CN109688604A - 一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估方法 - Google Patents

Abstract

一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估方法。本发明以提高移动自组织网络抗毁抗扰能力，保证主要服务、降低受损范围为目标，以中心节点选择为基础，以贝叶斯网络模型和ARMA模型为手段，解决高动态移动自组织网络链路状态评估问题。通过中心节点选举和主动探测，获得网络拓扑结构和活跃路径的运行状态，结合贝叶斯网络，推断出活跃路由中发生劣化的链路，并广播该消息；与劣化链路关联的相关节点收到中心节点的消息后，基于历史数据。结合ARMA模型，预测劣化链路的劣化持续时间。本发明引用了基于Raft一致性选举算法、贝叶斯结构学习方法、贝叶斯参数学习方法和局部联合树推理模型和自回归滑动平均模型(ARMA)。

Description

一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估 方法

技术领域

本发明涉及认移动自组织网络的链路状态评估领域，特别是涉及一种基于贝叶斯网络的网络抗毁性评估方法。

背景技术

移动自组织网络是一种由可移动的节点任意互联组成的具有临时性拓扑结构的自组织对等网络。该网络没有固定的网络基础设施，也不用网络提供中央控制单元，所有的网络节点均是以自发形式进行连接并构成动态的拓扑结构。网络中每个节点都有发送数据、接收数据和转发数据的功能。由于移动自组织网络节点不可靠，容易发生损毁，无线链路往往也容易受到干扰，从而引起网络拓扑结构和无线链路质量高动态变化，进而对网络可用性有较大影响。因此网络抗毁性是评估通信网络安全性、可靠性的一项重要性指标。网络抗毁能力是指网络具有可抵抗性、可识别性、可恢复性：可抵抗性是指网络系统抵御攻击的能力，是抗毁性的基本需求；可识别性是指当攻击出现时，网络系统发现威胁的能力，是反映系统对自身状态和环境的监视能力；可恢复性是指网络系统在受到攻击过程中，保证主要服务、降低受损范围的能力，反映了系统的自我修复能力和自适应能力。高效、可靠的移动自组织网络抗毁性评估方法对网络可靠性差、链路不稳定、可用性动态变化的移动自组织网络而言尤其重要。

近年来，为了解决移动自组织网络环境下的网络抗毁性评估问题，研究人员从多个方面展开研究，所取得的成果主要有：

(1)基于图论的抗毁性评估方法

基于图论的抗毁性评估是指中，在拓扑结果完全确定的情况下，在理想的破坏方案的作用下，网络能够保持连通的能力。抗毁性不涉及网络节点和边的抗毁性，衡量的是破坏一个系统的难度。该方法评价网络抗毁性的主要可靠性测度有以下几类：a)基于节点和链路的抗毁性测度；b)基于点割集的抗毁性测度；c)基于节点属性的抗毁性测度；d)基于边(链路)的抗毁性测度。具体指标主要有连通度、路径效率、网络直径、平均路径长度、聚类系数、介数、跳数、连通分支等等。

(2)基于定量分析的抗毁性评估方法

研究抗毁的路由协议或数据链路层协议，在网络遭遇攻击或故障后，网络协议能够快速地收敛并支撑网络运行或不间断网络服务。利用定量分析方法，结合观测或收集的数据，评估网络在链路层、传输层、网络层、应用层等应具备的连通、传输、路由、服务能力等。

在高动态移动自组织网络环境中，通过数据分析网络性能的各个指标，评估网络当前活跃路径运行状态和发展变化趋势，找到即将发生劣化的链路。在路径性能即将劣化时快速诊断、定位以避免网络拥塞、干扰、损毁对网络服务的影响，在路径性能已经劣化的情况下预测链路的劣化持续时间，为活跃路径迅速恢复正常运行提供关键支撑。

发明内容

本发明以提高移动自组织网络抗毁抗扰能力为目标，通过leader节点选举和主动探测，获得网络拓扑结构和活跃路径的运行状态，结合贝叶斯网络和ARMA模型，解决移动自组织网络链路劣化定位与预测问题。具体包括：

1.基于Raft一致性算法，设计一种动态选举机制，通过该机制来选举出每次执行抗毁性评估的节点，并收集当前的网络拓扑结构和活跃路径信息。

2.通过对活跃路径进行端到端的测量，基于贝叶斯网络模型，在leader节点上对活跃路径建立贝叶斯推理模型，从而实现对链路劣化的定位。

3.基于劣化的链路，通过预测收集的历史信息，预测链路劣化的持续时间。

为了使计算结果快速、准确，使得结果适用于路由、分簇、分发等领域，本发明引用了基于Raft一致性选举算法、贝叶斯结构学习方法、贝叶斯参数学习方法和局部联合树推理模型和自回归滑动平均模型(ARMA)。

与现有技术相比，本发明的创新之处在于：以主动探测和贝叶斯网络模型为基础，适用于高动态移动自组织网络形态，并具有自适应能力。具体体现在：

1.以主动探测和贝叶斯网络为基础，在各种移动自组织网络的环境中通过中心节点对网络状态进行评估，进而对链路进行劣化定位与预测。

2.在劣化定位和预测的使用过程中，基于节点的先验知识和主动探测得到的数据，在不同的网络环境中调整网络环境相关参数，使本发明具有自适应能力。

附图说明

图1移动自组织网络抗毁性评估方法流程

图2leader节点选举过程示意图

图3基于贝叶斯网络的链路劣化定位示意图

图4基于ARMA模型的链路劣化持续时间预测示意图

具体实施方式

参阅图1，通过Raft一致性算法的动态选举机制(参阅图2)，选举出每次执行抗毁性评估的节点，为方便描述，我们称该选举出的节点为中心节点。中心节点是指通过选举机制选举出的一个节点，该节点负责搜集汇总抗毁性评估，并执行链路劣化定位的任务。中心节点根据收集到的拓扑信息和活跃路径信息构建路由树。然后对路由树中的路径进行端到端探测以获取先验知识，通过贝叶斯参数学习和结构学习构建贝叶斯网络；基于贝叶斯网络推断哪些链路是否发生了劣化。中心节点完成链路劣化定位的任务后，把发生劣化的链路发给全网的所有节点及本地的拓扑控制接口。与劣化链路相关联节点收到信息后，基于收集的相关历史信息，预测该链路的劣化持续时间并把该信息发给拓扑控制接口。本发明引用了基于Raft一致性选举算法、贝叶斯结构学习方法、贝叶斯参数学习方法和局部联合树推理模型和自回归滑动平均模型(ARMA)，使计算结果适用于移动自组织网络评估网络在链路层、传输层、网络层、应用层等应具备的连通、传输、路由、服务能力抗毁性评估领域，实际实施中主要包含三个阶段进行实施。

第一，基于Raft一致性，选举出leader节点(中心节点)。

在评估中心节点选举过程中节点可依据状态划分为三个基本类型，分别是：Leader(领袖)、Follower(群众)和Candidate(候选人)。在中心节点选举机制中时间被切分为一个个的Term，可以认为是一种“逻辑时间”。每个Term时间内至多存在1个Leader；若当前Term由于选举失败，则不存在Leader；每个节点本地将维护一个Term值。Leader由Follower投票选出。初始状态时，没有Leader，所有参加节点均为Follower，并随机睡眠一段时间timeout。最先醒来的节点将自增Term值，意味着开始一个新的选举周期，并进入Candidate状态，Candidate状态的节点有权利发起投票，向其他所有节点发出Request_vote请求，请求其他节点给它投票使之成为Leader。当其他非Candidate状态节点接收到Request_vote请求后，将自己仅有的一票分别投给最先发送Request_vote请求的Candidate状态的节点，得票数最多的Candidate节点则自动进入Leader状态，Leader节点即为进行抗毁性评估的中心节点，本次选举结束。每次Leader节点作为中心节点存在一定的“任期”时间。

依据评估中心节点的需求，中心节点应尽可能选取网络的中心，或靠近网络节点聚集的中心。因此，网络中所有节点在开始选举之前，应根据节点当前的连通度划分睡眠时间区间，连通度越大的节点越靠近节点聚集的中心，其睡眠时间区间也越小，其发起投票成功当选Leader的概率也就越高。节点的三种状态角色变迁如图2所示。选出Leader后，Leader通过定期向所有Follower发送心跳信息(Heartbeat)维持其中心节点的角色功能状态。若Follower一段时间未收到Leader的心跳则认为Leader可能已经失效，需要再次发起选举Leader的过程。网络中的Leader节点选举出来以后，可能存在消失或失踪。因此，需要保证不论Leader节点在何种情形下损毁，都能够保证网络中各个节点的数据具有一致性。

Follower节点在接收到Leader节点的心跳信息(Heartbeat)后，根据携带的Term值判断确实当前Leader是否有效。若有效，则向Leader节点发送需要上报的数据，Leader节点接收到数据后，其数据处于未提交状态，然后Leader节点将所有汇总的数据整合并完成处理后，向所有Follower节点分发(或广播)复制的数据并等待接收响应。确保至少当网络中超过半数节点接收到Leader分发的数据后，Leader将会数据置为已提交，并向Follower节点发送通知告知该数据已提交。

第二，基于贝叶斯网络模型，推断发生劣化的链路并把这些发生劣化的链路定位信息反馈给全网其他节点及本地节点的拓扑控制接口。

当中心节点选好之后，收集网络拓扑信息和活跃路径信息，生成活跃路由树。我们可建立网络拓扑的路由矩阵R，R中的每一列代表一条链路E_i，每一行表示一条路径P_j。若路径P_j经过链路E_i，则元素R_ij＝1；否则R_ij＝0。因此，可以得到一个大小为n_p×n_E，元素为0和1的矩阵。

假设ξ(E_i)(i∈n_E)为链路E_i的传输成功率，则1-ξ(E_i)为链路E_i的链路丢包率；ξ(P_j)(j∈n_p)为路径P_j的路径传输成功率，则1-ξ(P_j)为P_j的路径丢包率。在这里，高动态网络劣化定位的目的不是求得链路丢包率的具体值，而是定位丢包率高于某个约定阈值的链路，即劣化链路。用变量y_i表示路径P_j的状态：若路径P_j劣化，则y_j＝1，否则y_j＝0。变量x_j表示链路E_i的状态：若链路E_i劣化，则x_i＝1，否则x_i＝0。则y_i和x_i之间的关系如下：

其中“∏”表示连乘操作，“*”表示乘法操作。

通过对路由树进行端到端的测探，获得端到端的观测数据D。学习找出一个最匹配数据集D的网络结构G，评分函数就是表示此网络结构与真实网络的匹配程度，结构G上的评分可以表示score(G，D)。因为score(G，D)＝score(G|D)score(D)，而观测数据集D是确定的，score(D)是一个固定值，所以贝叶斯网络结构学习就是找到一个网络结构G^*，使其满足：

G^*＝argmax_G∈Gn score(G|D) (2)

采用经典的K2算法，它要求先确定网络中节点变量的次序然后基于结构搜索并且打分，它的结构打分函数为：

上式中B_s表示网络结构，D表示实例数据，C为常数，节点变量的数目为n，t_i表示节点x_i可能取值的数目；N_ij表示节点x_i对应父节点x_j的总数目；N_ijk则表示节点x_i在对应父节点x_j取值为k的总数目；q_i表示节点x_i可能的父节点数目。贝叶斯网络模型建立构建完成后，通过局部联合树算法进行推理，找到发生劣化的链路(参阅图3)。裂化定位具体步骤如下：

步骤1：QoS劣化定位的贝叶斯网络模型建立。对于给定网络拓扑T＝(V，E)，基于K2算法，建立链路E_i和包含链路的路径P_j之间的贝叶斯网络模型，贝叶斯网络结构为S；

步骤2：路径状态获取。通过少量的端到端探测统计，获取m次测量的路径状态信息；

步骤3：链路劣化的先验概率学习。利用步骤1给出的贝叶斯网络结构为S，步骤2获取的m次路径状态Y＝{Y¹，Y²，…，Y^m}，按照贝叶斯估计方法学习，推断出链路劣化的先验概率P_E；

步骤4：QoS劣化定位的贝叶斯推理。贝叶斯网络的结构5和链路劣化的先验概率P_E已知的情况下，获取当前时刻的所有路径的状态Y′＝{Y′_j，1≤j≤n_p}，输入贝叶斯网络模型，结合劣化路径状态Y″和链路劣化先验概率P_E，利用局部联合树算法实现近似推理，估计链路状态X′＝{X′_i，1≤j≤n_E}的可能取值，进而实现QoS劣化定位。

第三，节点收到中心节点发来的链路劣化定位信息后，检查自己是否与这些劣化链路有关联。若有，则基于收集的相关历史信息，结合ARMA模型预测链路劣化的持续时间，并把该信息反馈给拓扑控制接口。

基于给定过去一段时间内收集到的劣化持续时间数据，预测劣化链路在将来一段时间内的劣化持续时间。根据过去的历史记录，输出劣化链路的持续周期T_p(预测值)。对于平稳、正态、零均值的劣化持续时间的历史序列{x_t}，若x_t的取值不仅与其前n步的各个取值x_t-1，x_t-2，…，x_t-n有关，而且还与前面m步的各个干扰a_t-1，a_t-2，…，a_t-m有关(n，m＝1，2，…)，则按多元线性回归的思想，可得到一般的ARMA模型。

上式式表示一个n阶自回归m阶滑动平均模型，记为ARMA(n，m)；n和m分别表示AR部分和MA部分的阶次；θ_j(j＝1，2，...，m)分别为各部分的模型参数。ARMA(n，m)将x_t分解为确定性部分和随机性部分。确定性部分由x_t在t时刻的数学期望E[x_t]所确定，即

在t时刻，各a_t-1，a_t-2，…均是已经确定了的观测值，而尽管{a_t}是白噪声序列，是不可观测的，但t时刻以前的所有a_t-1，a_t-2，…却是已经发生了的，因而也是确定性的。所以，E[x_t]中计入了观测数据x_t-i的影响和已经发生的干扰a_t-i的影响这两部分。x_t的随机性部分由白噪声a_t确定，这是因为在t时刻，a_t是不可观测的随机性干扰。具体步骤(参阅图4)如下：

步骤1：平稳性检验及平稳化处理：无明显上升、下降或周期趋势；

步骤2：用AIC准则进行ARMA模型定阶：确定上式中的阶数m和n；

步骤3：ARMA的参数估计：先估计再估计出θ_j；

步骤4：模型的残差检验：检验残差序列是不是白噪声，若否，重新设定模型；

步骤5：滚动的进行前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间。

Claims (1)

1.一种基于贝叶斯网络的高动态移动自组织网络抗毁性评估方法，包含基于Raft一致性的leader节点选举、基于贝叶斯网络模型的劣化链路定位和基于ARMA模型的链路劣化持续时间预测，其特征在于：

1)该方法可以适应网络的动态变化，各个节点周期性的收集与之关联的链路发生劣化的持续时间，同时网络选举出中心节点收集当前的网路拓扑结构和活跃路由树；中心节点在有效期内通过主动探测的方式对活跃路由树进行端到端探测，结合贝叶斯网路模型，推断出发生劣化的活跃链路，并把该消息广播出去；相关节点收到该消息后，基于历史相关信息，结合ARMA模型，预测劣化链路的劣化时间；

2)基于Raft一致性，选举出leader节点(中心节点)：

步骤1：任期Terms划分；

步骤2：Leader节点选举；

步骤3：Leader节点有效性检查；

3)中心节点基于贝叶斯网络模型进行劣化链路定位：

步骤1：QoS劣化定位的贝叶斯网络模型建立。对于给定网络拓扑T＝(V，E)，基于K2算法，建立链路E_i和包含链路的路径P_j之间的贝叶斯网络模型,贝叶斯网络结构为S；

步骤2：路径状态获取。通过少量的端到端探测统计，获取m次测量的路径状态信息；

步骤3：链路劣化的先验概率学习。利用步骤1给出的贝叶斯网络结构为S，步骤2获取的m次路径状态Y＝{Y¹，Y²，…，Y^m}，按照贝叶斯估计方法学习，推断出链路劣化的先验概率P_E；

步骤4：QoS劣化定位的贝叶斯推理。贝叶斯网络的结构S和链路劣化的先验概率P_E已知的情况下，获取当前时刻的所有路径的状态Y′＝{Y′_j，1≤j≤n_p}，输入贝叶斯网络模型，结合劣化路径状态Y″和链路劣化先验概率P_E，利用局部联合树算法实现近似推理，估计链路状态X′＝{X′_i，1≤j≤n_E}的可能取值，进而实现QoS劣化定位；

4)基于收集的相关历史信息，关联节点采用如下步骤预测劣化链路的劣化持续时间：

步骤1：平稳性检验及平稳化处理：无明显上升、下降或周期趋势；

步骤2：用AIC准则进行ARMA模型定阶：确定上式中的阶数m和n；

步骤3:ARMA的参数估计：先估计再估计出θ_j；

步骤4：模型的残差检验：检验残差序列是不是白噪声，若否，重新设定模型；

步骤5：滚动的进行前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间。