專利名稱：無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無(wú)線傳感器網(wǎng)絡(luò) 技術(shù)領(lǐng)域，尤其涉及一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法和裝置。
背景技術(shù)：
雖然目前有許多的研究工作使得無(wú)線傳感器網(wǎng)絡(luò)的連接性以及功能性都得到了改善，但是無(wú)線傳感器網(wǎng)絡(luò)中仍然存在節(jié)點(diǎn)失效，鏈路不穩(wěn)定以及外界環(huán)境干擾等常見(jiàn)錯(cuò)誤。無(wú)線傳感器網(wǎng)絡(luò)一旦部署以后，由于其自組織方式的特點(diǎn)，網(wǎng)絡(luò)內(nèi)部運(yùn)行情況對(duì)管理員來(lái)說(shuō)是透明的，這給網(wǎng)絡(luò)相關(guān)的異常檢測(cè)與定位造成了困難，因此設(shè)計(jì)有效的在線診斷工具來(lái)幫助網(wǎng)絡(luò)管理員監(jiān)控網(wǎng)絡(luò)運(yùn)行狀態(tài)以及維護(hù)傳感器系統(tǒng)運(yùn)行是非常有意義的?，F(xiàn)有的無(wú)線傳感器網(wǎng)絡(luò)中的診斷算法都包含了兩個(gè)獨(dú)立的部分收集運(yùn)行狀態(tài)信息和網(wǎng)絡(luò)異常原因推斷。例如有人提出了一種主動(dòng)式診斷技術(shù)，基站節(jié)點(diǎn)周期性從每個(gè)傳感器節(jié)點(diǎn)收集運(yùn)行狀態(tài)信息然后利用決策樹模型進(jìn)行原因推斷。還有人提出了一種利用外部能量測(cè)量工具來(lái)收集所有節(jié)點(diǎn)的能量信息，然后使用分類器來(lái)判斷那些不響應(yīng)節(jié)點(diǎn)的內(nèi)部健康狀況以及可能的原因。從以上可以看出，這些方法有一個(gè)共同的缺陷，他們的信息收集過(guò)程是靜態(tài)的預(yù)定義過(guò)程，并沒(méi)有利用任何運(yùn)行中的信息。很明顯，預(yù)定義的信息收集過(guò)程可能會(huì)造成兩個(gè)不好的結(jié)果，過(guò)多的信息收集給網(wǎng)絡(luò)帶來(lái)了額外的通訊開銷，過(guò)少的信息收集使得原因推斷產(chǎn)生過(guò)多的錯(cuò)誤判斷。探測(cè)是一種在Internet以及企業(yè)網(wǎng)絡(luò)中非常常用的獲取網(wǎng)絡(luò)內(nèi)部狀態(tài)的診斷方法。在許多不同的應(yīng)用場(chǎng)景中許多不同的探測(cè)方法，但是他們大多數(shù)都需要依賴于專家知識(shí)或是預(yù)先信息例如網(wǎng)絡(luò)拓?fù)洌宜麄円捕技僭O(shè)網(wǎng)絡(luò)在運(yùn)行時(shí)是靜態(tài)的。與Internet以及企業(yè)網(wǎng)絡(luò)相比，無(wú)線傳感器網(wǎng)絡(luò)一些自身的特點(diǎn)(1)傳感器節(jié)點(diǎn)的計(jì)算資源及能量有限；(2)由于環(huán)境等外部因素干擾以及無(wú)線傳輸?shù)牟环€(wěn)定性，網(wǎng)絡(luò)拓?fù)鋭?dòng)態(tài)變化。并且由于自組織的特點(diǎn)，關(guān)于拓?fù)涞氖孪刃畔o(wú)法獲得。如圖I所示，左上角是GreenOrbs森林檢測(cè)系統(tǒng)的物理部署結(jié)構(gòu)圖，另外三幅圖是不同時(shí)刻的網(wǎng)絡(luò)拓?fù)淇煺?，可以看到不同時(shí)刻網(wǎng)絡(luò)的連接狀態(tài)是不同的；(3)由于傳感器節(jié)點(diǎn)是非常易錯(cuò)的，同時(shí)失效的節(jié)點(diǎn)數(shù)目是難以事先預(yù)測(cè)的，但是在企業(yè)網(wǎng)絡(luò)中常常假設(shè)最多同時(shí)出現(xiàn)的錯(cuò)誤節(jié)點(diǎn)個(gè)數(shù)為一個(gè)事先定義的常數(shù)k，因此可以看出現(xiàn)有的一些Internet以及企業(yè)網(wǎng)絡(luò)中的診斷算法并不能直接應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)，因?yàn)闆](méi)有事先的關(guān)于網(wǎng)絡(luò)內(nèi)部運(yùn)行的信息以及網(wǎng)絡(luò)運(yùn)行過(guò)程中拓?fù)涞膭?dòng)態(tài)變化。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法和裝置，信息收集的過(guò)程是在推理模型的指導(dǎo)下進(jìn)行的，隨著信息收集不斷完善，推理模型也不斷得到細(xì)化，從而提高推理的準(zhǔn)確率。為達(dá)此目的，本發(fā)明采用以下技術(shù)方案
一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，包括以下步驟A、記錄節(jié)點(diǎn)的轉(zhuǎn)發(fā)包的節(jié)點(diǎn)信息，生成每個(gè)節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表；B、收集網(wǎng)絡(luò)異常區(qū)域傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表，建立局部拓?fù)?；C、基于局部拓?fù)浣⒛軌虮憩F(xiàn)網(wǎng)絡(luò)依賴關(guān)系的推理模型；D、根據(jù)推理模型進(jìn)行增量探測(cè)，依據(jù)探測(cè)結(jié)果更新推理模型，直到獲得診斷報(bào)告。步驟A中記錄的節(jié)點(diǎn)信息，包括前一跳的節(jié)點(diǎn)ID和轉(zhuǎn)發(fā)包的數(shù)目，記錄在轉(zhuǎn)發(fā)列表中；轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID和所述源節(jié)點(diǎn)的序列號(hào)，記錄在追蹤列表中。步驟A中生成每個(gè)傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表時(shí)進(jìn)一步包括以下步驟 Al、傳感器節(jié)點(diǎn)收到轉(zhuǎn)發(fā)包，檢查轉(zhuǎn)發(fā)列表中是否存在前一跳節(jié)點(diǎn)ID的表項(xiàng)；若不存在，則增加所述前一跳節(jié)點(diǎn)ID的表項(xiàng)，并將轉(zhuǎn)發(fā)包的數(shù)目設(shè)置為I ;若存在，則將所述前一跳節(jié)點(diǎn)ID表項(xiàng)中的轉(zhuǎn)發(fā)包數(shù)目增加I ;A2、檢查追蹤列表中是否存在轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID的表項(xiàng)；若不存在，則建立所述源節(jié)點(diǎn)ID的表項(xiàng)，并將源節(jié)點(diǎn)的序列號(hào)設(shè)置為所述轉(zhuǎn)發(fā)包的序列號(hào)；若存在，則比較所述源節(jié)點(diǎn)序列號(hào)與轉(zhuǎn)發(fā)包序列號(hào)的大小，當(dāng)轉(zhuǎn)發(fā)包序列號(hào)大于源節(jié)點(diǎn)序列號(hào)時(shí)，將所述源節(jié)點(diǎn)序列號(hào)更新為所述轉(zhuǎn)發(fā)包序列號(hào)，當(dāng)轉(zhuǎn)發(fā)包序列號(hào)小于源節(jié)點(diǎn)序列號(hào)時(shí)，不做任何操作。步驟B進(jìn)一步包括以下步驟BI、基站節(jié)點(diǎn)從追蹤列表中取出被懷疑節(jié)點(diǎn)的表項(xiàng)，打包成一個(gè)探測(cè)包廣播至網(wǎng)絡(luò)；B2、傳感器節(jié)點(diǎn)接收到探測(cè)包后，檢查追蹤列表中是否包含探測(cè)包中被懷疑的源節(jié)點(diǎn)ID，若包含，則比較所述源節(jié)點(diǎn)ID在追蹤列表中和在探測(cè)包中的序列號(hào)的大小，當(dāng)探測(cè)包中的序列號(hào)大于追蹤列表中的序列號(hào)時(shí)，所述傳感器節(jié)點(diǎn)將轉(zhuǎn)發(fā)列表發(fā)送給基站節(jié)點(diǎn)，并將探測(cè)包發(fā)送給鄰居節(jié)點(diǎn)；B3、基站節(jié)點(diǎn)根據(jù)收到的轉(zhuǎn)發(fā)列表建立局部拓?fù)?，?duì)所述局部拓?fù)溥M(jìn)行修改，修改后的局部拓?fù)渲械娜~子節(jié)點(diǎn)只包括基站節(jié)點(diǎn)和被懷疑節(jié)點(diǎn)。步驟C中，根據(jù)局部拓?fù)渖苫谪惾~斯網(wǎng)絡(luò)結(jié)構(gòu)的推理模型，并確定每個(gè)頂點(diǎn)的概率分布，以其中的天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的后驗(yàn)概率來(lái)指導(dǎo)后續(xù)探測(cè)路線選擇和原因推斷。步驟D進(jìn)一步包括以下步驟D1、將現(xiàn)有癥狀輸入推理模型，根據(jù)原因節(jié)點(diǎn)的后驗(yàn)概率產(chǎn)生候選錯(cuò)誤集合；D2、計(jì)算候選錯(cuò)誤集合的可信度，當(dāng)可信度大于預(yù)設(shè)閾值時(shí)，將當(dāng)前候選錯(cuò)誤集合作為診斷報(bào)告輸出；當(dāng)可信度小于預(yù)設(shè)閾值時(shí)，進(jìn)入步驟D3 ；D3、將覆蓋了與所述候選錯(cuò)誤集合關(guān)聯(lián)的未探測(cè)癥狀數(shù)目最多的路徑作為探測(cè)路徑，利用包含最小懷疑節(jié)點(diǎn)數(shù)目的探測(cè)包進(jìn)行探測(cè)，將探測(cè)收集的網(wǎng)絡(luò)信息反饋至推理模型并返回步驟D1?！N無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置，包括節(jié)點(diǎn)追蹤模塊，標(biāo)記收集模塊，模型推理模塊和增量探測(cè)模塊，所述節(jié)點(diǎn)追蹤模塊，標(biāo)記收集模塊，模型推理模塊和增量探測(cè)模塊依次連接，其中，節(jié)點(diǎn)追蹤模塊，用于記錄節(jié)點(diǎn)的轉(zhuǎn)發(fā)包的節(jié)點(diǎn)信息，生成每個(gè)節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表；標(biāo)記收集模塊，用于收集網(wǎng)絡(luò)異常區(qū)域傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表，建立局部拓?fù)?；模型推理模塊，用于基于局部拓?fù)浣⒛軌虮憩F(xiàn)網(wǎng)絡(luò)依賴關(guān)系的推理模型；增量探測(cè)模塊，用于根據(jù)推理模型進(jìn)行增量探測(cè)，依據(jù)探測(cè)結(jié)果更新推理模型，直到獲得診斷報(bào)告。所述節(jié)點(diǎn)追蹤模塊記錄的節(jié)點(diǎn)信息包括前一跳的節(jié)點(diǎn)ID和轉(zhuǎn)發(fā)包的數(shù)目，記錄在轉(zhuǎn)發(fā)列表中；轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID和所述源節(jié)點(diǎn)的序列號(hào)，記錄在追蹤列表中。 所述模型推理模塊，根據(jù)局部拓?fù)渖苫谪惾~斯網(wǎng)絡(luò)結(jié)構(gòu)的推理模型，并確定每個(gè)頂點(diǎn)的概率分布，以其中的天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的后驗(yàn)概率來(lái)指導(dǎo)后續(xù)探測(cè)路線選擇和原因推斷。所述增量探測(cè)模塊進(jìn)一步包括錯(cuò)誤推理模塊，錯(cuò)誤集合評(píng)價(jià)模塊和探測(cè)路線選取模塊，其中，錯(cuò)誤推理模塊，用于將現(xiàn)有癥狀輸入推理模型，根據(jù)原因節(jié)點(diǎn)的后驗(yàn)概率產(chǎn)生候選錯(cuò)誤集合；錯(cuò)誤集合評(píng)價(jià)模塊，用于計(jì)算候選錯(cuò)誤集合的可信度，當(dāng)可信度大于預(yù)設(shè)閾值時(shí)，將當(dāng)前候選錯(cuò)誤集合作為診斷報(bào)告輸出；探測(cè)路線選取模塊，用于當(dāng)可信度小于預(yù)設(shè)閾值時(shí)，將覆蓋了與所述候選錯(cuò)誤集合關(guān)聯(lián)的未探測(cè)癥狀數(shù)目最多的路徑作為探測(cè)路徑，利用包含最小懷疑節(jié)點(diǎn)數(shù)目的探測(cè)包進(jìn)行探測(cè)，將探測(cè)收集的網(wǎng)絡(luò)信息反饋至模型推理模塊。采用本發(fā)明的技術(shù)方案，信息收集的過(guò)程是在推理模型的指導(dǎo)下進(jìn)行的，隨著信息收集不斷完善，推理模型也不斷得到細(xì)化，從而提高推理的準(zhǔn)確率。這個(gè)方法的診斷區(qū)域局限在潛在問(wèn)題區(qū)域，從而有效地降低了網(wǎng)絡(luò)診斷的消耗，一種非常有效的在線的無(wú)線傳感器網(wǎng)絡(luò)診斷方法。


圖I是現(xiàn)有的森林檢測(cè)系統(tǒng)的物理部署結(jié)構(gòu)示意圖。圖2是本發(fā)明具體實(shí)施方式
提供的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法的流程示意圖。圖3是本發(fā)明具體實(shí)施方式
中轉(zhuǎn)發(fā)列表與追蹤列表的結(jié)構(gòu)示意圖。圖4是本發(fā)明具體實(shí)施方式
中局部拓?fù)涞男藿ㄟ^(guò)程示意圖。圖5是本發(fā)明具體實(shí)施方式
中使用的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖6是本發(fā)明具體實(shí)施方式
提供的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置的結(jié)構(gòu)示意圖。
具體實(shí)施例方式下面結(jié)合附圖并通過(guò)具體實(shí)施方式
來(lái)進(jìn)一步說(shuō)明本發(fā)明的技術(shù)方案。本發(fā)明具體實(shí)施方式
的主要思想在于，每個(gè)無(wú)線傳感器節(jié)點(diǎn)的節(jié)點(diǎn)追蹤模塊用來(lái)記錄每個(gè)轉(zhuǎn)發(fā)的包的情況，最后形成自己的標(biāo)記。在基站節(jié)點(diǎn)端，當(dāng)發(fā)現(xiàn)某些網(wǎng)絡(luò)異常時(shí)，基站節(jié)點(diǎn)將會(huì)啟動(dòng)標(biāo)記收集模塊對(duì)潛在問(wèn)題區(qū)域的節(jié)點(diǎn)進(jìn)行標(biāo)記收集。標(biāo)記收集后，可以得到局部拓?fù)鋱D用來(lái)建立初步的推理模型，根據(jù)建立的推理模型，每次選擇最優(yōu)的探測(cè)方案對(duì)網(wǎng)絡(luò)進(jìn)行進(jìn)一步探測(cè)，每次的探測(cè)結(jié)果用來(lái)進(jìn)一步細(xì)化推理模型，當(dāng)增量探測(cè)結(jié)束的時(shí)候，可以生成一個(gè)診斷報(bào)告，其中包含網(wǎng)絡(luò)元素的后驗(yàn)錯(cuò)誤概率。如圖I所示，該定向診斷方法包括以下步驟步驟S201,記錄節(jié)點(diǎn)的轉(zhuǎn)發(fā)包的節(jié)點(diǎn)信息,生成每個(gè)節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表。該步驟中的節(jié)點(diǎn)追蹤算法在每個(gè)傳感器節(jié)點(diǎn)維護(hù)了兩個(gè)列表，如圖3所示，一個(gè)是轉(zhuǎn)發(fā)列表，用來(lái)記錄前一條ID及其發(fā)過(guò)來(lái)的包的數(shù)目；另外一個(gè)是追蹤列表，用來(lái)記錄包的源ID及其最新的序列號(hào)，如圖3所示。在這個(gè)追蹤方案中，轉(zhuǎn)發(fā)列表以及追蹤列表的每行僅僅是6個(gè)字節(jié)，轉(zhuǎn)發(fā)列表的最多行數(shù)為它的鄰居數(shù)目，而追蹤列表最多行數(shù)為所有節(jié)點(diǎn)數(shù)目。當(dāng)網(wǎng)絡(luò)運(yùn)行時(shí)，每個(gè)包從源節(jié)點(diǎn)到基站節(jié)點(diǎn)，每個(gè)中間節(jié)點(diǎn)都會(huì)記錄轉(zhuǎn)發(fā)包的情況。假設(shè)無(wú)線傳感器網(wǎng)絡(luò)的數(shù)目為N，那么轉(zhuǎn)發(fā)列表和追蹤列表分別都不會(huì)超過(guò)6N字節(jié)，所以一個(gè)節(jié)點(diǎn)的最多存儲(chǔ)量不會(huì)超過(guò)12N字節(jié)，假設(shè)N = 1024的話，那么每個(gè)節(jié)點(diǎn)的最大存儲(chǔ)消耗不會(huì)超過(guò)12KB。而且實(shí)際上轉(zhuǎn)發(fā)列表和追蹤列表的行數(shù)是遠(yuǎn)遠(yuǎn)小于N的，因此這個(gè) 數(shù)據(jù)結(jié)構(gòu)的方案對(duì)于無(wú)線傳感器來(lái)說(shuō)應(yīng)該是可以接受的。下面具體介紹所述節(jié)點(diǎn)追蹤算法的具體內(nèi)容當(dāng)節(jié)點(diǎn)收到I個(gè)包的時(shí)候，將首先檢查轉(zhuǎn)發(fā)列表。如果不存在前一跳ID相應(yīng)的表項(xiàng)，那么將建立一個(gè)新的行，并將其轉(zhuǎn)發(fā)包的數(shù)目設(shè)置為I。如果已經(jīng)存在，那么就將其轉(zhuǎn)發(fā)包的數(shù)目增加I。然后繼續(xù)檢查追蹤列表，如果不存在源ID相應(yīng)的表項(xiàng)，那么將建立一個(gè)新的源ID的表項(xiàng)，并設(shè)置所述包的序列號(hào)為其序列號(hào)。如果存在相應(yīng)的表項(xiàng)，那么將比較序列號(hào)的大小。如果所述包的序列號(hào)大于源ID對(duì)應(yīng)的表項(xiàng)中的序列號(hào)，那么將更新序列號(hào)，否則將不作任何操作。在這個(gè)過(guò)程，基站節(jié)點(diǎn)也參與這個(gè)追蹤過(guò)程。但是區(qū)別是，基站節(jié)點(diǎn)記錄的是最小的序列號(hào)，而其他節(jié)點(diǎn)記錄的是最大的序列號(hào)。當(dāng)一次診斷結(jié)束的時(shí)候，將重置那些錯(cuò)誤節(jié)點(diǎn)的序列號(hào)從而開始一個(gè)新的時(shí)間記錄。步驟S202，收集網(wǎng)絡(luò)異常區(qū)域傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表，建立局部拓?fù)?。?dāng)網(wǎng)絡(luò)異常發(fā)生，基站節(jié)點(diǎn)將啟動(dòng)標(biāo)記收集模塊對(duì)潛在問(wèn)題區(qū)域進(jìn)行信息收集。通過(guò)潛在問(wèn)題區(qū)域的節(jié)點(diǎn)回復(fù)的轉(zhuǎn)發(fā)列表，就可以得到局部拓?fù)?。因?yàn)樾畔⑹占倪^(guò)程是按需進(jìn)行的，因此可以及時(shí)反映網(wǎng)絡(luò)的動(dòng)態(tài)變化，這樣的設(shè)計(jì)有兩個(gè)優(yōu)點(diǎn)一個(gè)是診斷區(qū)域僅限在局部，另外一點(diǎn)是當(dāng)網(wǎng)絡(luò)沒(méi)有異常發(fā)生時(shí)，不會(huì)產(chǎn)生任何額外的診斷流量開銷。在基站節(jié)點(diǎn)，標(biāo)記收集過(guò)程是被某些網(wǎng)絡(luò)異常所觸發(fā)的。一個(gè)被廣泛使用的標(biāo)準(zhǔn)是當(dāng)某個(gè)時(shí)間段內(nèi)，從節(jié)點(diǎn)收集的感知數(shù)據(jù)未達(dá)到預(yù)期的數(shù)目時(shí)，認(rèn)為可能有一些網(wǎng)絡(luò)錯(cuò)誤發(fā)生。在這個(gè)時(shí)候，基站節(jié)點(diǎn)將從追蹤列表中取出那些被懷疑節(jié)點(diǎn)的表項(xiàng)，然后將其打包成一個(gè)探測(cè)包廣播至網(wǎng)絡(luò)。這個(gè)廣播算法不同于普通的廣播算法，這是因?yàn)楫?dāng)節(jié)點(diǎn)收到探測(cè)包后，如果在自己的轉(zhuǎn)發(fā)列表中為包含任何的懷疑節(jié)點(diǎn)，那么停止廣播，否則，才會(huì)將探測(cè)包繼續(xù)進(jìn)行廣播。使用這種有限廣播的方式，將其帶來(lái)的額外通訊開銷降到盡可能小。下面具體介紹所述廣播算法當(dāng)收到一個(gè)探測(cè)包時(shí)，每個(gè)節(jié)點(diǎn)需要檢查自己是否為懷疑節(jié)點(diǎn)轉(zhuǎn)發(fā)過(guò)包。首先檢查自己的追蹤列表中是否包含懷疑ID，如果有，那么將比較其序列號(hào)大小。如果探測(cè)包中的序列號(hào)比較大的話，那么節(jié)點(diǎn)需要向基站節(jié)點(diǎn)遞交自己的轉(zhuǎn)發(fā)列表，然后繼續(xù)依據(jù)轉(zhuǎn)發(fā)列表將所述探測(cè)包發(fā)給自己鄰居。如果探測(cè)包中的序列號(hào)比較小的話，只能說(shuō)明在診斷時(shí)段開始時(shí)間前為被懷疑節(jié)點(diǎn)轉(zhuǎn)發(fā)過(guò)數(shù)據(jù)，所以不必包含在此次診斷過(guò)程中。被收集到的轉(zhuǎn)發(fā)列表將用來(lái)建立推理模型，因?yàn)槠渲邪斯?jié)點(diǎn)之間的依賴程度關(guān)系。當(dāng)收集到了所需要的信息后，基站節(jié)點(diǎn)將開始構(gòu)造局部拓?fù)溥M(jìn)行診斷。重建過(guò)程從基站節(jié)點(diǎn)開始，將收集到的所有鄰居列表中的連接都組合起來(lái)。很明顯，這樣會(huì)有一些無(wú)關(guān)的節(jié)點(diǎn)和連接被包括進(jìn)來(lái)了。因此，還需要進(jìn)行一個(gè)剪枝的過(guò)程。根據(jù)診斷的需要，可以得到這樣一個(gè)結(jié)論只有基站節(jié)點(diǎn)以及被懷疑節(jié)點(diǎn)才可能是葉子節(jié)點(diǎn)。因此剪枝過(guò)程就是循環(huán)不斷去掉那些度為I的點(diǎn)及其關(guān)聯(lián)連接直到所有不合格的葉子節(jié)點(diǎn)都被去除掉了。局部拓?fù)渲亟ㄟ^(guò)程如圖4所示。圖4(a)中，節(jié)點(diǎn)d和節(jié)點(diǎn)k是被懷疑節(jié)點(diǎn)，然后基站節(jié)點(diǎn)開始標(biāo)記收集過(guò)程，從潛在問(wèn)題節(jié)點(diǎn)回復(fù)的鄰居列表得到局部拓?fù)鋱D如圖4(b)，然后循環(huán)去掉那些度為I且不是被懷疑節(jié)點(diǎn)的節(jié)點(diǎn)及其連接。最后可以到局部拓?fù)鋱D如圖4(c)。步驟S203，基于局部拓?fù)浣⒛軌虮憩F(xiàn)網(wǎng)絡(luò)依賴關(guān)系的推理模型。網(wǎng)絡(luò)內(nèi)部的依賴關(guān)系是內(nèi)部關(guān)聯(lián)的。某個(gè)父節(jié)點(diǎn)的忽然壞掉將導(dǎo)致它的子節(jié)點(diǎn)將不得不尋找新的路徑來(lái)傳送自己的數(shù)據(jù)，如果尋找不到新的路徑，那么這個(gè)子節(jié)點(diǎn)的數(shù)據(jù)將無(wú)法成功傳送到基站節(jié)點(diǎn)。另外一個(gè)例子是，如果同時(shí)有多條路徑都存在較高的丟包率，那么可能這多條路徑存在某個(gè)共享鏈路發(fā)生了異常。因此基于局部拓?fù)淠Ｐ?，能夠建立一個(gè)推理模型能夠?qū)⒕W(wǎng)絡(luò)的依賴關(guān)系表達(dá)出來(lái)，例如節(jié)點(diǎn)狀態(tài)，鏈路狀態(tài)以及感知功能等。其他類似數(shù)據(jù)采集量不夠等外部的癥狀作為模型的輸入，當(dāng)觀測(cè)到某些癥狀時(shí)，就可以對(duì)模型進(jìn)行推理然后找出最有可能的解釋原因。由于對(duì)于網(wǎng)絡(luò)拓?fù)洳淮嬖谙闰?yàn)知識(shí)以及運(yùn)行時(shí)拓?fù)涞母叨葎?dòng)態(tài)變化，大多數(shù)Internet和靜態(tài)企業(yè)網(wǎng)中的推理模型在無(wú)線傳感器網(wǎng)絡(luò)中并不適用。這里，使用了一種多層次的推理模型來(lái)表達(dá)無(wú)線傳感器網(wǎng)絡(luò)的內(nèi)部關(guān)系。一個(gè)貝葉斯網(wǎng)絡(luò)是一個(gè)有向無(wú)環(huán)圖，其中的頂點(diǎn)表示隨機(jī)變量，邊表示變量之間的因果關(guān)系。一個(gè)從A到B的有向邊表示B是A的結(jié)果，A是原因。每個(gè)頂點(diǎn)都有其概率分布，區(qū)別在于無(wú)父節(jié)點(diǎn)的點(diǎn)只有先驗(yàn)概率，把這些點(diǎn)成為原因頂點(diǎn)，而其他中間節(jié)點(diǎn)存在條件概率概率分布，稱其為癥狀頂點(diǎn)。給定某個(gè)證據(jù)其中包含了若干癥狀的狀態(tài)，那么貝葉斯網(wǎng)絡(luò)就可以推導(dǎo)出所有原因頂點(diǎn)的后驗(yàn)概率。貝葉斯網(wǎng)絡(luò)的建立是根據(jù)局部拓?fù)渖傻?。一個(gè)典型的例子如圖5所示。在圖5Ca)的節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)圖中，表示了一個(gè)基站節(jié)點(diǎn)0連接了兩個(gè)普通節(jié)點(diǎn)。有向邊表示無(wú)線傳輸鏈路。如圖5 (b)所示的貝葉斯網(wǎng)絡(luò)中存在六種頂點(diǎn)，其中R為天線頂點(diǎn)，包括R0、R1和R2 ；S為感知數(shù)據(jù)頂點(diǎn)，包括SI和S2 ；D為數(shù)據(jù)報(bào)告頂點(diǎn)，包括Dl和D2 ；C為連接頂點(diǎn)，包括Cl和C2 ；P為路徑頂點(diǎn)，包括P20和P210 ；L為鏈路頂點(diǎn)，包括L20> L10和L210每個(gè)頂點(diǎn)存在UP和DOWN兩種狀態(tài)。下面逐一介紹這些頂點(diǎn)的含義。天線頂點(diǎn)表示傳感器節(jié)點(diǎn)的天線功能，主要影響鏈路的狀態(tài)。感知數(shù)據(jù)頂點(diǎn)表示傳感器節(jié)點(diǎn)的感知功能，連接頂點(diǎn)表示某個(gè)傳感器節(jié)點(diǎn)到基站節(jié)點(diǎn)的連接性。路徑頂點(diǎn)表示某條到基站節(jié)點(diǎn)的特定路線。鏈路頂點(diǎn)表示兩個(gè)節(jié)點(diǎn)之間的通信狀態(tài)。數(shù)據(jù)報(bào)告頂點(diǎn)表示了基站節(jié)點(diǎn)收到的某個(gè)節(jié)點(diǎn)的數(shù)據(jù)情 況。舉例來(lái)看，如果基站節(jié)點(diǎn)在某段時(shí)間觀察到某個(gè)節(jié)點(diǎn)的感知數(shù)據(jù)量未達(dá)到預(yù)期或是存在非常大的延遲，那么數(shù)據(jù)報(bào)告點(diǎn)將設(shè)置為DOWN，然后觸發(fā)一個(gè)診斷過(guò)程。數(shù)據(jù)報(bào)告頂點(diǎn)依賴于感知數(shù)據(jù)頂點(diǎn)和連接頂點(diǎn)。而鏈路頂點(diǎn)的狀態(tài)則取決于兩個(gè)節(jié)點(diǎn)的天線頂點(diǎn)狀態(tài)。而連接頂點(diǎn)，路徑頂點(diǎn)和鏈路頂點(diǎn)之間的關(guān)系則是從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中獲取的。根據(jù)以上規(guī)則，可以得到一個(gè)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)圖，如圖5 (b)所示。在六種隨機(jī)變量中，天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)是原因頂點(diǎn)，也就是它們的狀態(tài)時(shí)需要推測(cè)的。而連接頂點(diǎn)，鏈路頂點(diǎn)以及路徑頂點(diǎn)的狀態(tài)是癥狀頂點(diǎn)，他們的狀態(tài)是根據(jù)探測(cè)包的結(jié)果來(lái)進(jìn)行賦值的。數(shù)據(jù)報(bào)告頂點(diǎn)的狀態(tài)是基站節(jié)點(diǎn)根據(jù)數(shù)據(jù)的實(shí)際情況賦值。這個(gè)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)可以根據(jù)節(jié)點(diǎn)跟蹤模塊的進(jìn)行及時(shí)的更新從而反映網(wǎng)絡(luò)的動(dòng)態(tài)變化。當(dāng)貝葉斯網(wǎng)絡(luò)構(gòu)造完畢時(shí)，下一步重要工作就是為每個(gè)頂點(diǎn)確定概率分布。天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的先驗(yàn)概率分布根據(jù)經(jīng)驗(yàn)值確定。其余癥狀頂點(diǎn)的條件概率分布都可以基于noise-OR門或是Select門。在一個(gè)noise-OR門中，表示任何一個(gè)父節(jié)點(diǎn)處于DOWN的狀態(tài)，子節(jié)點(diǎn)的狀態(tài)就將處于DOWN。在推理模型中，連接頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)對(duì)于數(shù)據(jù)報(bào)告頂點(diǎn)的影響，鏈路頂點(diǎn)和連接頂點(diǎn)對(duì)于路徑頂點(diǎn)的影響都可以用noise-OR門表示。多條路徑的頂點(diǎn)與連接性頂點(diǎn)之間的關(guān)系可以用Select門表示，因?yàn)槿魏我粭l路徑處于UP狀態(tài)，連接性頂點(diǎn)都將處于UP狀態(tài)。推理模型的輸出就是天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的后驗(yàn)概 率用來(lái)指導(dǎo)后續(xù)的探測(cè)路線選擇以及原因推斷。步驟S204，根據(jù)推理模型進(jìn)行增量探測(cè)，依據(jù)探測(cè)結(jié)果更新推理模型，直到獲得診斷報(bào)告。目前大多數(shù)的診斷策略對(duì)于診斷信息的收集都不存在一個(gè)反饋的過(guò)程。在該方法中，推理模型在網(wǎng)絡(luò)異常發(fā)生時(shí)開始啟動(dòng)，但是由于剛開始觀測(cè)到的外部癥狀不夠，就采取了增量式探測(cè)的方式來(lái)獲取那些對(duì)推理有可能產(chǎn)生最大幫助的癥狀的狀態(tài)。每次探測(cè)的選取都根據(jù)推理模型獲得，然后探測(cè)的結(jié)果用來(lái)更新推理模型.該方法可以有效地同時(shí)定位無(wú)線傳感器網(wǎng)絡(luò)中的多個(gè)錯(cuò)誤。一旦推理模型建立完畢，就可以開始增量式探測(cè)過(guò)程，這個(gè)過(guò)程是在根據(jù)推理模型的指導(dǎo)下進(jìn)行的。該方法的主要在于如果現(xiàn)有觀測(cè)的癥狀節(jié)點(diǎn)還不足以解釋目前的問(wèn)題的話，將選擇下一條最優(yōu)的探測(cè)包來(lái)對(duì)那些未知癥狀進(jìn)行探測(cè)。主要包含三個(gè)主要模塊錯(cuò)誤推理模塊，錯(cuò)誤集合評(píng)價(jià)模塊以及探測(cè)路線選取模塊。如圖6所示，錯(cuò)誤推理模塊將現(xiàn)有的癥狀輸入模型，然后根據(jù)最新的后驗(yàn)概率產(chǎn)生一個(gè)候選錯(cuò)誤集合。之后錯(cuò)誤評(píng)價(jià)模塊對(duì)候選集合進(jìn)行計(jì)算判斷其是否符合要求，如果滿足，那么目前的候選錯(cuò)誤集合就作為最終結(jié)果，否則，那些對(duì)于候選集合貢獻(xiàn)最大的為探測(cè)癥狀就作為探測(cè)路線選擇模塊的輸入。最后選擇一個(gè)最優(yōu)的探測(cè)路線對(duì)網(wǎng)絡(luò)進(jìn)行信息收集，探測(cè)結(jié)果又重新作為錯(cuò)誤推理模塊的輸入開始新一輪的推理，直到滿足要求的候選錯(cuò)誤集合產(chǎn)生或是所有癥狀頂點(diǎn)都被探測(cè)完畢。下面分別介紹錯(cuò)誤推理，錯(cuò)誤集合評(píng)價(jià)和探測(cè)路線選取三個(gè)步驟(I)錯(cuò)誤推理錯(cuò)誤推理的目的是找出已觀測(cè)癥狀的原因，錯(cuò)誤推理的輸入主要包括從基站節(jié)點(diǎn)獲取的數(shù)據(jù)報(bào)告狀態(tài)以及探測(cè)結(jié)果獲取的網(wǎng)絡(luò)元素的狀態(tài)。當(dāng)獲取到新的癥狀的狀態(tài)，錯(cuò)誤推理模塊將把所有已知證據(jù)的狀態(tài)作為輸入，然后更新原因節(jié)點(diǎn)的后驗(yàn)概率。然后使用一個(gè)概率閾值作為評(píng)判某個(gè)原因是否成為一個(gè)錯(cuò)誤。當(dāng)最新的后驗(yàn)概率超過(guò)該閾值后，就將其放入候選錯(cuò)誤集合，這是一個(gè)簡(jiǎn)化的用來(lái)尋找那些對(duì)于已觀測(cè)癥狀貢獻(xiàn)最大的原因的方法。這里需要注意的是，如果初始閾值設(shè)置過(guò)高的話，將可能會(huì)沒(méi)有一個(gè)原因頂點(diǎn)成為候選錯(cuò)誤。在這種情況下，可以簡(jiǎn)單的選取后驗(yàn)概率最大的原因作為初始錯(cuò)誤。還有一點(diǎn)需要明確的是，原因節(jié)點(diǎn)的兩個(gè)后驗(yàn)概率之間并不存在直接聯(lián)系，因?yàn)樾碌陌Y狀狀態(tài)的獲取可能降低也可能提高這個(gè)錯(cuò)誤概率。隨著網(wǎng)絡(luò)狀態(tài)被不斷進(jìn)行探測(cè)，更多的癥狀頂點(diǎn)被確定也就是表示更加接近于真實(shí)情況。(2)錯(cuò)誤集合評(píng)價(jià)由錯(cuò)誤推理模塊產(chǎn)生的候選錯(cuò)誤集合可能是不準(zhǔn)確的，因?yàn)榘Y狀頂點(diǎn)的狀態(tài)是不完整的，錯(cuò)誤評(píng)價(jià)模塊正是對(duì)候選錯(cuò)誤集合的可信度進(jìn)行評(píng)價(jià)。定義了一個(gè)可信度測(cè)量公式來(lái)計(jì)算候選錯(cuò)誤集合的可信值。假設(shè)一個(gè)候選錯(cuò)誤集合包含了若干錯(cuò)誤，表示為Cf = {f:, f2，...}，和&相關(guān)的錯(cuò)誤集合表示
為S:: = [nm:…。因此和一個(gè)候選錯(cuò)誤集合相關(guān)的癥狀集合可以表示為
:=U :。用Stl來(lái)表不已經(jīng)觀測(cè)的癥狀集合。這樣一來(lái),可以定義一個(gè)候選錯(cuò)誤集合
的可信值的計(jì)算公式
Yl[I - ~p{SYJi: = DOlVT f:'…
r *" '-JZ z
^T- _ .....—…:_々
‘ Yi : - n :p 5 yij=在推理模型中，即使所有癥狀都被觀測(cè)到了，候選錯(cuò)誤集合的可信值仍可能是小于I的，因?yàn)榧词购蜻x錯(cuò)誤集合就是真實(shí)情況，有些癥狀的狀態(tài)是不會(huì)發(fā)生的，因此需要設(shè)定一個(gè)可信度閾值來(lái)判斷候選錯(cuò)誤集合是否是可接受的。這個(gè)值的設(shè)置需要長(zhǎng)期的觀察以及經(jīng)驗(yàn)的積累，但是如果閾值過(guò)高，那么正確的錯(cuò)誤集合也可能不滿足，而閾值過(guò)低，這會(huì)包含過(guò)多的假錯(cuò)誤，這個(gè)公式是用來(lái)評(píng)價(jià)候選集合的，如果結(jié)果超過(guò)閾值，那么探測(cè)過(guò)程將結(jié)束，候選錯(cuò)誤集合將作為診斷報(bào)告輸出。(3)探測(cè)路線選取如果候選錯(cuò)誤集合的可信值小于了閾值，那么將選取一個(gè)最優(yōu)的探測(cè)路線來(lái)獲取網(wǎng)絡(luò)的狀態(tài)信息。在許多先前工作中已經(jīng)證明，最小化探測(cè)開銷的探測(cè)路線的選取問(wèn)題等同于最小集合覆蓋問(wèn)題，是一個(gè)NP完全問(wèn)題。因此，提出一個(gè)啟發(fā)式貪心算法來(lái)解決這個(gè)問(wèn)題。選取那些覆蓋與候選錯(cuò)誤集合關(guān)聯(lián)的未觀測(cè)癥狀的最多個(gè)數(shù)的探測(cè)路線作為最優(yōu)路線。在這個(gè)條件相同的探測(cè)包中，再選擇那些最小癥狀個(gè)數(shù)的，以此來(lái)減小探測(cè)開銷。增量探測(cè)策略具有兩個(gè)顯著的優(yōu)點(diǎn)，第一，診斷信息的獲取是基于不斷更新的推理模型；第二，探測(cè)包的選取是基于更新后的推理模型，因此通訊開銷被最小化，因?yàn)椴粫?huì)產(chǎn)生無(wú)用的探測(cè)包。同時(shí)節(jié)點(diǎn)追蹤策略可以在保證較小開銷和延遲時(shí)間內(nèi)，成功的恢復(fù)局部拓?fù)?。采用本發(fā)明具體實(shí)施方式
部署了一個(gè)約300個(gè)傳感器節(jié)點(diǎn)的試驗(yàn)性傳感網(wǎng)系統(tǒng)。該系統(tǒng)可以采集溫度、濕度、光照強(qiáng)度等信息，為森林環(huán)境監(jiān)測(cè)提供了重要信息。定向診斷算法在該森林監(jiān)測(cè)系統(tǒng)中得到具體實(shí)現(xiàn)。我們進(jìn)行了大于3個(gè)月的實(shí)驗(yàn)，然后選取了一個(gè)6天的區(qū)間數(shù)據(jù)為基準(zhǔn)，進(jìn)行了基于trace的實(shí)驗(yàn)。這6天的區(qū)間數(shù)據(jù)總共包含42228個(gè)數(shù)據(jù)包以及309個(gè)傳感器節(jié)點(diǎn)。trace實(shí)驗(yàn)主要包含3個(gè)部分，首先，在第一時(shí)間階段對(duì)感知數(shù)據(jù)接受情況進(jìn)行計(jì)數(shù)，如果某些節(jié)點(diǎn)在這個(gè)階段沒(méi)有上交足夠量的感知數(shù)據(jù)，將它們列為懷疑節(jié)點(diǎn)。然后啟動(dòng)探測(cè)診斷過(guò)程，這個(gè)為第二時(shí)間階段。利用收集的鄰居列表情況得到那些參與了第一時(shí)間階段懷疑節(jié)點(diǎn)的局部拓?fù)湫畔?。所以，探測(cè)過(guò)程就轉(zhuǎn)化為查詢?cè)诘诙r(shí)間階段是否存在相應(yīng)的路徑。根據(jù)每次的探測(cè)結(jié)果，最后推理模型得到最終的診斷報(bào)告。在下面的表格中，列出了 6天區(qū)間中的某兩個(gè)小區(qū)間的診斷報(bào)告，在診斷報(bào)告I中，通過(guò)21個(gè)探測(cè)包，定位了 12個(gè)感知失效節(jié)點(diǎn)和7個(gè)傳輸失效節(jié)點(diǎn)。在診斷報(bào)告2中，通過(guò)25個(gè)探測(cè)包，定位了 15個(gè)感知失效節(jié)點(diǎn)和9個(gè)傳輸失效節(jié)點(diǎn)。
權(quán)利要求
1.一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，包括以下步驟 A、記錄節(jié)點(diǎn)轉(zhuǎn)發(fā)包的節(jié)點(diǎn)信息，生成每個(gè)節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表； B、收集網(wǎng)絡(luò)異常區(qū)域傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表，建立局部拓?fù)洌? C、基于局部拓?fù)浣⒛軌虮憩F(xiàn)網(wǎng)絡(luò)依賴關(guān)系的推理模型； D、根據(jù)推理模型進(jìn)行增量探測(cè)，依據(jù)探測(cè)結(jié)果更新推理模型，直到獲得診斷報(bào)告。
2.根據(jù)權(quán)利要求I所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，步驟A中記錄的節(jié)點(diǎn)信息，包括 前一跳的節(jié)點(diǎn)ID和轉(zhuǎn)發(fā)包的數(shù)目，記錄在轉(zhuǎn)發(fā)列表中； 轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID和所述源節(jié)點(diǎn)的序列號(hào)，記錄在追蹤列表中。
3.根據(jù)權(quán)利要求I或2所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，步驟A中生成每個(gè)傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表時(shí)進(jìn)一步包括以下步驟 Al、傳感器節(jié)點(diǎn)收到轉(zhuǎn)發(fā)包，檢查轉(zhuǎn)發(fā)列表中是否存在前一跳節(jié)點(diǎn)ID的表項(xiàng)；若不存在，則增加所述前一跳節(jié)點(diǎn)ID的表項(xiàng)，并將轉(zhuǎn)發(fā)包的數(shù)目設(shè)置為I ;若存在，則將所述前一跳節(jié)點(diǎn)ID表項(xiàng)中的轉(zhuǎn)發(fā)包數(shù)目增加I ; A2、檢查追蹤列表中是否存在轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID的表項(xiàng)；若不存在，則建立所述源節(jié)點(diǎn)ID的表項(xiàng)，并將源節(jié)點(diǎn)的序列號(hào)設(shè)置為所述轉(zhuǎn)發(fā)包的序列號(hào)；若存在，則比較所述源節(jié)點(diǎn)序列號(hào)與轉(zhuǎn)發(fā)包序列號(hào)的大小，當(dāng)轉(zhuǎn)發(fā)包序列號(hào)大于源節(jié)點(diǎn)序列號(hào)時(shí)，將所述源節(jié)點(diǎn)序列號(hào)更新為所述轉(zhuǎn)發(fā)包序列號(hào)，當(dāng)轉(zhuǎn)發(fā)包序列號(hào)小于源節(jié)點(diǎn)序列號(hào)時(shí)，不做任何操作。
4.根據(jù)權(quán)利要求I所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，步驟B進(jìn)一步包括以下步驟 BI、基站節(jié)點(diǎn)從追蹤列表中取出被懷疑節(jié)點(diǎn)的表項(xiàng)，打包成一個(gè)探測(cè)包廣播至網(wǎng)絡(luò)； B2、傳感器節(jié)點(diǎn)接收到探測(cè)包后，檢查追蹤列表中是否包含探測(cè)包中被懷疑的源節(jié)點(diǎn)ID，若包含，則比較所述源節(jié)點(diǎn)ID在追蹤列表中和在探測(cè)包中的序列號(hào)的大小，當(dāng)探測(cè)包中的序列號(hào)大于追蹤列表中的序列號(hào)時(shí)，所述傳感器節(jié)點(diǎn)將轉(zhuǎn)發(fā)列表發(fā)送給基站節(jié)點(diǎn)，并將探測(cè)包發(fā)送給鄰居節(jié)點(diǎn)； B3、基站節(jié)點(diǎn)根據(jù)收到的轉(zhuǎn)發(fā)列表建立局部拓?fù)洌瑢?duì)所述局部拓?fù)溥M(jìn)行修改，修改后的局部拓?fù)渲械娜~子節(jié)點(diǎn)只包括基站節(jié)點(diǎn)和被懷疑節(jié)點(diǎn)。
5.根據(jù)權(quán)利要求I所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，步驟C中，根據(jù)局部拓?fù)渖苫谪惾~斯網(wǎng)絡(luò)結(jié)構(gòu)的推理模型，并確定每個(gè)頂點(diǎn)的概率分布，以其中的天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的后驗(yàn)概率來(lái)指導(dǎo)后續(xù)探測(cè)路線選擇和原因推斷。
6.根據(jù)權(quán)利要求I所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法，其特征在于，步驟D進(jìn)一步包括以下步驟 D1、將現(xiàn)有癥狀輸入推理模型，根據(jù)原因節(jié)點(diǎn)的后驗(yàn)概率產(chǎn)生候選錯(cuò)誤集合； D2、計(jì)算候選錯(cuò)誤集合的可信度，當(dāng)可信度大于預(yù)設(shè)閾值時(shí)，將當(dāng)前候選錯(cuò)誤集合作為診斷報(bào)告輸出；當(dāng)可信度小于預(yù)設(shè)閾值時(shí)，進(jìn)入步驟D3 ； D3、將覆蓋了與所述候選錯(cuò)誤集合關(guān)聯(lián)的未探測(cè)癥狀數(shù)目最多的路徑作為探測(cè)路徑，利用包含最小懷疑節(jié)點(diǎn)數(shù)目的探測(cè)包進(jìn)行探測(cè)，將探測(cè)收集的網(wǎng)絡(luò)信息反饋至推理模型并返回步驟Dl。
7.一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置，其特征在于，包括節(jié)點(diǎn)追蹤模塊，標(biāo)記收集模塊，模型推理模塊和增量探測(cè)模塊，所述節(jié)點(diǎn)追蹤模塊，標(biāo)記收集模塊，模型推理模塊和增量探測(cè)模塊依次連接，其中， 節(jié)點(diǎn)追蹤模塊，用于記錄節(jié)點(diǎn)的轉(zhuǎn)發(fā)包的節(jié)點(diǎn)信息，生成每個(gè)節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表和追蹤列表； 標(biāo)記收集模塊，用于收集網(wǎng)絡(luò)異常區(qū)域傳感器節(jié)點(diǎn)的轉(zhuǎn)發(fā)列表，建立局部拓?fù)洌? 模型推理模塊，用于基于局部拓?fù)浣⒛軌虮憩F(xiàn)網(wǎng)絡(luò)依賴關(guān)系的推理模型； 增量探測(cè)模塊，用于根據(jù)推理模型進(jìn)行增量探測(cè)，依據(jù)探測(cè)結(jié)果更新推理模型，直到獲得診斷報(bào)告。
8.根據(jù)權(quán)利要求7所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置，其特征在于，所述節(jié)點(diǎn)追蹤模塊記錄的節(jié)點(diǎn)信息包括 前一跳的節(jié)點(diǎn)ID和轉(zhuǎn)發(fā)包的數(shù)目，記錄在轉(zhuǎn)發(fā)列表中； 轉(zhuǎn)發(fā)包的源節(jié)點(diǎn)ID和所述源節(jié)點(diǎn)的序列號(hào)，記錄在追蹤列表中。
9.根據(jù)權(quán)利要求7所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置，其特征在于，所述模型推理模塊，根據(jù)局部拓?fù)渖苫谪惾~斯網(wǎng)絡(luò)結(jié)構(gòu)的推理模型，并確定每個(gè)頂點(diǎn)的概率分布，以其中的天線頂點(diǎn)和感知數(shù)據(jù)頂點(diǎn)的后驗(yàn)概率來(lái)指導(dǎo)后續(xù)探測(cè)路線選擇和原因推斷。
10.根據(jù)權(quán)利要求7所述的無(wú)線傳感器網(wǎng)絡(luò)的定向診斷裝置，其特征在于，所述增量探測(cè)模塊進(jìn)一步包括錯(cuò)誤推理模塊，錯(cuò)誤集合評(píng)價(jià)模塊和探測(cè)路線選取模塊，其中， 錯(cuò)誤推理模塊，用于將現(xiàn)有癥狀輸入推理模型，根據(jù)原因節(jié)點(diǎn)的后驗(yàn)概率產(chǎn)生候選錯(cuò)誤集合； 錯(cuò)誤集合評(píng)價(jià)模塊，用于計(jì)算候選錯(cuò)誤集合的可信度，當(dāng)可信度大于預(yù)設(shè)閾值時(shí)，將當(dāng)前候選錯(cuò)誤集合作為診斷報(bào)告輸出； 探測(cè)路線選取模塊，用于當(dāng)可信度小于預(yù)設(shè)閾值時(shí)，將覆蓋了與所述候選錯(cuò)誤集合關(guān)聯(lián)的未探測(cè)癥狀數(shù)目最多的路徑作為探測(cè)路徑，利用包含最小懷疑節(jié)點(diǎn)數(shù)目的探測(cè)包進(jìn)行探測(cè)，將探測(cè)收集的網(wǎng)絡(luò)信息反饋至模型推理模塊。
全文摘要
本發(fā)明公開了一種無(wú)線傳感器網(wǎng)絡(luò)的定向診斷方法和裝置，無(wú)線傳感器節(jié)點(diǎn)的記錄每個(gè)轉(zhuǎn)發(fā)的包的情況，最后形成自己的標(biāo)記；基站節(jié)點(diǎn)發(fā)現(xiàn)某些網(wǎng)絡(luò)異常時(shí)，將會(huì)啟動(dòng)對(duì)潛在問(wèn)題區(qū)域的節(jié)點(diǎn)進(jìn)行標(biāo)記收集；得到局部拓?fù)鋱D用來(lái)建立初步的推理模型；根據(jù)建立的推理模型，選擇最優(yōu)的探測(cè)方案對(duì)網(wǎng)絡(luò)進(jìn)行進(jìn)一步探測(cè)，每次的探測(cè)結(jié)果用來(lái)進(jìn)一步細(xì)化推理模型；增量探測(cè)結(jié)束的時(shí)候，生成診斷報(bào)告。本發(fā)明提高了推理的準(zhǔn)確率，而且診斷區(qū)域局限在潛在問(wèn)題區(qū)域，從而有效地降低了網(wǎng)絡(luò)診斷的消耗。
文檔編號(hào)H04W24/04GK102711158SQ20121012710
公開日2012年10月3日 申請(qǐng)日期2012年4月26日 優(yōu)先權(quán)日2012年4月26日
發(fā)明者龔偉 申請(qǐng)人:無(wú)錫賽睿科技有限公司