基于贝叶斯网络的报警相关性模型.docxVIP

基于贝叶斯网络的报警相关性模型 1 网络故障诊断过程 网络特点是规模大、结构复杂、异构性和高度分布。管理如此复杂的网络变得越来越困难,尤其在故障管理方面,迫切需要新的方法分析网络中的告警相关性,辅助网络管理员查明产生故障的原因。 在网络管理领域,故障被定义为产生功能异常的原因。故障是产生告警的原因。告警是由在特定事件发生时被管对象发出的事件通知,用于传递告警信息。告警相关性分析是指对告警进行合并和转化,将多个告警合并成一条具有更多信息量的告警,确定能反应故障根本原因的告警,准确诊断故障。告警相关性可以用于网络故障定位和告警过滤。 故障诊断是故障管理中的一个重要部分。尽管大型通信网出现故障是无法避免的,但是快速检测和识别网络故障的原因能够提高系统的稳健性和可靠性,提高通信服务质量。通信网故障诊断过程大致可以分为3个阶段。(1)第1阶段是故障检测(fault detection)。故障检测是指在线指示网络中出现故障的设备。通常,通信网设备失效时,以告警的形式提供故障指示信息。因此,故障检测阶段完成告警信息的采集和告警信息的压缩。(2)第2阶段是故障定位(fault localization)。故障定位是指分析网络设备上报的告警信息的相关性分析,定位出可能的故障原因。当网络中出现故障时,会引发一系列告警,但并不是所有告警都表明故障原因,所以需要对网络中发生的告警事件进行相关性分析,确定产生故障的根本原因。(3)第3阶段是故障识别(fault identification)。故障识别是指从一些可能故障中识别出真正的故障,并隔离故障。在这个阶段常常采用测试方法。 本文重点讨论故障识别方法。大多数故障识别方法都采用的确定性的故障模型。在确定性的故障模型中,当链路a失效引起链路b失效,那么认为链路a与b间存在依赖关系。通信系统实体间不确定性的依赖关系用概率来表示。在不确定性模型中,告警相关性分析就是对所观察到的告警寻找最有可能的解释。有一种解决不确定性的方法是贝叶斯网络(Bayesian networks)用于故障诊断。通常假设:(1)给定一个故障a,由故障a引起的故障b和c的情况是相互独立的;(2)假设故障a和b出现都引起故障c,那么故障a或故障b引起故障c的情况是相互独立的;(3)故障间彼此独立。通过在因果关系图中引入多失效模式(multiple failure modes),解决性能问题间的因果关系。在多失效模式下采用概率矩阵来表示对象间的故障传播模型。 2 基于贝叶斯网络的概率论证 2.1 节点的有向边状态 贝叶斯网络是一个有向图B=(V,L,P),其中每个节点都标注了定量概率信息,每个节点在给定父节点下都有一个条件概率分布。详细描述如下: (1)随机变量集组成网络节点V。变量可以是离散的或者是连续的。 (2)一对连接节点对的有向边的集合L。如果存在从节点X指向节点Y的有向边,则称X是Y的一个父节点。 (3)每个节点Xi都有一个概率分布P(Xi|Parents(Xi)),量化其父节点对该节点的影响。 (4)贝叶斯网络是一个有向无环图(DAG)。 贝叶斯网络的拓扑结构(即节点和边的集合)用一种精确简洁的方式描述了在域中成立的条件独立关系。在一个正确构造的网络中,有向边表示X对Y有直接影响。在确定贝叶斯网络的拓扑结构之后,还需要为每个节点指定其对应父节点的条件概率。拓扑结构与条件概率表(CPT)结合起来,可以隐含地指定所有变量的全联合概率分布。 2.2 条件独立关系 贝叶斯网络指定了全联合概率分布,全联合概率分布中的每个条目都可以表示为贝叶斯网络条件概率表(CPT)中适当元素的乘积,公式表示为 贝叶斯网络提供了一种表示域中的条件独立关系的简洁方式。贝叶斯网络中的条件独立关系可以描述为:给定父节点,一个节点与它的祖先节点之间是条件独立的。即给定一个节点的马尔可夫覆盖,这个节点和网络中的所有其它节点都是条件独立的。其中马尔可夫覆盖(Markov blanket)由一个节点X的父节点U,子节点Y以及子节点的父节点Z组成(如图1所示)。因此,构造贝叶斯网络拓扑结构的正确次序是:首先添加“根节点”,然后加入受根节点影响的变量,依次类推,直到“叶子节点”,即对其它变量没有直接因果影响的节点。 2.3 隐变量y1,y2,yn 采用X表示查询变量,E表示证据变量E1,E2,…,Em,e表示一个观察到的特定事件,Y表示非证据变量集(也称为隐变量)Y1,Y2,…,Yn。贝叶斯网络的概率推理的基本任务是:在给定一组证据变量E的观察值e,计算一组查询变量X的后验概率分布P(X|e)。可以通过贝叶斯公式计算: α是一个归一化常数,保证其所包含的概率相加等于1。其中的求和针对所有可能的y,即非证据变量Y的值的所有可能组合。 贝叶斯网络推理大致分为以下4种推理模式