[发明专利]基于贝叶斯网络模型的量子通信网络可用性分析方法

说明书

本发明提供一种基于贝叶斯网络模型的量子通信网络可用性分析方法，包括：生成量子通信网络系统的动态故障树；对生成的动态故障树进行定性分析和定量分析，其中，通过将故障树转换为最小割集以进行定性分析；基于离散时间贝叶斯网络算法将生成的动态故障树转换成离散时间贝叶斯网络结构来进行定量分析；对转换后的离散时间贝叶斯网络结构通过联合概率分布算法计算顶事件概率，并在发生故障后进行信息更新；依据计算得到的顶事件概率分析得出网络可用性结果。本发明可以完成对动态故障树的分析并进行信息更新，减少了手动计算的开销，避免了传统的动态故障树定量分析分析方法产生的空间状态爆炸问题，并且达到了对不同时间段的仿真分析的高精度。

技术领域

本发明属于量子通信网络技术领域，具体涉及一种基于贝叶斯网络模型的量子通信网络可用性分析方法。

背景技术

许多经典分析技术如故障树分析FTA(Fault Tree Analysis)、失效模式效应和临界性分析等均可以用来评估系统的可用性。其中传统的静态故障树只关注组件之间的简单逻辑组合，而忽略了组件之间的依赖关系或时序关系等动态特性，因此，在分析复杂动态系统的失效特性时存在较大的误差。为了弥补短缺的动态特性的静态故障树模型，提出了在故障树的基础上，扩展了功能相关门、备件门、优先与门等动态逻辑门，应用马尔可夫理论分析的动态故障树(DFT，Dynamic Fault Tree)模型来解决。但传统的马尔科夫方法仅适用于指数分布，且存在状态空间爆炸问题，难以应用于大型动态故障树分析。

贝叶斯网络(BN，Bayesian Network)是一个由节点和有向边组成的有向无环图，离散时间贝叶斯网络(DTBN，Discrete-Time Bayesian Network)是一个有n个节点的BN，一般表示n＝x,e,p，图中节点x＝{x1，…，xn}表示变量，组件状态值、人员操作等现象都可以抽象为节点变量。有向边e表征节点变量之间的因果关系。在(xi,xj)中，xi是xj的父结点，xj是xi的子结点。没有父节点的节点是根节点，没有子节点的节点是叶节点。有向图蕴涵条件独立性。p表示条件概率分布(cpd)。离散时间贝叶斯网络中任务时间t被划分为n个相等的时间间隔，每个时间间隔的长度为△＝t/n，整个任务时间被划分为n+1个部分:[0，△]，[△，2△]，[2△，3△]，…，[(n-1)△，n△]，[n△，+∞]。若节点e＝[(x-1)△，x△]，则节点e在[(x-1)△，x△]区间内失效，或节点e处于x状态，若顶事件et失败，则必须在该(n+1)时间区间内发生。从贝叶斯网络隐含的独立性假设可以看出，在知道根节点的先验概率分布和非根节点的条件概率分布的前提下，可以得到包含所有节点的联合概率分布。贝叶斯网络在系统建模、推理和诊断等方面的优势，在可靠性/可用性分析中得到了广泛的应用。

发明内容

因此，本发明要解决的技术问题在于提供一种基于贝叶斯网络模型的量子通信网络可用性分析方法，基于离散时间贝叶斯网络对动态故障树进行定性分析和定量分析，采用离散时间贝叶斯网络不依赖于某种特定的概率分布和规模大小，可以很好地完成对动态故障树的分析并进行信息更新，同时减少了手动计算的开销，避免了传统的动态故障树定量分析分析方法例如Markov链产生的空间状态爆炸问题，并且达到了对不同时间段的仿真分析的高精度。

为了解决上述问题，本发明提供一种基于贝叶斯网络模型的量子通信网络可用性分析方法，包括如下步骤：

S1：根据专家经验和已有的故障事件信息生成量子通信网络系统的动态故障树；

S2：对生成的动态故障树进行定性分析和定量分析，其中，通过将故障树转换为最小割集以进行定性分析；基于离散时间贝叶斯网络算法将生成的动态故障树转换成离散时间贝叶斯网络结构来进行定量分析；在定量分析中，给定单个基本事件的故障率或概率，用数学方法计算出包括顶层事件发生的概率以及重要度在内的定量可靠性指标；

S3：对转换后的离散时间贝叶斯网络结构通过联合概率分布算法计算顶事件概率，并在发生故障后进行信息更新；