CN111475899A - 基于超网络理论的数据链网络可靠性指标体系构建方法 - Google Patents

Abstract

本发明提出了一种基于超网络理论的数据链网络可靠性指标体系构建方法，其步骤如下：步骤A：抽象数据链网络，构建超网络模型；步骤B：在链路层提出覆盖多故障模式的可靠性指标集；步骤C：在任务层提出与链路层相关的可靠性指标集。本发明基于超网络理论从数据链网络的任务层以及链路层实现可靠性指标体系的构建，具有便于理解、覆盖全面、计算快捷，方法科学，工艺性好等优势。

Description

基于超网络理论的数据链网络可靠性指标体系构建方法

技术领域

本发明提出了一种基于超网络理论的数据链网络可靠性指标体系构建方法，它涉及一种基于超网络理论的数据链网络可靠性指标体系构建方法，属于复杂性科学领域和可靠性技术领域。

背景技术

在现代战争中，对于战场主动权的掌控不能仅仅依靠于某些武器装备的性能优势，而是需要提升在战场环境下的装备体系协同作战能力，在作战空间下打破军兵种界限，根据任务的变化实现作战能力的动态重构，以实现整体对抗、全维对抗。体系对抗的前提需要实现多种武器装备数据信息的准确、快速传输，数据链网络作为指控系统、战场感知系统、打击系统、支援保障系统相互连接的纽带，将各作战单元的海量数据与指令进行整合，使作战体系具备战场态势感知和智能信息处理的能力，在宏观上使作战体系形成有机的复杂信息网络，数据链网络成为军队信息化、装备智能化和作战一体化的倍增器。数据链网络在实战中的应用环境复杂，以及在作战体系的作用重要，保障数据链网络的平稳运行是亟待解决的问题。适宜的可靠性指标体系可以科学化、规范化、全面化地引导研究人员对数据链网络的可靠性进行衡量与提升。现有数据链网络的可靠性指标多从信息传输的实时性、可靠性、安全性与信息格式的一致性等角度进行构建，这些可靠性指标更多从链路层的维度上静态地衡量数据链网络的的可靠性，在数据链网络中的装备数量稀少、装备间信息交互逻辑简单时，这些指标可以清晰地描述数据链网络的可靠性。而随着装备体系化对抗成为现代战争的特征，体系中的各类武器由数据链网络进行整合，依托于装备体系结构的多层分布，此时的数据链网络存在链路层与任务层的分层，而此时数据链网络具有节点数量繁杂、节点间连接动态变化、系统存在故障涌现等复杂特性，仅仅从装备层构建数据链网络的可靠性指标存在不能完整涵盖数据链网络多层结构。

超网络理论作为复杂网络理论中的一种分支，可抽象描述网络结构复杂性与网络行为的复杂性。基于超网络理论构建数据链网络的可靠性指标体系，通过对数据链网络进行抽象，可以如实反映体系结构下的数据链网络的链路拓扑结构和逻辑关系，结合超网络模型的统计指标，便于多视角下的数据链网络可靠性指标体系构建。

本发明主要对数据链网络可靠性指标体系的构建提出了一套解决方案，首先基于超网络模型对待分析的数据链网络进行抽象，该超网络模型包含任务实现层以及拓扑结构层两层，后以此超网络模型为基础，从可靠性、脆性、弹性三个维度构建可以衡量数据链网络的结构拓扑层和任务实现层随机失效、蓄意攻击时的薄弱环节以及蓄意攻击后的恢复能力的指标体系，便于研究人员分析故障多种故障模式下的动态特征，具有易理解、易计算等特点。

发明内容

本发明主要提供一种基于超网络理论的数据链网络可靠性指标体系构建方法。现有的数据链网络可靠性指标多用于静态地分析链路层上的可靠性，在结构与功能日益复杂的数据链网络上存在着故障的动态传播、级联失效，故障的发生不仅仅影响数据链网络的链路层，也会由于链路层节点的失效对任务层产生影响，且故障存在着“产生-影响-消散”的动态特征。于是我们提出一种基于超网络理论的数据链网络可靠性指标体系构建方法。

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超网络理论的数据链网络可靠性指标体系构建方法，方案包括如下部分：

(一)发明目的

针对现有技术中存在的不足，本发明的目的在于提供一种基于超网络理论的数据链网络可靠性指标体系构建方法，在考虑到数据链网络分层结构下现有的可靠性指标不易评价故障存在多层耦合、动态传播等的问题，采用本发明提出的基于超网络理论的数据链网络可靠性指标体系构建方法可以实现更多维的数据链网络的可靠性指标体系的构建，便于系统设计人员定量分析数据链网络的可靠性，从而优化系统可靠性。

(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：一种基于超网络理论的数据链网络可靠性指标体系构建方法。

本发明一种基于超网络理论的数据链网络可靠性指标体系构建方法，其步骤如下：

步骤A：抽象数据链网络，构建超网络模型；

步骤B：在链路层提出覆盖多故障模式的可靠性指标集；

步骤C：在任务层提出与链路层相关的可靠性指标集；

其中，步骤A中所述的“超网络模型”，其具体含义为：对实际中数据链网络的抽象模型，可以从链路、任务等多个维度下抽象反映数据链网络运行状态的网络模型，由于数据链网络存有多个层次，且网络内部不仅仅在单层存在交互，跨层也存在耦合，为了更全面建立数据链网络的可靠性指标体系，本专利将从任务层与链路层构建超网络模型，包含两层节点、两层连边以及一层耦合连边的超网络；在步骤A中所述的“抽象数据链网络，构建超网络模型”，包括以下步骤：

步骤A1：定义链路层节点与连边；

步骤A2：定义任务层节点与连边；

步骤A3：定义耦合层连边；

步骤A4：构建数据链网络的超网络模型；

其中，在步骤A1中所述的“链路层”，其具体含义为：数据链网络的实际物理层，是数据链网络中实现数据实际传输的层次；

其中，在步骤A1中所述的“定义链路层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将链路层的实际状况抽象为网络模型下的节点与连边，节点定义为数据链网络中的参与通信的武器装备，连边可定义为数据链网络中武器装备的数据传输情况，若在当前时刻存在数据传输，则建立一条连边，设该层共m个节点，则该层的节点集

连边集为

其中，在步骤A2中所述的“任务层”，其具体含义为：任务层是使用人员直接接触到的维度，一个整体任务可由多个子任务组成，一个给定任务可由多个子任务组成，该层的结构以任务开始处为起点，依照子任务间存在流程的顺序构建以及分支会合的结构，最终汇合于任务结束处；

其中，在步骤A2中所述的“定义任务层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务进行分解，将子任务抽象为网络模型下的节点，任务之间的流程关系为连边，设该层共n个节点，则该层的节点集

连边集

其中，在步骤A3中所述的“耦合层”，其具体含义为：数据链网络的任务层的子任务节点与链路层的设备节点之间的映射关系，一个子任务的实现需要有不同的设备给予实际支持，耦合层将实际任务与其给予支持的设备进行映射；

其中，在步骤A3中所述的“定义耦合层连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务与链路层的武器装备进行映射，将映射关系定义为耦合层的连边，该层的连边集为E_l；

其中，在步骤A4中所述的“构建数据链网络的超网络模型”，其具体做法如下：将步骤A1，A2，A3中分别定义的节点与连边进行组合，最终构建数据链网络的超网络模型，该超网络模型包含任务层、链路层与耦合层，即

式中：V⁽¹⁾为链路层的节点集，V⁽²⁾为任务层的节点集，

为链路层的连边集，

为任务层的连边集，E_l为耦合层的连边集；

其中，步骤B中所述的“覆盖多故障模式的可靠性指标集”，其具体含义为：针对数据链网络中的复杂故障特性，提出多个可靠性指标以覆盖多类故障；包括以下步骤：

步骤B1：构建随机失效下的链路层节点可靠性指标；

步骤B2：构建蓄意攻击下的链路层节点脆性指标；

步骤B3：构建功能恢复下的链路层节点弹性指标；

其中，在步骤B1中所述的“可靠性指标”，其具体含义为：衡量不同比例的节点随机故障或攻击后网络模型中节点间链接的存余功能，用于表征数据链网络的链路层节点受到随机攻击或自身随机失效后对链路层整体的影响；

其中，在步骤B1中所述的“构建随机失效下的链路层节点可靠性指标”，其具体做法如下：根据研究人员所需要分析的维度，定义用于衡量随机失效下的链路层节点可靠性指标，如对数据链网络链路层的连通性进行可靠性分析，设数据链网络的链路层的网络模型为无向网络，可将最大连通子团作为衡量指标，随机失效下的链路层节点可靠性指标可由不同比例随机失效下最大连通子团的失效比例进行表征，即：

式中：R_(N.M)为可靠性指标，G＝(V,E)为无向网络模型，M为受到随机失效的节点比例，G'_(M)为M失效比例下的最大连通子团，有

为了降低随机失效带来的偶然因素，可随机重复N次测评任务，并对这N次测评结果进行平均，得到最终的可靠性指标；

其中，在步骤B2中所述的“脆性指标”，其具体含义为：衡量不同比例的节点在被蓄意攻击后网络模型中节点间链接的存余功能，脆性指标是一种新的表征数据链网络这种复制系统可靠性的指标，数据链网络结构存在耦合关系，使得某一部分受到蓄意攻击发生崩溃后间接或直接地作用于系统的剩余部分，越脆弱的数据链网络其薄弱节点被打击后产生的影响越大；

其中，在步骤B2中所述的“构建蓄意攻击下的链路层节点脆性指标”，其具体做法如下：定义用于衡量蓄意攻击下链路层节点脆性指标，如对数据链网络链路层的连通性进行脆性分析，可将最大连通子团作为衡量指标，M失效比例下的脆性指标可由蓄意攻击下对最大连通子团影响最大的失效比例进行表征，即：

式中：F_(M)为脆性指标，G＝(V,E)为无向网络模型，M为受到蓄意攻击下的节点失效比例，G'_(M)为M失效比例下的最大连通子团，有

其中，在步骤B3中所述的“弹性指标”，其具体含义为：衡量受到扰动后数据链网络功能恢复的能力，弹性指标围绕着如何衡量系统对扰动的承受和恢复能力进行展开；

其中，在步骤B3中所述的“构建功能恢复下的链路层节点弹性指标”，其具体做法如下：定义用于衡量在单次故障后规定恢复时间内的链路层节点弹性指标，如对数据链网络链路层的连通性进行弹性分析，可将最大连通子团作为衡量指标，可由最大连通子团影响最大的失效比例的积分进行表征，即：

式中：RE_(M)为弹性指标，t₀为单次故障结束时刻，T为规定恢复时间，M节点失效比例；

其中，步骤C中所述的“与链路层相关的可靠性指标集”，其具体含义为：任务层能否正常实现取决于两方面，一是链路层是否给予正常的设备支撑，二是任务层中子任务是否能正常执行，故步骤C设计的可靠性指标集需要考虑链路层之间的耦合关系；包括以下步骤：

步骤C1：构建基于耦合连边的子任务可靠度；

步骤C2：改造经典最短路径方法求取任务可靠度；

其中，在步骤C1中所述的“构建基于耦合连边的子任务可靠度”，其具体做法如下：依托超网络模型中的跨层耦合连边，构建基于耦合连边的子任务可靠度；通常一个子任务节点由多个设备同时给予支撑，由于链路层的故障或者受到攻击，某子任务能给予支撑的设备势必会减少，此时连接链路层以及设备层的跨层耦合连边发生断裂，则与子任务节点j相连的耦合连边数量发生变化，可通过耦合连边的变化比例来表征子任务可靠度，即

式中，R_(j)为子任务节点j的子任务可靠度，

为正常工作时与子任务节点j相连的耦合层连边的数量，

为故障发生时与子任务节点j相连的耦合层连边的数量；

其中，在步骤C2中所述的“经典最短路径方法”，其具体含义为：边权网络模型中最短路径的经典方法，如迪杰斯特拉(Dijkstra)方法，佛洛依德(Floyd)方法等，经典的最短路径方法的求解目标为边权网络下的最短路径，本专利通过将求解目标转化为可靠度点权网络模型下的任务可靠度最大的问题，求解出任务可靠度最大的任务路径，以及其对应的任务可靠度；

其中，在步骤C2中所述的“改造经典最短路径方法求取任务可靠度”，包括以下步骤：

步骤C21：构建任务层的可靠度点权网络模型；

步骤C22：定义任务可靠度计算模型的边权转化策略；

步骤C23：基于经典最短路径方法计算任务可靠度；

其中，在步骤C21中所述的“构建任务层的可靠度点权网络模型”，其具体做法如下：依照步骤C1依次求出任务层各个节点的子任务可靠度，并以此为节点权重，构建任务层的可靠度点权网络模型，即

式中：V⁽²⁾为任务层的节点集，

为任务层的连边集，R₂为子任务可靠度集合；

其中，在步骤C22中所述的“定义任务可靠度计算模型的边权转化策略”，其具体做法如下：定义边权转化策略，将可靠度点权网络模型，转化为便于运用最短路径方法进行求解的边权网络模型，该边权网络模型中，节点是任务层的子任务节点，连边为子任务之间的流程关系，边权为可靠度点权的转化，用于求解任务可靠度；任务可靠度R_mission随任务流逐次降低，在可靠度点权网络模型中，分别有4种类型节点，分别为任务源点、分离节点、汇合节点以及任务结束点，任务源点O为任务流程的初始子任务，设流经该点后，向下级节点输出的任务可靠度为R_mission＝R_(O)；分离节点B向下级输出的任务可靠度均为流入该节点的任务可靠度与该节点的子任务可靠度的乘积，即R_mission＝R_(B)*R'_mission；汇合节点C对于来自上级节点的任务可靠度进行汇集比较，选取值最大的任务可靠度作为该节点的输入，再与该子任务节点的可靠度乘积作为向下级节点的任务可靠度输出，即R_mission＝max(R'_mission)*R_(C)；任务结束点D为一种特殊的汇合节点，其输出为最终的任务可靠度；

其中，在步骤C23中所述的“基于经典最短路径方法计算任务可靠度”，其具体做法如下：基于步骤C22定义的任务可靠度计算模型的边权转化策略，对步骤C21进行转化，修改经典最短路径方法的求解目标为任务可靠度最大问题，并对转化后的边权网络模型进行求解，最终得出任务可靠度；

通过以上步骤，本方法提出了一种基于超网络理论的数据链网络可靠性指标体系构建方法，解决了现有的数据链网络可靠性指标评价复杂的故障特性下的数据链网络存在的局限性。该数据链网络可靠性指标体系可从任务层、链路层多维度下分析随机故障、蓄意攻击以及性能恢复下的可靠性，指标覆盖全面，具有较好的工程应用价值。

(三)优点创新

本发明具有如下的创新点：

1.便于理解：本发明中所采用的基于超网络理论的数据链网络可靠性指标体系构建方法是基于超网络理论进行构建的，运用超网络理论研究人员可快速、清晰地将结构复杂的数据链网络抽象为节点与连边的网络模型，便于研究人员理解、分析其可靠性；

2.覆盖全面：运用本发明所设计的数据链网络可靠性指标体系构建方法可从任务层、链路层多维度构建数据链网络的可靠性指标，其中链路层构建弹性指标、脆性指标、可靠性指标，可对应数据链网络中多种复杂故障，将任务层与链路层运用超网络模型相结合，可清晰明确地分析任务层的可靠性；

3.计算快捷：超网络理论作为复杂网络理论的分支，具有较多成熟的分析工具以及统计计算方法，基于超网络模型进行可靠性指标的构建，可将成熟的分析工具引入数据链网络可靠性指标计算任务，可有效解决计算难的问题。

综上，本发明所述的构建方法科学，工艺性好，为工程应用中的数据链网络的可靠性指标体系构建提供一种很好的解决方案，具有广阔推广应用价值。

附图说明

图1是本发明所述方法流程图；

图2是本发明所述改造后的Dijkstra方法的方法流程图；

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了现有的数据链网络可靠性指标多从链路层的信息传输的可靠性、安全性与信息格式的一致性角度构建可靠性指标，而随着数据链网络结构日益复杂，故障也日益多样，故障间存在着耦合涌现，这里我们提出一种基于超网络理论的数据链网络可靠性指标体系构建方法，该方法运用超网络理论从任务层与链路层较多维度下构建可以覆盖多种故障的可靠性指标，具有良好的实际应用价值。

下面结合附图说明及具体实施方式对本发明进一步说明。图1是本发明所述方法流程图；图2是本发明所述改造后的Dijkstra方法的流程图；

本发明实施例以对某救援机器人编队的数据链网络为例，阐述本发明方法。具体地说，该救援机器人编队共有50台，共执行被困搜索、信息融合、信息中继、识别确认、编队救援以及引导救援共6类子任务。本专利将以此编队的数据链网络运用基于超网络理论的数据链网络可靠性指标体系构建方法实施可靠性指标体系的构建。

为了实现上述目的，本发明一种基于超网络理论的数据链网络可靠性指标体系构建方法，该方法流程图如图1所示，其实施步骤如下：

步骤A：抽象数据链网络，构建超网络模型；

步骤B：在链路层提出覆盖多故障模式的可靠性指标集；

步骤C：在任务层提出与链路层相关的可靠性指标集。

其中，步骤A中所述的“超网络模型”，其具体含义为：对实际中数据链网络的抽象模型，可以从链路、任务等多个维度下抽象反映数据链网络运行状态的网络模型，由于数据链网络存有多个层次，且网络内部不仅仅在单层存在交互，跨层也存在耦合，为了更全面建立数据链网络的可靠性指标体系，本专利将从任务层与链路层构建超网络模型，包含两层节点、两层连边以及一层耦合连边的超网络；在步骤A中所述的“抽象数据链网络，构建超网络模型”，包括以下步骤：

步骤A1：定义链路层节点与连边；

步骤A2：定义任务层节点与连边；

步骤A3：定义耦合层连边；

步骤A4：构建数据链网络的超网络模型。

其中，在步骤A1中所述的“链路层”，其具体含义为：数据链网络的实际物理层，是数据链网络中实现数据实际传输的层次；

其中，在步骤A1中所述的“定义链路层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将链路层的实际状况抽象为网络模型下的节点与连边，节点定义为数据链网络中的参与通信的武器装备，连边可定义为数据链网络中武器装备的数据传输情况，若在当前时刻存在数据传输，则建立一条连边。案例中，该层共50个节点，则该层的节点集

连边集为

其中，在步骤A2中所述的“任务层”，其具体含义为：任务层是使用人员直接接触到的维度，一个整体任务可由多个子任务组成，一个给定任务可由多个子任务组成，该层的结构以任务开始处为起点，依照子任务间存在流程的顺序构建以及分支会合的结构，最终汇合于任务结束处；

其中，在步骤A2中所述的“定义任务层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务进行分解，将子任务抽象为网络模型下的节点，任务之间的流程关系为连边。案例中，共包含被困搜索、信息融合、信息中继、识别确认、编队救援以及引导救援共6类子任务，通过对任务进行组合，在案例中，该层共9个节点，则该层的节点集

连边集

其中，在步骤A3中所述的“耦合层”，其具体含义为：数据链网络的任务层的子任务节点与链路层的设备节点之间的映射关系，一个子任务的实现需要有不同的设备给予实际支持，耦合层将实际任务与其给予支持的设备进行映射；

其中，在步骤A3中所述的“定义耦合层连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务与链路层的机器人装备进行映射，将映射关系定义为耦合层的连边，该层的连边集为E_l；

其中，在步骤A4中所述的“构建数据链网络的超网络模型”，其具体做法如下：将步骤A1，A2，A3中分别定义的节点与连边进行组合，最终构建数据链网络的超网络模型，该超网络模型包含任务层、链路层与耦合层，即

式中：V⁽¹⁾为链路层的节点集，V⁽²⁾为任务层的节点集，

为链路层的连边集，

为任务层的连边集，E_l为耦合层的连边集；

其中，步骤B中所述的“覆盖多故障模式的可靠性指标集”，其具体含义为：针对数据链网络中的复杂故障特性，提出多个可靠性指标以覆盖多类故障；包括以下步骤：

步骤B1：构建随机失效下的链路层节点可靠性指标；

步骤B2：构建蓄意攻击下的链路层节点脆性指标；

步骤B3：构建功能恢复下的链路层节点弹性指标。

其中，在步骤B1中所述的“可靠性指标”，其具体含义为：衡量不同比例的节点随机故障或攻击后网络模型中节点间链接的存余功能，用于表征数据链网络的链路层节点受到随机攻击或自身随机失效后对链路层整体的影响；

其中，在步骤B1中所述的“构建随机失效下的链路层节点可靠性指标”，其具体做法如下：根据研究人员所需要分析的维度，定义用于衡量随机失效下的链路层节点可靠性指标，如对数据链网络链路层的连通性进行可靠性分析，设数据链网络的链路层的网络模型为无向网络，可将最大连通子团作为衡量指标，随机失效下的链路层节点可靠性指标可由不同比例随机失效下最大连通子团的失效比例进行表征，即：

式中：R_(N.M)为可靠性指标，G＝(V,E)为无向网络模型，M为受到随机失效的节点比例，G'_(M)为M失效比例下的最大连通子团，有

为了降低随机失效带来的偶然因素，可随机重复N次测评任务，并对这N次测评结果进行平均，得到最终的可靠性指标；

其中，在步骤B2中所述的“脆性指标”，其具体含义为：衡量不同比例的节点在被蓄意攻击后网络模型中节点间链接的存余功能，脆性指标是一种新的表征数据链网络这种复制系统可靠性的指标，数据链网络结构存在耦合关系，使得某一部分受到蓄意攻击发生崩溃后间接或直接地作用于系统的剩余部分，越脆弱的数据链网络其薄弱节点被打击后产生的影响越大；

其中，在步骤B2中所述的“构建蓄意攻击下的链路层节点脆性指标”，其具体做法如下：定义用于衡量蓄意攻击下链路层节点脆性指标，如对数据链网络链路层的连通性进行脆性分析，可将最大连通子团作为衡量指标，M失效比例下的脆性指标可由蓄意攻击下对最大连通子团影响最大的失效比例进行表征，即：

式中：F_(M)为脆性指标，G＝(V,E)为无向网络模型，M为受到蓄意攻击下的节点失效比例，G'_(M)为M失效比例下的最大连通子团，有

其中，在步骤B3中所述的“弹性指标”，其具体含义为：衡量受到扰动后数据链网络功能恢复的能力，弹性指标围绕着如何衡量系统对扰动的承受和恢复能力进行展开；

其中，在步骤B3中所述的“构建功能恢复下的链路层节点弹性指标”，其具体做法如下：定义用于衡量在单次故障后规定恢复时间内的链路层节点弹性指标，如对数据链网络链路层的连通性进行弹性分析，可将最大连通子团作为衡量指标，可由最大连通子团影响最大的失效比例的积分进行表征，即：

式中：RE_(M)为弹性指标，t₀为单次故障结束时刻，T为规定恢复时间，M节点失效比例；

其中，步骤C中所述的“与链路层相关的可靠性指标集”，其具体含义为：任务层能否正常实现取决于两方面，一是链路层是否给予正常的设备支撑，二是任务层中子任务是否能正常执行，故步骤C设计的可靠性指标集需要考虑链路层之间的耦合关系；包括以下步骤：

步骤C1：构建基于耦合连边的子任务可靠度；

步骤C2：改造经典最短路径方法求取任务可靠度。

其中，在步骤C1中所述的“构建基于耦合连边的子任务可靠度”，其具体做法如下：依托超网络模型中的跨层耦合连边，构建基于耦合连边的子任务可靠度。通常一个子任务节点由多个设备同时给予支撑，由于链路层的故障或者受到攻击，某子任务能给予支撑的设备势必会减少，此时连接链路层以及设备层的跨层耦合连边发生断裂，则与子任务节点j相连的耦合连边数量发生变化，可通过耦合连边的变化比例来表征子任务可靠度，即

式中，R_(j)为子任务节点j的子任务可靠度，

为正常工作时与子任务节点j相连的耦合层连边的数量，

为故障发生时与子任务节点j相连的耦合层连边的数量；

其中，在步骤C2中所述的“经典最短路径方法”，其具体含义为：边权网络模型中最短路径的经典方法，如Dijkstra方法，Floyd方法等，经典的最短路径方法的求解目标为边权网络下的最短路径，本专利通过将求解目标转化为可靠度点权网络模型下的任务可靠度最大的问题，求解出任务可靠度最大的任务路径，以及其对应的任务可靠度，在案例中，本专利选取Dijkstra方法；

其中，在步骤C2中所述的“改造经典最短路径方法求取任务可靠度”，包括以下步骤：

步骤C21：构建任务层的可靠度点权网络模型；

步骤C22：定义任务可靠度计算模型的边权转化策略；

步骤C23：基于经典最短路径方法计算任务可靠度。

其中，在步骤C21中所述的“构建任务层的可靠度点权网络模型”，其具体做法如下：依照步骤C1依次求出任务层各个节点的子任务可靠度，并以此为节点权重，构建任务层的可靠度点权网络模型，即

式中：V⁽²⁾为任务层的节点集，

为任务层的连边集，R₂为子任务可靠度集合；

其中，在步骤C22中所述的“定义任务可靠度计算模型的边权转化策略”，其具体做法如下：定义边权转化策略，将可靠度点权网络模型，转化为便于运用最短路径算法进行求解的边权网络模型，该边权网络模型中，节点是任务层的子任务节点，连边为子任务之间的流程关系，边权为可靠度点权的转化，用于求解任务可靠度；任务可靠度R_mission随任务流逐次降低，在可靠度点权网络模型中，分别有4种类型节点，分别为任务源点、分离节点、汇合节点以及任务结束点，任务源点O为任务流程的初始子任务，设流经该点后，向下级节点输出的任务可靠度为R_mission＝R_(O)；分离节点B向下级输出的任务可靠度均为流入该节点的任务可靠度与该节点的子任务可靠度的乘积，即R_mission＝R_(B)*R'_mission；汇合节点C对于来自上级节点的任务可靠度进行汇集比较，选取值最大的任务可靠度作为该节点的输入，再与该子任务节点的可靠度乘积作为向下级节点的任务可靠度输出，即R_mission＝max(R'_mission)*R_(C)；任务结束点D为一种特殊的汇合节点，其输出为最终的任务可靠度；

其中，在步骤C23中所述的“基于经典最短路径方法计算任务可靠度”，其具体做法如下：基于步骤C22定义的任务可靠度计算模型的边权转化策略，对步骤C21进行转化，修改经典最短路径方法的求解目标为任务可靠度最大问题，并对转化后的边权网络模型进行求解，最终得出任务可靠度，案例中本专利选取Dijkstra方法，改造后的方法流程图如图2所示。

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 (4)

1.一种基于超网络理论的数据链网络可靠性指标体系构建方法，其特征在于：其步骤如下：

步骤A：抽象数据链网络，构建超网络模型；

步骤B：在链路层提出覆盖多故障模式的可靠性指标集；

步骤C：在任务层提出与链路层相关的可靠性指标集。

2.根据权利要求1所述的基于超网络理论的数据链网络可靠性指标体系构建方法，其特征在于：步骤A中所述的“超网络模型”，其具体含义为：对实际中数据链网络的抽象模型，从链路、任务多个维度下抽象反映数据链网络运行状态的网络模型，由于数据链网络存有多个层次，且网络内部不仅仅在单层存在交互，跨层也存在耦合，为了更全面建立数据链网络的可靠性指标体系，从任务层与链路层构建超网络模型，包含两层节点、两层连边以及一层耦合连边的超网络；在步骤A中所述的“抽象数据链网络，构建超网络模型”，包括以下步骤：

步骤A1：定义链路层节点与连边；

步骤A2：定义任务层节点与连边；

步骤A3：定义耦合层连边；

步骤A4：构建数据链网络的超网络模型；

其中，在步骤A1中所述的“链路层”，其具体含义为：数据链网络的实际物理层，是数据链网络中实现数据实际传输的层次；

其中，在步骤A1中所述的“定义链路层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将链路层的实际状况抽象为网络模型下的节点与连边，节点定义为数据链网络中的参与通信的武器装备，连边定义为数据链网络中武器装备的数据传输情况，若在当前时刻存在数据传输，则建立一条连边，设该层共m个节点，则该层的节点集

连边集为

其中，在步骤A2中所述的“任务层”，其具体含义为：任务层是使用人员直接接触到的维度，一个整体任务由多个子任务组成，一个给定任务由多个子任务组成，该层的结构以任务开始处为起点，依照子任务间存在流程的顺序构建以及分支会合的结构，最终汇合于任务结束处；

其中，在步骤A2中所述的“定义任务层节点与连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务进行分解，将子任务抽象为网络模型下的节点，任务之间的流程关系为连边，设该层共n个节点，则该层的节点集

连边集

其中，在步骤A3中所述的“耦合层”，其具体含义为：数据链网络的任务层的子任务节点与链路层的设备节点之间的映射关系，一个子任务的实现需要有不同的设备给予实际支持，耦合层将实际任务与其给予支持的设备进行映射；

其中，在步骤A3中所述的“定义耦合层连边”，其具体做法如下：根据待分析的数据链网络的实际情况，将任务层的实际任务与链路层的武器装备进行映射，将映射关系定义为耦合层的连边，该层的连边集为E_l；

其中，在步骤A4中所述的“构建数据链网络的超网络模型”，其具体做法如下：将步骤A1，A2，A3中分别定义的节点与连边进行组合，最终构建数据链网络的超网络模型，该超网络模型包含任务层、链路层与耦合层，即

式中：V⁽¹⁾为链路层的节点集，V⁽²⁾为任务层的节点集，

为链路层的连边集，

为任务层的连边集，E_l为耦合层的连边集。

3.根据权利要求1所述的基于超网络理论的数据链网络可靠性指标体系构建方法，其特征在于：步骤B中所述的“覆盖多故障模式的可靠性指标集”，其具体含义为：针对数据链网络中的复杂故障特性，提出多个可靠性指标以覆盖多类故障；包括以下步骤：

步骤B1：构建随机失效下的链路层节点可靠性指标；

步骤B2：构建蓄意攻击下的链路层节点脆性指标；

步骤B3：构建功能恢复下的链路层节点弹性指标；

其中，在步骤B1中所述的“可靠性指标”，其具体含义为：衡量不同比例的节点随机故障或攻击后网络模型中节点间链接的存余功能，用于表征数据链网络的链路层节点受到随机攻击或自身随机失效后对链路层整体的影响；

其中，在步骤B1中所述的“构建随机失效下的链路层节点可靠性指标”，其具体做法如下：根据研究人员所需要分析的维度，定义用于衡量随机失效下的链路层节点可靠性指标，对数据链网络链路层的连通性进行可靠性分析，设数据链网络的链路层的网络模型为无向网络，将最大连通子团作为衡量指标，随机失效下的链路层节点可靠性指标由不同比例随机失效下最大连通子团的失效比例进行表征，即：

式中：R_(N.M)为可靠性指标，G＝(V,E)为无向网络模型，M为受到随机失效的节点比例，G'_(M)为M失效比例下的最大连通子团，有

为了降低随机失效带来的偶然因素，随机重复N次测评任务，并对这N次测评结果进行平均，得到最终的可靠性指标；

其中，在步骤B2中所述的“脆性指标”，其具体含义为：衡量不同比例的节点在被蓄意攻击后网络模型中节点间链接的存余功能，脆性指标是一种新的表征数据链网络这种复制系统可靠性的指标，数据链网络结构存在耦合关系，使得某一部分受到蓄意攻击发生崩溃后间接或直接地作用于系统的剩余部分，越脆弱的数据链网络其薄弱节点被打击后产生的影响越大；

其中，在步骤B2中所述的“构建蓄意攻击下的链路层节点脆性指标”，其具体做法如下：定义用于衡量蓄意攻击下链路层节点脆性指标，对数据链网络链路层的连通性进行脆性分析，将最大连通子团作为衡量指标，M失效比例下的脆性指标由蓄意攻击下对最大连通子团影响最大的失效比例进行表征，即：

式中：F_(M)为脆性指标，G＝(V,E)为无向网络模型，M为受到蓄意攻击下的节点失效比例，G'_(M)为M失效比例下的最大连通子团，有

其中，在步骤B3中所述的“弹性指标”，其具体含义为：衡量受到扰动后数据链网络功能恢复的能力，弹性指标围绕着如何衡量系统对扰动的承受和恢复能力进行展开；

其中，在步骤B3中所述的“构建功能恢复下的链路层节点弹性指标”，其具体做法如下：定义用于衡量在单次故障后规定恢复时间内的链路层节点弹性指标，对数据链网络链路层的连通性进行弹性分析，将最大连通子团作为衡量指标，由最大连通子团影响最大的失效比例的积分进行表征，即：

式中：RE_(M)为弹性指标，t₀为单次故障结束时刻，T为规定恢复时间，M节点失效比例。

4.根据权利要求1所述的基于超网络理论的数据链网络可靠性指标体系构建方法，其特征在于：步骤C中所述的“与链路层相关的可靠性指标集”，其具体含义为：任务层能否正常实现取决于两方面，一是链路层是否给予正常的设备支撑，二是任务层中子任务是否能正常执行，故步骤C设计的可靠性指标集需要考虑链路层之间的耦合关系；包括以下步骤：

步骤C1：构建基于耦合连边的子任务可靠度；

步骤C2：改造经典最短路径方法求取任务可靠度；

其中，在步骤C1中所述的“构建基于耦合连边的子任务可靠度”，其具体做法如下：依托超网络模型中的跨层耦合连边，构建基于耦合连边的子任务可靠度；通常一个子任务节点由多个设备同时给予支撑，由于链路层的故障或者受到攻击，某子任务能给予支撑的设备势必会减少，此时连接链路层以及设备层的跨层耦合连边发生断裂，则与子任务节点j相连的耦合连边数量发生变化，通过耦合连边的变化比例来表征子任务可靠度，即

式中，R_(j)为子任务节点j的子任务可靠度，

为正常工作时与子任务节点j相连的耦合层连边的数量，

为故障发生时与子任务节点j相连的耦合层连边的数量；

其中，在步骤C2中所述的“经典最短路径方法”，其具体含义为：边权网络模型中最短路径的经典方法，为迪杰斯特拉(Dijkstra)方法和佛洛依德(Floyd)方法，经典的最短路径方法的求解目标为边权网络下的最短路径，通过将求解目标转化为可靠度点权网络模型下的任务可靠度最大的问题，求解出任务可靠度最大的任务路径，以及其对应的任务可靠度；

其中，在步骤C2中所述的“改造经典最短路径方法求取任务可靠度”，包括以下步骤：

步骤C21：构建任务层的可靠度点权网络模型；

步骤C22：定义任务可靠度计算模型的边权转化策略；

步骤C23：基于经典最短路径方法计算任务可靠度；

其中，在步骤C21中所述的“构建任务层的可靠度点权网络模型”，其具体做法如下：依照步骤C1依次求出任务层各个节点的子任务可靠度，并以此为节点权重，构建任务层的可靠度点权网络模型，即

式中：V⁽²⁾为任务层的节点集，

为任务层的连边集，R₂为子任务可靠度集合；

其中，在步骤C22中所述的“定义任务可靠度计算模型的边权转化策略”，其具体做法如下：定义边权转化策略，将可靠度点权网络模型，转化为便于运用最短路径方法进行求解的边权网络模型，该边权网络模型中，节点是任务层的子任务节点，连边为子任务之间的流程关系，边权为可靠度点权的转化，用于求解任务可靠度；任务可靠度R_mission随任务流逐次降低，在可靠度点权网络模型中，分别有4种类型节点，分别为任务源点、分离节点、汇合节点以及任务结束点，任务源点O为任务流程的初始子任务，设流经该点后，向下级节点输出的任务可靠度为R_mission＝R_(O)；分离节点B向下级输出的任务可靠度均为流入该节点的任务可靠度与该节点的子任务可靠度的乘积，即R_mission＝R_(B)*R'_mission；汇合节点C对于来自上级节点的任务可靠度进行汇集比较，选取值最大的任务可靠度作为该节点的输入，再与该子任务节点的可靠度乘积作为向下级节点的任务可靠度输出，即R_mission＝max(R'_mission)*R_(C)；任务结束点D为一种特殊的汇合节点，其输出为最终的任务可靠度；

其中，在步骤C23中所述的“基于经典最短路径方法计算任务可靠度”，其具体做法如下：基于步骤C22定义的任务可靠度计算模型的边权转化策略，对步骤C21进行转化，修改经典最短路径方法的求解目标为任务可靠度最大问题，并对转化后的边权网络模型进行求解，最终得出任务可靠度。

Images