[go: up one dir, main page]

CN111600805B - 基于贝叶斯的电力数据网拥塞链路推断方法 - Google Patents

基于贝叶斯的电力数据网拥塞链路推断方法 Download PDF

Info

Publication number
CN111600805B
CN111600805B CN202010462651.8A CN202010462651A CN111600805B CN 111600805 B CN111600805 B CN 111600805B CN 202010462651 A CN202010462651 A CN 202010462651A CN 111600805 B CN111600805 B CN 111600805B
Authority
CN
China
Prior art keywords
detection
link
network
congestion
result
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
Application number
CN202010462651.8A
Other languages
English (en)
Other versions
CN111600805A (zh
Inventor
周华旭
叶萌
鞠耀东
黄观金
龚卿
邵志成
陈尚权
王苗庚
张旭辉
陈创波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Energy Storage Co ltd Information And Communication Branch
Original Assignee
Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd filed Critical Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd
Priority to CN202010462651.8A priority Critical patent/CN111600805B/zh
Publication of CN111600805A publication Critical patent/CN111600805A/zh
Application granted granted Critical
Publication of CN111600805B publication Critical patent/CN111600805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于贝叶斯的电力数据网拥塞链路推断方法，包括以下步骤：S1)构建备选探测集合：S2)主动探测并获得探测结果：S3)求解疑似拥塞链路集合：S4)使用最大后验概率进行拥塞链路推断；本发明基于网络拓扑和探测的关系，构建探测矩阵并使用高斯约旦消元法将探测矩阵进行化简。基于探测结果构建探测链路关联贝叶斯模型，并采用最大后验概率进行拥塞链路推断。通过实验验证了本发明算法的性能，以解决当前在探测选择方面主要关注探测的选取，对探测数量增加导致网络拥塞的问题研究较少的问题。

Description

基于贝叶斯的电力数据网拥塞链路推断方法
技术领域
本发明涉及电力数据网的性能管理技术领域，具体领域为基于贝叶斯的电力数据网拥塞链路推断方法。
背景技术
随着电力数据网规模逐渐扩大，越来越多的重要业务运行在电力数据网上，给电力数据网的可靠性提出了更多要求。为了提高网络的可靠性，快速找到网络的拥塞链路已成为一个急需解决的问题。为解决此问题，主动探测技术被提出，并且成为解决此问题的关键技术。
已有研究主要包括探测技术实现、探测选择两个方面。在探测技术实现方面，文献[Handigol N，Heller B，Jeyakumar V，et a1.I know what your packet did last hop：Using packet histories to troubleshoot networks.In：Proc.Of the NSDI，2014,14:71-85]基于探测报文的流表分析，获取探测报文经过的真实路径，从而为链路检测提供数据支撑。文献[Tammana P,Agarwal R,Lee M.Cherrypick:Tracing packet trajectory insoftware-defined datacenter networks[C]//Proceedings of the 1st ACM SIGCOMMSymposium on Software Defined Networking Research.2015:1-7.]采用报文头部存储探测路径信息的方式，避免了在交换机上部署记录探测信息的相关流表规则，降低了探测对网络性能的影响。在探测选择方面，文献[Natu Maitreya,Sethi Adarshpal.Probestation placement for robust monitoring of networks[J].Journal of Network andSystems Management,2008,16(4):351-374]以降低故障定位算法复杂度为目标，采用路径关联关系分析，提出基于路径独立性的探测站点选择机制，较好的降低了故障定位算法的复杂度。文献[ALI M L,HO P H,TAPOLCAI J.SRLG failure localization using nestedm-trails and their application to adaptive probing[J].Networks,2015,66(4):347–363.]以解决光网络中链路故障定位问题为目标，分析了链路关系，并针对链路故障定位过程制定了探测选择策略。文献[Jeswani D,Korde N,Patil D,et al.Probe stationselection algorithms for fault management in computer networks[C]//2010SecondInternational Conference on COMmunication Systems and NETworks(COMSNETS2010).IEEE,2010:1-9.]以选择最优的探测站点为目标，采取源路由方法，根据网络拓扑的特点对探测站点进行增加和优化。文献[Zheng A X,Rish I,Beygelzimer A.Efficienttest selection in active diagnosis via entropy approximation[J].arXivpreprint arXiv:1207.1418,2012.]以解决网络不确定条件下的资源分配问题为目标，采用贝叶斯理论对网络探测信息进行多次优化，在多次交互过程中确定探测站点。
通过对已有研究分析可知，当前在探测选择方面主要关注探测的选取，对探测数量增加导致网络拥塞的问题研究较少。为解决这个问题，我们提出一种基于贝叶斯的电力数据网拥塞链路推断方法。
发明内容
本发明的目的在于提供基于贝叶斯的电力数据网拥塞链路推断方法，，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于贝叶斯的电力数据网拥塞链路推断方法，其特征在于：包括以下步骤：
S1)构建备选探测集合：
采用Dijkstra最短路径算法构建备选探测集合并构建探测矩阵；
使用高斯约旦消元法对探测矩阵进行化简，得到化简后的探测矩阵；
S2)主动探测并获得探测结果：
计算探测矩阵M'中每个探测的信息增益G(Pk)，并降序排列；
选择信息增益最大的探测进行探测，并接收返回结果；
使用探测返回结果更新所有探测的信息增益；
选择最大信息增益的探测进行探测，直到探测增益达到探测阈值；
S3)求解疑似拥塞链路集合：
基于探测结果构建探测链路关联贝叶斯模型；
计算所有链路的拥塞概率，降序排列后，组成疑似拥塞链路集合；
S4)使用最大后验概率进行拥塞链路推断：
依次从疑似拥塞链路集合中取出链路，求解拥塞链路集合；
进一步的，在步骤S1)中，使用G＝(N,E)表示网络拓扑，网络拓扑包括网络节点和网络链路，其中，ni∈N表示网络节点，ej∈E表示网络链路；探测是指从探测点向目标节点发送的端到端路径Pk∈P，根据探测返回的结果，可以判断该条路径的状态；通过路径的状态，可以推断出其所包含的链路ej∈Pk的状态；当探测Pk∈P返回结果正常，表明其所包含的所有链路ej∈Pk状态正常；当探测Pk∈P返回结果不正常，表明其所包含的所有链路ej∈Pk中至少有一条链路的状态为不正常状态；
为了分析探测之间的关系，将探测路径表示为探测矩阵形式Mkj∈M；矩阵的每一行表示一个探测，矩阵的每一列表示网络中包含的链路；矩阵元素Mkj＝1表示探测k经过链路j；矩阵元素Mkj＝0表示探测k没有经过链路j；
当网络中探测较多时，路由矩阵将非常庞大；网络中的探测需要在网络中增加探测流量，影响网络上的正常业务；为了减少探测对网络的影响，需要根据探测之间的关系，将探测数量减少；在减少探测数量时，需要尽量减少重复探测，这样才能保证检测到网络中较多的链路状态。考虑到高斯约旦消元法可以通过行变换将矩阵进行简化，所以使用高斯约旦消元法对路由矩阵进行化简，从而降低探测的数量，降低探测对网络造成的负面流量；基于上述分析，使用高斯约旦消元法将探测矩阵Mkj∈M化简，并将化简后的探测矩阵表示为Mkj∈M'；
主动探测技术采取逐条发送探测的方式快速观察网络状态；相比于同时对网络发送所有探测，主动探测技术对网络负面影响可以最小化；采用主动探测技术，对网络状态进行检测；
为合理选择探测进行探测，定义探测信息增益来进行判断；探测Pk的信息增益G(Pk)的计算方法如公式(1)所示；
G(Pk)＝H(E|P)-H(E|P∪{S(Pk)}) (1)。
进一步的，在步骤S2)、S3)和S4)中，获得探测结果之后，为准确推断出拥塞的链路；首先基于探测结果构建探测链路关联贝叶斯模型，其次，基于该模型，采用最大后验概率进行拥塞链路推断；
在获得探测结果和网络链路状态之后，基于网络探测和链路的关系，构建探测链路关联贝叶斯模型；
探测链路关联贝叶斯模型包括父节点ei、子节点pj、父节点和子节点之间的连线pr(pj|ei)。父节点pr(ei)表示网络链路拥塞的先验概率，可以基于长期的运营数据统计获得。子节点pr(pj)表示探测的结果状态；父节点和子节点之间的连线pr(pj|ei)表示父节点发送拥塞时，子节点出现不正常状态的概率；在已知探测结果状态的情况下，推断出发生链路拥塞的概率；使用pr(ei|pj)表示探测结果为不正常的前提下，推断出拥塞的链路，使用公式(3)计算；
Figure GDA0003930858750000051
使用公式(3)计算所有链路的拥塞概率，降序排列后，组成疑似拥塞链路集合EO＝{e1,e2,...,ej}。
进一步的，在步骤1中，H(E|P)表示探测结果为P＝(S(P1),S(P2),...,S(Pm))时，网络状态E＝(S(e1),S(e2),...,S(en))的不确定性，使用公式(2)计算：
H(E|P)＝-∑E∑Ppr(E,P)logpr(E|P) (2)；
S(Pk)表示探测Pk返回的探测结果；S(en)表示网络链路en的状态；pr(E,P)表示网络状态和探测状态的联合概率分布；pr(E|P)表示探测状态已知的条件下网络状态概率分布。
进一步的，从探测链路关联贝叶斯模型可知，一个探测包含多条链路；所以，当某个探测结果不正常时，可能是其所包含的一条或几条链路出现拥塞造成的；为了快速找到拥塞的链路，采用求解最优疑似拥塞链路集合的方法进行计算，公式如(4)所示；该公式表示求解能够说明不正常探测结果P的拥塞概率最高的链路集合E；其中，
Figure GDA0003930858750000052
表示链路ei发生拥塞时，至少导致一个探测Pj结果不正常；
Figure GDA0003930858750000053
表示探测Pj结果不正常至少是由于一条链路ei拥塞导致；
Figure GDA0003930858750000054
从EO中依次取出疑似拥塞链路，计算公式(4)的值，直到公式(4)的值增长小于ε时，取出的疑似拥塞链路构成的集合为拥塞链路集合。
与现有技术相比，本发明的有益效果是：本发明基于网络拓扑和探测的关系，构建探测矩阵并使用高斯约旦消元法将探测矩阵进行化简。基于探测结果构建探测链路关联贝叶斯模型，并采用最大后验概率进行拥塞链路推断。通过实验验证了本发明算法的性能，以解决当前在探测选择方面主要关注探测的选取，对探测数量增加导致网络拥塞的问题研究较少的问题。
附图说明
图1为本发明的流程示意图；
图2为本发明的探测路径的路由矩阵示意图；
图3为本发明中探测链路关联贝叶斯模型的示意图；
图4为本发明准确率比较的示意图；
图5为本发明中误报率比较的示意图；
图6为本发明中推断时长比较的示意图。
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做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。
请参阅图1-6，本发明提供一种技术方案：基于贝叶斯的电力数据网拥塞链路推断方法，该算法包括以下步骤：
下表为基于贝叶斯的电力数据网拥塞链路推断方法
Figure GDA0003930858750000061
Figure GDA0003930858750000071
构建探测路径的路由矩阵模型；
网络拓扑包括网络节点和网络链路，使用G＝(N,E)表示网络拓扑，其中，ni∈N表示网络节点，ej∈E表示网络链路。探测是指从探测点向目标节点发送的端到端路径Pk∈P，根据探测返回的结果，可以判断该条路径的状态。通过路径的状态，可以推断出其所包含的链路ej∈Pk的状态。当探测Pk∈P返回结果正常，表明其所包含的所有链路ej∈Pk状态正常。当探测Pk∈P返回结果不正常，表明其所包含的所有链路ej∈Pk中至少有一条链路的状态为不正常状态。
为了分析探测之间的关系，将探测路径表示为探测矩阵形式Mkj∈M。矩阵的每一行表示一个探测，矩阵的每一列表示网络中包含的链路。矩阵元素Mkj＝1表示探测k经过链路j。矩阵元素Mkj＝0表示探测k没有经过链路j。
当网络中探测较多时，路由矩阵将非常庞大。网络中的探测需要在网络中增加探测流量，影响网络上的正常业务。为了减少探测对网络的影响，需要根据探测之间的关系，将探测数量减少。在减少探测数量时，需要尽量减少重复探测，这样才能保证检测到网络中较多的链路状态。考虑到高斯约旦消元法可以通过行变换将矩阵进行简化，所以，本发明使用高斯约旦消元法对路由矩阵进行化简，从而降低探测的数量，降低探测对网络造成的负面流量。基于上述分析，使用高斯约旦消元法将探测矩阵Mkj∈M化简，并将化简后的探测矩阵表示为Mkj∈M'。
主动探测技术采取逐条发送探测的方式快速观察网络状态。相比于同时对网络发送所有探测，主动探测技术对网络负面影响可以最小化。所以，本发明采用主动探测技术，对网络状态进行检测。
为合理选择探测进行探测，下面定义探测信息增益来进行判断。探测Pk的信息增益G(Pk)的计算方法如公式(1)所示。其中，H(E|P)表示探测结果为P＝(S(P1),S(P2),...,S(Pm))时，网络状态E＝(S(e1),S(e2),...,S(en))的不确定性，使用公式(2)计算。S(Pk)表示探测Pk返回的探测结果。S(en)表示网络链路en的状态。所以，探测Pk信息增益G(Pk)的物理意义为发送探测Pk后给网络带来的不确定性的减少值。其中，pr(E,P)表示网络状态和探测状态的联合概率分布。pr(E|P)表示探测状态已知的条件下网络状态概率分布。
G(Pk)＝H(E|P)-H(E|P∪{S(Pk)}) (1)
H(E|P)＝-∑E∑Ppr(E,P)logpr(E|P) (2)
构建探测链路关联贝叶斯模型；
获得探测结果之后，为准确推断出拥塞的链路。本发明首先基于探测结果构建探测链路关联贝叶斯模型，其次，基于该模型，采用最大后验概率进行拥塞链路推断。下面详细描述探测链路关联贝叶斯模型构建方法、最大后验概率进行拥塞链路推断的算法。
在获得探测结果和网络链路状态之后，基于网络探测和链路的关系，构建探测链路关联贝叶斯模型。
探测链路关联贝叶斯模型包括父节点ei、子节点pj、父节点和子节点之间的连线pr(pj|ei)。父节点pr(ei)表示网络链路拥塞的先验概率，可以基于长期的运营数据统计获得。子节点pr(pj)表示探测的结果状态。父节点和子节点之间的连线pr(pj|ei)表示父节点发送拥塞时，子节点出现不正常状态的概率。本发明的目标是：在已知探测结果状态的情况下，推断出发生链路拥塞的概率。所以，使用pr(ei|pj)表示探测结果为不正常的前提下，推断出拥塞的链路，使用公式(3)计算。
Figure GDA0003930858750000101
使用公式(3)计算所有链路的拥塞概率，降序排列后，组成疑似拥塞链路集合EO＝{e1,e2,...,ej}。
从探测链路关联贝叶斯模型可知，一个探测包含多条链路。所以，当某个探测结果不正常时，可能是其所包含的一条或几条链路出现拥塞造成的。为了快速找到拥塞的链路，本发明采用求解最优疑似拥塞链路集合的方法进行计算，公式如(4)所示。该公式表示求解能够说明不正常探测结果P的拥塞概率最高的链路集合E。其中，
Figure GDA0003930858750000102
表示链路ei发生拥塞时，至少导致一个探测Pj结果不正常。
Figure GDA0003930858750000103
表示探测Pj结果不正常至少是由于一条链路ei拥塞导致。
Figure GDA0003930858750000104
从EO中依次取出疑似拥塞链路，计算公式(4)的值，直到公式(4)的值增长小于ε时，取出的疑似拥塞链路构成的集合为拥塞链路集合。
基于贝叶斯的电力数据网拥塞链路推断方法设计；
本发明提出基于贝叶斯的电力数据网拥塞链路推断方法(Congestion linkinference algorithm of power communication network based on Bayes，CLIoB)。该算法包括构建备选探测集合、主动探测并获得探测结果、求解疑似拥塞链路集合、使用最大后验概率进行拥塞链路推断四个过程。
执行拥塞链路推断。
为验证算法性能，实验中使用BRITE工具[Brite.http://www.cs.bu.edu/brite/.]生成网络环境，使用LLRD 1模型[Padmanabhan V N,Qiu L,Wang H J.Server-based inference of Internet link lossiness[C]//IEEE INFOCOM 2003.Twenty-second Annual Joint Conference of the IEEE Computer and CommunicationsSocieties.IEEE,2003,1:145-155.]在网络环境中模拟网络拥塞，链路发生拥塞的先验概率为[0.01,0.003]。为模拟网络噪声，将网络链路中的0.5％的正常链路模拟为拥塞链路。
在算法评价指标方面，从拥塞链路推断算法的准确率、误报率、推断时长三个维度，将本发明算法CLIoB与传统算法CLIoA(Congestion link inference algorithm basedon All probe)进行了比较。其中，算法CLIoA是指发送全部探测，并根据探测结果进行拥塞链路推断。
本发明算法CLIoB与算法CLIoA从准确率、误报率、推断时长三个指标进行对比，结果如图4到图6所示。其中，X轴都表示网络环境中网络节点的数量。分析了网络节点数量从100增长到500时，两种算法的性能指标。
在图4中，Y轴表示拥塞链路推断的准确率，用来衡量算法推断出的拥塞链路数量在总的拥塞链路数量中的占比。从图可知，随着网络规模的增加，两种算法的性能都比较稳定，本发明算法略优于传统算法。
在图5中，Y轴表示推断算法的误报率，是指算法推断出来的错误的拥塞链路在总的拥塞链路中的占比。从图可知，随着网络节点数量增加，两种算法误报率略有增长。本发明算法比算法CLIoA降低了误报率。这是因为本发明算法对探测进行了优化。而算法CLIoA的探测数量较多，导致误报率增加。
在图6中，分析了两种算法的推断时长，Y轴表示推断算法所花费的时长。从图可知，随着网络节点数量增加，两种算法的推断时长都增长较快。这是因为网络规模变大，网络中的探测数量增加，导致算法推断的时间变长。两个算法比较来说，本发明算法的时间增加比较平缓，而算法CLIoA的推断时间增长较快。这是因为算法CLIoA的探测规模随着网络规模的增长而快速增长，导致推断时长也快速增加。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.基于贝叶斯的电力数据网拥塞链路推断方法，其特征在于：包括以下步骤：
S1)构建备选探测集合：
采用Dijkstra最短路径算法构建备选探测集合并构建探测矩阵；
使用高斯约旦消元法对探测矩阵进行化简，得到化简后的探测矩阵；
S2)主动探测并获得探测结果：
计算探测矩阵M'中每个探测的信息增益G(Pk)，并降序排列；
选择信息增益最大的探测进行探测，并接收返回结果；
使用探测返回结果更新所有探测的信息增益；
选择最大信息增益的探测进行探测，直到探测增益达到探测阈值；
S3)求解疑似拥塞链路集合：
基于探测结果构建探测链路关联贝叶斯模型；
计算所有链路的拥塞概率，降序排列后，组成疑似拥塞链路集合；
S4)使用最大后验概率进行拥塞链路推断：
依次从疑似拥塞链路集合中取出链路，求解拥塞链路集合；
在步骤S1)中，使用G＝(N,E)表示网络拓扑，网络拓扑包括网络节点和网络链路，其中，ni∈N表示网络节点，ej∈E表示网络链路；探测是指从探测点向目标节点发送的端到端路径Pk∈P，根据探测返回的结果，可以判断该条路径的状态；通过路径的状态，可以推断出其所包含的链路ej∈Pk的状态；当探测Pk∈P返回结果正常，表明其所包含的所有链路ej∈Pk状态正常；当探测Pk∈P返回结果不正常，表明其所包含的所有链路ej∈Pk中至少有一条链路的状态为不正常状态；
为了分析探测之间的关系，将探测路径表示为探测矩阵形式Mkj∈M；矩阵的每一行表示一个探测，矩阵的每一列表示网络中包含的链路；矩阵元素Mkj＝1表示探测k经过链路j；矩阵元素Mkj＝0表示探测k没有经过链路j；
当网络中探测较多时，路由矩阵将非常庞大；网络中的探测需要在网络中增加探测流量，影响网络上的正常业务；为了减少探测对网络的影响，需要根据探测之间的关系，将探测数量减少；在减少探测数量时，需要尽量减少重复探测，这样才能保证检测到网络中较多的链路状态；考虑到高斯约旦消元法可以通过行变换将矩阵进行简化，所以使用高斯约旦消元法对路由矩阵进行化简，从而降低探测的数量，降低探测对网络造成的负面流量；基于上述分析，使用高斯约旦消元法将探测矩阵Mkj∈M化简，并将化简后的探测矩阵表示为Mkj∈M'；
主动探测技术采取逐条发送探测的方式快速观察网络状态；相比于同时对网络发送所有探测，主动探测技术对网络负面影响可以最小化；采用主动探测技术，对网络状态进行检测；
为合理选择探测进行探测，定义探测信息增益来进行判断；探测Pk的信息增益G(Pk)的计算方法如公式(1)所示；
G(Pk)＝H(E|P)-H(E|P∪{S(Pk)}) (1)；
在步骤S2)、S3)和S4)中，获得探测结果之后，为准确推断出拥塞的链路；首先基于探测结果构建探测链路关联贝叶斯模型，其次，基于该模型，采用最大后验概率进行拥塞链路推断；
在获得探测结果和网络链路状态之后，基于网络探测和链路的关系，构建探测链路关联贝叶斯模型；
探测链路关联贝叶斯模型包括父节点ei、子节点pj、父节点和子节点之间的连线pr(pj|ei)；父节点pr(ei)表示网络链路拥塞的先验概率，可以基于长期的运营数据统计获得；子节点pr(pj)表示探测的结果状态；父节点和子节点之间的连线pr(pj|ei)表示父节点发送拥塞时，子节点出现不正常状态的概率；在已知探测结果状态的情况下，推断出发生链路拥塞的概率；使用pr(ei|pj)表示探测结果为不正常的前提下，推断出拥塞的链路，使用公式(3)计算；
Figure FDA0003930858740000031
使用公式(3)计算所有链路的拥塞概率，降序排列后，组成疑似拥塞链路集合EO＝{e1,e2,...,ej}；
在步骤1中，H(E|P)表示探测结果为P＝(S(P1),S(P2),...,S(Pm))时，网络状态E＝(S(e1),S(e2),...,S(en))的不确定性，使用公式(2)计算：
H(E|P)＝-∑E∑Ppr(E,P)logpr(E|P) (2)；
S(Pk)表示探测Pk返回的探测结果；S(en)表示网络链路en的状态；pr(E,P)表示网络状态和探测状态的联合概率分布；pr(E|P)表示探测状态已知的条件下网络状态概率分布；
从探测链路关联贝叶斯模型可知，一个探测包含多条链路；所以，当某个探测结果不正常时，可能是其所包含的一条或几条链路出现拥塞造成的；为了快速找到拥塞的链路，采用求解最优疑似拥塞链路集合的方法进行计算，公式如(4)所示；该公式表示求解能够说明不正常探测结果P的拥塞概率最高的链路集合E；其中，
Figure FDA0003930858740000032
表示链路ei发生拥塞时，至少导致一个探测Pj结果不正常；
Figure FDA0003930858740000041
表示探测Pj结果不正常至少是由于一条链路ei拥塞导致；
Figure FDA0003930858740000042
从EO中依次取出疑似拥塞链路，计算公式(4)的值，直到公式(4)的值增长小于ε时，取出的疑似拥塞链路构成的集合为拥塞链路集合。
CN202010462651.8A 2020-05-27 2020-05-27 基于贝叶斯的电力数据网拥塞链路推断方法 Active CN111600805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010462651.8A CN111600805B (zh) 2020-05-27 2020-05-27 基于贝叶斯的电力数据网拥塞链路推断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010462651.8A CN111600805B (zh) 2020-05-27 2020-05-27 基于贝叶斯的电力数据网拥塞链路推断方法

Publications (2)

Publication Number Publication Date
CN111600805A CN111600805A (zh) 2020-08-28
CN111600805B true CN111600805B (zh) 2023-02-28

Family

ID=72188890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010462651.8A Active CN111600805B (zh) 2020-05-27 2020-05-27 基于贝叶斯的电力数据网拥塞链路推断方法

Country Status (1)

Country Link
CN (1) CN111600805B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112311676A (zh) * 2020-10-22 2021-02-02 深圳供电局有限公司 一种5g网络中电力通信网探测选择方法
CN113315679B (zh) * 2021-05-26 2022-05-10 广东电网有限责任公司 一种基于网络资源特征的链路丢包率推理方法及系统
CN113206764B (zh) * 2021-05-26 2022-07-12 广东电网有限责任公司 一种基于网络特征的链路丢包率推理方法
CN116170343A (zh) * 2023-02-27 2023-05-26 郑州埃文计算机科技有限公司 一种适用于大规模网络的网络中断探测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501257A (zh) * 2013-10-11 2014-01-08 北京邮电大学 一种ip网络故障探针的选择方法
CN106230739A (zh) * 2016-10-15 2016-12-14 中国人民解放军防空兵学院 一种ip网络拥塞链路丢包率范围推断方法
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
CN106685742A (zh) * 2017-03-02 2017-05-17 北京邮电大学 一种网络故障诊断方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501257A (zh) * 2013-10-11 2014-01-08 北京邮电大学 一种ip网络故障探针的选择方法
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
CN106230739A (zh) * 2016-10-15 2016-12-14 中国人民解放军防空兵学院 一种ip网络拥塞链路丢包率范围推断方法
CN106685742A (zh) * 2017-03-02 2017-05-17 北京邮电大学 一种网络故障诊断方法及装置

Also Published As

Publication number Publication date
CN111600805A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111600805B (zh) 基于贝叶斯的电力数据网拥塞链路推断方法
Srinivasan et al. Machine learning-based link fault identification and localization in complex networks
Nguyen et al. The boolean solution to the congested IP link location problem: Theory and practice
US9167463B2 (en) Communication node operable to estimate faults in an ad hoc network and method of performing the same
EP2795841B1 (en) Method and arrangement for fault analysis in a multi-layer network
Gopalan et al. On identifying additive link metrics using linearly independent cycles and paths
CN119011422A (zh) 一种电信网告警方法及系统
CN113115313A (zh) 一种基于节点信任度的leo卫星网络安全路由方法
Mukhopadhyay et al. Model based error correction for wireless sensor networks
CN102684902B (zh) 基于探针预测的网络故障定位方法
Li et al. Defective sensor identification for WSNs involving generic local outlier detection tests
Cheng et al. Efficient active probing for fault diagnosis in large scale and noisy networks
Chen et al. An efficient solution to locate sparsely congested links by network tomography
CN118055011A (zh) 基于Transformer流量预测的SDN单链路故障动态分级恢复方法
Tagyo et al. Network tomography using routing probability for undeterministic routing
Qiao et al. Robust loss inference in the presence of noisy measurements and hidden fault diagnosis
Dawes et al. Network diagnosis by reasoning in uncertain nested evidence spaces
Matsuo et al. Root-cause diagnosis for rare failures using bayesian network with dynamic modification
Natu et al. Using temporal correlation for fault localization in dynamically changing networks
CN112995942B (zh) 一种基于邻接矩阵构造的跳数矩阵恢复方法
Zou et al. Fta-detector: Troubleshooting gray link failures based on fault tree analysis
Cheng et al. Probabilistic fault diagnosis for IT services in noisy and dynamic environments
Gillani et al. Problem localization and quantification using formal evidential reasoning for virtual networks
Hu et al. DeepNT: Path-centric graph neural networks for network tomography
Kamamura et al. Spatial anomaly detection using fast xFlow proxy for nation-wide IP network

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
TR01 Transfer of patent right

Effective date of registration: 20230911

Address after: Room 1503, No. 858, Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou, Guangdong 510000

Patentee after: Southern Power Grid Energy Storage Co.,Ltd. Information and Communication Branch

Address before: 511400 Room 601, building 1, Tian'an headquarters center, inner street, Panyu energy saving technology park, 555 Panyu Avenue North, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Patentee before: INFORMATION COMMUNICATION BRANCH, SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd.

TR01 Transfer of patent right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200828

Assignee: Guangzhou Liteqi Network Technology Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000127

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

Application publication date: 20200828

Assignee: Guangdong Lexin Technology Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000125

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

Application publication date: 20200828

Assignee: Guangdong Dingtai Century Technology Engineering Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000124

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200828

Assignee: Guangzhou zhongdiantong Technology Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000129

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

Application publication date: 20200828

Assignee: GUANGZHOU JOYSIM TECHNOLOGY CO.,LTD.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000128

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

Application publication date: 20200828

Assignee: Jiuyuanyun (Guangzhou) Intelligent Technology Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000130

Denomination of invention: A Bayesian based congestion link inference method for power data networks

Granted publication date: 20230228

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract