CN112866052B - 网络链路状态的检测方法、检验矩阵的训练方法和装置 - Google Patents
网络链路状态的检测方法、检验矩阵的训练方法和装置 Download PDFInfo
- Publication number
- CN112866052B CN112866052B CN202011639076.0A CN202011639076A CN112866052B CN 112866052 B CN112866052 B CN 112866052B CN 202011639076 A CN202011639076 A CN 202011639076A CN 112866052 B CN112866052 B CN 112866052B
- Authority
- CN
- China
- Prior art keywords
- path
- detection
- link
- matrix
- network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 277
- 239000011159 matrix material Substances 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 title description 7
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 70
- 238000005259 measurement Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开一种网络链路状态的检测方法、检验矩阵的训练方法和装置,该方法包括:接收从网络链路的末端节点发送的故障检测包,其中,故障检测包按照预设检测路径集中的各预设检测路径进行传输;根据故障检测包的当前到达状态,确定各预设检测路径的路径状态;根据路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;其中,检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;检测矩阵建立了网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系。通过采用上述技术方案,提高了网络链路故障检验的准确性。
Description
技术领域
本发明实施例涉及网络故障检测领域,具体而言,涉及一种网络链路状态的检测方法、检验矩阵的训练方法和装置。
背景技术
网络链路失效是影响网络服务质量下降的一个重要因素。当网络中的某个设备或链路发生故障时,会引起网络拓扑结构的改变,进而影响网络带宽管理、节点配置和流量测量。在工业网络中,可能会发生多点故障,从而导致更严重的后果。一旦发生故障,必须尽快定位故障设备。因此,确定性多点网络故障检测对于可靠的网络传输和实时调度就显得尤为重要。
目前的故障检测方法主要分为分布式检测和集中控制检测。前者生成多组端到端检测数据包,覆盖网络中的每条链路,并根据数据包到达状态推断网络工作链路状态。常用的检测方法有基于迭代的方法、(基于二进制观测模型的布尔网络层析和基于概率的贝叶斯网络检测方法。集中式控制检测算法中典型的有基于SDN网络的OpenFlow Discovery协议(OFDP)、双向转发检测(BFD)方法和基于循环检测包的故障检测方法。
现有的检测机制通常向网络发送一定数量的检测包。根据检测包的到达状态,区分正常链路、不确定链路和拥塞链路。然后对不确定链路构造一组新的检测包,进行新一轮检测。这些检测机制需要多次迭代检测,因此存在检测时间不确定的问题。此外,这些方法没有优化检测包的数量。通常使用大量含有重复信息的检测数据包,导致网络负载过大、检测延迟过大等问题。此外,上述检测方法主要针对固定拓扑的单点检测,在多故障检测和一般拓扑检测中效果不佳。因此,这些方法均不能很好地满足网络多点故障的确定性检测要求。
发明内容
本发明实施例提供一种网络链路状态的检测方法、检验矩阵的训练方法和装置,提高了网络链路故障检验的准确性。
第一方面,本发明实施提供了一种网络链路状态的检测方法,该方法包括:
接收从网络链路的末端节点发送的故障检测包,其中,所述故障检测包按照预设检测路径集中的各预设检测路径进行传输;
根据所述故障检测包的当前到达状态,确定各预设检测路径的路径状态;
根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;
其中,所述检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;所述检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同,所述检测矩阵建立了所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,所述检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储;
相应的,根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态,包括:
从所述逻辑或运算结果中查找所述路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
可选的,所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系通过如下公式表示:
y=R·x
其中,y=(y1,y2,...,ym)∈{0,1}m为路径状态向量;R表示检测矩阵,x表示网络中的链路状态向量,所述链路状态通过二进制编码的形式表示。
第二方面,本发明实施例还提供了一种测该矩阵的训练方法,应用于网络链路,该方法包括:
对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合;
将所述候选路径集合中的各个候选路径按照长度值的大小进行排序,得到候选目标矩阵;
对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为预设检测路径;
遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵;
其中,所述预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中的链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,从多个测量路径中进行采样,以得到候选路径集合,包括:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,所述转移矩阵中各行表示当前节点到目标节点的概率,所述目标节点包括当前节点的父节点、相邻节点及其自身节点;
按照所述转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;
如果该目标节点作为所述采样点,则将多个所述采样点形成的路径作为候选路径,并将多个所述候选路径的集合作为候选路径集合。
第三方面,本发明实施例还提供了一种网络链路状态的检测装置,该装置包括:
故障检测包接收模块,被配置为接收从网络链路的末端节点发送的故障检测包,其中,所述故障检测包按照预设检测路径集中的各预设检测路径进行传输;
路径状态确定模块,被配置为根据所述故障检测包的当前到达状态,确定各预设检测路径的路径状态;
网络链路状态确定模块,被配置为根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;
其中,所述检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;所述检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同,所述检测矩阵建立了所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中的链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,所述检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储;
相应的,所述网络链路状态确定模块,具体被配置为:
从所述逻辑或运算结果中查找所述路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
可选的,所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系通过如下公式表示:
y=R·x
其中,y=(y1,y2,...,ym)∈{0,1}m为路径状态向量;R表示检测矩阵,x表示网络中的链路状态向量,所述链路状态通过二进制编码的形式表示。
第四方面,本发明实施例还提供了一种检测矩阵的训练装置,应用于网络链路,该装置包括:
候选路径采样模块,被配置为对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合;
候选目标矩阵确定模块,被配置为将所述候选路径集合中的各个候选路径按照长度值的大小进行排序,得到候选目标矩阵;
预设检测路径确定模块,被配置为对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为预设检测路径;
检测矩阵生成模块,被配置为遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵;
其中,所述预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中的链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,所述候选路径采样模块,具体被配置为:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,所述转移矩阵中各行表示当前节点到目标节点的概率,所述目标节点包括当前节点的父节点、相邻节点及其自身节点;
按照所述转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;
如果该目标节点作为所述采样点,则将多个所述采样点形成的路径作为候选路径,并将多个所述候选路径的集合作为候选路径集合。
第五方面,本发明实施例还提供了一种计算设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明任意实施例所提供的网络链路状态的检测方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的网络链路状态的检测方法。
第七方面,本发明实施例还提供了一种计算设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明任意实施例所提供的检测矩阵的训练方法。
第八方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的检测矩阵的训练方法。
本发明实施例提供的技术方案,通过确定故障检测包到达控制节点的状态,可得到路径状态向量。由于检测矩阵建立了网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系,因此可根据上述映射关系,确定网络链路中的链路状态。相对于现有技术中的网络链路状态检测方法,本实施例提供的方法可以应用于任意的网络拓扑结构,在误差小于K(K-identify)的情况下,可以找到接近最优的测量路径集来检测所有的故障,减小了网络负载,提高了网络链路故障检验的准确性,同时也可以达缩短检测时间的效果。
本发明实施例的创新点包括:
1、通过检测矩阵,建立了网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系。因此可根据上述映射关系和故障检测包到达控制节点的到达状态,能够在确定的时间内准确地识别出多个故障链路,提升了网络链路故障检测的准确率,是本发明实施例的创新点之一。
2、提出了一种基于马尔可夫链的Stop-MC采样方法,确保更短的路径有更高的优先级被采样。与传统的MC采样方法相比,Stop-MC采样方法得到的样本数量较少,提升了算法的运行时间,是本发明实施例的创新点之一。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例的算法框架示意图;
图2a为本发明实施例一提供的一种检测矩阵的训练方法的流程示意图;
图2b为本发明实施例一提供的一种检测矩阵构建过程示意图;
图2c为本发明实施例一提供的平均路径长度对检测矩阵的影响的实验结果截图;
图2d为本发明实施例一提供的Stop-MC采样方法与MC采样方法对应的样本数量的实验结果截图;
图2e为本发明实施例一提供的Stop-MC采样方法与MC采样方法对应的检测矩阵的行数的实验结果截图;
图2f为本发明实施例一提供的火车通信网络的拓扑结构示意图;
图2g为本发明实施例一提供的飞机时间敏感网络的拓扑结构示意图;
图2h为本发明实施例一提供的网格网络的拓扑结构示意图;
图3a为本发明实施例二提供的一种网络链路状态的检测方法的流程示意图;
图3b为本发明实施例二提供的一种网络链路故障检测示意图;
图4为本发明实施例三提供的一种网络链路状态的检测装置的结构框图;
图5为本发明实施例四提供的一种检测矩阵的训练装置的结构框图;
图6是本发明实施例五提供的一种计算设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种网络链路状态的检测方法、检验矩阵的训练方法和装置。为了清楚、明白地描述本发明各实施例的内容,下面先对本发明的工作原理进行简单介绍:
本发明实施例中,没有提出任何关于网络拓扑的假设,因此,本发明实施例提供的网络链路状态的检测方法可以适应不同的拓扑在时间敏感的网络。网络被定义为无向图G(V,L)。所有TSN交换机和终端设备的集合有顶点V={vi|i=0,1,2,...,n}。所有物理连接链路的集合有边L={li|i=0,1,2,...,n}。由链路连接的所有顶点都可以直接通信,而且链路是全双工的。在不失一般性的前提下,假设顶点不会发生故障,而链接将会失败或堵塞。这样的链路称为故障链路,其他顺畅的通信链路称为正常链路。所有错误链路的集合由表示,称为错误链路集。
路径从末端节点vi∈V开始,终止于任何节点vj∈V,记为本发明实施例中定义:本发明实施例的目标是通过一组测量路径P={pi|i=0,1,2,...,m}来检测网络状态,以识别故障链路,其中m为测量路径数。
可以理解的是,布尔矩阵可以通过一系列的测量路径状态有效地推断出链路的状态(故障或正常)。表示链路li的状态为:
其中,y=(y1,y2,...,ym)∈{0,1}m为路径状态向量,因此,
其中,∨是或运算。
本发明实施例中,布尔测量矩阵R是一个m×n的矩阵。Ri,j=1表示链路l被测量路径pi遍历,即lj∈pi,否则表示为Ri,j=0。矩阵的第i行表示一个观测路径pi,第j列表示lj的二进制编码然后,可将上述公式变换为如下矩阵形式:y=R·x。
其中,布尔测量矩阵R即为本发明实施例中提到的检测矩阵,该检测矩阵可建立网络链路中各链路的链路状态x与预设检测路径的路径状态y之间的映射关系。
下面,对识别网络链路中的k个故障链路的充要条件进行分析。假设网络中有k个错误链路。不失一般性,令链路状态向量x={0,1}n,其中||x||0=k,则测量路径向量y的状态可表示为:
也就是说,对i,j,…k列进行逻辑或运算。因此,如果布尔测量矩阵R是K-identify,那么任意C(n,k)列进行逻辑或操作的结果都不可能是一样的。据此,可用下面的定理来描述这个结论:
给定一组测量路径P和一条链路li,如果有任何故障集F1和F2,F1∩lj≠F2∩lj且|Fi|≤k,(i∈{1,2}),且
则li相对于P是K-identify的,其中∨是或运算。
基于上述原理,本发明实施例提供的算法的体系结构分为三个部分:候选检测路径集合生成器,最优检测矩阵构造器和方程求解器。如图1所示,候选检测路径集合生成器选择代表性的候选测量矩阵R0,其测量路径有较高的概率参与最优解。候选检测矩阵R0中的行数(表示为S)是超参数。通过调整S,可以确保存在构造的最佳测量矩阵的解决方案。通过将R0作为最佳检测矩阵构造函数的输入,然后,最优检测矩阵构造器采用迭代贪婪策略,迭代地消除无用的路径,最后构造路径总数最小的测量矩阵Ropt,即本发明实施例中提到的检测矩阵。最后,通过沿着从Ropt派生的路径并行发送测量数据包,以获得测量路径状态向量y,并根据y=Ropt·x,在方程求解器中求解,可得到网络链路中的故障链路x。
下面,分别从模型的训练阶段和应用阶段,对上述原理的具体实现过程进行详细介绍。
实施例一
图2a为本发明实施例一提供的一种检测矩阵的训练方法的流程示意图,该方法可应用网络链路中故障链路的检测中,其中,网络链路可以为火车通信网络,飞机时间敏感网络和网格网络等,本实施例对此不作具体限定。本实施例提供的检测矩阵的训练方法可由检测矩阵的训练装置来执行,该装置可通过软件和/或硬件的方式实现。如图2a所示,该方法包括:
100、对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合。
其中,对于具有n个节点的完全连接的网络,测量路径数为在如此大规模的网络中,几乎不可能枚举密集网络中的所有合法测量路径。但是,通过概率采样策略,选择高质量的测量路径来构建候选测量矩阵R0可以加快算法的速度。由于无法对完整的测量路径集进行枚举,因此,也无法获知哪个平稳概率分布函数可以获得更好的采样结果。因此,现有技术提供的常规采样方法,例如随机采样法,在这里不适用。
本实施例提供了一种Stop-MC(基于马尔可夫链的优先级采样)采样方法,采用该方法的原因如下:
MC(Markov-Chain,马尔可夫链)是一个随机过程。在马尔可夫链的每个步骤中,系统都可以根据概率分布从一种状态更改为另一种状态,或者可以维持当前状态。
对于给定的概率分布π(x),希望有一种高效的方法来生成其对应的样本。由于马尔可夫链可以收敛到平稳分布,因此一个想法是:如果可以构造一个具有P的转移矩阵的马尔可夫链,使得马尔可夫链的静态分布恰好是π(x),那么从任何初始状态0开始,沿着马尔可夫链移动以获得过渡序列[s0,s1,s2,...,sn,...]。如果马尔可夫链在随后第n步中收敛,将获得概率分布π(x)的样本sn,并将每个有效的测量路径定义为马尔可夫链中的一个状态。由于状态空间太大而无法定义完整的转移矩阵,因此可使用路径末端节点的转移矩阵。例如,如果当前路径的终点是si,则si会跳到其邻居节点,跳回其父节点,或者保持其自身状态以获得新路径。换句话说,如果无法在一步内通过跳转pa的末端结点来得到pb,则两个路径pa和pb之间的概率转移是0。
通过调整不同的状态转移矩阵P,可发现长度较短的路径具有较高的贡献Ropt的概率。例如,对完全连接的图形G(V,L)进行端到端检测,构造K-identify(K≤L)的测量矩阵,一种可接受的解决方案是使用长度为1的L-1条的测量路径。
基于上述分析,本实施例对传统的MC采样进行了改进,在采样过程中设置了停止因子δ。随着测量路径长度的增加,δ逐渐减小,使得难以对长路径进行采样。
具体的,本实施例提供的采样方法具体可以为:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,转移矩阵中各行表示当前节点到目标节点的概率。按照转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;如果该目标节点作为采样点,则将多个采样点所形成的路径作为候选路径,并将多个候选路径的集合作为候选路径集合。
其中,目标节点包括当前节点的父节点、相邻节点及其自身节点。
示例性的,当前节点到目标节点的概率,可基于物理网络链路中的各个节点的位置,将各个目标节点对应的概率进行平均分配。
示例性的,在进行状态转移之前,可预先设置停止因子的起始值。在进行状态转移的过程中,停止因子的值会随着路径长度的增加而衰减。在判断目标节点是否能够作为采样点时,可将目标节点对应的停止因子的数值与预设阈值进行比较,如果大于预设阈值,则可将其作为采样点。如果小于预设阈值,则继续进行跳转,直到采样得到的样本数量达到预设要求。
110、将候选路径集合中的各个测量路径按照长度值的大小进行排序,得到候选目标矩阵。
120、对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为测量路径。
其中,预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;其中,n为网络中的链路的数量;k表示存在故障的网路链路的数目,其取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
其中,预设约束条件可通过如下公式来表示:
其中,Sk={x|||x||0≤k}表示所有x向量,且少于k错误链接,M表示二进制布尔检测矩阵R的行数;y表示预设检测路径的路径状态;x表示链路状态向量;xi和xj表示第i条链路和第j链路。
具体的,检测矩阵的构建过程如图2b所示,在进行T次迭代后,输出满足预设约束条件(结果为True),即任意C(n,k)列进行逻辑或操作的结果都不同。在进行T+1次迭代后,删除第二行后的输出结果不满足预设约束条件(结果为False),则保留第二行。在进行T+2次迭代后,删除第一行后的输出满足预设约束条件,则删除第一行P1,如图2b所示,T+2次迭代结束的结果中删除了P1。本实施例采样上述迭代策略可使得得到的检测矩阵中各预设检测路径的总数达到最小,从而在利用该检测矩阵进行网络链路的故障检测时,可提高故障检测的速度。
130、遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵。
其中,遍历完候选矩阵中所保留的行均可作为预设检测路径,也即检测矩阵中的每一行。该检测矩阵的列号对应网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路。
本实施例提供了一种应用于网络链路状态检测的检测矩阵的训练方法。在该检测矩阵的训练过程中,提出了一种基于马尔可夫链的优先级采样方法,进行测量路径的采样,以确保更短的路径有更高的优先级被采样。与常规的MC方法相比,本实施例提供的测量路径的方法在寻找最小检测路径集方面准确度更高、速度更快,得到的检测矩阵可建立网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系。
相对于现有技术中的随机采样方法(例如传统的MC采样方法),本实施例提供的Stop-MC采样方法的性能优势可通过如下实验得到验证。
首先,验证平均路径长度对最佳测量矩阵结果的影响。通过使用具有8个节点和28个链接的完整图形进行实验。图2c为本发明实施例一提供的平均路径长度对探测矩阵的影响的实验结果截图。如图2c所示,其中平均路径长度为自变量,探测矩阵,即本实施例中的检测矩阵,中的行数为因变量。路径长度-矩阵行数对应的虚线表示随着长度的增加,行数的变化趋势。从图中可以看出,变化趋势不是单调的。当平均路径长度为5时,可以获得相对稳定的最优值。将停止率作为自变量,将平均路径长度作为因变量,停止因子-路径长度对应的虚线表示两者之间的关系。
采样方法的优缺点主要由两个评估指标决定,一个是最小采样数,另一个是生成的检测矩阵的行数。图2d为本发明实施例一提供的Stop-MC采样方法与MC采样方法对应的样本数量的实验结果截图。如图2d所示,Stop-MC样本生成的样本数量远小于MC样本的数量。因为最少的样本数与算法的运行时间直接相关,因此本实施例提供的Stop-MC采样方法大大减少了运行时间。图2e为本发明实施例一提供的Stop-MC采样方法与MC采样方法对应的检测矩阵的行数的实验结果截图。如图2e所示,Stop-MC采样方法所生成的探测矩阵的行数,即本实施例中检测矩阵的行数,远小于MC采样方法得到的检测矩阵的行数。综上所述,可得出本实施例提供的Stop-MC采样方法比MC方法在性能上要好得多。
此外,可通过使用带有节点数目为6、8、10和12的完整图(对应的链路数为15、28、45、66),k的值从1到3不等,来验证随着链接数量和k的增加,最小检测路径数量,最小样本数量以及算法运行时间的变化趋势。其中,使用完全图是因为完全图可以更好地满足K-identify的属性。将初始采样数设置为60,将终止率δ设置为0.8。通过实验表明,随着k和链路数量的增加,最小检测路径数和最小采样数线性增加,并且算法运行时间增加到k的幂。算法时间的增长趋势公式为M2*C(n,k)。因为该过程是离线计算的,因此是符合预设要求的。
另外,为了验证本发明实施例提出的网络链路故障检测机制在工业控制领域的多功能性和正确性,可将在各种不同的应用场景下进行仿真。这些应用场景可以包括:火车通信网络,飞机时间敏感网络和网格网络。
其中,火车通信网络是工业控制领域中时间敏感型网络的典型应用场景,其交换网络拓扑如图2f所示。总线上的8个交换机放置在每个托架中。每个车厢内有一个由3个交换机组成的局域网,这些交换机连接到总线交换机。终端设备通过托架中的交换机与整个网络通信。时间敏感网络采用集中控制,并且控制器放置在托架1中并连接到总线开关。
飞机网络由一个机舱中的13个交换机组成,并且每个终端都连接到交换网络以进行信息通信,如图2g所示。航空器的时间敏感网络采用集中控制,控制器放置在机头舱的控制台上,两条链路分别连接到交换网络。
网格网络是常见的多跳网络。网格网络具有很高的网络连通性,并且可以有效地检测到我们的算法。如图2h所示,网络中有21个节点,边缘节点的连通性是2,内部节点的连通性是4,中央控制节点连接到4台交换机。
在试验过程中,可将停止率设置δ为0.8,采样方法选择Stop-MC采样,初始采样数为50。如果初始采样量不能满足上述预设约束条件,则逐渐增加采样数量直到满足为止。其中,火车通信网络由于拓扑性质最多只能实现1-identify。实验结果显示在如下表1中。如下表1所示,本实施例提供的算法可以快速获得有效的最佳测量矩阵。
表1应用场景仿真
进一步的,在得到检测矩阵后,可将该检测矩阵应用到网络链路的故障检测中。利用该检验矩阵对网络链路中的链路故障进行检测的具体检测方法将在如下实施例中进行具体说明。
实施例二
图3a为本发明实施例二提供的一种网络链路状态的检测方法的流程示意图,该方法可有网络链路状态的检测装置来执行,该装置可通过软件和/或硬件的方式实现,如图3a所示,该方法包括:
200、接收从网络链路的末端节点发送的故障检测包。
其中,故障检测包按照预设检测路径集中的各预设检测路径进行传输。各预设检测路径为上述实施例中已完成训练的检测矩阵中的各行检测路径。
210、根据故障检测包的当前到达状态,确定各预设检测路径的路径状态。
本实施例中,为了更好地解决确定性检测时间内的多点故障定位问题,引入了布尔层析网络。布尔层析网络使用二进制编码来表示检测包的到达状态以及链路状态。例如,当故障检测包到达控制节点时,它将被认为是良好状态(0),否则将被认为是坏状态(1)。好的路径的所有链路都被认为是有效的链路,即如果故障检测包均能够到达控制节点,则为好的路径,即网络链路均为正常链路。而坏的路径至少存在一个坏的链路。通过收集足够的检测包状态,可以推断出所有网络链路的状态。
示例性的,如图3b所示,可将故障检测包以TSN流的形式进行传输。具体的,可周期性地同时从末端节点向控制节点(Controller)发送10个检测包,不需要额外的迭代过程。由于TSN网络的确定性传输机制,可以实现确定性数据包到达。然后控制节点可根据10个数据包的到达状态进行二进制编码,例如,到达状态可设置为0,非到达状态可设置为1。
220、根据路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态。
其中,预设检测路径集对应的检测矩阵中的各行表示各个预设检测路径的路径,列号对应网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路。该检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同。该检测矩阵建立了网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系。该检测矩阵的训练方法可按照上述实施例提供的方式进行,本实施例不再赘述。
本实施例中,在得到路径状态后,可对上述方程y=R·x进行求解,得到网络链路状态。根据该方程,任何测量路径状态向量y都对应R中c个不同列的二进制编码b(li)的或运算。这c个链路是失效的链路。基于此,可预先将检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储,如图1中的K(键)和V(值)。其中,对于无故障的网络链路,由于网络链路状态x均为0,则路径状态向量y均为0。因此,图1中对应的键值对的键均为0,键值对的值为空。
示例性的,根据路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态,包括:
从逻辑或运算结果中查找路径状态;
如果查找到的逻辑或运算结果对应的列号为空,则确定网络链路的链路状态为正常的非故障链路。
相应的,根据路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态,包括:
从逻辑或运算结果中查找路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
其中,n为网络中的链路的数量;k表示存在故障的网路链路的数目,其取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
具体的,MG∈{0,1}M×L表示一个测量矩阵,其中M是测量路径的数量,L是链路数。考虑图3b所示的网络拓扑,预设检测路径设置为PG={Pi|i=1,2,3,...,10},以标识最多两个故障链路。其中,p1={l2,l10,l11},p2={l2,l5,l6},p3={l1,l7},p4={l3,l8},p5={l1,l4,l9},p6={l2,l5,l4,l8},p7={l3,l8,l9,l7,l5},p8={l3,l11,l9},p9={l1,l6,l11},p10={l3,l10}。
然后,可获得MG:
如果l7和l10是错误链路,则测量路径状态向量y=(1,0,1,0,0,0,1,1,1,0),即MG中第8列和第11列的逻辑或运算结果。
本实施例提供的网络链路状态的检测方法中,通过确定故障检测包到达控制节点的状态,可得到路径状态向量。由于检测矩阵建立了网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系,因此可根据上述映射关系,确定网络链路中的链路状态。相对于现有技术中的网络链路状态检测方法,本实施例提供的方法可以应用于任意的网络拓扑结构,在误差小于K(K-identify)的情况下,可以找到接近最优的测量路径集来检测所有的故障,减小了网络负载,提高了网络链路故障检验的准确性,同时也可以达缩短检测时间的效果。
实施例三
图4为本发明实施例三提供的一种网络链路状态的检测装置的结构框图,如图4所示,该装置包括:故障检测包接收模块310、路径状态确定模块320和网络链路状态确定模块330,其中,
故障检测包接收模块310,被配置为接收从网络链路的末端节点发送的故障检测包,其中,所述故障检测包按照预设检测路径集中的各预设检测路径进行传输;
路径状态确定模块320,被配置为根据所述故障检测包的当前到达状态,确定各预设检测路径的路径状态;
网络链路状态确定模块330,被配置为根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;
其中,所述检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;所述检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同;所述检测矩阵建立了所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,所述检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储;
相应的,所述网络链路状态确定模块,具体被配置为:
从所述逻辑或运算结果中查找所述路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
可选的,所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系通过如下公式表示:
y=R·x
其中,y=(y1,y2,...,ym)∈{0,1}m为路径状态向量;R表示检测矩阵,x表示网络中的链路状态向量,所述链路状态通过二进制编码的形式表示。
本发明实施例所提供的网络链路状态的检测装置可执行本发明任意实施例所提供的网络链路状态的检测方法,具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的网络链路状态的检测方法。
实施例四
图5为本发明实施例四提供的一种检测矩阵的训练装置的结构框图,如图5所示,该装置包括:候选路径采样模块410、候选目标矩阵确定模块420、预设检测路径确定模块430和检测矩阵生成模块440,其中,
候选路径采样模块410,被配置为对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合;
候选目标矩阵确定模块420,被配置为将所述候选路径集合中的各个候选路径按照长度值的大小进行排序,得到候选目标矩阵;
预设检测路径确定模块430,被配置为对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为预设检测路径;
检测矩阵生成模块440,被配置为遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵;
其中,所述预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
可选的,所述候选路径采样模块,具体被配置为:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,所述转移矩阵中各行表示当前节点到目标节点的概率,所述目标节点包括当前节点的父节点、相邻节点及其自身节点;
按照所述转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;
如果该目标节点作为所述采样点,则将多个所述采样点形成的路径作为候选路径,并将多个所述候选路径的集合作为候选路径集合。
本发明实施例所提供的检测矩阵的训练装置可执行本发明任意实施例所提供的检测矩阵的训练方法,具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的检测矩阵的训练方法。
实施例五
请参阅图6,图6是本发明实施例五提供的一种计算设备的结构示意图。如图6所示,该计算设备可以包括:
存储有可执行程序代码的存储器701;
与存储器701耦合的处理器702;
其中,处理器702调用存储器701中存储的可执行程序代码,执行本发明任意实施例所提供的网络链路状态的检测方法。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行本发明任意实施例所提供的网络链路状态的检测方法。
本发明实施例还提供了一种计算设备,该计算设备可以包括:
存储有可执行程序代码的存储器;
与存储器耦合的处理器;
其中,处理器调用存储器中存储的可执行程序代码,执行本发明任意实施例所提供的检测矩阵的训练方法。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行本发明任意实施例所提供的检测矩阵的训练方法。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (6)
1.一种网络链路状态的检测方法,其特征在于,包括:
接收从网络链路的末端节点发送的故障检测包,其中,所述故障检测包按照预设检测路径集中的各预设检测路径进行传输;
根据所述故障检测包的当前到达状态,确定各预设检测路径的路径状态;
根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;
其中,所述检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;所述检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同,所述检测矩阵建立了所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;所述映射关系通过如下公式表示:
y=R·x
其中,m为预设检测路径的路径数;y=(y1,y2,...,ym)∈{0,1}m为路径状态向量;R表示检测矩阵,x表示网络中的链路状态向量,所述链路状态通过二进制编码的形式表示;其中,n为网络中链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
2.根据权利要求1所述的方法,其特征在于,所述检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储;
相应的,根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态,包括:
从所述逻辑或运算结果中查找所述路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
3.一种检测矩阵的训练方法,应用于网络链路,其特征在于,包括:
对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合;
将所述候选路径集合中的各个候选路径按照长度值的大小进行排序,得到候选目标矩阵;
对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为预设检测路径;
遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵;
其中,所述预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中的链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目;
其中,从多个测量路径中进行采样,以得到候选路径集合,包括:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,所述转移矩阵中各行表示当前节点到目标节点的概率,所述目标节点包括当前节点的父节点、相邻节点及其自身节点;
按照所述转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;
如果该目标节点作为所述采样点,则将多个所述采样点形成的路径作为候选路径,并将多个所述候选路径的集合作为候选路径集合。
4.一种网络链路状态的检测装置,其特征在于,包括:
故障检测包接收模块,被配置为接收从网络链路的末端节点发送的故障检测包,其中,所述故障检测包按照预设检测路径集中的各预设检测路径进行传输;
路径状态确定模块,被配置为根据所述故障检测包的当前到达状态,确定各预设检测路径的路径状态;
网络链路状态确定模块,被配置为根据所述路径状态,以及预设检测路径集对应的检测矩阵,确定网络链路的链路状态;
其中,所述检测矩阵中的各行表示各个预设检测路径的路径,列号对应所述网络链路中的各个链路,各列的值均为二进制编码,用于表示预设检测路径是否经过该链路;所述检测矩阵中任意C(n,k)列进行逻辑或操作的结果都不同,所述检测矩阵建立了所述网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;所述映射关系通过如下公式表示:
y=R·x
其中,m为预设检测路径的路径数;y=(y1,y2,...,ym)∈{0,1}m为路径状态向量;R表示检测矩阵,x表示网络中的链路状态向量,所述链路状态通过二进制编码的形式表示;
其中,n为网络中链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目。
5.根据权利要求4所述的装置,其特征在于,所述检测矩阵中C(n,k)个不同列的二进制编码的逻辑或运算结果,及C(n,k)个不同列对应的列号按照键值对的形式存储;
相应的,所述网络链路状态确定模块,具体被配置为:
从所述逻辑或运算结果中查找所述路径状态;
将查找到的逻辑或运算结果对应的列号作为存在故障的网络链路。
6.一种检测矩阵的训练装置,应用于网络链路,其特征在于,包括:
候选路径采样模块,被配置为对于具有n条链路的网络拓扑,从多个测量路径中进行采样,以得到候选路径集合;
候选目标矩阵确定模块,被配置为将所述候选路径集合中的各个候选路径按照长度值的大小进行排序,得到候选目标矩阵;
预设检测路径确定模块,被配置为对于候选目标矩阵中的每一行候选路径,判断删除该行后的矩阵是否符合预设约束条件,如果符合预设约束条件,则删除该行候选路径;如果不符合预设约束条件,则保留该行候选路径作为预设检测路径;
检测矩阵生成模块,被配置为遍历候选目标矩阵中的所有行,将遍历完成后得到的所有预设检测路径,作为检测矩阵;
其中,所述预设约束条件包括:任意C(n,k)列进行逻辑或操作的结果都不同,并且,符合网络链路中各链路的链路状态与预设检测路径的路径状态之间的映射关系;
其中,n为网络中的链路的数量;k的取值为从0到K,K为预设参数,表示最多检测到的存在故障的网络链路的数目;
其中,所述候选路径采样模块,具体被配置为:
对于网络链路中的任意一个节点,构造具有转移矩阵的马尔科夫链,其中,所述转移矩阵中各行表示当前节点到目标节点的概率,所述目标节点包括当前节点的父节点、相邻节点及其自身节点;
按照所述转移矩阵进行跳转,当跳转步数达到预设步数要求时,根据该目标节点对应的停止因子的数值,判断该目标节点是否作为采样点;
如果该目标节点作为所述采样点,则将多个所述采样点形成的路径作为候选路径,并将多个所述候选路径的集合作为候选路径集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639076.0A CN112866052B (zh) | 2020-12-31 | 2020-12-31 | 网络链路状态的检测方法、检验矩阵的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639076.0A CN112866052B (zh) | 2020-12-31 | 2020-12-31 | 网络链路状态的检测方法、检验矩阵的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112866052A CN112866052A (zh) | 2021-05-28 |
CN112866052B true CN112866052B (zh) | 2022-08-05 |
Family
ID=76000471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639076.0A Active CN112866052B (zh) | 2020-12-31 | 2020-12-31 | 网络链路状态的检测方法、检验矩阵的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112866052B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962055B (zh) * | 2021-12-16 | 2022-03-18 | 北京云枢创新软件技术有限公司 | 目标多级设计连接路径的网络互联检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601888A (zh) * | 2019-09-10 | 2019-12-20 | 清华大学 | 一种时间敏感网络中确定性故障检测与定位方法及系统 |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
CN111901207A (zh) * | 2020-09-11 | 2020-11-06 | 中国联合网络通信集团有限公司 | 传输网络故障的检测方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9231838B2 (en) * | 2011-11-09 | 2016-01-05 | Telefonaktiebolaget L M Ericsson (Publ) | Method and apparatus for detecting and locating network connection failures |
CN106453113A (zh) * | 2016-09-07 | 2017-02-22 | 中国人民解放军防空兵学院 | 一种ip网络拥塞链路定位方法 |
-
2020
- 2020-12-31 CN CN202011639076.0A patent/CN112866052B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601888A (zh) * | 2019-09-10 | 2019-12-20 | 清华大学 | 一种时间敏感网络中确定性故障检测与定位方法及系统 |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
CN111901207A (zh) * | 2020-09-11 | 2020-11-06 | 中国联合网络通信集团有限公司 | 传输网络故障的检测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
Synthesizing Fault-Tolerant Schedule for Time-Triggered Network Without Hot Backup;Lifan Su等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20190228;1345-1355 * |
Also Published As
Publication number | Publication date |
---|---|
CN112866052A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110740054B (zh) | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 | |
CN108933694B (zh) | 基于拨测数据的数据中心网络故障节点诊断方法及系统 | |
CN113411221B (zh) | 电力通信网络故障仿真验证方法、装置、设备和存储介质 | |
EP3134999B1 (en) | Network tomography through selection of probing paths | |
CN112866052B (zh) | 网络链路状态的检测方法、检验矩阵的训练方法和装置 | |
CN104283780A (zh) | 建立数据传输路径的方法和装置 | |
CN102684902A (zh) | 基于探针预测的网络故障定位方法 | |
CN114500354A (zh) | 一种交换机控制方法、装置、控制设备及存储介质 | |
Yi et al. | A safe and reliable heterogeneous controller deployment approach in SDN | |
CN114866431A (zh) | 基于int预测sfc网络故障的方法、装置及处理器 | |
Tri et al. | Locating deteriorated links by network-assisted multicast proving on OpenFlow networks | |
US10320618B2 (en) | Network system, network management method, and network management device | |
CN115412443B (zh) | 一种基于突发检测的网络拓扑变化检测方法 | |
CN113660677B (zh) | 带权时变网络在耗费限制下的最大错误独立路径计算方法 | |
CN108880914B (zh) | 一种基于网络带宽测试的互连网络故障检测与定位方法 | |
CN116132350A (zh) | 一种路径选择方法、装置及存储介质 | |
CN113206764A (zh) | 一种基于网络特征的链路丢包率推理方法 | |
CN114244692A (zh) | 一种适用于超大规模互连网络的故障快速定位方法 | |
JP2013046250A (ja) | 障害リンク特定システムおよびその監視経路設定方法 | |
CN108599834B (zh) | 一种卫星通信网络链路利用率分析方法及系统 | |
Dusia et al. | Probe generation for active probing | |
Sakharova et al. | Mathematical metamodel of the process of functioning of the intelligent management system of the Carrier Ethernet network | |
CN113778620B (zh) | 基于多sdn控制器与软硬件协同的大规模集群存储系统架构 | |
Zhang et al. | A Boolean network tomography based method for deterministic multi-point fault detection | |
Li et al. | Terminator: An Efficient and Light-weight Fault Localization Framework |
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 |