基于二分圖模型的通信信息網(wǎng)絡(luò)故障聯(lián)合定位

崔力民，何清素，王俊生，石欣

（1.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京102206；2.國家電網(wǎng)新疆電力公司信息通信公司，新疆 烏魯木齊 830018；3.國家電網(wǎng)電子商務(wù)有限公司，北京 100053）

基于二分圖模型的通信信息網(wǎng)絡(luò)故障聯(lián)合定位

崔力民1,2，何清素3，王俊生3，石欣3

（1.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京102206；2.國家電網(wǎng)新疆電力公司信息通信公司，新疆 烏魯木齊 830018；3.國家電網(wǎng)電子商務(wù)有限公司，北京 100053）

國家電網(wǎng)信息通信網(wǎng)絡(luò)依靠兩套運(yùn)維系統(tǒng)，分別實(shí)現(xiàn)對信息網(wǎng)絡(luò)與通信網(wǎng)絡(luò)的故障定位與分析，然而通信網(wǎng)絡(luò)故障往往會(huì)引發(fā)信息網(wǎng)絡(luò)故障，如何高效精確地進(jìn)行通信信息網(wǎng)絡(luò)故障聯(lián)合定位是亟需解決的問題。針對信息通信網(wǎng)絡(luò)的聯(lián)合故障定位問題，提出了基于二分圖模型的故障聯(lián)合定位算法。首先依據(jù)通信網(wǎng)網(wǎng)絡(luò)節(jié)點(diǎn)的關(guān)聯(lián)性對網(wǎng)絡(luò)分簇，并將每一簇作為一個(gè)子域。其次在每個(gè)子域內(nèi)建立基于二分圖的故障關(guān)聯(lián)影響模型，最終利用目標(biāo)排序法并行地對多個(gè)子域內(nèi)網(wǎng)絡(luò)故障進(jìn)行分析，從而實(shí)現(xiàn)通信信息網(wǎng)絡(luò)關(guān)聯(lián)故障高效精確的聯(lián)合定位。實(shí)驗(yàn)結(jié)果表明，該聯(lián)合故障定位分析方法的故障診斷率達(dá)85%～95%。

故障聯(lián)合定位；網(wǎng)絡(luò)分簇；二分圖故障關(guān)聯(lián)模型

1 引言

國家電網(wǎng)數(shù)據(jù)網(wǎng)絡(luò)由信息網(wǎng)絡(luò)與通信網(wǎng)絡(luò)兩部分組成，網(wǎng)絡(luò)架構(gòu)如圖1所示，通信網(wǎng)主要負(fù)責(zé)信息的傳輸，信息網(wǎng)負(fù)責(zé)信息的處理。當(dāng)前信息通信網(wǎng)絡(luò)分別由不同的網(wǎng)絡(luò)運(yùn)維系統(tǒng)管理：通信網(wǎng)絡(luò)運(yùn)維通過通信網(wǎng)絡(luò)管理系統(tǒng)實(shí)現(xiàn)，信息網(wǎng)絡(luò)運(yùn)維通過信息網(wǎng)絡(luò)管理系統(tǒng)實(shí)現(xiàn)。然而通信網(wǎng)絡(luò)故障往往會(huì)關(guān)聯(lián)引發(fā)信息網(wǎng)絡(luò)故障，從而導(dǎo)致網(wǎng)絡(luò)異常時(shí)不能準(zhǔn)確及時(shí)地定位故障源，確定故障影響范圍。因此，分析通信網(wǎng)絡(luò)與信息網(wǎng)絡(luò)故障關(guān)聯(lián)影響，實(shí)現(xiàn)高效準(zhǔn)確的通信信息網(wǎng)絡(luò)聯(lián)合故障定位是十分必要的。

目前的故障定位算法有以下幾種。

（1）基于故障依賴關(guān)系圖的故障定位方法

杜曉麗等人[1]基于鏈路故障和節(jié)點(diǎn)故障之間的依賴關(guān)系改進(jìn)了故障依賴圖，并提出一種啟發(fā)算法；He M[2]根據(jù)智能電網(wǎng)的馬爾可夫網(wǎng)絡(luò)模型中網(wǎng)絡(luò)節(jié)點(diǎn)之間的依賴關(guān)系建立有向圖，通過某一條件下馬爾可夫網(wǎng)絡(luò)的相關(guān)矩陣進(jìn)行故障定位。

（2）基于貝葉斯網(wǎng)絡(luò)的故障定位方法

鄧歆等人[3]提出了通信網(wǎng)功能分層結(jié)構(gòu)的思想，建立不同網(wǎng)絡(luò)層次間的貝葉斯網(wǎng)絡(luò)故障傳播模型；王開選等人[4]指出了故障傳播模型下的故障定位問題是NP（nondeterministic polynomial）難題，并提出一種啟發(fā)式的最小損失故障定位算法。

（3）基于模糊邏輯推理的故障定位方法

曾飛等人[5]分析了時(shí)序推理與模糊推理應(yīng)用于電力系統(tǒng)故障診斷的可行性，并構(gòu)建了一種時(shí)序模糊邏輯推理故障定位模型；Yu L等人[6]提出了一種基于模糊理論的改進(jìn)的遺傳算法應(yīng)用于分布式通信網(wǎng)絡(luò)，該算法改善了傳統(tǒng)故障定位中的由于信號傳輸失真造成的問題以及標(biāo)準(zhǔn)遺傳算法中的過早收斂和收斂慢的問題。

（4）基于神經(jīng)網(wǎng)絡(luò)的故障定位方法

戚勇等人[7]通過建立前向多層神經(jīng)網(wǎng)絡(luò)模型（BP模型），通過樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)期望輸出與實(shí)際輸出的差值，不斷調(diào)節(jié)各神經(jīng)元之間的連接權(quán)值，使實(shí)際的輸出值以要求的精度逼近期望值；張禹[8]則采用了基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法，對故障告警信息進(jìn)行模糊化后再對模糊化的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

（5）基于二分圖模型的故障定位方法

趙燦明等人[9]采用了二分圖模型考慮了通信網(wǎng)中故障位置對告警信息的影響，旨在解決大范圍的故障告警下故障定位問題。

針對通信信息網(wǎng)絡(luò)的大規(guī)模網(wǎng)絡(luò)，建立貝葉斯網(wǎng)絡(luò)模型復(fù)雜度高，求解最大可能解的計(jì)算復(fù)雜度也較高。另外建立神經(jīng)網(wǎng)絡(luò)故障診斷模型也需要經(jīng)歷較長時(shí)間的模型訓(xùn)練才能獲得貼近實(shí)際情況的模型。模糊邏輯推理方法需要大量樣本信息且假設(shè)條件過于苛刻。因此，上述方法都不適用于國家電網(wǎng)數(shù)據(jù)網(wǎng)絡(luò)這樣的大體量網(wǎng)絡(luò)環(huán)境。其次，參考文獻(xiàn)[6，8，9]只考慮了通信網(wǎng)絡(luò)故障定位，并沒有考慮故障傳播影響所引發(fā)的聯(lián)合網(wǎng)絡(luò)故障定位問題。雖然參考文獻(xiàn)[3]中提出建立了貝葉斯傳播模型，但該模型是建立在同一網(wǎng)絡(luò)不同網(wǎng)絡(luò)層之間的故障傳播模型。參考文獻(xiàn)[9]中提出的二分圖故障定位模型分析網(wǎng)絡(luò)故障位置對告警信息的影響。該模型的兩層結(jié)構(gòu)適用于通信網(wǎng)絡(luò)和信息網(wǎng)絡(luò)之間的故障影響分析。綜上所述，本文針對電網(wǎng)數(shù)據(jù)網(wǎng)絡(luò)中通信網(wǎng)絡(luò)和信息網(wǎng)絡(luò)間的故障傳播，利用二分圖模型進(jìn)行故障關(guān)聯(lián)分析，實(shí)現(xiàn)不同網(wǎng)絡(luò)間的故障聯(lián)合定位，提高了故障定位的準(zhǔn)確率，其方法可以歸納為以下幾個(gè)步驟。

圖1 國家電網(wǎng)信息通信網(wǎng)絡(luò)結(jié)構(gòu)

為了在提高故障定位準(zhǔn)確性的同時(shí)提高網(wǎng)絡(luò)故障定位分析的效率，本文首先對網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行分簇處理，從而大大降低了相關(guān)故障定位模型規(guī)模以及問題求解時(shí)間；根據(jù)通信網(wǎng)絡(luò)節(jié)點(diǎn)之間的故障關(guān)聯(lián)度對網(wǎng)絡(luò)進(jìn)行分簇，將每一簇作為一個(gè)網(wǎng)絡(luò)子域進(jìn)行獨(dú)立的網(wǎng)絡(luò)故障分析。其次，針對每個(gè)網(wǎng)絡(luò)子域建立二分圖[10]故障關(guān)聯(lián)分析模型。該模型依據(jù)通信信息網(wǎng)絡(luò)的故障傳播特性，以通信網(wǎng)故障節(jié)點(diǎn)作為根源故障層，以信息網(wǎng)故障節(jié)點(diǎn)作為關(guān)聯(lián)故障層，通過源故障節(jié)點(diǎn)和關(guān)聯(lián)故障節(jié)點(diǎn)之間的故障傳播關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)通信信息網(wǎng)的聯(lián)合定位。最后，利用目標(biāo)排序法求解聯(lián)合故障定位問題，實(shí)現(xiàn)信息通信網(wǎng)絡(luò)間的高效準(zhǔn)確的聯(lián)合故障定位。

2 系統(tǒng)模型

本文針對國家電網(wǎng)當(dāng)前的通信信息網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行聯(lián)合故障定位分析。信息網(wǎng)絡(luò)與通信網(wǎng)絡(luò)工作在網(wǎng)絡(luò)協(xié)議的不同層：通信網(wǎng)絡(luò)是信息傳輸?shù)墓歉删W(wǎng)絡(luò)，工作在網(wǎng)絡(luò)物理層；而信息網(wǎng)絡(luò)直接承載運(yùn)行業(yè)務(wù)，工作在網(wǎng)絡(luò)鏈路層、網(wǎng)絡(luò)層。通信網(wǎng)絡(luò)故障會(huì)關(guān)聯(lián)引發(fā)信息網(wǎng)絡(luò)故障。定義通信網(wǎng)絡(luò)故障為源故障，而信息網(wǎng)絡(luò)故障為關(guān)聯(lián)故障。假設(shè)，在某時(shí)刻通信網(wǎng)中的源故障集合為 T=（T1，…，Tm，…，TM），其中 Tm表示該時(shí)刻通信網(wǎng)絡(luò)層第 m個(gè)節(jié)點(diǎn)發(fā)生故障，M表示該時(shí)刻通信網(wǎng)絡(luò)層發(fā)生的故障總數(shù)；而信息網(wǎng)的關(guān)聯(lián)故障集合C=（C1，…，Cn，…，CN），其中 Cn表示該時(shí)刻信息網(wǎng)絡(luò)層第 n個(gè)節(jié)點(diǎn)發(fā)生故障，N表示該時(shí)刻信息網(wǎng)絡(luò)層發(fā)生的關(guān)聯(lián)故障總數(shù)。聯(lián)合故障定位的關(guān)鍵在于由信息網(wǎng)絡(luò)關(guān)聯(lián)故障集合狀態(tài)，準(zhǔn)確定位到引發(fā)該關(guān)聯(lián)故障的通信網(wǎng)絡(luò)源故障集合。

為了提高故障定位分析效率，首先通過網(wǎng)絡(luò)分簇對通信信息網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行劃分。如圖1所示，基于通信網(wǎng)絡(luò)節(jié)點(diǎn)相關(guān)性將整體網(wǎng)絡(luò)劃分為若干子域。

圖2 通信網(wǎng)信息網(wǎng)的分簇與故障影響

其次，針對通信網(wǎng)絡(luò)故障對信息網(wǎng)絡(luò)故障的關(guān)聯(lián)影響，對每一個(gè)網(wǎng)絡(luò)子域建立二分圖故障關(guān)聯(lián)模型。圖2中箭頭表明相關(guān)通信網(wǎng)絡(luò)故障節(jié)點(diǎn)會(huì)關(guān)聯(lián)引發(fā)信息網(wǎng)絡(luò)故障。該模型參數(shù)可以通過歷史網(wǎng)絡(luò)故障信息統(tǒng)計(jì)得到，反映網(wǎng)絡(luò)的真實(shí)故障關(guān)聯(lián)關(guān)系。最后，根據(jù)已知條件，對通信信息網(wǎng)絡(luò)聯(lián)合故障定位問題進(jìn)行建模求解。

3 基于分簇的網(wǎng)絡(luò)子域劃分

網(wǎng)絡(luò)子域的劃分基于對通信網(wǎng)絡(luò)根源故障節(jié)點(diǎn)相關(guān)性的描述與定義。首先，利用二項(xiàng)集支持度[11]的定義，將通信網(wǎng)絡(luò)節(jié)點(diǎn)間的相關(guān)性表示為：

其中，Aij表示通信網(wǎng)源故障節(jié)點(diǎn) Ti和節(jié)點(diǎn)Tj在同一時(shí)間段發(fā)生故障的數(shù)目，A表示通信網(wǎng)絡(luò)發(fā)生的故障的總數(shù)，該比值越大說明相關(guān)程度越高，反之則越低。若源故障節(jié)點(diǎn) Ti和節(jié)點(diǎn)Tj經(jīng)常發(fā)生通信行為，說明若一方發(fā)生故障則另一方會(huì)受到影響。用 Dij表示源故障節(jié)點(diǎn) Ti和節(jié)點(diǎn) Tj之間的通信次數(shù)，D表示通信網(wǎng)絡(luò)中節(jié)點(diǎn)的總通信次數(shù)。同理，比值越大則關(guān)聯(lián)性越高，否則關(guān)聯(lián)性低。設(shè)置門限值 γ（0＜γ＜1），當(dāng) Cor（i，j）＞γ時(shí)，認(rèn)為兩個(gè)節(jié)點(diǎn)的相關(guān)性強(qiáng)，否則相關(guān)性弱，或者說不相關(guān)。

根據(jù)以上對通信網(wǎng)絡(luò)節(jié)點(diǎn)相關(guān)性的定義，進(jìn)一步定義通信網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)度指示函數(shù)f：

每個(gè)節(jié)點(diǎn)的自身相關(guān)性強(qiáng)，因此，將每個(gè)節(jié)點(diǎn)其自身相關(guān)性定義為0，從而構(gòu)建通信網(wǎng)絡(luò)關(guān)聯(lián)矩陣：

關(guān)聯(lián)矩陣R為對稱矩陣，第i行和第i列均表示節(jié)點(diǎn)i與其他節(jié)點(diǎn)之間的關(guān)聯(lián)程度。進(jìn)一步，本文定義了通信網(wǎng)絡(luò)節(jié)點(diǎn)Tl的關(guān)聯(lián)度：

當(dāng)d（Tl）=0時(shí)，則通信網(wǎng)絡(luò)節(jié)點(diǎn)Tl與其他的通信網(wǎng)絡(luò)節(jié)點(diǎn)的關(guān)聯(lián)度越高，反之，當(dāng)d（Tl）數(shù)值越來越大時(shí)，則關(guān)聯(lián)性較弱。根據(jù)通信網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)度進(jìn)行網(wǎng)絡(luò)分簇的算法具體步驟如下。

步驟 1利用通信網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)聯(lián)度構(gòu)建出關(guān)聯(lián)矩陣R，初始化迭代因子h=1，孤立頂點(diǎn)集合分簇集合

步驟2找到所有d（tl）的節(jié)點(diǎn)，更新

步驟3剩余節(jié)點(diǎn)集合

步驟4分簇：

（1）判斷R是否為全零矩陣，是則轉(zhuǎn)向步驟（3），否則轉(zhuǎn)向步驟（2）；

步驟5用頂點(diǎn)bh重新構(gòu)造關(guān)聯(lián)矩陣R，若R≠0且|bh|≠1，更新迭代因子h=h+1，轉(zhuǎn)步驟3；否則Uh+1=bh。

步驟6將孤立頂點(diǎn)集合s中的頂點(diǎn)添加到每一簇中。

基于通信網(wǎng)絡(luò)源故障節(jié)點(diǎn)分簇劃分結(jié)果以及已知的通信網(wǎng)絡(luò)與信息網(wǎng)絡(luò)故障關(guān)聯(lián)關(guān)系，將與每個(gè)簇源故障節(jié)點(diǎn)相關(guān)聯(lián)的信息網(wǎng)絡(luò)關(guān)聯(lián)故障節(jié)點(diǎn)添加到簇中，形成包含通信網(wǎng)絡(luò)節(jié)點(diǎn)與信息網(wǎng)絡(luò)節(jié)點(diǎn)的完整網(wǎng)絡(luò)分簇劃分。該網(wǎng)絡(luò)劃分方法將通信信息網(wǎng)絡(luò)關(guān)聯(lián)性強(qiáng)的網(wǎng)絡(luò)節(jié)點(diǎn)劃分為一個(gè)網(wǎng)絡(luò)子域，在每個(gè)子域中進(jìn)行聯(lián)合故障定位分析。

4 基于二分圖的故障聯(lián)合定位分析

二分圖故障模型是一種故障因果關(guān)系模型，它不但可以準(zhǔn)確描述通信網(wǎng)源故障節(jié)點(diǎn)和信息網(wǎng)關(guān)聯(lián)故障節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，而且模型簡單易于求解。對每個(gè)網(wǎng)絡(luò)子域建立故障關(guān)聯(lián)二分圖模型。如圖3所示，該模型以通信網(wǎng)源故障節(jié)點(diǎn)作為根源故障層，以信息網(wǎng)關(guān)聯(lián)故障節(jié)點(diǎn)作為關(guān)聯(lián)故障層，通過源故障節(jié)點(diǎn)和關(guān)聯(lián)故障節(jié)點(diǎn)之間的故障影響關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)通信信息網(wǎng)的聯(lián)合故障定位。

圖3 通信網(wǎng)信息網(wǎng)故障傳播二分圖模型

不失一般性，以任一網(wǎng)絡(luò)子域?yàn)槔懻撀?lián)合故障定位問題。假設(shè)在時(shí)刻t時(shí)某一子域內(nèi)通信網(wǎng)的故障狀態(tài)用源故障集合T=（T1，T2，…，TK）表示，K為這一時(shí)刻子域內(nèi)通信網(wǎng)的故障總數(shù)。信息網(wǎng)的故障狀態(tài)用關(guān)聯(lián)故障集合C=（C1，C2，…，CG）表示，G為這一時(shí)刻子域內(nèi)信息網(wǎng)的關(guān)聯(lián)故障總數(shù)。通信網(wǎng)相關(guān)節(jié)點(diǎn)發(fā)生故障時(shí)，Ti取值為1，反之則取為0。同理，信息網(wǎng)絡(luò)節(jié)點(diǎn)故障狀態(tài)用Cj表示。

圖2所示的二分圖故障關(guān)聯(lián)模型G（V，E）由3部分組成。首先，二分圖下側(cè)頂點(diǎn)表示通信網(wǎng)絡(luò)源故障節(jié)點(diǎn)，即T?V；其次，二分圖上側(cè)頂點(diǎn)表示信息網(wǎng)絡(luò)關(guān)聯(lián)故障節(jié)點(diǎn)，即C?V；最后，邊集合E包含通信網(wǎng)絡(luò)節(jié)點(diǎn)指向信息網(wǎng)絡(luò)節(jié)點(diǎn)的邊，其指示通信網(wǎng)源故障節(jié)點(diǎn)對信息網(wǎng)關(guān)聯(lián)故障的影響。設(shè)為邊（Ti，Cj）的權(quán)重，表示通信網(wǎng)源故障節(jié)點(diǎn)Ti對信息網(wǎng)關(guān)聯(lián)故障節(jié)點(diǎn)Cj的故障傳播概率。圖2給出了一個(gè)故障關(guān)聯(lián)模型的具體實(shí)例。應(yīng)用中可以由真實(shí)網(wǎng)絡(luò)故障統(tǒng)計(jì)數(shù)據(jù)獲得通信信息網(wǎng)故障關(guān)聯(lián)二分圖模型以及故障傳播概率，因此該二分圖故障關(guān)聯(lián)模型具有較強(qiáng)的實(shí)際應(yīng)用性。

在此二分圖模型的基礎(chǔ)上，聯(lián)合故障定位問題可以表述為：在候選的通信網(wǎng)的源故障集中找到故障假設(shè)集合X，使得發(fā)生實(shí)際觀察到的信息網(wǎng)的關(guān)聯(lián)故障集H時(shí)，該故障假設(shè)發(fā)生的概率最大。

根據(jù)貝葉斯法則有：

因?yàn)镻（H）為常數(shù)，所以式（7）可以化簡為：

定義K維向量x，則源故障Ti與故障假設(shè)向量x的關(guān)系如下：

其中:

假設(shè)源故障x發(fā)生時(shí)，信息網(wǎng)關(guān)聯(lián)故障發(fā)生的概率為：

得到該問題的目標(biāo)函數(shù)：

為了方便計(jì)算將目標(biāo)函數(shù)取對數(shù)可以表示為：

由于1n（1-pTi）的大小與未知數(shù)無關(guān)，可以直接消除，假設(shè)：

則目標(biāo)函數(shù)最終轉(zhuǎn)化為：

對于每一個(gè)信息網(wǎng)的關(guān)聯(lián)故障集H，系統(tǒng)的最優(yōu)診斷定位中應(yīng)該至少包含一個(gè)通信網(wǎng)的源故障。源故障可以解釋關(guān)聯(lián)故障的前提是將作為矩陣元素構(gòu)建源故障和關(guān)聯(lián)故障的關(guān)聯(lián)關(guān)系矩陣B。該矩陣的每一行表示一個(gè)關(guān)聯(lián)故障 Cj對應(yīng)的源故障（即這些故障可以導(dǎo)致該關(guān)聯(lián)故障發(fā)生），該約束可以表示為：

最終該聯(lián)合故障定位問題可以轉(zhuǎn)化為下列最小化問題：

該問題為 0-1規(guī)劃問題。其求解方法主要分為兩類：一類是精確算法，如動(dòng)態(tài)規(guī)劃法、隱枚舉法等；另一類是啟發(fā)式算法，如貪心算法、遺傳算法、模擬退火算法和拉格朗日松弛法等。貪心算法不一定能夠保證求得最優(yōu)解或次優(yōu)解；遺傳算法和模擬退火算法則具有計(jì)算量較大的缺點(diǎn)。

本文采用隱枚舉法[12]中的目標(biāo)排序法求解該問題。該方法不需要過濾條件，也略去了用過濾條件檢驗(yàn)每個(gè)目標(biāo)函數(shù)的工作。在用過濾法求出解集中各解點(diǎn) z的基礎(chǔ)上，將z值按大小排序，然后按 z值順序檢驗(yàn)各解的可行性，確保通過檢驗(yàn)的第一個(gè)可行解即最優(yōu)解。這種直接以z值大小順序檢驗(yàn)的解法，堅(jiān)持了按序檢驗(yàn)的優(yōu)點(diǎn)，同時(shí)又消除了迂回排序和重復(fù)檢驗(yàn)帶來的困擾。具體算法分為以下3步。

步驟1求出解集中各解點(diǎn)的值。

步驟2然后將值按大小排序。

步驟3由于0-1規(guī)劃問題是最小化問題，因此本文從值的最小解開始檢驗(yàn)是否符合約束條件，第一個(gè)可行解就是目標(biāo)函數(shù)的最優(yōu)解。

5 仿真結(jié)果分析

仿真將故障診斷率[10]作為評價(jià)故障定位算法的指標(biāo)參數(shù)。故障診斷率的定義為：

TP為故障發(fā)生后對故障進(jìn)行正確診斷的概率，表示診斷方法的故障定位準(zhǔn)確率。仿真選取國網(wǎng)新疆電力公司信息通信公司某一局域網(wǎng)網(wǎng)絡(luò)維護(hù)系統(tǒng)的離線數(shù)據(jù)作為仿真數(shù)據(jù)。該仿真數(shù)據(jù)包含2015年10月1日網(wǎng)絡(luò)維護(hù)中的320條告警數(shù)據(jù)以及20個(gè)根源故障。首先，使用該數(shù)據(jù)的故障事件集確定二分圖模型故障關(guān)聯(lián)影響參數(shù)。其次，使用得到的關(guān)聯(lián)模型進(jìn)行聯(lián)合故障定位分析，將故障診斷結(jié)果與真實(shí)數(shù)據(jù)比較從而判斷故障定位的準(zhǔn)確性。產(chǎn)生仿真數(shù)據(jù)的局域網(wǎng)絡(luò)包含30個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，通過選取不同數(shù)目網(wǎng)絡(luò)節(jié)點(diǎn)的相關(guān)數(shù)據(jù)從而改變仿真規(guī)模與設(shè)置。為了評價(jià)本文提出算法的故障診斷率，本文選取了網(wǎng)絡(luò)故障診斷算法MLCP[5]進(jìn)行比較。

圖4為網(wǎng)絡(luò)分簇與否的聯(lián)合故障定位時(shí)間仿真結(jié)果。仿真中將全網(wǎng)劃分為兩個(gè)子域并分別進(jìn)行聯(lián)合故障定位分析。仿真結(jié)果顯示，當(dāng)節(jié)點(diǎn)數(shù)為28時(shí)，未分簇的聯(lián)合故障定位時(shí)間近似為350 ms，而分簇的聯(lián)合故障定位時(shí)間近似為150 ms，分簇后的處理速度為未分簇時(shí)的2.33倍。通過網(wǎng)絡(luò)分簇，每個(gè)子域并行的進(jìn)行故障定位分析，從而降低故障定位分析時(shí)間，提高分析效率。

圖4 診斷時(shí)間比較

圖5為本文所提出的聯(lián)合故障定位算法在不同網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)時(shí)的診斷率TP。將本文提出的聯(lián)合故障定位算法與MLCP定位算法進(jìn)行比較。如圖5所示，本文中的算法的診斷率明顯優(yōu)于MLCP定位算法。MLCP定位算法的診斷率的均值為0.68，方差為0.000 5；本文提出的算法的故障診斷率均值為0.948 2，方差為0.002 6，診斷率均值提升了26.82%。其次，MLCP定位算法的診斷率波動(dòng)比較大，而本文的算法的診斷率則比較穩(wěn)定。

圖5 故障診斷性能比較

針對不同網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，將本文提出的基于故障關(guān)聯(lián)模型聯(lián)合故障定位算法與基于非關(guān)聯(lián)模型的傳統(tǒng)故障定位方法進(jìn)行了比較。圖6中為兩種方法分別得到的故障診斷率。其結(jié)果顯示，基于關(guān)聯(lián)模型的故障診斷率明顯優(yōu)于基于非關(guān)聯(lián)模型的故障診斷方法。非關(guān)聯(lián)模型的診斷率均值為0.710 3，方差為0.000 2。關(guān)聯(lián)模型的診斷率的均值0.948 2，方差為0.002 6，關(guān)聯(lián)模型的故障診斷率均值提升了33.49%。該結(jié)果表明，基于二分圖故障關(guān)聯(lián)模型的網(wǎng)絡(luò)故障聯(lián)合定位方法提高了信息通信網(wǎng)絡(luò)聯(lián)合故障定位準(zhǔn)確率。

圖6 關(guān)聯(lián)模型與不關(guān)聯(lián)模型故障診斷率比較

為了考察本文方法在一般網(wǎng)絡(luò)環(huán)境中的應(yīng)用性能，檢測了該方法在不確定模型參數(shù)條件下的故障診斷率。選取20個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)作為仿真實(shí)驗(yàn)樣本，首先使用網(wǎng)絡(luò)故障數(shù)據(jù)確定故障關(guān)聯(lián)模型以及關(guān)聯(lián)影響參數(shù)。其次，針對得到的故障關(guān)聯(lián)模型，假設(shè)模型中故障關(guān)聯(lián)影響參數(shù)服從以值為期望的正態(tài)分布，并改變正態(tài)分布的方差值，從而模擬實(shí)際網(wǎng)絡(luò)環(huán)境中的隨機(jī)過程。在試驗(yàn)中以步長0.05分別測試了取值0.05～0.3的方差值，將故障診斷結(jié)果與實(shí)際數(shù)據(jù)比較得到不同參數(shù)下的故障診斷率，實(shí)驗(yàn)結(jié)果如圖7所示。在不同參數(shù)方差條件下，該算法診斷率的均值仍高達(dá)83.83%，相比于MLCP定位算法，診斷率提升了23.27%，說明該算法適用于實(shí)際中包含隨機(jī)事件的場景，并具有較高的故障診斷準(zhǔn)確率。

圖7 不同模型參數(shù)的故障診斷率

6 結(jié)束語

快速準(zhǔn)確的網(wǎng)絡(luò)故障定位對通信信息網(wǎng)絡(luò)的運(yùn)維有非常重大的意義。本文提出了一種基于二分圖模型的通信信息網(wǎng)絡(luò)聯(lián)合故障定位模型。通過分簇將全網(wǎng)劃分為多個(gè)子域，從而將故障定位局限在較小的范圍內(nèi)，縮減故障檢測范圍，提高故障定位效率。建立子域內(nèi)的故障關(guān)聯(lián)定位分析二分圖網(wǎng)絡(luò)故障關(guān)聯(lián)模型，實(shí)現(xiàn)了通信信息網(wǎng)絡(luò)的聯(lián)合故障關(guān)聯(lián)分析以及聯(lián)合故障定位。通過仿真實(shí)驗(yàn)驗(yàn)證，本算法可以在通信信息網(wǎng)絡(luò)中實(shí)現(xiàn)高效且準(zhǔn)確的聯(lián)合故障定位。

[1] 杜曉麗,朱程榮,熊齊邦.一種基于依賴圖的故障定位算法[J].計(jì)算機(jī)應(yīng)用,2004(24):67-69. DU X L,ZHU C R,XIONG Q B.A fault location algorithm based on dependency graph[J].Journalof Computer Applications, 2004(24):67-69.

[2]HE M,ZHANG J.A dependency graph approach for fault detection and localization towards secure smart grid[J].IEEE Transactions on Smart Grid,2011,2(2):342-351.

[3] 鄧歆，孟洛明.基于貝葉斯網(wǎng)絡(luò)的通信網(wǎng)告警相關(guān)性和故障診斷模型[J].電子與信息學(xué)報(bào)，2007（5）:1182-1186. DENG X,MENG L M.Bayesian networks based alarm correlation and fault diagnosis in communication networks[J].Journal of electronics&Information Technology,2007(5):1182-1186.

[4]王開選,楊崢,邱雪松,等.面向影響分析的電力通信網(wǎng)故障定位算法[J].北京郵電大學(xué)學(xué)報(bào)，2014(4). WANG K X,YANG Z,QIU X S,et al.Algorithm of fault locating on impact analysis in power communications network[J].Journal of Beijing University of Posts and Telecommunications,2014(4).

[5]曾飛,張勇,劉玙,等.電力系統(tǒng)故障診斷的時(shí)序模糊邏輯推理方法[J].華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,41(1):7-14. ZENG F,ZHANG Y,LIU Y,et al.A temporal and fuzzy logic inference based method for power system fault diagnosis[J]. Journal of North China Electric Power University(Natural Science Edition),2014,41(1):7-14.

[6]YU L,SUN Y,LI K J,et al.An improved genetic algorithm based on fuzzy inference theory and its application in distribution network fault location[C]//2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA),June 5-7,2016,Hefei, China.New Jersey:IEEE Press,2016:1411-1415.

[7]戚勇,李千目,劉鳳玉.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)智能診斷系統(tǒng)[J].微電子學(xué)與計(jì)算機(jī),2004,21(10):10-13. QI Y,LIQ M,LIU F Y.Network fault intelligentdiagnosis base on BP neural network[J].Microelectronics&Computer,2004,21(10): 10-13.

[8]張禹．模糊神經(jīng)網(wǎng)絡(luò)在移動(dòng)通信網(wǎng)故障診斷中的應(yīng)用[D]．天津：天津理工大學(xué)，2010:22-32．ZHANG Y.The application of fuzzy neural network in mobile communication network fault diagnosis[D].Tianjin:Tianjin University of Technology,2010：22-32．

[9]趙燦明,李祝紅,陶磊,等.基于故障傳播模型與監(jiān)督學(xué)習(xí)的電力通信網(wǎng)絡(luò)故障定位[J].計(jì)算機(jī)應(yīng)用,2016(4):905-908. ZHAO C M,LI Z H,TAO L,et al.Fault localization for electric power communication network based on fault propagation model and supervised learning[J].Journal of Computer Applications, 2016(4):905-908.

[10]楊嬌.二分圖網(wǎng)絡(luò)故障傳播模型與故障診斷算法研究[D].沈陽:東北大學(xué)，2011. YANG J.Bipartion Graph Fault Propagation Model and Diagnosis Algorithm[D].Shenyang:Northeastern University,2011.

[11]張敏，姚良威，侯宇.基于向量和矩陣的頻繁項(xiàng)集挖掘算法研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(3):939-943. ZHANG M,YAO L W,HOU Y.Research of frequent itemsets mining algorithm based on vector and matrix[J].Computer Engineering and Design,2013,34(3):939-943.

[12]溫大偉，謝文環(huán).求解整數(shù)規(guī)劃的一種隱枚舉法 [J].數(shù)學(xué)教學(xué)研究,2012,31(11):60-61. WEN D W,XIE W H.An implicit enumeration method for solving integer programming[J].Journal of Mathematical Study, 2012,31(11):60-61.

Network fault location based on bipartite graphs for comm unication and inform ation networks

CUI Limin1,2,HE Qingsu3,WANG Junsheng3,SHI Xin3
1.College of Economics and Management,North China Electric Power University,Beijing 102206,China
2.China State Grid Xinjiang Information and Telecommunication Company,Urumqi 830018,China
3.State Grid Electronic Commerce Co.,Ltd.,Beijing 100053,China

The current State Grid communication and information networks rely on two separate network management systems.Such managementstructure brings challenges to network fault location,which calls for jointnetwork faultanalyze method.Grasping the transmission correlation of network nodes,a joint network fault location mechanism based on bipartite graph modelwas proposed.Firstly,network nodes were clustered into multiple sub-domains based on their fault correlation.Then,the bipartite graph faultcorrelation modelwas established foreach sub-domain.Finally,the targetsorting method was applied to locate network faults in every sub-domain simultaneously.Simulation experiments show that this method can locate network faults with high accuracy.

fault correlation location,network clustering,bipartite graph fault correlation model

TP393

：A

10.11959/j.issn.1000-0801.2017077

崔力民（1973-），男，華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院、國家電網(wǎng)新疆電力公司信息通信公司高級工程師，長期從事電力通信運(yùn)行管理工作，主要研究方向?yàn)殡娏νㄐ啪W(wǎng)評估。

何清素（1977-），男，國網(wǎng)電子商務(wù)有限公司高級工程師，主要研究方向?yàn)殡娏ξ锫?lián)網(wǎng)、信息通信、電力系統(tǒng)自動(dòng)化、能源互聯(lián)網(wǎng)及產(chǎn)品研發(fā)等。

王俊生（1978-），男，國家電網(wǎng)電子商務(wù)有限公司工程師，主要研究方向?yàn)殡娏ξ锫?lián)網(wǎng)、信息通信、電力系統(tǒng)自動(dòng)化、能源互聯(lián)網(wǎng)及產(chǎn)品研發(fā)等。

石欣（1992-），女，國家電網(wǎng)電子商務(wù)有限公司工程師，主要研究方向?yàn)樾畔⑼ㄐ拧㈦娏ο到y(tǒng)自動(dòng)化、能源互聯(lián)網(wǎng)等。

2016-11-22；

2017-02-17

何清素，heqingsu@sgec.sgcc.com.cn

國家電網(wǎng)公司科技項(xiàng)目“信息通信網(wǎng)絡(luò)聯(lián)合故障定位與交叉影響分析關(guān)鍵技術(shù)研究”（No.526802150008）

Foundation Item:The Science and Technology Projectof State Grid Corporation of China：The Research on the Key Technology of The Joint Fault Location and Cross Impact Analysis of Information and Communication Network(No.526802150008)