計(jì)算機(jī)網(wǎng)絡(luò)中的故障定位研究

周暢

摘 要：隨著信息技術(shù)的快速發(fā)展，計(jì)算機(jī)網(wǎng)絡(luò)日趨復(fù)雜，故障定位技術(shù)作為網(wǎng)絡(luò)管理的核心一直是研究的熱點(diǎn)。由于網(wǎng)絡(luò)的互聯(lián)性，網(wǎng)絡(luò)故障存在著一定的關(guān)聯(lián)，而計(jì)算機(jī)網(wǎng)絡(luò)故障定位則是需要依據(jù)事件的相互關(guān)系，從多個(gè)故障事件中定位故障源。提出專家系統(tǒng)技術(shù)，基于主動(dòng)輪詢技術(shù)，基于拓?fù)浣Y(jié)構(gòu)，圖論技術(shù)對(duì)此課題展開(kāi)研究，并且詳細(xì)介紹了基于蟻群的高效優(yōu)化算法，大大提高了工作效率，為之后的故障定位技術(shù)的研究有著重要的借鑒意義。

關(guān)鍵詞：故障定位；專家系統(tǒng)技術(shù)；網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；圖論；蟻群算法

中圖分類號(hào)：TP393.0 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言（Introduction）

隨著各路網(wǎng)絡(luò)應(yīng)用的興起，用戶對(duì)于服務(wù)質(zhì)量有著更高的要求。最關(guān)鍵問(wèn)題之一就是維護(hù)計(jì)算機(jī)網(wǎng)絡(luò)的可靠性。在計(jì)算機(jī)網(wǎng)絡(luò)中故障是不可避免的，因此立即定位與處理是十分關(guān)鍵的[1]。故障管理過(guò)程通常分為四個(gè)階段：故障檢測(cè)、故障定位、修理和測(cè)試。其中的故障定位是為了解釋報(bào)警而分析的一系列故障暗示，準(zhǔn)確地發(fā)現(xiàn)故障的位置[2]。為了提高網(wǎng)絡(luò)的可靠性，能夠迅速，準(zhǔn)確地定位故障尤為重要。盡管前人對(duì)故障定位技術(shù)進(jìn)行了不懈的研究，這些方法是從計(jì)算機(jī)科學(xué)的不同領(lǐng)域衍生出來(lái)的，包括人工智能、神經(jīng)網(wǎng)絡(luò)、信息論和自動(dòng)化理論。但目前為止在復(fù)雜的通信系統(tǒng)中故障定位仍然是一個(gè)難題，還有許多問(wèn)題有待于解決，本文則通過(guò)研究多種分析方法來(lái)實(shí)現(xiàn)故障定位。

2 專家系統(tǒng)技術(shù)（The expert system technology）

在故障定位和診斷中應(yīng)用最為廣泛的就是專家系統(tǒng)技術(shù)。專家系統(tǒng)試圖去反應(yīng)人類專家的行為，它們基于模仿一個(gè)人的，可能是從經(jīng)驗(yàn)，或是基于它們的原則去理解系統(tǒng)行為。

2.1 規(guī)則庫(kù)系統(tǒng)

僅僅依賴表面知識(shí)的方法是基于規(guī)則的推理系統(tǒng)，它不需要去深入理解底層系統(tǒng)結(jié)構(gòu)和操作原則。所以對(duì)于小系統(tǒng)而言，它則可以提供一個(gè)強(qiáng)有力的工具去消除最不可能的假設(shè)。但是規(guī)則庫(kù)系統(tǒng)也有許多缺點(diǎn)，例如難以更新知識(shí)，以及難以維持。因?yàn)橥ǔＯ到y(tǒng)包括硬編碼的網(wǎng)絡(luò)配置，基于觀察得出的統(tǒng)計(jì)數(shù)據(jù)雖然已經(jīng)自動(dòng)派生出相關(guān)規(guī)則，但是當(dāng)系統(tǒng)配置被改變時(shí)一定會(huì)再生出大部分的相關(guān)規(guī)則，可見(jiàn)規(guī)則庫(kù)系統(tǒng)是效率低下的和不能處理不精確的情況。缺乏結(jié)構(gòu)的規(guī)則庫(kù)系統(tǒng)通常很難允許使用在分層構(gòu)建的分布式系統(tǒng)中。

2.2 案例庫(kù)系統(tǒng)

案例庫(kù)系統(tǒng)是專家系統(tǒng)的一個(gè)特殊類別。基于經(jīng)驗(yàn)以及過(guò)去情況，它試圖通過(guò)之前解決方案的相關(guān)信息去處理被提出的問(wèn)題。當(dāng)一個(gè)問(wèn)題被解決時(shí)，解決方案可以被用來(lái)解決后續(xù)的問(wèn)題。然而，在解決過(guò)程中需要一個(gè)應(yīng)用程序特定的模型，以及效率低可能使我們不能用于報(bào)警相關(guān)。

2.3 決策樹(shù)

決策樹(shù)是通過(guò)用戶觀察到的癥狀去定位問(wèn)題的根本原因的方法。它是對(duì)于專家知識(shí)的一個(gè)簡(jiǎn)單表達(dá)性的展現(xiàn)。然而，它的使用性受限于具體應(yīng)用，以及因存在噪聲使其準(zhǔn)確度退化。

3 主動(dòng)輪詢技術(shù)（Active polling technology）

主動(dòng)輪詢技術(shù)是網(wǎng)絡(luò)管理過(guò)程中主動(dòng)去輪流查詢整個(gè)計(jì)算機(jī)網(wǎng)絡(luò)中設(shè)備的各個(gè)狀態(tài)，即去訪問(wèn)簡(jiǎn)單網(wǎng)絡(luò)管理協(xié)議代理的信息管理庫(kù)，并且等待系統(tǒng)響應(yīng)。如果所得的返回結(jié)果正常，則只是簡(jiǎn)單的將查詢結(jié)果存檔。但是如果等到超時(shí)，還是沒(méi)有結(jié)果，則是系統(tǒng)發(fā)生故障，需要管理員發(fā)出告警信息，進(jìn)行故障定位。

其中的定時(shí)輪詢用到了VC中MFC類庫(kù)中的窗口時(shí)間事件響應(yīng)函數(shù)，即CSnmpWnd：：OnTimer（UINT nIDEvent）。在窗口的初始化函數(shù)BOOL OnInitDialog（）中添加實(shí)現(xiàn)函數(shù)SetTimer（nIDEvent，time，NULL）來(lái)設(shè)定輪流查詢的周期，接著在事件函數(shù)中添加輪流查詢的具體代碼，如下：

voidCSnmpWnd：：OnTimer（UINT nIDEvent）

{CWnd：：OnTimer（nIDEvent）；

m_GetSnmpHistoryList.AddString（strAsyncGetRequest

（m_strOid））；}

主動(dòng)輪詢技術(shù)具有全面，可靠收集網(wǎng)絡(luò)信息的特點(diǎn)，可以發(fā)現(xiàn)網(wǎng)絡(luò)故障，進(jìn)行診斷和定位。但是雖然所掌握的網(wǎng)絡(luò)參數(shù)以及狀態(tài)全面，但是耗時(shí)長(zhǎng)。在準(zhǔn)備階段必須權(quán)衡故障查詢速度與所占網(wǎng)絡(luò)帶寬。顯然，故障查詢速度越快，網(wǎng)絡(luò)帶寬消耗越大，將會(huì)直接影響到通信系統(tǒng)地正常運(yùn)行。

4 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)（Topological structure）

為了實(shí)現(xiàn)故障定位，我們將故障定位系統(tǒng)的體系結(jié)構(gòu)分為四個(gè)模塊，分別為拓?fù)浒l(fā)現(xiàn)、告警收集、告警關(guān)聯(lián)及故障定位模塊。

拓?fù)浒l(fā)現(xiàn)模塊的目的是用于自動(dòng)發(fā)現(xiàn)單個(gè)管理域，以及Internet主干網(wǎng)絡(luò)拓?fù)?，并且盡可能減少對(duì)網(wǎng)絡(luò)的假設(shè)條件。按發(fā)現(xiàn)拓?fù)鋱D的方法可分為三種。一是基于探測(cè)程序，通過(guò)開(kāi)發(fā)專門的探針程序分布在計(jì)算機(jī)網(wǎng)絡(luò)中，在程序之間相互測(cè)量，從而獲得一些關(guān)于網(wǎng)絡(luò)拓?fù)涞男畔?。二是利用一些通用協(xié)議構(gòu)建拓?fù)鋱D。三是利用網(wǎng)絡(luò)設(shè)備保存的實(shí)際數(shù)據(jù)，其中利用SNMP協(xié)議獲得網(wǎng)絡(luò)設(shè)備中保存的MIB數(shù)據(jù)構(gòu)造拓?fù)鋱D是非常有效的拓?fù)浒l(fā)現(xiàn)方法。

當(dāng)一個(gè)網(wǎng)絡(luò)設(shè)備發(fā)生故障時(shí)，可產(chǎn)生大量的告警信息。這些告警信息可以用于故障定位?？墒钱?dāng)告警過(guò)多致使網(wǎng)絡(luò)管理中心癱瘓時(shí)，就需要使用某種機(jī)制減少告警信息，因此告警相關(guān)的出現(xiàn)解決了這個(gè)問(wèn)題。告警關(guān)聯(lián)則是通過(guò)告警信息在時(shí)間與空間上進(jìn)行相關(guān)處理，從而減少告警信息數(shù)，大大減少了網(wǎng)絡(luò)故障修復(fù)的時(shí)間。告警關(guān)聯(lián)從時(shí)間與空間兩個(gè)方面展開(kāi)。時(shí)間方面是針對(duì)每一個(gè)告警攜帶的時(shí)間戳，從時(shí)間序列角度關(guān)聯(lián)各個(gè)告警序列。而空間方面則是從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中關(guān)聯(lián)告警序列。因此，可以通過(guò)依賴搜索樹(shù)模型實(shí)現(xiàn)告警關(guān)聯(lián)。其主要思想是根據(jù)各節(jié)點(diǎn)的依賴關(guān)系，將網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)構(gòu)造成樹(shù)狀結(jié)構(gòu)，其中樹(shù)狀結(jié)構(gòu)中的每一個(gè)節(jié)點(diǎn)都記錄著與其直接依賴節(jié)點(diǎn)的相關(guān)信息。而由于計(jì)算機(jī)網(wǎng)絡(luò)拓?fù)涞膹?fù)雜性，往往構(gòu)造出的樹(shù)狀是森林。但對(duì)于特定的計(jì)算機(jī)網(wǎng)絡(luò)而言，樹(shù)狀結(jié)構(gòu)變化非常小，因而我們可以將此作為搜索節(jié)點(diǎn)信息的依據(jù)，從而得到其中隱藏拓?fù)浣Y(jié)構(gòu)中的信息。

接著運(yùn)用貪心算法來(lái)處理告警信息，實(shí)現(xiàn)故障定位。貪心算法的核心思想則是通過(guò)問(wèn)題的局部最優(yōu)解來(lái)解決整個(gè)問(wèn)題的最優(yōu)解，即先將一組數(shù)據(jù)排序找出最優(yōu)值，進(jìn)行分析處理，再找出最優(yōu)值，進(jìn)行分析處理，直到得到最期望的結(jié)果，找到告警信息的最佳解釋，從而實(shí)現(xiàn)故障定位的目的。

根據(jù)目前的網(wǎng)絡(luò)管理協(xié)議（如SNMP），每個(gè)征兆被獨(dú)立報(bào)告，并且由于一個(gè)故障源可能導(dǎo)致大量故障征兆，所以很難在大量征兆中找到故障源。我們發(fā)現(xiàn)大量的告警信息之間存在相關(guān)性，于是對(duì)告警信息進(jìn)行關(guān)聯(lián)處理之后，再進(jìn)行故障定位。此方法為計(jì)算機(jī)網(wǎng)絡(luò)提供可靠性高，實(shí)用性強(qiáng)的網(wǎng)管平臺(tái)，對(duì)于故障定位方面具有重要的意義。

5 圖論技術(shù)（Gragh theory）

圖形理論技術(shù)依賴于一個(gè)系統(tǒng)圖形模型，該模型被稱為故障傳播模型。該故障傳播模型包括所有故障及發(fā)生在系統(tǒng)中故障癥狀的全部體現(xiàn)，其中的節(jié)點(diǎn)表示故障癥狀。故障傳播模型采用因果圖與依賴圖的形式。

因果關(guān)系圖是一個(gè)有向無(wú)環(huán)圖Gc（E，C），其節(jié)點(diǎn)E表示事件及邊緣C表示事件之間的因果關(guān)系。邊（ei，ej）∈C表示事件ei引起事件ej的事實(shí)，被表示為ei→ej。因果圖中的邊可以通過(guò)因果的概率被標(biāo)記。而依賴圖是有向圖G=（O，D），其中O是有限的非空集合的對(duì)象，D是對(duì)象之間的一組邊。有向邊（oi，oj）∈D表示oi中的錯(cuò)誤或故障可能導(dǎo)致oj中的錯(cuò)誤的事實(shí)，同樣可以在邊上設(shè)置概率值來(lái)表現(xiàn)其依賴強(qiáng)度。

5.1 上下文無(wú)關(guān)法

上下文無(wú)關(guān)法是允許從子表達(dá)式中構(gòu)建表達(dá)式，即從已定義的對(duì)象中構(gòu)建出復(fù)合網(wǎng)絡(luò)對(duì)象，從而用于分層組織通信系統(tǒng)。對(duì)于有限類的上下無(wú)關(guān)模型的定位故障源問(wèn)題在語(yǔ)義上等價(jià)于依賴圖模型，可以被轉(zhuǎn)換為0—1整數(shù)線性規(guī)劃問(wèn)題。

5.2 碼本技術(shù)

碼本技術(shù)的故障傳播模型是由問(wèn)題碼的矩陣表示。在確定性技術(shù)中，碼字是由0、1序列組成。第i個(gè)位置的碼字1表示問(wèn)題pj與癥狀si的因果關(guān)系。碼本技術(shù)中認(rèn)為數(shù)據(jù)是在一個(gè)離散無(wú)記憶有損信道上進(jìn)行傳播，其輸入的字母表是一組最優(yōu)化代碼以及輸出的字母表是一組所有可能癥狀的集合。有了這樣的解釋，相關(guān)事件等效于將一個(gè)已經(jīng)收到的輸出符號(hào)解碼成有效的輸入符號(hào)。在相關(guān)事件問(wèn)題中已經(jīng)收到的符號(hào)也來(lái)自于{0，1}序列，其中1表示出現(xiàn)特定癥狀，而0則表示沒(méi)有觀察到特定癥狀。信道錯(cuò)誤導(dǎo)致癥狀丟失或是虛假，碼本以及解碼方案決定了可被檢測(cè)和糾正的錯(cuò)誤數(shù)量。

碼本技術(shù)運(yùn)用最小符號(hào)距離作為決策方案。在概率模型中，d（a，b）表示兩個(gè)概率a，b∈[0，1]之間的距離，被計(jì)算為log（a/b）。其中l(wèi)og（0/0）=0和log（a/0）=a。一旦執(zhí)行編碼，碼本技術(shù)是非常有效的。然而，它的計(jì)算復(fù)雜度被（k+1）log（p）所限制，其中k是解碼階段被矯正的錯(cuò)誤數(shù)目，p是故障的數(shù)量。當(dāng)有多個(gè)故障產(chǎn)生，或是發(fā)生重疊時(shí)，碼本技術(shù)的精確度很難被預(yù)測(cè)。此外，由于配置系統(tǒng)的改變需要再生碼本，可見(jiàn)這是一個(gè)耗時(shí)的過(guò)程，因此，碼本技術(shù)不適用于動(dòng)態(tài)改變依賴關(guān)系的環(huán)境。

5.3 貝葉斯置信網(wǎng)模型

基于傳感器數(shù)據(jù)以及人們的感知信息的貝葉斯網(wǎng)絡(luò)是固定的，每個(gè)貝葉斯網(wǎng)絡(luò)包括兩層：故障層和故障癥狀層[3]。貝葉斯在2015年提出了一種基于信號(hào)觀察與在正常情況下信號(hào)重建之間差異的故障診斷的研究[4]。并且貝葉斯置信網(wǎng)對(duì)于故障定位也有重要意義。貝葉斯置信網(wǎng)實(shí)際上是基于概率的不確定性推理網(wǎng)絡(luò)，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)就是用概率來(lái)表示變量之間相互關(guān)系的有向無(wú)環(huán)圖。其中節(jié)點(diǎn)表示變量，有向邊則表示變量之間的相互關(guān)系。貝葉斯也提出：在推理過(guò)程中，知識(shí)并不是以聯(lián)合概率分布形式表現(xiàn)的，而是以變量之間的相關(guān)性和條件相關(guān)性表現(xiàn)的，即用條件概率表示。在故障定位中，根據(jù)Pearl理論，對(duì)節(jié)點(diǎn)x={x1，…，xi，…，xn}的概率P（x）可以表示為xi與其父節(jié)點(diǎn)之間一系列條件概率與邊緣分布的乘積，即

貝葉斯網(wǎng)絡(luò)是一種網(wǎng)絡(luò)變量關(guān)系的直接表示，而不是推理過(guò)程。因此，有向邊所指的方向是真正的關(guān)系方向，而不是推理過(guò)程的流向。

6 蟻群高效優(yōu)化算法（Highly efficient optimization

algorithm based on ant colony）

在這一節(jié)中，針對(duì)計(jì)算機(jī)網(wǎng)絡(luò)故障定位，一種基于蟻群的高效優(yōu)化算法被提出。最近，在解決工程問(wèn)題中，群集智能的方法引起了廣泛的關(guān)注，基于連接的蟻群優(yōu)化也已經(jīng)成功應(yīng)用到工程領(lǐng)域的研究中。蟻群優(yōu)化是一個(gè)多代理系統(tǒng)，他有許多功能。例如分布式長(zhǎng)期記憶的使用，強(qiáng)化學(xué)習(xí)模式的相似功能，以及基于隨機(jī)組件的一種整體與局部的搜索能力。

我們的算法不同于現(xiàn)有的網(wǎng)絡(luò)故障研究定位技術(shù)，因?yàn)樗Y(jié)合了主動(dòng)與被動(dòng)測(cè)量，通過(guò)發(fā)送與終止數(shù)據(jù)來(lái)檢測(cè)故障，以及用主動(dòng)測(cè)量來(lái)定位故障。蟻群優(yōu)化相對(duì)于其他的主動(dòng)測(cè)量都要好，因?yàn)槲浵伩梢灾悄苄袆?dòng)，因此可以更加高效的定位故障節(jié)點(diǎn)[1]。

考慮一個(gè)網(wǎng)絡(luò)，數(shù)據(jù)從客戶端發(fā)送到服務(wù)器，于是我們考慮到端的數(shù)據(jù)就可檢測(cè)網(wǎng)絡(luò)中的故障組件[5]。在所提到的算法中主要有兩個(gè)方面。第一，一組節(jié)點(diǎn)作為目標(biāo)節(jié)點(diǎn)（服務(wù)器）和一組節(jié)點(diǎn)作為源（客戶端），然后基于主動(dòng)測(cè)量選擇一組節(jié)點(diǎn)移動(dòng)到目標(biāo)節(jié)點(diǎn)。在目標(biāo)節(jié)點(diǎn)中通過(guò)螞蟻估計(jì)每個(gè)節(jié)點(diǎn)的故障。第二，候選節(jié)點(diǎn)通過(guò)被動(dòng)測(cè)量被用于測(cè)試。下面將對(duì)每一步做詳細(xì)的說(shuō)明。

將一個(gè)或多個(gè)服務(wù)器視為目標(biāo)節(jié)點(diǎn)，以及客戶端被認(rèn)為源節(jié)點(diǎn)，源節(jié)點(diǎn)被認(rèn)為是螞蟻的巢，螞蟻需要移動(dòng)到服務(wù)器。每個(gè)螞蟻由二進(jìn)制數(shù)組組成，數(shù)組的長(zhǎng)度是所有網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)量。數(shù)組的每一個(gè)元素表示網(wǎng)絡(luò)中的節(jié)點(diǎn)，這些元素僅由0、1兩個(gè)數(shù)值表示。當(dāng)一個(gè)螞蟻從源節(jié)點(diǎn)移動(dòng)到目標(biāo)節(jié)點(diǎn)，過(guò)程中通過(guò)的每一個(gè)節(jié)點(diǎn)的值在數(shù)組中都等于1。在圖1中，有一個(gè)目標(biāo)節(jié)點(diǎn)（D=1）和三個(gè)源節(jié)點(diǎn)（S=3），以及七個(gè)在它們之間的節(jié)點(diǎn)（N=7）。一共有五只螞蟻，分別為a1、a2、a3、a4、a5。可以看出螞蟻的數(shù)量由源節(jié)點(diǎn)上輸出邊的數(shù)量決定。當(dāng)螞蟻通過(guò)一個(gè)節(jié)點(diǎn)時(shí)，螞蟻數(shù)組就被刷新。當(dāng)螞蟻到達(dá)目標(biāo)節(jié)點(diǎn)時(shí)將有五個(gè)數(shù)組，為{A1，…，A5}。用S1={a1，a2}，S2={a3，a4}和S3={a5}分別表示每個(gè)螞蟻屬于的一個(gè)源（S1、S2或S3），從一個(gè)公共源出發(fā)的螞蟻進(jìn)行OR邏輯運(yùn)算符操作。因此，在上面的例子中將有三個(gè)數(shù)組。圖2展現(xiàn)的是OR操作符之后的數(shù)組，即每個(gè)數(shù)組表示同一個(gè)源的一系列節(jié)點(diǎn)。

根據(jù)以上描述，對(duì)于每個(gè)節(jié)點(diǎn)的故障概率為pi，通過(guò)方程式（1）得到。其中N是出現(xiàn)的網(wǎng)絡(luò)節(jié)點(diǎn)的總數(shù)。對(duì)于每個(gè)節(jié)點(diǎn)可以通過(guò)方程式（2）獲得mi，mi是數(shù)組的節(jié)點(diǎn)。在等式（2）中S（j，i）表示第j個(gè)數(shù)組的第j個(gè)元素。例如，在等式（2）中，m1=2，m2=1，m3=1，m4=1，m5=1，m6=1和m7=2。通過(guò)等式（1）可以計(jì)算出P1=0.22，P2=0.11，P3=0.11，P4=0.11，P5=0.11，P6=0.11和P7=0.22。

（1）

（2）

在計(jì)算出故障概率后，應(yīng)用蟻群優(yōu)化選擇最佳節(jié)點(diǎn)用于測(cè)試。螞蟻開(kāi)始從客戶端（源節(jié)點(diǎn)）到服務(wù)器（目標(biāo)節(jié)點(diǎn)），一個(gè)基于故障概率為pi及節(jié)點(diǎn)上具有信息素的螞蟻需要選擇將要移動(dòng)到的下一個(gè)節(jié)點(diǎn)。由于故障概率與信息素互相依賴，所以螞蟻可以依照以下兩個(gè)標(biāo)準(zhǔn)去選擇接下來(lái)的節(jié)點(diǎn)：（1）第i個(gè)節(jié)點(diǎn)的故障概率；（2）在下一個(gè)節(jié)點(diǎn)的信息素濃度。首先，假設(shè)所有節(jié)點(diǎn)的信息素濃度都相同，于是可以基于等式（3），螞蟻選擇具有最高p的下一步去移動(dòng)。

（3）

（4）

信息素（ni）表示第i個(gè)節(jié)點(diǎn)上信息素的濃度。B是衡量信息素與pi相關(guān)性的參數(shù)。q是以[0，1]均勻分布下被隨機(jī)選擇的值。q0（0≤q0≤1）是一個(gè)參數(shù)，是針對(duì)有高概率pi與高信息素的節(jié)點(diǎn)。S是螞蟻k選擇移動(dòng)到下一節(jié)點(diǎn)的概率。

一般來(lái)說(shuō)，信息素被全局或局部更新所改變，即當(dāng)螞蟻從一個(gè)節(jié)點(diǎn)轉(zhuǎn)移到另一節(jié)點(diǎn)時(shí)，信息素依據(jù)等式（4）所更新。

phermone（ni）=（1-）.phermone（ni）+.pi （5）

在等式（5）中，是0與1之間的數(shù)。如果=1，則信息素更新取決于故障概率。如果=0，那么信息素的更新取決于在ni信息素的濃度。在0與1之間取值，該值決定了故障概率與ni信息素濃度對(duì)于信息素的影響強(qiáng)度。

蟻群算法結(jié)束后，具有更多信息素的節(jié)點(diǎn)被選為測(cè)試。確定蟻群算法的最后條件是在每次巡回（螞蟻從客戶端到服務(wù)器叫一次巡回）的最后，信息素的濃度是否有影響。如果節(jié)點(diǎn)上的信息素在幾次連續(xù)重復(fù)中沒(méi)有改變，則應(yīng)該被停止，從而選擇一個(gè)具有更高信息素濃度的節(jié)點(diǎn)。本文所提出的蟻群算法可以在迭代中運(yùn)行直到所有的故障組件被定位。圖3展現(xiàn)了蟻群算法的流程圖。

7 結(jié)論（Conclusion）

隨著計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用的大規(guī)模普及，網(wǎng)絡(luò)已經(jīng)成為我們生活中不可或缺的設(shè)備。與此同時(shí)，網(wǎng)絡(luò)的復(fù)雜性也日益加大，因此檢測(cè)定位并排除故障，保障用戶網(wǎng)絡(luò)安全與通暢尤為重要。本文提出了基于專家系統(tǒng)技術(shù)、主動(dòng)輪詢、網(wǎng)絡(luò)拓?fù)?、圖論的故障定位方法，并且著重討論了一種基于蟻群的高效優(yōu)化算法。利用蟻群算法良好的正反饋與容錯(cuò)性的特點(diǎn)，對(duì)復(fù)雜的計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行故障定位。該算法大大減少了操作者的運(yùn)算量，并且使網(wǎng)絡(luò)管理速率大幅度提高。

參考文獻(xiàn)（References）

[1] GARSHASBI M S.Fault Localization Based on Combines Active and Passive Measurements in Computer Networks by Ant Colony Optimization[J].Reliability Engineering and System Safety，2016，152：205-212.

[2] Bing W，et al.Fault Localization Using Passiveend-to-End Measurement Sand Sequential Testing for Wireless Sensor Networks[J].IEEE Trans Mobile Comput，2012，11：439-452.

[3] CaiB，et al.Multi-Source Information Fusion Based Fault Diagnosis of Ground-Source Heat Pump Using Bayesian Network[J].Apply Energy，2014，114：1-9.

[4] BaraldiP，et al.Comparison of Data-Driven Reconstruction Methods for Fault Detection[J].Reliab，IEEE Trans，2015，64（3）：852-860.

[5] SteinderM，AdarshpalS.Probabilistic Fault Localization in Communication Systems Using Belief Networks[J].IEEE/ACM Trans Netw，2004，12：809-821.

作者簡(jiǎn)介：

周 暢（1996-），女，本科生.研究領(lǐng)域：通信工程.