[发明专利]一种IP网络中的故障定位方法

说明书

技术领域

本发明设计故障定位技术，特别是涉及一种基于贝叶斯网络的IP网络中的故障定位方法。

背景技术

目前，已经有从计算机科学的不同领域中派生出的多种多样的诊断方法被应用于故障定位领域。所谓故障定位，是根据所得到的症状信息进行推理，从而确定故障的根源的过程。目前的故障定位方法主要分为确定性的故障推理方法和不确定性的故障推理方法。

对于确定性的故障推理方法，包括基于规则、基于模型和基于案例的故障定位方法，这些方法在现有的故障定位系统中得到了广泛的使用。这些基于规则、基于模型和基于案例等的确定性的故障推理方法，所作的诊断都是基于当故障发生时，故障必然导致一定的外在表现状态(症状)的出现，由于这类故障往往是由特定的因素引起的，是确定性的，因此此类确定性的故障推理方法的优点在于可以准确地诊断协议栈底层的根源故障所在。例如IBM研究中心在2000年提出的Yemanja系统采用了基于模型的诊断方法，能有效的将底层网络事件和高层应用告警关联，Yemanja采用层次结构，封装实体行为的实体模型表示网络设备、抽象组件和概念层次结构，相关实体间采用事件传播链进行通信。上述方法中故障和症状之间的关联关系都是确定的，但是随着网络规模的扩大、复杂业务应用的部署，网络中故障和症状之间的关系表现出越来越多的不确定性，故现在越来越多的协议栈上层业务应用的故障，往往是由多种不确定因素导致的，而上述确定性故障定位技术却在很大程度上依赖于准确的、确定的推理模型，因此确定性的故障推理方法难以准确地定位协议栈上层业务应用故障的根源。因此出现了很多基于图论技术、神经网络等的不确定性的故障推理技术。

不确定性的故障推理技术中，基于贝叶斯网络的推理技术是其中一类比较可 行的故障定位技术。贝叶斯网络是用来表示变量间连接概率的图形模式，它提供了一种自然的表示因果信息的方法，用来发现数据间的潜在关系。在这个网络中，用节点表示变量，用向边表示变量间的依赖关系。因为贝叶斯网络可以对网络中故障及其外在表现(症状)之间的确定性关系和不确定性关系进行建模，并提供一个有效的推理模型进行故障定位。因此贝叶斯网络十分适合于被应用在IP网络的故障定位中。

基于贝叶斯网络的推理法，可以分为两大类：精确推理算法和近似推理算法。由于存在成熟的数学理论的支持，目前有很多的适用于故障定位的精确推理算法，如变量消元算法，团树传播算法和迭代信度传播算法等。Judea Pearl在其论文《Fusion，Propagation，and Structuring in Belief Networks》中就提出了一种适用于polytrees的迭代信度传播算法，这是一种具有多项式级别的算法复杂度的精确推理算法，具有很高的推理准确度，但是当其应用于大型IP网络时还是需要很长的推理时间。因此基于贝叶斯网络的精确推理算法虽可以保持很高的推理准确度，但由于精确推理算法的复杂度高(一般都是指数级别)，其所需要的故障定位时间大大超出了可以接受的范围，不能满足大规模贝叶斯网的推理需求(特别是对于大规模IP网络，往往会分析超时)，难以应用于实际网络中。因此许多研究者把目光转向了基于贝叶斯网的近似推理算法，以牺牲精确度为代价换得时间复杂度的降低。