[发明专利]一种基于相依贝叶斯网络的故障诊断技术的构建方法

说明书

本发明提供一种基于相依贝叶斯网络的故障诊断技术的构建方法，步骤如下：1、确定待推理未知对象的域；2、使用一阶逻辑语言定义模型结构；3、生成Blog模型；4、将Blog模型转化为贝叶斯网络；5、定义相依贝叶斯网络；6、进行相依贝叶斯网络的参数学习；7、使用马尔科夫链蒙特卡洛方法进行相依贝叶斯网络故障推理。通过上述步骤，可以完成对基于相依贝叶斯网络的故障诊断技术的构建。本发明可以充分利用相依贝叶斯网络的有环且可以包含无限多个变量的特性，满足嵌入式软件随机故障的实际诊断需求，提高故障诊断的质量。

技术领域

本发明提供一种基于相依贝叶斯网络的故障诊断技术的构建方法，它涉及一种基于相依贝叶斯网络的故障诊断技术的实现，属于软件可靠性、软件故障诊断领域。

背景技术

嵌入式软件已经在包括航空航天在内的许多重大工程和日常生活中得到广泛应用并起到核心作用，而且在未来的工业化进程中将会越来越重要。但是随着软件的规模和复杂度的增大，软件发生故障的概率也越来越大，历史上出现过的许多重大系统事故，是由嵌入式软件错误导致的。可以预见的是，在未来很长一段时间内，与软件故障做斗争仍然是一个难以规避的主题，其中，对软件进行故障诊断是很重要的一个环节。对于规模庞大、行为复杂的大型软件系统而言，对故障进行诊断定位是非常耗时耗力的。尤其是对于资源受限的复杂嵌入式软件系统，由于其通常具有实时性、并发性、接口众多、交互频繁等特性，容易发生一些随机故障，即故障现象具有不确定性，更加难以复现和准确诊断定位。对发现的随机故障及其故障机理进行有效的不确定性量化推理诊断，是需要重点研究的问题。

贝叶斯网络是以贝叶斯理论为基础的基于概率推理的图形化网络，适用于表达和分析不确定性和概率性的事件。但是传统贝叶斯网络通常适用于对有限数量的随机变量建立固定的依赖结构，不支持未知对象的动态加入，而且受制于无环约束和祖先数量有限假设的约束。而嵌入式软件偶发的和难以复现的随机故障造成模型中对象的有环相依和数量未知，因而传统的贝叶斯网络并不是不确定性随机故障量化推理的理想手段。相依贝叶斯网络(Contingent Bayesian Networks，CBNs)，是对贝叶斯网络的一种泛化处理，通过为网络模型的每条边标记一个表示激活状态的条件来表示依赖关系的不确定性，其优点是有环且可以包含无限多个变量。CBNs采用一种形式化的语言Blog定义含有未知对象的概率模型并进行不确定性量化识别。Blog模型定义了一种特定类型的一阶逻辑语言的模型结构的概率分布，是用来描述未知对象的概率模型，被设计用于推理未知对象，它可以包含可变化的、数量不限定的对象及它们之间的不确定关系。一个未知对象的概率模型即Blog模型描述了一个产生式的过程，其中一些步骤是用来添加对象，而另外一些步骤则是用来决定这些对象的属性及对象之间的关系。相依贝叶斯网络可以包含环以及无限变量的特性使得其更加适用于推理现实世界未知数量物体间的未知关系，拓展了传统贝叶斯网络的应用范围。

嵌入式软件由于其规模庞大、功能复杂，因而容易发生一些具有不确定性、更加难以复现和准确定位的随机故障，而且一旦发生，往往非常难以定位和排除，是亟待解决的问题。这样的随机故障具有对象未知、数量不确定以及随机故障之间可能还存在着依赖关系等特性，因而传统的贝叶斯网络不再适用于随机故障的诊断推理。而相依贝叶斯网络有环且可以包含无限多个变量的特性则非常适用于随机故障的诊断推理。同时，软件运行时面临的环境干扰也可能造成软件的故障，在进行故障诊断时，也必须考虑环境干扰的影响。针对这一状况，我们将提出一种基于相依贝叶斯网络的故障诊断技术的构建方法，在这项技术中，我们使用相依贝叶斯网络理论，将数量未知的故障现象、故障环境干扰作为未知对象，建立Blog模型，然后将其转化为相依贝叶斯网络，而后使用马尔科夫蒙特卡洛方法进行相依贝叶斯网络的故障推理。使用这一技术可以充分利用相依贝叶斯网络的有环且可以包含无限多个变量的特性，满足嵌入式软件随机故障的实际诊断需求，提高故障诊断的质量。

该软件故障诊断技术基于相依贝叶斯网络进行构建，形成基于相依贝叶斯网络的故障诊断技术，在提高软件故障诊断质量的同时，达到提高软件可信性的目的。

发明内容