CN109597752B - 基于复杂网络模型的故障传播路径仿真方法 - Google Patents

Abstract

本发明公开了一种基于复杂网络模型的故障传播路径仿真方法，属于故障传播与故障定位领域，该方法包括：将复杂系统中各组成单元抽象为网络节点，根据节点与节点之间的通信关系构造出复杂网络模型；通过随机故障注入进行网络故障仿真；统计故障传播路径并排序，辅助故障定位。本发明通过随机故障注入进行网络故障仿真获得故障路径，不需要大量的实测数据，应用范围广，能够显著提高故障诊断的准确性和效率。

Description

基于复杂网络模型的故障传播路径仿真方法

技术领域

本发明涉及故障传播与故障定位技术，特别是一种基于复杂网络模型的故障传播路径仿真方法。

背景技术

复杂系统往往由大量组成单元相互集成、耦合而成。各个局部子系统的开发过程、体系结构、软硬件平台等往往是异构的，导致复杂软件系统内的故障行为复杂多样，故障传播行为以及失效的原因具有明显的不确定性。复杂系统中，一个非关键组件失效是如何引起其他关键组件失效甚至引起系统失效的，复杂系统中的故障如何传播并引发系统失效，如何定位复杂系统失效的原因成为了目前的研究热点。而大型复杂系统的动态变化特性对系统失效机理的研究提出了新的挑战。

针对故障传播机理的研究主要有两大研究方向，一种认为系统的体系结构决定了故障传播行为，即同样的故障在不同体系结构的软件系统中会演化为不同类型或不同严重级别的系统失效。这种观点将故障传播的研究建立在系统结构分析的基础上，因此这些学者将故障传播的研究重点集中在故障在体系结构内传播的规律上。Popic P建立了考虑故障传播的贝叶斯可靠性预测扩展模型。他们认为故障传播概率是软件体系结构的一个重要的结构参数。Thanh-Trung Pham在考虑失效概率和故障传播概率的基础上，求解转换后的模型的概率信息，从而实现在不同的控制流结构上充分考虑故障传播的不同影响，建立了马尔科夫可靠性预测模型，将故障传播概率定义为一个组件内的故障传播到其他组件的可能性。马凯在研究中提出了一种基于故障传播的故障定位方法，结合了基于执行覆盖以及基于依赖关系的两种故障定位方法，同时考虑故障传播对定位的影响。另一种观点认为不同类型的系统故障具有不同的特征，继而会演化为不同类型的系统失效，即不同的故障在同样的系统内其故障传播行为规律不同，故障的类型决定了传播的行为，因此这些学者将故障传播重点集中在对故障特性的研究上。按照故障的来源，可以将故障类型分为硬件故障和软件故障。M.Hiller团队重点对数据错误的相关规律进行了研究，他们使用故障注入的方法，在模块的输入信号中注入故障并记录该模块的输出，比较无故障的软件运行情况以及注入故障后的软件运行情况，追踪故障传播的路径，分析模块化软件中数据错误的传播；A.Johansson和N.Suri研究了内核和设备驱动程序之间的故障传播，通过故障注入方式在不同的内核栈层次中注入故障，获取不同故障模式。Rashid L研究了间歇性硬件错误在软件内的传播规律。解答了哪一部分间歇性故障会导致程序崩溃；而可以导致程序崩溃的故障在程序崩溃之前是如何在程序内传播的。

然而，目前的研究对系统体系结构的描述或建模不够准确，更缺少本发明中基于复杂系统中节点间依赖关系及故障传播对故障传播特性的研究。

发明内容

本发明的目的在于提供一种适应于复杂系统的故障传播仿真方法，根据复杂系统中节点与节点之间的输入输出依赖关系将复杂系统抽象为一个二元复杂网络图，然后对复杂网络模型进行故障传播仿真试验，获取故障传播路径及次数。

实现本发明目的的技术方案为：一种基于复杂网络模型的故障传播路径仿真方法，该方法包括以下步骤：

步骤1、将复杂系统抽象为复杂网络模型；

步骤2、计算复杂网络模型中节点之间的故障传播概率；

步骤3，对复杂网络模型进行故障仿真；

步骤4、统计故障传播路径并排序，辅助故障定位。

本发明与现有技术相比，其显著优点为：

(1)本发明将复杂系统中节点与接口两种实体抽象为网络节点，将接口与接口之间的输入输出依赖关系为连边构造出复杂网络模型；根据接口之间的输入输出依赖关系给出服务之间的故障传播概率的计算模型；

(2)本发明属于故障仿真，通过随机故障注入进行网络故障仿真获得故障路径，不需要大量的实测数据。

(3)本发明的适用范围为复杂系统的故障诊断与分析，应用范围广，尤其是在缺少大量实测故障数据，复杂系统定位较为困难的情况下，能够显著提高故障诊断的准确性和效率，可帮助故障诊断活动节省人力和时间成本。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明复杂系统故障传播仿真流程图。

图2为本发明构造的复杂网络模型图。

图3为本发明构造的增加故障传播概率的复杂网络模型图。

具体实施方式

如图1所示，一种基于复杂网络模型的故障传播路径仿真方法，包括以下步骤：

步骤1、将复杂系统抽象为复杂网络模型：将复杂系统抽象为一个二元复杂网络图，记为G＝(N,P^N,E)，N和P^N代表网络图中的两类节点，E代表网络图中的边。即：将复杂系统中节点与接口两种实体抽象为网络节点，将接口与接口之间的输入输出依赖关系为连边构造出复杂网络模型；

其中，N＝{P^N}＝{(I^N,O^N)}，是复杂系统的基本组成单位；P^N代表节点N中的所有接口，I^N是N的输入变量，O^N是N的输出变量。

E_MN代表在P^M和P^N之间的依赖关系，对应网络图中P^M和P^N之间的连边，而节点M和节点N之间的接口关系{E_MN}为P^M和P^N之间的依赖关系的集合。

在构造复杂网络模型中M和N之间依赖关系的具体过程为：

(1)初始化{E_MN}；

(2)从M的接口集合{P^M ₁,…,P^M _T}中取出一个接口P^M _t，其对应的输入、输出消息分别为I^M _t、O^M _t；

(3)从N的接口集合{P^N ₁,…,P^N _K}中取出一个接口P^N _k，其对应的输入、输出消息分别为I^N _k、O^N _k，若存在I^M _t＝O^N _k，则说明P^M _t依赖于P^N _k，将依赖关<P^N _k,P^M _t>加入{E_MN}；若存在O^M _t＝I^N _k，则说明P^N _k依赖于P^M _t，将依赖关系<P^M _t,P^N _k>加入{E_MN}；而<P^N _k,P^M _t>＝<P^M _t,P^N _k>并不恒成立，即依赖关系是有向的；

(4)循环步骤(3)直至N中所有的P^N _k都被遍历；

(5)循环步骤(2)至步骤(4)直至M中所有的P^M _t都被遍历；

至此，得到M和N之间依赖关系。

步骤2、计算复杂网络模型中节点之间的故障传播概率：假设N的第k个接口P^N _k依赖于M的第t个P^M _t，即有<P^M _t,P^N _k>，则当M发生故障时，故障通过依赖关系<P^M _t,P^N _k>传播给N的概率为：

Pr(P^M _tP^N _k)＝Pr{P^M _t输出错误|M发生故障}*Pr{N发生故障|P^N _k输入错误}

其中，Pr{P^M _t输出错误|M发生故障}为节点M发生故障导致其第t个操作P^M _t输出消息错误的条件概率；Pr{N发生故障|P^N _k输入错误}为节点N的第k个操作P^N _k的输入消息错误导致N发生故障的条件概率。

计算Pr{P^M _t输出错误|M发生故障}的过程为：

(1)M共有T个接口，分别为{P^M ₁,…,P^M _T}，将P_r{P^M _t输出错误|M发生故障}初始化为1/T；记P^M _t的前序节点集合，即P^M _t所依赖的节点集合为{preP_i}；

(2)从{preP_i}中依次取出preP_i，若preP_i∈{P^M ₁,…,P^M _T}，即preP_i与P^M _t同属于M，则有：

Pr{P^M _t输出错误|M发生故障}+＝Pr{preP_i|M发生故障}

(3)重复步骤(2)即可求得P_r{P^M _t输出错误|M发生故障}。

在步骤(2)中，当preP_i属于M时，若preP_i的前序节点不属于M，则有Pr{preP_i|M发生故障}＝1/T；若preP_i的前序节点属于M，则Pr{preP_i|M发生故障}的计算方法与Pr{P^M _t输出错误|M发生故障}相同，即重复步骤(1)、(2)(3)。

计算Pr{N发生故障|P^N _k输入错误}的过程为：

(1)N共有K个接口，分别为{P^N ₁,…,P^N _K}，将Pr{N发生故障|P^N _k输入错误}初始化为1/K；记P^N _k的后续节点集合，即依赖于P^N _k的节点集合为{oprP_i}；

(2)从{oprP_i}中依次取出oprP_i，若oprP_i∈{P^N ₁,…,P^N _K}，即oprP_i与P^N _k同属于节点N，则有：

Pr{N发生故障|P^N _k输入错误}+＝Pr{N发生故障|oprP_i输入错误}

(3)重复步骤(2)即可求得Pr{N发生故障|oprP_i输入错误}。

在步骤(2)中，当oprP_i属于N时，若oprP_i的后序节点不属于N，则有Pr{N发生故障|oprP_i输入错误}＝1/K；若oprP_i的后序节点属于N，则Pr{N发生故障|oprP_i输入错误}的计算方法与Pr{N发生故障|P^N _k输入错误}相同，即重复步骤(1)、(2)(3)。

步骤3、对复杂网络模型进行故障仿真：记复杂系统故障仿真总次数为ξ，一次网络故障仿真过程是选择某节点作为故障源，通过仿真获得该故障所影响到的节点数，记第i次仿真得到的故障节点数为n_i，具体过程为：

(1)将n_i初始化为1；

(2)记故障源为节点M，节点N依赖于节点M且存在依赖关系<P^M _t,P^N _k>，传播概率为Pr(P^M _tP^N _k)；

使用计算机生成一个[0,1]之间的随机数η，若η∈[0,Pr(P^M _tP^N _k)]，则节点N发生故障，且有n_i＝n_i+1并以N为故障源重复当前步骤(2)；若

则仿真结束，记故障传播路径为M(M,N,...E)；

(3)循环遍历所有依赖于节点M的节点；

(4)循环仿真直至仿真次数达到ξ。

步骤4、统计故障传播路径并排序。

统计M(M,N,...E)出现的次数，记为λM(M,N,...E)，根据λM(M,N,...E)的大小依次排序。

在对复杂网络模型进行故障仿真时，若M依赖于N，且同时存在N依赖于M，则M故障导致N故障后，由N进行仿真试验时不需要考虑故障向M传播，即故障仿真是单向的。

本发明将复杂系统中节点与接口两种实体抽象为网络节点，将接口与接口之间的输入输出依赖关系为连边构造出复杂网络模型；通过随机故障注入进行网络故障仿真获得故障路径，不需要大量的实测数据。

下面结合实施例对本发明进行详细说明。

实施例

一种基于复杂网络模型的故障传播路径仿真方法，主要流程如图1所示，具体过程为：

步骤1、构造复杂网络模型：将某工业控制系统抽象为一个包含四个节点的系统，并将其抽象为一个二元复杂网络图G＝(N,P^N,E)，如图2所示。

其中，N＝{A,B,C,D}，

P^A＝{P^A ₁,P^A ₂,P^A ₃}，P^B＝{P^B ₁}，P^C＝{P^C ₁,P^C ₂,P^C ₃}，P^D＝{P^D ₁,P^D ₂}

且根据工业控制系统的设计文件获得如下的输入输出依赖关系：

E_AB＝{<P^A ₁,P^B ₁>,<P^B ₁,P^A ₂>}，E_AC＝{<P^A ₃,P^C ₁>,<P^A ₂,P^C ₁>}，E_CC＝{<P^C ₁,P^C ₂>}，E_CD＝{<P^D ₁,P^C ₂>,<PD₂,P^C ₃>}。

步骤2、计算复杂网络模型中接口之间的故障传播概率：

Pr(P^A ₁P^B ₁)＝1/3*1＝1/3，Pr(P^B ₁P^A ₂)＝1/3；

由于存在E_CC＝{<P^C ₁,P^C ₂>}，所以有Pr(P^A ₃,P^C ₁)＝1/3*(1/3+1/3)＝2/9，同理有Pr(P^A ₂P^C ₁)＝2/9；

Pr(P^D ₁P^C ₂)＝1/2*1/3＝1/6，Pr(P^D ₂P^C ₃)＝1/6。

将接口之间故障传播概率增加到复杂网络模型中后如图3所示。

步骤3、对复杂网络模型进行故障仿真：设总仿真次数为1000次，第四次仿真时选择服务B作为故障源：

(1)n₄＝1；

(2)对于依赖关系<P^B ₁,P^A ₂>，使用计算机生成一个[0,1]之间的随机数0.25，η∈[0,1/3]，则服务A发生故障，且n₄＝1+1＝2；

(3)以A为故障源重复仿真过程；对于依赖关系<P^A ₃,P^C ₁>，使用计算机生成一个[0,1]之间的随机数0.51，

停止，无故障传播路径；对于依赖关系<P^A ₂,P^C ₁>，使用计算机生成一个[0,1]之间的随机数0.181，η∈[0,2/9]，获取故障传播路径A(A，C)。

步骤4、统计故障传播路径并排序。仿真1000次后，A(A，C)共出现385次，排名第一。

Claims (3)

1.一种基于复杂网络模型的故障传播路径仿真方法，其特征在于，包括以下步骤：

步骤1、将复杂系统抽象为复杂网络模型；具体为：

将复杂系统抽象为一个二元复杂网络图，记为G＝(N,P^N,E)，N和P^N代表网络图中的两类节点，E代表网络图中的边；

其中，N＝{P^N}＝{(I^N,O^N)}，是复杂系统的基本组成单位；P^N代表节点N中的所有接口，I^N是N的输入变量，O^N是N的输出变量；

E_MN代表在P^M和P^N之间的依赖关系，对应网络图中P^M和P^N之间的连边，而节点M和节点N之间的接口关系{E_MN}为P^M和P^N之间的依赖关系的集合；

在构造复杂网络模型中M和N之间依赖关系的具体过程为：

(1)初始化{E_MN}；

(2)从M的接口集合{P^M ₁,…,P^M _T}中取出一个接口P^M _t，其对应的输入、输出消息分别为I^M _t、O^M _t；

(3)从N的接口集合{P^N ₁,…,P^N _K}中取出一个接口P^N _k，其对应的输入、输出消息分别为I^N _k、O^N _k，若存在I^M _t＝O^N _k，则说明P^M _t依赖于P^N _k，将依赖关系<P^N _k,P^M _t>加入{E_MN}；若存在O^M _t＝I^N _k，则说明P^N _k依赖于P^M _t，将依赖关系<P^M _t,P^N _k>加入{E_MN}；而<P^N _k,P^M _t>＝<P^M _t,P^N _k>并不恒成立，即依赖关系是有向的；

(4)循环步骤(3)直至N中所有的P^N _k都被遍历；

(5)循环步骤(2)至步骤(4)直至M中所有的P^M _t都被遍历；

至此，得到M和N之间依赖关系；

步骤2、计算复杂网络模型中节点之间的故障传播概率；具体为：

假设N的第k个接口P^N _k依赖于M的第t个P^M _t，即有<P^M _t,P^N _k>，则当M发生故障时，故障通过依赖关系<P^M _t,P^N _k>传播给N的概率为：

Pr(P^M _tP^N _k)＝Pr{P^M _t输出错误|M发生故障}*Pr{N发生故障|P^N _k输入错误}

其中，Pr{P^M _t输出错误|M发生故障}为节点M发生故障导致其第t个操作P^M _t输出消息错误的条件概率；Pr{N发生故障|P^N _k输入错误}为节点N的第k个操作P^N _k的输入消息错误导致N发生故障的条件概率；

计算Pr{P^M _t输出错误|M发生故障}的过程为：

(1)M共有T个接口，分别为{P^M ₁,…,P^M _T}，将Pr{P^M _t输出错误|M发生故障}初始化为1/T；记P^M _t的前序节点集合，即P^M _t所依赖的节点集合为{preP_i}；

(2)从{preP_i}中依次取出preP_i，若preP_i∈{P^M ₁,…,P^M _T}，即preP_i与P^M _t同属于M，则有：

Pr{P^M _t输出错误|M发生故障}+＝Pr{preP_i|M发生故障}

(3)重复步骤(2)即可求得Pr{P^M _t输出错误|M发生故障}；

在步骤(2)中，当preP_i属于M时，若preP_i的前序节点不属于M，则有Pr{preP_i|M发生故障}＝1/T；若preP_i的前序节点属于M，则Pr{preP_i|M发生故障}的计算方法与Pr{P^M _t输出错误|M发生故障}相同，即重复步骤(1)、(2)(3)；

计算Pr{N发生故障|P^N _k输入错误}的过程为：

(1)N共有K个接口，分别为{P^N ₁,…,P^N _K}，将Pr{N发生故障|P^N _k输入错误}初始化为1/K；记P^N _k的后续节点集合，即依赖于P^N _k的节点集合为{oprP_i}；

(2)从{oprP_i}中依次取出oprP_i，若oprP_i∈{P^N ₁,…,P^N _K}，即oprP_i与P^N _k同属于节点N，则有：

Pr{N发生故障|P^N _k输入错误}+＝Pr{N发生故障|oprP_i输入错误}

(3)重复步骤(2)即可求得Pr{N发生故障|oprP_i输入错误}；

在步骤(2)中，当oprP_i属于N时，若oprP_i的后序节点不属于N，则有Pr{N发生故障|oprP_i输入错误}＝1/K；若oprP_i的后序节点属于N，则Pr{N发生故障|oprP_i输入错误}的计算方法与Pr{N发生故障|P^N _k输入错误}相同，即重复步骤(1)、(2)(3)；

步骤3，对复杂网络模型进行故障仿真；具体为：

记复杂系统故障仿真总次数为ξ，一次网络故障仿真过程是选择某节点作为故障源，通过仿真获得该故障所影响到的节点数，记第i次仿真得到的故障节点数为n_i，具体过程为：

(1)将n_i初始化为1；

(2)记故障源为节点M，节点N依赖于节点M且存在依赖关系<P^M _t,P^N _k>，传播概率为Pr(P^M _tP^N _k)；

使用计算机生成一个[0,1]之间的随机数η，若η∈[0,Pr(P^M _tP^N _k)]，则节点N发生故障，且有n_i＝n_i+1并以N为故障源重复当前步骤(2)；若

则仿真结束，记故障传播路径为M(M,N,...E)；

(3)循环遍历所有依赖于节点M的节点；

(4)循环仿真直至仿真次数达到ξ；

步骤4、统计故障传播路径并排序，辅助故障定位。

2.根据权利要求1所述的基于复杂网络模型的故障传播路径仿真方法，其特征在于，步骤4具体为：

统计M(M,N,...E)出现的次数，记为λM(M,N,...E)，根据λM(M,N,...E)的大小依次排序。

3.根据权利要求2所述的基于复杂网络模型的故障传播路径仿真方法，其特征在于，在对复杂网络模型进行故障仿真时，若M依赖于N，且同时存在N依赖于M，则M故障导致N故障后，由N进行仿真试验时不需要考虑故障向M传播，即故障仿真是单向的。

Images