其具体含义为：根据所需测量的集群系统的性能，设置接下来进行的脆性指标；包含以下三个步骤：
步骤B1：确定所需分析的系统性能类型；
步骤B2：量化所需分析的性能参数；
步骤B3：构建系统的脆性指标；
其中，步骤B1所述的“确定所需分析的系统性能类型”，其具体做法如下：根据测试的具体要求，确定所要分析的系统性能类型；由于评判一个系统的性能有很多个维度，各个维度的评判标准与评判方法各不相同，故在对系统建立脆性指标之前需要根据测试要求确定所要分析系统的性能类型；以集群机器人系统为例，可以对集群物流机器人系统的各个子机器人之间的通讯能力、子机器人之间传感器感知能力等多维度进行脆性测试；
其中，步骤B2所述的“量化所需分析的性能参数”，其具体做法如下：根据性能类型的特点，量化性能参数；首先找到该节点在所测试的性能类型下的最大承受能力的临界值，即该节点崩溃前所承受的最大压力；以集群机器人系统的机器人之间的通讯能力为例，设其通讯正常时某两个机器人之间的丢包率为pk，当受到电磁干扰后，丢包率增加；当丢包率增长为正常的α倍后，即pk1＝αpk，认为发生故障，某两个机器人之间通讯中断，此时系统网络模型中这两个机器人对应的节点之间的连边被打断；
其中，步骤B3所述的“构建系统的脆性指标”，其具体做法如下：运用复杂网络中的最大连通子团的概念构建系统的脆性指标，包括以下的步骤：
步骤B31：计算初始状态下的系统网络模型的最大连通子团的规模；
步骤B32：以初始状态下的最大连通子团作为基础，构建脆性测评指数；
其中，步骤B31所述的“系统网络模型的最大连通子团的规模”，其具体内容如下：最大连通子团G′是指在系统网络模型内最大的一个连通子团；连通子团，又称连通子图，是指在系统网络模型G中的一个子团，在这个子团内的任意两个节点至少存在一条简单路径，即两个节点之间可以连通，而最大连通子团G′是指在非连通图内最大的一个连通子团，最大连通子团G′的规模在整个网络之中所占的比例可以衡量该网络是否稳定；
其中，步骤B31所述的“计算”，其具体方法如下：使用广度优先搜索(BFS)对初始状态下的集群系统网络模型求解最大连通子团的规模；广度优先搜索又叫横向优先搜索，其基本原理为：从根节点开始进行搜索，沿着树的宽度遍历树的节点，当所有的节点均被访问，则算法终止。在系统网络模型G中，随机寻找一个特定的源节点s，然后广度优先搜索系统地探索G中的边，最终发现可以从s到达的所有节点，即为包含源节点的一个连通子团，将该连通子团的节点信息进行存贮，接着从未被记录的节点中随机寻找一个节点作为源节点s′并执行广度优先搜索连通子团程序，直至遍历所有节点，将所储存的所有连通子团规模信息进行比较，这样就可以找到最大连通子团；该算法对有向图和无向图同样适用；
其中，步骤B32所述的“构建脆性测评指数”，其具体方法如下：以集群系统网络模型初始状态下的最大连通子团G′0作为为依据，集群系统当受到扰动后，最大连通子团的规模势必发生变化，而最大连通子团的规模可以衡量集群系统网络是否稳定，故在本专利中，第m次攻击下的脆性测评指数Vm可由本次攻击过程中最大连通子团的规模与初始状态下最大连通子团G′0的比值的最小值来表示，即：
式中，t为本次攻击结束的时刻，tm为从攻击开始到攻击结束过程中的某个时刻；
其中，步骤C所述的“设置蓄意攻击策略”，其具体方法如下：选择被攻击脆弱节点，设置攻击强度和攻击方式。包含以下步骤：
C1：选择被攻击脆弱节点；
C2：设置攻击策略；
其中，步骤C1所述的“选择被攻击节点”，具体方法如下：根据步骤A所找到的脆弱节点序列，从中选择前10％的脆弱节点设置为被攻击节点；由于系统具有冗余性，仅仅攻击单一脆弱节点并不能有效衡量系统整体的脆性，故选取其中一部分的节点进行攻击；
其中，步骤C2所述的“设置攻击策略”，具体方法如下：1.注入：选择被攻击节点后，设置初始攻击强度，初始攻击强度不宜过大，过大无法有效衡量系统真实的脆性性能；2.观察：攻击实施后，观察整个系统的崩溃情况；3.重置：若系统未发生崩溃，则系统归位，继续并向这些节点逐渐加大故障注入强度。重复上述“注入-观察-重置”的过程，直至系统崩溃，在崩溃时注入的故障强度为集群系统的脆性强度；根据实际使用情况下，设置对集群系统注入的攻击的指标，如：对集群系统的通讯抗压的脆性性能进行测试时，根据实际需求设置注入时最大通讯压力Pmax；
其中，步骤D所述的“实施扰动，监控记录系统脆性指标”，其具体方法如下：根据步骤C所确定的攻击策略对集群系统实施攻击，通过软件监控或者硬件监控的方式监控每次攻击时集群系统所有节点在攻击实施前、攻击实施中以及攻击实施后三个阶段性能降级、性能恢复的参数，根据步骤B2所量化的性能参数，判断节点间是否发生故障，并将性能参数以及判断后的故障信息进行记录，以供下一步进行分析；
其中，步骤E所述的“汇总性能指标的变化趋势，分析集群系统的脆性性能”，其具体作法如下：提取每次攻击时，整个集群系统所有节点在步骤D所记录的性能指标以及故障信息，汇总每次攻击时的最大连通子团的数据；对汇总的每次攻击时的最大连通子团数据依据步骤B3进行分析，可以得出本次攻击下的脆性指标，以脆性指标为纵轴，以攻击强度为横轴，构建线形图，即可清楚的观察该系统的脆性变化趋势。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于复杂网络的集群系统脆性测评方法，其特征在于：其步骤如下：
步骤A：分析测评对象构建系统网络模型，发掘脆弱节点；
步骤B：设置脆性指标；
步骤C：设置蓄意攻击策略；
步骤D：实施攻击，监控记录系统性能指标；
步骤E：汇总性能指标的变化趋势，分析集群系统的脆性性能；
其中，步骤A中所述的“系统网络模型”，其具体含义为：一个具体的集群系统可以抽象为一个点集V和一个边集E组成的图G，即：G＝(V,E)；抽象后的网络模型可以清晰体现各个节点之间的调用关系，并方便对系统进行脆性性能分析；根据系统的调用关系的不同，该图可以为有向图或无向图，图的存储形式可以为矩阵或者链表的形式；
其中，步骤A所述的“分析测评对象构建系统网络模型”，包括以下步骤：
步骤A1：分析抽取集群系统的节点分布情况，构建系统网络模型的点集V；
步骤A2：分析抽取各个节点之间的调用关系，构建系统网络模型的边集E；
步骤A3：构建系统网络模型G；
其中，步骤A中所述的“发掘脆弱节点”，其具体作法如下：引入复杂网络中“度”、“紧密度”和“介数”三个指标，并对三个指标进行加权，采用加权后的指标对集群系统网络模型进行分析，进而发掘出脆弱节点；
其中，步骤B所述的“设置脆性指标”，其具体含义为：根据所需测量的集群系统的性能，设置接下来进行的脆性指标；包含以下三个步骤：
步骤B1：确定所需分析的系统性能类型；
步骤B2：量化所需分析的性能参数；
步骤B3：构建系统的脆性指标；
其中，步骤B1所述的“确定所需分析的系统性能类型”，其具体做法如下：根据测试的具体要求，确定所要分析的系统性能类型；由于评判一个系统的性能有很多个维度，各个维度的评判标准与评判方法各不相同，故在对系统建立脆性指标之前需要根据测试要求确定所要分析系统的性能类型；以集群机器人系统为例，可以对集群物流机器人系统的各个子机器人之间的通讯能力、子机器人之间传感器感知能力诸多维度进行脆性测试；
其中，步骤B2所述的“量化所需分析的性能参数”，其具体做法如下：根据性能类型的特点，量化性能参数；首先找到该节点在所测试的性能类型下的最大承受能力的临界值，即该节点崩溃前所承受的最大压力；以集群机器人系统的机器人之间的通讯能力为例，设其通讯正常时两个机器人之间的丢包率为pk，当受到电磁干扰后，丢包率增加；当丢包率增长为正常的α倍后，即pk1＝αpk，认为发生故障，两个机器人之间通讯中断，此时系统网络模型中这两个机器人对应的节点之间的连边被打断；
其中，步骤B3所述的“构建系统的脆性指标”，其具体做法如下：运用复杂网络中的最大连通子团的概念构建系统的脆性指标，包括以下的步骤：
步骤B31：计算初始状态下的系统网络模型的最大连通子团的规模；
步骤B32：以初始状态下的最大连通子团作为基础，构建脆性测评指数；
其中，步骤C所述的“设置蓄意攻击策略”，其具体作法如下：选择被攻击脆弱节点，设置攻击强度和攻击方式；包含以下步骤：
C1：选择被攻击脆弱节点；
C2：设置攻击策略；
其中，步骤C1所述的“选择被攻击节点”，具体作法如下：根据步骤A所找到的脆弱节点序列，从中选择前10％的脆弱节点设置为被攻击节点；由于系统具有冗余性，仅仅攻击单一脆弱节点并不能有效衡量系统整体的脆性，故选取其中一部分的节点进行攻击；
其中，步骤C2所述的“设置攻击策略”，具体作法如下：1.注入：选择被攻击节点后，设置初始攻击强度，初始攻击强度不宜过大，过大无法有效衡量系统真实的脆性性能；2.观察：攻击实施后，观察整个系统的崩溃情况；3.重置：若系统未发生崩溃，则系统归位，继续并向这些节点逐渐加大故障注入强度；重复上述“注入-观察-重置”的过程，直至系统崩溃，在崩溃时注入的故障强度为集群系统的脆性强度；根据实际使用情况下，设置对集群系统注入的攻击的指标，如：对集群系统的通讯抗压的脆性性能进行测试时，根据实际需求设置注入时最大通讯压力Pmax；
其中，步骤D所述的“实施扰动，监控记录系统脆性指标”，其具体作法如下：根据步骤C所确定的攻击策略对集群系统实施攻击，通过软件监控及硬件监控的方式监控每次攻击时集群系统所有节点在攻击实施前、攻击实施中以及攻击实施后三个阶段性能降级、性能恢复的参数，根据步骤B2所量化的性能参数，判断节点间是否发生故障，并将性能参数以及判断后的故障信息进行记录，以供下一步进行分析；
其中，步骤E所述的“汇总性能指标的变化趋势”，其具体作法如下：提取每次攻击时，整个集群系统所有节点在步骤D所记录的性能指标以及故障信息，汇总每次攻击时的最大连通子团的数据；
其中，步骤E所述的“分析集群系统的脆性性能”，其具体作法如下：对汇总的每次攻击时的最大连通子团数据依据步骤B3进行分析，能得出本次攻击下的脆性指标，以脆性指标为纵轴，以攻击强度为横轴，构建线形图，即能清楚的观察该系统的脆性变化趋势；
通过以上步骤，本方法提出了一种基于复杂网络的集群系统脆性测评方法，解决了现有的方法多从单方面考虑节点在网络模型中的脆弱性，没有从全局、中心性与局部同时考量一个节点是否脆弱，以及对于如集群系统这类内部耦合结构复杂、系统内部节点众多的复杂系统现有的脆性指标和测评方法无法很好的定量分析的问题，具有良好的实际应用价值。
2.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤A中所述的“发掘脆弱节点”，引入复杂网络中的“度”、“紧密度”和“介数”三个指标，其三个指标中的“度”阐述如下：
“度”指标用于衡量一节点在集群系统网络模型中节点局部的脆弱性；度(Degree)指与一节点关联的边的数量，即其他节点与该节点的连通情况，当该节点的度越大，则意味着与该节点相连接的节点数量越多，则该节点在局部上为一个脆弱节点；对于有向图来说，节点的度包括入度和出度两者之和为度ki，本专利仅对度进行考虑，采用度来计算该节点的局部脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的度指标：
即该节点的度除以该节点最大可能的度(N-1)，通过遍历图中所有节点，能得到每个节点的度指标的值。
3.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤A中所述的“发掘脆弱节点”，引入复杂网络中的“度”、“紧密度”和“介数”三个指标，其三个指标中的“紧密度”阐述如下：
“紧密度”指标用于衡量一节点在集群网络模型中趋于网络中心的脆弱性；紧密度(Closeness)指一节点在在网络模型中居于中心的程度，是衡量节点脆性的一个重要指标；定义dij为节点i到节点j的最短路径所需要经历的边的数量，则对于一个拥有N个节点的连通图G中的节点vi来说，其紧密度为：
即表示节点vi到其他节点最短路径所需要经历的边的数量之和的倒数乘以节点数量，值越大则意味着该节点位于网络的中心，该节点的崩溃则会影响到其他节点；对于非连通图，上述计算方法无法计算分别属于两个连通子团下的节点的紧密度，则对于非连通图，能采用如下的指标计算紧密度：
此时，对于两个非连通节点，dij＝∞，而解决了连通图下计算方式的不足。
4.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤A中所述的“发掘脆弱节点”，引入复杂网络中的“度”、“紧密度”和“介数”三个指标，其三个指标中的“介数”阐述如下：
“介数”指标用于衡量一节点在集群系统网络模型中全局的脆弱性；节点的介数(Betweenness)指全局所有节点中任意两个节点之间的最短路径通过该节点的比例，即：
其中Bi为节点vi的介数，Njl(i)为通过节点vi的节点vj和节点vl之间最短路径的数量，Njl为节点vj和节点vl之间最短路径的总数；由于为了保证系统的信息流、能量流的传递效率，在集群系统内部，我们假设所有的信息流、能量流通过最短路径进行相互传递，而该节点的介数能有效的体现出该节点对于全局的流量传递效率的影响，当高介数的节点发生故障，系统内部最短传递路径将会发生断裂，传输效率受到影响；采用介数中心度来衡量该节点的全局脆弱性：对于一个拥有N个节点的图G中的节点vi来说，其节点的介数中心性：
即该节点的介数除以图中最多的节点对数通过遍历图中所有节点，能得到每个节点的介数中心性的值。
5.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤A中所述的“发掘脆弱节点”，其具体作法详述如下：引入复杂网络中“度”、“紧密度”和“介数”三个指标，并对三个指标进行加权，采用加权后的指标对集群系统网络模型进行分析，进而发掘出脆弱节点；
以上“度”、“紧密度”和“介数”三个指标分别从局部、中心性以及全局流量三个方面对集群系统网络模型脆弱节点进行分析；为了更全面地评判一个节点是否为脆弱节点，本专利首先将度、紧密度和介数中心度三个指标进行加权生成新的脆弱节点判断指标CM(vi)，采用加权后的指标从全局和局部对集群系统网络模型的脆弱节点进行发掘；CD(vi)赋予权重αD，CC(vi)赋予权重αC，CB(vi)赋予权重αB，即：
CM(vi)＝αDCD(vi)+αCCC(vi)+αBCB(vi)
三个权重的和为1，即：(αD+αC+αB)＝1；由于被衡量性能参数对全局和局部的侧重点不同，度、紧密度和介数中心度的权值根据实际需求进行人工设置，如对集群机器人系统的局部搜索性能的脆性进行测试时，则需对网络的局部脆性进行重点考察，设αD＝0.5，αC＝0.25，αB＝0.25；对集群机器人系统的信息传递性能的脆性进行测试时，则需要对网络的全局脆性进行重点考察，设αD＝0.25，αC＝0.25，αB＝0.75；运用提出的脆弱节点评价指标对集群系统网络模型进行发掘，找到脆弱节点，并根据脆弱程度排序，组成脆弱节点序列，为接下来的蓄意攻击做准备。
6.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤B31中所述的“计算初始状态下的系统网络模型的最大连通子团的规模”，该“系统网络模型的最大连通子团的规模”的具体内容如下：最大连通子团G′是指在系统网络模型内最大的一个连通子团；连通子团，又称连通子图，是指在系统网络模型G中的一个子团，在这个子团内的任意两个节点至少存在一条简单路径，即两个节点之间能连通，而最大连通子团G′是指在非连通图内最大的一个连通子团，最大连通子团G′的规模在整个网络之中所占的比例能衡量该网络是否稳定；所述的“计算初始状态下的系统网络模型的最大连通子团的规模”，其具体作法如下：
使用广度优先搜索(BFS)对初始状态下的集群系统网络模型求解最大连通子团的规模；广度优先搜索又叫横向优先搜索，从根节点开始进行搜索，沿着树的宽度遍历树的节点，当所有的节点均被访问，则算法终止；在系统网络模型G中，随机寻找一个特定的源节点s，然后广度优先搜索系统地探索G中的边，最终发现能从s到达的所有节点，即为包含源节点的一个连通子团，将该连通子团的节点信息进行存贮，接着从未被记录的节点中随机寻找一个节点作为源节点s′并执行广度优先搜索连通子团程序，直至遍历所有节点，将所储存的所有连通子团规模信息进行比较，这样就能找到最大连通子团；该算法对有向图和无向图同样适用。
7.根据权利要求1所述的一种基于复杂网络的集群系统脆性测评方法，其特征在于：
在步骤B32中所述的“以初始状态下的最大连通子团作为基础，构建脆性测评指数”，其具体作法如下：以集群系统网络模型初始状态下的最大连通子团G′0作为为依据，集群系统当受到扰动后，最大连通子团的规模势必发生变化，而最大连通子团的规模能衡量集群系统网络是否稳定，故在本专利中，第m次攻击下的脆性测评指数Vm由本次攻击过程中最大连通子团的规模与初始状态下最大连通子团G′0的比值的最小值来表示，即：
式中，t为本次攻击结束的时刻，tm为从攻击开始到攻击结束过程中的一个时刻。
CN201810614049.4A 2018-06-14 2018-06-14 一种基于复杂网络的集群系统脆性测评方法 Active CN108768745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810614049.4A CN108768745B (zh) 2018-06-14 2018-06-14 一种基于复杂网络的集群系统脆性测评方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810614049.4A CN108768745B (zh) 2018-06-14 2018-06-14 一种基于复杂网络的集群系统脆性测评方法

Publications (2)

Publication Number Publication Date
CN108768745A true CN108768745A (zh) 2018-11-06
CN108768745B CN108768745B (zh) 2021-08-20

Family

ID=64021730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810614049.4A Active CN108768745B (zh) 2018-06-14 2018-06-14 一种基于复杂网络的集群系统脆性测评方法

Country Status (1)

Country Link
CN (1) CN108768745B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582040A (zh) * 2019-01-25 2019-04-05 中国人民解放军国防科技大学 一种无人机集群队形及性能脆弱性评估方法及系统
CN110046838A (zh) * 2019-05-29 2019-07-23 西南交通大学 一种基于多层复杂网络的轨道交通产业链配置方法
CN110059948A (zh) * 2019-04-10 2019-07-26 重庆邮电大学 一种ooda环的分层网络分析方法
CN110211378A (zh) * 2019-05-29 2019-09-06 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN110213087A (zh) * 2019-05-16 2019-09-06 北京航空航天大学 一种基于动态多层耦合网络的复杂系统故障定位方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN110445634A (zh) * 2019-06-17 2019-11-12 华北电力大学 一种基于区域流量密度的电力通信网脆弱性区域发现方法
CN110661667A (zh) * 2019-09-29 2020-01-07 北京航空航天大学 一种无人机蜂群的任务可靠性分析方法及系统
CN110658796A (zh) * 2019-10-10 2020-01-07 江苏亨通工控安全研究院有限公司 一种识别工控网络关键组件的方法
CN110781453A (zh) * 2019-09-23 2020-02-11 太原理工大学 一种基于复杂理论作战网络脆弱边识别方法
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111482973A (zh) * 2020-03-31 2020-08-04 岭东核电有限公司 核电站用机器人的健康管理方法、装置和机器人
CN111598393A (zh) * 2020-04-15 2020-08-28 北京航空航天大学 一种基于超网络理论的数据链网络运行可靠性评估方法
CN111598392A (zh) * 2020-04-15 2020-08-28 北京航空航天大学 一种基于超网络理论的数据链网络结构可靠性评估方法
CN112632732A (zh) * 2020-12-23 2021-04-09 航天信息股份有限公司 一种用于测评系统脆弱性的方法及系统
CN112698637A (zh) * 2021-01-13 2021-04-23 广东轻工职业技术学院 一种多任务蜂群的协同资源调度算法
CN112989137A (zh) * 2021-04-21 2021-06-18 军事科学院系统工程研究院网络信息研究所 一种用于复杂网络信息系统构建的实体关系分析方法
CN117061257A (zh) * 2023-10-13 2023-11-14 广州市零脉信息科技有限公司 一种网络安全评估系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183957A (zh) * 2015-08-24 2015-12-23 中国航空无线电电子研究所 一种用于航空电子系统的鲁棒性分析方法
CN105721228A (zh) * 2016-04-22 2016-06-29 国网河南省电力公司经济技术研究院 基于快速密度聚类的电力通信网节点重要性评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183957A (zh) * 2015-08-24 2015-12-23 中国航空无线电电子研究所 一种用于航空电子系统的鲁棒性分析方法
CN105721228A (zh) * 2016-04-22 2016-06-29 国网河南省电力公司经济技术研究院 基于快速密度聚类的电力通信网节点重要性评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG, CHUN等: "Complexity and Vulnerability of High-speed Rail Network in China", 《IEEE， PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 *
闫玲玲等: "基于度和聚类系数的中国航空网络重要性节点分析", 《智能系统学报》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582040A (zh) * 2019-01-25 2019-04-05 中国人民解放军国防科技大学 一种无人机集群队形及性能脆弱性评估方法及系统
CN110059948A (zh) * 2019-04-10 2019-07-26 重庆邮电大学 一种ooda环的分层网络分析方法
CN110213087A (zh) * 2019-05-16 2019-09-06 北京航空航天大学 一种基于动态多层耦合网络的复杂系统故障定位方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN110046838A (zh) * 2019-05-29 2019-07-23 西南交通大学 一种基于多层复杂网络的轨道交通产业链配置方法
CN110046838B (zh) * 2019-05-29 2021-04-20 西南交通大学 一种基于多层复杂网络的轨道交通产业链配置方法
CN110211378A (zh) * 2019-05-29 2019-09-06 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN110445634A (zh) * 2019-06-17 2019-11-12 华北电力大学 一种基于区域流量密度的电力通信网脆弱性区域发现方法
CN110781453A (zh) * 2019-09-23 2020-02-11 太原理工大学 一种基于复杂理论作战网络脆弱边识别方法
CN110781453B (zh) * 2019-09-23 2023-11-24 太原理工大学 一种基于复杂理论作战网络脆弱边识别方法
CN110661667B (zh) * 2019-09-29 2020-07-03 北京航空航天大学 一种无人机蜂群的任务可靠性分析方法及系统
CN110661667A (zh) * 2019-09-29 2020-01-07 北京航空航天大学 一种无人机蜂群的任务可靠性分析方法及系统
CN110658796A (zh) * 2019-10-10 2020-01-07 江苏亨通工控安全研究院有限公司 一种识别工控网络关键组件的方法
CN110658796B (zh) * 2019-10-10 2020-11-17 江苏亨通工控安全研究院有限公司 一种识别工控网络关键组件的方法
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111081016B (zh) * 2019-12-18 2021-07-06 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111482973A (zh) * 2020-03-31 2020-08-04 岭东核电有限公司 核电站用机器人的健康管理方法、装置和机器人
CN111598392A (zh) * 2020-04-15 2020-08-28 北京航空航天大学 一种基于超网络理论的数据链网络结构可靠性评估方法
CN111598392B (zh) * 2020-04-15 2022-06-10 北京航空航天大学 一种基于超网络理论的数据链网络结构可靠性评估方法
CN111598393B (zh) * 2020-04-15 2022-09-27 北京航空航天大学 一种基于超网络理论的数据链网络运行可靠性评估方法
CN111598393A (zh) * 2020-04-15 2020-08-28 北京航空航天大学 一种基于超网络理论的数据链网络运行可靠性评估方法
CN112632732A (zh) * 2020-12-23 2021-04-09 航天信息股份有限公司 一种用于测评系统脆弱性的方法及系统
CN112698637A (zh) * 2021-01-13 2021-04-23 广东轻工职业技术学院 一种多任务蜂群的协同资源调度算法
CN112989137A (zh) * 2021-04-21 2021-06-18 军事科学院系统工程研究院网络信息研究所 一种用于复杂网络信息系统构建的实体关系分析方法
CN117061257A (zh) * 2023-10-13 2023-11-14 广州市零脉信息科技有限公司 一种网络安全评估系统

Also Published As

Publication number Publication date
CN108768745B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN108768745A (zh) 一种基于复杂网络的集群系统脆性测评方法
CN108494810A (zh) 面向攻击的网络安全态势预测方法、装置及系统
CN108959072A (zh) 一种基于复杂网络的集群系统弹性测评方法
CN106789190B (zh) 一种电力通信网脆弱性评估及路由优化方法
CN105045251B (zh) 工业控制系统功能安全与信息安全的需求分析及融合方法
CN112100843A (zh) 一种面向电力系统安全事件模拟验证的可视化分析方法及系统
CN107895947A (zh) 一种配电网脆弱线路辨识方法
CN112001626A (zh) 一种台风天气下的配电网韧性评价方法、存储介质及设备
CN108684038A (zh) 基于雾计算和分层信任评价机制的隐藏数据攻击检测方法
CN109104328B (zh) 一种基于复杂网络的集群系统可靠性测评方法
CN107483487B (zh) 一种基于topsis的多维网络安全度量方法
CN106569030A (zh) 一种电能计量异常诊断中的告警阈值寻优方法及装置
CN108650139A (zh) 一种电力通信网络监测系统
CN113900381A (zh) 一种基于物联网的钢结构远程健康监测平台及应用方法
CN113411821B (zh) 一种复杂网络的体系重构能力测评方法及系统
CN107247450A (zh) 基于贝叶斯网络的断路器故障诊断方法
CN114169591A (zh) 基于复杂网络的装备保障体系关键毁伤节点识别方法
CN113408114A (zh) 一种评估电力监控系统设备脆弱性威胁程度的方法及系统
CN115456331A (zh) 多维多测点模型在线监控算法在监测分析系统平台的应用
CN110428191B (zh) 配电网脆弱节点辨识的方法
CN112016835A (zh) 配电网电缆线路监测方法、计算机设备和存储介质
CN109587145B (zh) 一种电力网络中的虚假数据入侵检测方法、装置及设备
CN113162793A (zh) 一种环境感知的用于网络测量的节点重要性度量方法
CN117692345A (zh) 一种基于人工智能的it运营方法及系统
CN106127040A (zh) 一种软件隐私泄露行为的定量分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant