CN111835537A - 一种通信网络级联故障中节点识别方法、装置及设备 - Google Patents

Abstract

本发明实施例提供了一种通信网络级联故障中节点识别方法、装置及设备，包括：构建通信网络的拓扑结构，拓扑结构包括多个节点；提取拓扑结构中节点的级联故障度量；利用故障传播模型确定节点的重要程度量；对节点的重要程度量和节点的级联故障度量进行相关性分析，确定多个节点中的至少一个关键节点。本发明中，通过建立合适的故障传播模型和相关度量标准，分别对拓扑结构的度量与故障传播模型中的度量进行数据分析，从而确定关键节点，以便为故障管理系统提供有效的故障运维信息。

Description

一种通信网络级联故障中节点识别方法、装置及设备

技术领域

本发明属于互联网通信技术领域，尤其涉及一种通信网络级联故障中节点识别方法、装置、设备和计算机存储介质。

背景技术

近年来，通信网络的规模和复杂性正经历爆炸性增长。使得网络管理系统在故障诊断和定位方面面临着严峻的挑战；级联故障可能会引起大规模的通信网络区域故障，由此，在快速恢复网络功能和合理利用资源方面，识别级联故障中的关键节点十分重要。

目前，在识别关键节点方面，主要通过度量方式(例如：度中心性、接近中心性、信息中心性或者介数中心性)与节点之间的关系确定。但是，对于通信网络而言，上述度量方式的相关度量指标仅考虑网络的拓扑属性，这样会导致将级联故障中的一些网络负载的微小波动都会被影响的子节点识别为关键节点。

由此，该方法会造成识别关键节点的效率、精准度降低等问题。

发明内容

本发明实施例提供一种通信网络级联故障中节点识别方法、装置、设备和计算机存储介质，建立合适的故障传播模型和相关度量标准，分别对拓扑结构的度量与故障传播模型中的度量进行数据分析，从而确定关键节点，以便为故障管理系统提供有效的故障运维信息。

第一方面，本发明实施例提供了一种通信网络级联故障中节点识别方法，该方法可以包括：

构建通信网络的拓扑结构，拓扑结构包括多个节点；

提取拓扑结构中节点的级联故障度量；

利用故障传播模型确定节点的重要程度量；

对节点的重要程度量和节点的级联故障度量进行相关性分析，确定多个节点中的至少一个关键节点。

在一种可能的实施方式中，上述“构建通信网络的拓扑结构”的步骤，具体可以包括：

基于通信网络的最短路径传递信息的特征，构建拓扑结构，其中，通信网络的最短路径传递信息的特征包括无标度网络。

在另一种可能的实施例中，上述“无标度网络”具体可以包括：

定义G＝(V，E)为一个包含N个节点的通信网络，其中V表示节点的集合，E表示边的集合；

无标度网络初始由包含给定节点数m₀的小连通图组成；

无标度网络初始的增长过程包括引入新节点n_i并连接到m个现有节点，m是默认值；

利用公式(1)确定无标度网络初始的优先连接性；

通过计算通信网络中所有节点的连接概率Π(n_j)，选择连接概率满足预设阈值的节点与n_i相连，其中，Π(n_j)是n_i与节点n_j连接概率，k_j是n_j的度；

表示无标度网络中包含的边的个数。

在又一种可能的实施例中，上述“级联故障度量”可以用于表征节点引起的级联故障的规模；其中，级联故障度量包括以下至少一种：介数中心性C^B、接近中心性C^C、度中心性C^D。

在再一种可能的实施例中，上述“重要程度量”可以用于衡量节点在通信网络中预计引起级联故障的重要程度；其中，级联故障度量包括以下至少一种：级联故障规模SoCF、故障参与率FoP。

在再一种可能的实施例中，上述“故障传播模型”包括基于最短路径的负载重分配模型的故障传播模型。

在再一种可能的实施例中，上述“对节点的重要程度量和节点的级联故障度量进行相关性分析”的步骤中，具体可以包括：

采用肯德尔秩相关系数量化相关性的方式，对节点的重要程度量和节点的级联故障度量进行相关性分析。

第二方面，本发明实施例提供了一种通信网络级联故障中节点识别装置，该装置可以包括：

建设模块，用于构建通信网络的拓扑结构，拓扑结构包括多个节点；

获取模块，用于提取拓扑结构中节点的级联故障度量；

处理模块，用于利用故障传播模型确定节点的重要程度量；

识别模块，用于根据节点的重要程度量和节点的级联故障度量，确定多个节点中的至少一个关键节点。

第三方面，本发明实施例提供了一种通信网络级联故障中节点识别设备，该设备包括处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如第一方面任意一项的通信网络级联故障中节点识别方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如第一方面任意一项通信网络级联故障中节点识别方法。

第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如第一方面任意一项通信网络级联故障中节点识别方法。

本发明实施例，可以通过通信网络的拓扑结构建立对应的故障传播模型，模拟通信网络级联故障提取级联故障度量，并结合相关的数据分析技术，有效地识别了信息网络级联故障中的关键节点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例提供的一种通信网络级联故障中节点识别方法的流程图；

图2是本发明一个实施例提供的一种拓扑结构示意图；

图3是本发明一个实施例提供的一种节点的重要程度量和节点的级联故障度量进行相关性分析的示意图；

图4是本发明一个实施例提供的一种节点的故障特征的预测误差示意图；

图5是本发明一个实施例提供的一种通信网络级联故障中节点识别装置的示意图；

图6是本发明一个实施例提供的一种通信网络级联故障中节点识别设备的示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了方便理解本发明中涉及的内容，结合图1对本发明中涉及的无线网络参数的优化方法，进行详细说明。

图1是本发明一个实施例提供的一种通信网络级联故障中节点识别方法的流程图。

如图1所示，该方法包括步骤110-步骤140，具体如下所示：

步骤110：构建通信网络的拓扑结构，拓扑结构包括多个节点。

具体地，基于通信网络的最短路径传递信息的特征，构建拓扑结构，其中，通信网络的最短路径传递信息的特征包括无标度网络。

需要注意的是，本发明实施例提供的通信网络级联故障过程中存在的两类重要节点，一类是引起级联故障的故障源节点即关键节点；另一类是在关键节点故障后由于关联节点负载的微小扰动而引起故障的子节点。

下面结合具体地的例子对该步骤110作进一步的描述。

首先，介绍一下拓扑结构。目前，经典的三种复杂网络拓扑包括：随机网络ER，小世界网络WS和无标度网络BA。在这三种网络拓扑结构中，ER是第一个用于探索复杂网络系统特征的模型，ER最大的特点是ER中的节点分布服从泊松分布(或近似正态分布)，但是，ER由于自身结构特点，不能反映实际网络高密度，小规模最短路径的问题。针对上述两个问题，WS应运而生。WS是介于随机网络模型与常规网络之间的模型。ER忽略了真实网络中网络规模持续增长以及网络中的新成员倾向于与更高优先级的节点连接的两个特征。而BA，则可以实现大部分网络都可以模型化为BA的操作。

如图2所示，示出了一个包含50个节点的BA无标度网络。

其中，定义G＝(V，E)为一个包含N个节点的通信网络，其中V表示节点的集合，E表示边的集合；

无标度网络初始由包含给定节点数m₀的小连通图组成；

无标度网络初始的增长过程包括引入新节点n_i并连接到m个现有节点，m是默认值；

利用公式(1)确定无标度网络初始的优先连接性；

通过计算通信网络中所有节点的连接概率Π(n_j)，选择连接概率满足预设阈值的节点与n_i相连，其中，Π(n_j)是n_i与节点n_j连接概率，k_j是n_j的度；

表示无标度网络中包含的边的个数。

步骤120：提取拓扑结构中节点的级联故障度量。

具体地，级联故障度量用于表征拓扑结构中节点引起的级联故障的规模；

级联故障度量包括以下至少一种：介数中心性C^B、接近中心性C^C、度中心性C^D。

进一步地，分别对上述级联故障度量进行详细描述。

(1)介数中心性

中介中心性C^B用于度量组件在通信网络中的控制能力，基于通信网络中连接节点对应的最短路径的数量来定义的，具体如公式(2)所示：

其中，N表示具有N个节点的网络，n_jk表示节点j与节点k之间的最短路径数，n_jk(i)表示经过节点j和节点k经过节点i的最短路径个数。

(2)接近中心性

接近中心性C^C用于反映最初通信网络中网络成员的独立性。本发明实施例引入C^C探索网络成员的故障参与率，具体如公式(3)所示：

其中，N表示具有N个节点的网络，S_ij是节点v_i和节点v_j之间的最短路径的个数。

(3)度中心性

在社交网络领域，C^D描述了网络成员的局部中心指数。衡量了网络成员的信息传播能力，而不考虑网络成员是否可以控制网络中的其他人。而在通信网络中，这意味着具有较高度中心的节点具有较高的信息传播能力。对于节点i，定义度中心，具体如公式(4)所示：

其中，N表示具有N个节点的网络，k_i用于计算节点与其他j个几点之间的直接联系的数量。

步骤130：利用故障传播模型确定节点的重要程度量。

具体地，重要程度量用于衡量节点在通信网络中预计引起级联故障的重要程度；级联故障度量包括以下至少一种：级联故障规模SoCF、故障参与率FoP。

进一步地，下面基于故障传播模型进行详细描述。

级联故障通常是由关键节点故障导致网络负载重分配或业务请求连锁失败引起的。本发明实施例提供的方法，以负载重分配作为故障传播的主要原因，所以，负载的重新分配会导致通信网络成员业务量增加甚至超过其最大业务上限。因此，有必要探索节点拓扑结构的属性与级联故障之间的关联性，以便确定级联故障的关键节点，为网络管理人员提供有效信息。

不同的系统有不同的级联故障模式，主要的两类故障传播模式是均匀再分配模型和基于最短路径的负载重分配模型。在均匀再分配模型中，节点的初始负载与网络的拓扑结构无关，拓扑结构只影响网络中出现节点故障后负载重分配的过程。该负载分配模型不适用于通过最短路径传输数据的信息网络。因此，本发明实施例提供的方式，在通信网络中，故障传播模型采用基于最短路径的负载重分配模型的故障传播模型基础更为合适。

考虑到网络路径的传输能力也存在限制，当与节点相连的路径都超过预设的最大传输的上限时，认为该节点发生故障。由此，本发明实施例基于边的介数中心性作为通信网络中路径的初始负载进行详细说明，如下所示：

定义1：对于给定的网络G＝(V,E)，e_ij表示节点v_i和v_j之间的边。e_ij＝1表示节点v_i和v_j之间存在边，否则，e_ij＝0。如果e_ij＝1，将e_ij的介数中心性定义为其初始负载L_ij，具体如公式(5)所示：

其中，S_lk是节点v_j和v_k之间的最短路径数，S_lk(e_ij)是通过边e_ij的最短路径数。

定义2：在定义1的基础上定义的网络中边的容量为：设C_ij为边e_ij的容量，C_ij定义具体如公式(6)所示：

C_ij＝(1+α)L_ij (6)

其中a>0是给定的网络参数。基于这两个定义，不同的节点将依据其边的拓扑属性不同采用不同的初始负载和容量。

另外，还可以通过模拟网络级联故障，验证节点是否收到故障源节点的影响。具体地，在模拟网络级联故障过程收集仿真数据的过程中，依次删除网络中的节点(即认为该节点故障)，然后重新计算网络中所有边的当前负载并删除负载超出对应容量的边，若某个节点为孤立节点(没有与之相连的边)，则认为该节点受到初始节点故障的影响。

故障传播的具体过程如下述算法1(表示基于最短路径的故障传播模型模拟流程)中的步骤(Step)1-5所示：

Step1：计算每条边的介数中心性作为其初始负载L_ij，C_ij＝(1+α)L_ij作为对应边的容量；

Step2：依次删除网络中的节点，同时将与对应节点相连的边也从网络拓扑中去除；

Step3：重新计算网络拓扑结构中存在的边的负载L_ij；

Step4：如果L_ij>C_ij,则删除边e_ij；

Step5：返回step3直到网络中所有的边都满足条件L_ij≤C_ij，或网络中所有节点均为孤立节点时，结束流程。

基于以上步骤，为了有效量化节点在级联故障中的重要程度，引入级联故障规模与故障参与率作为衡量标准。并结合拓扑结构信息提取方面进行相关性分析。

S140：对节点的重要程度量和节点的级联故障度量进行相关性分析，确定多个节点中的至少一个关键节点。

具体地，采用肯德尔秩相关系数量化相关性的方式，对节点的重要程度量和节点的级联故障度量进行相关性分析。

综上，下面结合具体地测试例子对本发明实施例作详细的描述。

1、拓扑结构

本发明实施例构建了通信网络的拓扑结构、基于拓扑结构确定故障传播模型以及需要从可能发生级联故障的通信网络中提取的信息，通过模拟器(例如：Python)模拟网络级联故障并收集相关数据，具体如下所示：

首先，随机生成包含1000个元素的BA，并标记每个节点。然后，通过计算网络中边缘的级联故障度量来配置每个边缘的初始负载。最后，在算法1的基础上模拟网络发生级联故障的过程，并收集每个节点V的级联故障度量。从BA提取的部分数据如表1所示：

表1

2、结果分析

本发明实施例采用数据分析方法(例如：相关分析、聚类或者错误分析)对节点的重要程度量和节点的级联故障度量进行相关性分析。另外，还可以验证模型的有效性。

在提取拓扑结构中节点的级联故障度量和重要程度量的基础上，分析不同级联故障度量与重要程度量之间的相关图，如图3所示，从图3(b)发现纵坐标FoP与接近中心性负相关，这意味着接近中心性较高的节点较少独立性较强，故障参与率较低。基于图3(w)、(x)，这里，确定介数中心性和度中心性均与SoCF呈正相关趋势。

为了进一步确定通信网络拓扑结构的级联故障度量与重要程度量之间的内在联系，本发明实施例提供肯德尔秩相关系数量化相关性。如表2(级联故障度量和重要程度量间的肯德尔系数)所示，根据相关系数表，结论与图3中得到的信息相同。

表2

其中，这五个度量之间的肯德尔秩相关系数，加粗数据表示相关性较大。

因此，可以通过节点v_i的介数中心性或度中心性来反映由故障节点v_i引起的级联故障的规模。而节点的故障参与率则可以通过接近中心性来衡量，度中心性与介数中心性正相关。

通过上述陈述，从给定拓扑结构中提取的级联故障度量，具有相似拓扑度量的节点表现出相似的故障特征。由此，在拓扑结构的特征信息的基础上，本发明实施例可以通过聚类算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)对通信网络中的节点进行聚类。然后，随机选择DBSCAN每个分组中的一个节点提取相应的SoPF和FoP作为该类节点的级联故障特征进行预测。最后，通过均方误差(Mean SquaredError，MSE)量化预测数据与实际数据之间的误差，检测预测模型的有效性具体如公式(7)所示：

其中，p_i是节点v_i的预测度量，d_i是实际的度量。预测模型的MSE如图4所示。

从不同容量的通信网络的MSE分布可以确定，介数中心性可以有效反映节点引起的SoCF，而通过度中心性预测得到的结果具有较高的误差。考虑预测的准确性；可以使用C^B来反映节点引起的SoCF。关于FoP，尽管接近中心性不能准确反映每个节点的特征，但预测误差都小于0.005。MSE分析表示采用网络拓扑特征CB和CC反映网络级联故障度量是有效的。

由此，当通信网络发生级联故障时，通过提取C^B和C^C可以有效识别通信网络级联故障中的关键节点和脆弱节点(即子节点)。在源故障节点中，C^B值越高的节点越有可能是引起网络产生级联故障的故障源节点，维修人员可以优先进行修复，而C^C较低的节点则容易受到其他节点(可以包括故障源节点)的影响，网络负载的微小扰动都会引起该类节点故障，这里，维修人员可以对该类节点进行升级或扩容维护。在此基础上，当通信网络发生级联故障时，通过重点修复关键节点即可快速有效地恢复网络的通信功能。

本发明实施例提供的方法，可以通过通信网络的拓扑结构建立对应的故障传播模型，模拟通信网络级联故障提取级联故障度量，并结合相关的数据分析技术，有效地识别了信息网络级联故障中的关键节点。

另外，通过C^C，C^B和C^D描述网络中节点的拓扑结构中的特性，为了量化网络节点故障引起的级联故障的重要程度，引入SoCF来找出可能引起网络中大规模故障的节点，并且通过计算FoP来识别网络发生级联故障时的脆弱节点。引入肯德尔(Kendall)秩相关系数来探索通信网络的重要程度量和级联故障度量之间的内在关系，发现SoCF与C^B和C^D正相关，FoP则与C^C负相关，从而确定关键节点，在为故障管理系统提供有效的故障运维信息的同时，为网络管理系统提供有效的故障维修策略。

图5是本发明一个实施例提供的一种通信网络级联故障中节点识别装置的示意图。

如图5所示，该装置50具体可以包括：

建设模块501，用于构建通信网络的拓扑结构，拓扑结构包括多个节点；

获取模块502，用于提取拓扑结构中节点的级联故障度量；

处理模块503，用于利用故障传播模型确定节点的重要程度量；

识别模块504，用于根据节点的重要程度量和节点的级联故障度量，确定多个节点中的至少一个关键节点。

具体地，建设模块501具体可以用于，基于通信网络的最短路径传递信息的特征，构建拓扑结构，其中，通信网络的最短路径传递信息的特征包括无标度网络。

其中，无标度网络包括：

定义G＝(V，E)为一个包含N个节点的通信网络，其中V表示节点的集合，E表示边的集合；

无标度网络初始由包含给定节点数m₀的小连通图组成；

无标度网络初始的增长过程包括引入新节点n_i并连接到m个现有节点，m是默认值；

利用公式(1)确定无标度网络初始的优先连接性；

通过计算通信网络中所有节点的连接概率Π(n_j)，选择连接概率满足预设阈值的节点与n_i相连，其中，Π(n_j)是n_i与节点n_j连接概率，k_j是n_j的度；

表示无标度网络中包含的边的个数。

上述涉及到的联故障度量，用于表征节点引起的级联故障的规模。其中，级联故障度量包括以下至少一种：介数中心性C^B、接近中心性C^C、度中心性C^D。

上述涉及到的重要程度量，用于衡量节点在通信网络中预计引起级联故障的重要程度。其中，级联故障度量包括以下至少一种：级联故障规模SoCF、故障参与率FoP。

上述涉及到的故障传播模型具体可以包括基于最短路径的负载重分配模型的故障传播模型。

识别模块504具体可以用于，采用肯德尔秩相关系数量化相关性的方式，对节点的重要程度量和节点的级联故障度量进行相关性分析。

本发明实施例提供的装置，可以通过通信网络的拓扑结构建立对应的故障传播模型，模拟通信网络级联故障提取级联故障度量，并结合相关的数据分析技术，有效地识别了信息网络级联故障中的关键节点。

图6是本发明一个实施例提供的一种通信网络级联故障中节点识别设备的示意图。

如图6所示，该设备可以包括处理器601以及存储有计算机程序指令的存储器602。

具体地，上述处理器601可以包括中央处理器(CPU)，或者特定集成电路(application specific integrated circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(hard disk drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。在特定实施例中，存储器602包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例中的任意一种通信网络级联故障中节点识别方法。

收发器603，主要用于实现本发明实施例中各模块、装置、单元、用户端或者服务器中的至少两个之间的通信。

在一个示例中，该设备还可包括总线604。其中，如图6所示，处理器601、存储器602和收发器603通过总线604连接并完成相互间的通信。

总线604包括硬件、软件或两者，将在设备部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线603可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

另外，结合上述实施例中的通信网络级联故障中节点识别方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种通信网络级联故障中节点识别方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种通信网络级联故障中节点识别方法，其特征在于，包括：

构建通信网络的拓扑结构，所述拓扑结构包括多个节点；

提取所述拓扑结构中节点的级联故障度量；

利用故障传播模型确定所述节点的重要程度量；

对所述节点的重要程度量和所述节点的级联故障度量进行相关性分析，确定多个所述节点中的至少一个关键节点。

2.根据权利要求1所述的方法，其特征在于，所述构建通信网络的拓扑结构，包括：

基于所述通信网络的最短路径传递信息的特征，构建所述拓扑结构，其中，所述通信网络的最短路径传递信息的特征包括无标度网络。

3.根据权利要求2所述的方法，其特征在于，所述无标度网络包括：

定义G＝(V，E)为一个包含N个节点的所述通信网络，其中V表示节点的集合，E表示边的集合；

所述无标度网络初始由包含给定节点数m₀的小连通图组成；

所述无标度网络初始的增长过程包括引入新节点n_i并连接到m个现有节点，m是默认值；

利用公式(1)确定所述无标度网络初始的优先连接性；

通过计算所述通信网络中所有节点的连接概率Π(n_j)，选择所述连接概率满足预设阈值的节点与所述n_i相连，其中，所述Π(n_j)是所述n_i与节点n_j连接概率，k_j是所述n_j的度；

表示所述无标度网络中包含的边的个数。

4.根据权利要求1或2所述的方法，其特征在于，所述级联故障度量，用于表征所述节点引起的级联故障的规模；

所述级联故障度量包括以下至少一种：介数中心性C^B、接近中心性C^C、度中心性C^D。

5.根据权利要求1所述的方法，其特征在于，所述重要程度量，用于衡量所述节点在所述通信网络中预计引起级联故障的重要程度；

所述级联故障度量包括以下至少一种：级联故障规模SoCF、故障参与率FoP。

6.根据权利要求5所述的方法，其特征在于，所述故障传播模型包括基于最短路径的负载重分配模型的故障传播模型。

7.根据权利要求1所述的方法，其特征在于，对所述节点的重要程度量和所述节点的级联故障度量进行相关性分析，包括：

采用肯德尔秩相关系数量化相关性的方式，对所述节点的重要程度量和所述节点的级联故障度量进行相关性分析。

8.一种通信网络级联故障中节点识别装置，其特征在于，包括：

建设模块，用于构建通信网络的拓扑结构，所述拓扑结构包括多个节点；

获取模块，用于提取所述拓扑结构中节点的级联故障度量；

处理模块，用于利用故障传播模型确定所述节点的重要程度量；

识别模块，用于根据所述节点的重要程度量和所述节点的级联故障度量，确定多个所述节点中的至少一个关键节点。

9.一种通信网络级联故障中节点识别设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的通信网络级联故障中节点识别方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的通信网络级联故障中节点识别方法。

Images