CN110362939B - 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法 - Google Patents

基于Monte carlo的网络靶场装备体系可靠性建模系统及方法 Download PDF

Info

Publication number
CN110362939B
CN110362939B CN201910654682.0A CN201910654682A CN110362939B CN 110362939 B CN110362939 B CN 110362939B CN 201910654682 A CN201910654682 A CN 201910654682A CN 110362939 B CN110362939 B CN 110362939B
Authority
CN
China
Prior art keywords
fault
distribution
equipment
reliability
simulation
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.)
Active
Application number
CN201910654682.0A
Other languages
English (en)
Other versions
CN110362939A (zh
Inventor
张茜
温泉
王晓菲
杨洁
陈志浩
石波
常承伟
贾琼
杨枭
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.)
Beijing Institute of Computer Technology and Applications
Original Assignee
Beijing Institute of Computer Technology and Applications
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 Beijing Institute of Computer Technology and Applications filed Critical Beijing Institute of Computer Technology and Applications
Priority to CN201910654682.0A priority Critical patent/CN110362939B/zh
Publication of CN110362939A publication Critical patent/CN110362939A/zh
Application granted granted Critical
Publication of CN110362939B publication Critical patent/CN110362939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于Monte carlo的网络靶场装备体系可靠性建模系统及方法，涉及信息安全技术领域。本发明将网络靶场装备体系进行了整体梳理，针对网络靶场的整体装备体系进行可靠性建模，弥补了目前网络靶场装备体系可靠性建模的空白；利用Monte Carlo仿真方法对网络靶场装备体系进行可靠性建模，不仅能够得到装备体系的可靠性指标，还能获得这些可靠性指标的概率分布，能够预测装备体系未来的可靠性，对提高系统可靠性有很大的帮助；在故障分析模块引入了贝叶斯网络模型，将故障树转化为贝叶斯网络，克服了故障树计算复杂、不确定性处理能力有待提高等局限性，更适用于复杂的装备体系故障分析和判断。

Description

基于Monte carlo的网络靶场装备体系可靠性建模系统及方法
技术领域
本发明涉及信息安全技术领域，具体涉及一种基于Monte carlo的网络靶场装备体系可靠性建模系统及方法。
背景技术
网络靶场是指通过虚拟环境与真实设备相结合，模拟仿真出真实网络空间攻防作战环境，能够支撑武器装备试验鉴定、攻防演练培训、网络风险评估等需求。靶场装备体系可靠性是指在网络靶场中的体系攻防作战任务下，独立工作或者相互协作的各种靶场作战装备组成的复杂系统完成规定任务的能力，反映了靶场整体装备体系的可靠能力。
目前，我国网络靶场的装备体系主要强调功能验证，缺乏对装备体系可靠性指标的考核。而对于靶场网络攻防试验来说，作战装备必须具有很高的可靠性，因此目前形势下急需要对靶场装备体系进行可靠性建模和分析，这样才能有助于靶场针对薄弱环节进行改进，及时有效地保障试验任务的完成。
常用的可靠性分析方法有故障树分析法、基于概率论和马尔可夫链的数学解析法和基于事件和时间的数值仿真法等。其中故障树分析法运用逻辑运算自上而下逐一分析，构造故障树的工作量繁重、难度较大、对分析人员要求较高、容易引起失误；数学解析法仅适用于组成结构简单的系统，无法适用于一些复杂的、动态的、大型的复杂系统；而数值仿真法具有应用灵活、简单清晰、易于编程的特点，对一些复杂系统的可靠性问题具有很好的适应性，不仅可以得到装备系统可靠性的点估计值，还可以清晰地获得可靠性指标随时间变化的概率分布函数，有助于深入分析装备系统可靠性。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何实现一种网络靶场装备体系可靠性建模系统及方法。
(二)技术方案
为了解决上述技术问题，本发明提供了一种基于Monte carlo的网络靶场装备体系可靠性建模系统，包括：
可靠仿真模块，用于根据各个装备的可靠性指标、分布类型，基于Monte Carlo方法采用随机抽样生成各个装备的故障时间和维修时间等可靠性指标的仿真样本；
故障分析模块，用于将靶场装备体系的故障树转化为贝叶斯网络模型；
整体推导模块，用于根据所述可靠仿真模块仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析模块构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值；
计算可靠分布模块，用于在重复地按顺序执行可靠仿真模块、故障分析模块及整体推导模块多次后，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，获得整个靶场装备体系的故障分布和维修时间经验分布，从而获得可靠性经验分布。
优选地，所述可靠仿真模块具体用于：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值。
优选地，所述可靠仿真模块用于产生靶场装备体系中各装备随机抽样仿真样本具体实现方式为：
对于装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，n为装备的个数，利用Monte Carlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)；根据维修时间参数得到各装备故障后的维修时间仿真抽样值。
优选地，所述故障分析模块具体用于：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表。
优选地，所述计算可靠分布模块，具体用于在重复地按顺序执行可靠仿真模块、故障分析模块及整体推导模块N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
本发明还提供了一种基于Monte Carlo方法的靶场装备体系可靠性建模方法，包括以下步骤：
S1、可靠仿真步骤，根据各个装备的可靠性指标、分布类型，基于Monte Carlo方法采用随机抽样生成各个装备的故障时间和维修时间等可靠性指标的仿真样本；
S2、故障分析步骤，将靶场装备体系的故障树转化为贝叶斯网络模型；
S3、整体推导步骤，根据所述可靠仿真步骤仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析步骤构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值；
S4、计算可靠分布步骤，在重复地按顺序执行步骤S1、S2、S3多次后，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，获得整个靶场装备体系的故障分布和维修时间经验分布，从而获得可靠性经验分布。
优选地，步骤S1具体为：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值。
优选地，产生靶场装备体系中各装备随机抽样仿真样本的具体实现方式为：对于n个装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，利用Monte Carlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)，根据维修时间参数得到各装备故障后的维修时间仿真抽样值。
优选地，步骤S2中，将靶场装备体系的故障树转化为贝叶斯网络的具体转化方式为：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表。
优选地，步骤S4中，在重复地按顺序执行步骤S1、S2、S3 N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
(三)有益效果
本发明将网络靶场装备体系进行了整体梳理，针对网络靶场的整体装备体系进行可靠性建模，弥补了目前网络靶场装备体系可靠性建模的空白；利用Monte Carlo仿真方法对网络靶场装备体系进行可靠性建模，不仅能够得到装备体系的可靠性指标，还能获得这些可靠性指标的概率分布，能够预测装备体系未来的可靠性，对提高系统可靠性有很大的帮助；在故障分析模块引入了贝叶斯网络模型，将故障树转化为贝叶斯网络，克服了故障树计算复杂、不确定性处理能力有待提高等局限性，更适用于复杂的装备体系故障分析和判断。
附图说明
图1为网络靶场装备体系的组成图；
图2为基于Monte Carlo方法的网络靶场装备体系可靠性建模系统原理及方法流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
图1为网络靶场装备体系的组成图，其中，梳理了网络靶场整体装备体系的结构。网络靶场装备体系包括网络攻防武器装备、任务保障装备、通信装备和其他装备等。网络攻防武器装备是网络靶场在完成攻防演练任务时必备的工具，主要包括网络侦察武器装备、前期预警武器装备、指挥决策武器装备、网络欺骗武器装备、反击进攻武器装备、攻击防范武器装备等；任务保障装备主要用于保障靶场任务顺利进行，主要包括技术保障装备、信息保障装备、安全保障装备等；通信装备主要用于靶场任务指挥和信息传输，主要包括传输装备、交换装备、保密装备、供电装备、测试装备等；其他装备是指靶场任务执行过程中用到的其他装备，主要有数据采集和处理装备、装备效能评估装备等。
由于靶场装备体系结构复杂、装备繁多，直接对整个装备体系可靠性建模和仿真，难度极大，因此可将整体进行逐层划分，最后从底层展开系统可靠性仿真和建模，进而向上集成，实现整体可靠性建模与仿真。
由以往经验可知，数值仿真法是模拟复杂系统可靠性的一种十分有效的方法。本发明采用动态可靠性分析中比较成熟的Monte Carlo方法，Monte Carlo方法以概率论和统计理论为基础，将所求问题转化为概率模型，用计算机实现统计模拟或抽样，用统计特征量作为待解问题的数值解。Monte Carlo方法能够模拟动态系统的寿命过程，分析系统的动态可靠性特征，这种方法对问题的维数没有限制，对故障分布的规律没有严格的要求，适用于任意网络结构，因此它特别适用于解决高维、非马尔可夫问题以及难以用确定性方法分析的复杂系统，也同样适用于对本发明中的靶场装备体系可靠性建模。
图2为本发明提供的一种基于Monte Carlo方法的靶场装备体系可靠性建模系统属性原理图，给出了利用Monte Carlo方法对网络靶场装备体系的可靠性建模的基本内容框架和基本流程。该系统具体包括：
1、可靠仿真模块，用于根据各个装备的可靠性指标、分布类型，基于Monte Carlo方法采用随机抽样生成各个装备的故障时间和维修时间等可靠性指标的仿真样本；具体用于：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型(包括指数分布、威布尔分布、正态分布)；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值；
具体实现方式为：
对于n个装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，利用Monte Carlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)，类似地，根据维修时间参数得到各装备故障后的维修时间仿真抽样值；
2、故障分析模块，用于将靶场装备体系的故障树转化为贝叶斯网络模型；
根据各装备的故障时间和维修时间，一般情况下会利用传统故障树模型，综合各装备的故障串并联关系，推导出整个装备体系的故障时间和维修时间仿真模拟值，而贝叶斯网络模型具有描述事件多态性和故障逻辑关系非确定性的能力，更适用于复杂系统的故障分析和判断，考虑到靶场装备体系的复杂性，所以引入贝叶斯网络模型，因此本发明创新性地引入贝叶斯网络模型，将故障树转化为贝叶斯网络模型，克服了故障树计算复杂、不确定性处理能力有待提高、只考虑系统二态性的局限性，能够使复杂的装备体系故障分析更加简洁可靠。
所述将靶场装备体系的故障树转化为贝叶斯网络(模型)的具体转化方式为：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表。
3、整体推导模块，用于根据所述可靠仿真模块仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析模块构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值。
4、计算可靠分布模块，为了保证实验可靠性，计算可靠分布模块用于在重复地按顺序执行可靠仿真模块、故障分析模块及整体推导模块N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
本发明还提供了相应的一种基于Monte Carlo方法的靶场装备体系可靠性建模方法。该方法包括以下步骤：
S1、可靠仿真步骤，根据各个装备的可靠性指标、分布类型，基于Monte Carlo方法采用随机抽样生成各个装备的故障时间和维修时间等可靠性指标的仿真样本；具体为：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型(包括指数分布、威布尔分布、正态分布)；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值；
具体实现方式为：
对于n个装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，利用Monte Carlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)，类似地，根据维修时间参数得到各装备故障后的维修时间仿真抽样值；
S2、故障分析步骤，将靶场装备体系的故障树转化为贝叶斯网络模型；
根据各装备的故障时间和维修时间，一般情况下会利用传统故障树模型，综合各装备的故障串并联关系，推导出整个装备体系的故障时间和维修时间仿真模拟值，而贝叶斯网络模型具有描述事件多态性和故障逻辑关系非确定性的能力，更适用于复杂系统的故障分析和判断，考虑到靶场装备体系的复杂性，所以引入贝叶斯网络模型，因此本发明创新性地引入贝叶斯网络模型，将故障树转化为贝叶斯网络模型，克服了故障树计算复杂、不确定性处理能力有待提高、只考虑系统二态性的局限性，能够使复杂的装备体系故障分析更加简洁可靠。
所述将靶场装备体系的故障树转化为贝叶斯网络(模型)的具体转化方式为：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表。
S3、整体推导步骤，根据所述可靠仿真步骤仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析步骤构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值。
S4、计算可靠分布步骤，为了保证实验可靠性，在重复地按顺序执行步骤S1、S2、S3N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
本发明的有益效果是：
(1)本发明将网络靶场装备体系进行了整体梳理，针对网络靶场的整体装备体系进行可靠性建模，弥补了目前网络靶场装备体系可靠性建模的空白。
(2)本发明利用Monte Carlo仿真方法对网络靶场装备体系进行可靠性建模，不仅能够得到装备体系的可靠性指标，还能获得这些可靠性指标的概率分布，能够预测装备体系未来的可靠性，对提高系统可靠性有很大的帮助。
(3)本发明在故障分析模块引入了贝叶斯网络模型，将故障树转化为贝叶斯网络，克服了故障树计算复杂、不确定性处理能力有待提高等局限性，更适用于复杂的装备体系故障分析和判断。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种基于Montecarlo的网络靶场装备体系可靠性建模系统，其特征在于，包括：
可靠仿真模块，用于根据各个装备的可靠性指标、分布类型，基于MonteCarlo方法采用随机抽样生成各个装备的故障时间和维修时间可靠性指标的仿真样本；
故障分析模块，用于将靶场装备体系的故障树转化为贝叶斯网络模型；
整体推导模块，用于根据所述可靠仿真模块仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析模块构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值；
计算可靠分布模块，用于在重复地按顺序执行可靠仿真模块、故障分析模块及整体推导模块多次后，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，获得整个靶场装备体系的故障分布和维修时间经验分布，从而获得可靠性经验分布；
所述可靠仿真模块具体用于：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值；
所述可靠仿真模块用于产生靶场装备体系中各装备随机抽样仿真样本具体实现方式为：
对于装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，n为装备的个数，利用MonteCarlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)；根据维修时间参数得到各装备故障后的维修时间仿真抽样值；
所述故障分析模块具体用于：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表；
所述计算可靠分布模块，具体用于在重复地按顺序执行可靠仿真模块、故障分析模块及整体推导模块N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
2.一种基于MonteCarlo方法的靶场装备体系可靠性建模方法，其特征在于，包括以下步骤：
S1、可靠仿真步骤，根据各个装备的可靠性指标、分布类型，基于MonteCarlo方法采用随机抽样生成各个装备的故障时间和维修时间可靠性指标的仿真样本；
S2、故障分析步骤，将靶场装备体系的故障树转化为贝叶斯网络模型；
S3、整体推导步骤，根据所述可靠仿真步骤仿真生成的各个装备的故障时间和维修时间这些可靠性指标仿真样本，以及所述故障分析步骤构造的贝叶斯网络模型推导出作为顶级事件的整个靶场装备体系的故障时间和维修时间可靠性指标模拟值；
S4、计算可靠分布步骤，在重复地按顺序执行步骤S1、S2、S3多次后，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，获得整个靶场装备体系的故障分布和维修时间经验分布，从而获得可靠性经验分布；
步骤S1具体为：
(1)首先获取靶场装备体系中各装备可靠性指标和分布类型
获取靶场装备体系中各装备的可靠性指标，故障分布及维修时间分布类型；
(2)产生靶场装备体系中各装备随机抽样仿真样本
将靶场装备体系中各装备的故障参数和维修时间参数代入对应的分布模型中，按照各装备服从的分布进行仿真抽样，生成各装备的故障时间和维修时间仿真抽样值；
产生靶场装备体系中各装备随机抽样仿真样本的具体实现方式为：对于n个装备的故障分布，将故障参数代入分布，确定故障分布函数Fi(t)，其中Fi(t)≤1,i＝1,2,...,n，Fi(t)为第i个装备的故障分布函数，利用MonteCarlo方法在(0,1)之间产生n个均匀分布的随机数ri,i＝1,...,n，这样就能得到一组各个装备的故障仿真抽样值ti＝Fi -1(ri)，根据维修时间参数得到各装备故障后的维修时间仿真抽样值；
步骤S2中，将靶场装备体系的故障树转化为贝叶斯网络的具体转化方式为：将故障树所有基本事件对应地表达为贝叶斯网络中的根节点；将故障树中各个基本事件的先验概率直接赋值给贝叶斯网络中对应的根节点作为根节点的先验概率；将故障树中的每个逻辑门都表达为贝叶斯网络中的一个节点，节点标志和状态取值与故障树中的逻辑门的输出事件一致；按照故障树中表达的逻辑门与基本事件的关系连接贝叶斯网络中的节点，连接节点的有向边方向与故障树中逻辑门的输入输出关系对应；将故障树中逻辑门逻辑关系表达为贝叶斯网络中对应节点条件概率表；
步骤S4中，在重复地按顺序执行步骤S1、S2、S3N次后，N≥1000，根据获得的靶场装备体系的故障时间和维修时间可靠性指标模拟值的落点分布，经冒泡法进行大小排序后，获得整个靶场装备体系的故障分布F(t)和维修时间经验分布G(t)，从而获得可靠性经验分布R1(t)＝1-F(t)，R2(t)＝1-G(t)。
CN201910654682.0A 2019-07-19 2019-07-19 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法 Active CN110362939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654682.0A CN110362939B (zh) 2019-07-19 2019-07-19 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654682.0A CN110362939B (zh) 2019-07-19 2019-07-19 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法

Publications (2)

Publication Number Publication Date
CN110362939A CN110362939A (zh) 2019-10-22
CN110362939B true CN110362939B (zh) 2023-05-02

Family

ID=68220394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654682.0A Active CN110362939B (zh) 2019-07-19 2019-07-19 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法

Country Status (1)

Country Link
CN (1) CN110362939B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628124B (zh) * 2020-05-08 2024-01-16 深圳清华大学研究院 Isp与视觉任务联合优化方法、系统、介质和电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063586B (zh) * 2014-06-11 2017-03-01 西北工业大学 基于多态故障树的贝叶斯网络故障预测方法
CN106503813A (zh) * 2016-10-27 2017-03-15 清华大学 基于起重装备工作状态的预测性维修决策方法及系统
CN107395411A (zh) * 2017-07-18 2017-11-24 电子科技大学 一种指挥控制网络二端连通可靠性建模和分析方法
CN108664400B (zh) * 2018-05-11 2020-08-04 北京航空航天大学 一种基于相依贝叶斯网络的故障诊断技术的构建方法

Also Published As

Publication number Publication date
CN110362939A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN112100865A (zh) 基于并行cnn模型的航空发动机剩余寿命预测方法
CN103914353A (zh) 结合软件可靠性测试与硬件可靠性试验的联合试验方法
CN105183993B (zh) 一种电磁轨道炮综合仿真平台及方法
CN109948833A (zh) 一种基于长短期记忆网络的水电机组劣化趋势预测方法
Boring Dynamic human reliability analysis: Benefits and challenges of simulating human performance
CN106777814A (zh) 基于多源层次信息更新与故障物理的可靠性预计方法
CN102663182A (zh) 一种大型设备的智能虚拟维修训练系统
CN108090606A (zh) 设备故障发现方法及系统
CN103020332A (zh) 一种民用飞机的智能虚拟维修训练系统
CN112491096B (zh) 一种用于生成电网仿真分析算例的方法及系统
CN110362939B (zh) 基于Monte carlo的网络靶场装备体系可靠性建模系统及方法
CN110717691B (zh) 基于组件的评估模型装配方法及系统
CN111460691B (zh) 一种基于体系架构模型的蒙特卡洛仿真分析系统及方法
CN111143967A (zh) 一种改进的电网限额决策方法及系统
Fu et al. A maintenance-prediction method for aircraft engines using generative adversarial networks
CN110188039A (zh) 软件测试、软件优化的方法与系统
CN111474905B (zh) 一种机电产品制造过程参数漂移故障诊断方法
Zhang et al. Taking ideas from paper to practice: a case study of improving design processes through detailed modeling and systematic analysis
CN104503913B (zh) 一种基于迁移路径和改进马氏链的构件软件可靠性评估方法
CN110210838B (zh) 一种政务系统设计方法及政务系统
CN109145518B (zh) 一种大型复杂装备可靠性决策图模型构造方法
CN110796243A (zh) 一种连续型运行监测数据模拟发生方法及装置
CN110728299A (zh) 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法
CN112347699B (zh) 多智能体对抗神经网络训练方法及装置
Zhang et al. Radar health management system based on multi-agent

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