专利名称：无线传感器网络的定向诊断方法和装置的制作方法
技术领域：
本发明涉及无线传感器网络 技术领域，尤其涉及一种无线传感器网络的定向诊断方法和装置。
背景技术：
虽然目前有许多的研究工作使得无线传感器网络的连接性以及功能性都得到了改善，但是无线传感器网络中仍然存在节点失效，链路不稳定以及外界环境干扰等常见错误。无线传感器网络一旦部署以后，由于其自组织方式的特点，网络内部运行情况对管理员来说是透明的，这给网络相关的异常检测与定位造成了困难，因此设计有效的在线诊断工具来帮助网络管理员监控网络运行状态以及维护传感器系统运行是非常有意义的。现有的无线传感器网络中的诊断算法都包含了两个独立的部分收集运行状态信息和网络异常原因推断。例如有人提出了一种主动式诊断技术，基站节点周期性从每个传感器节点收集运行状态信息然后利用决策树模型进行原因推断。还有人提出了一种利用外部能量测量工具来收集所有节点的能量信息，然后使用分类器来判断那些不响应节点的内部健康状况以及可能的原因。从以上可以看出，这些方法有一个共同的缺陷，他们的信息收集过程是静态的预定义过程，并没有利用任何运行中的信息。很明显，预定义的信息收集过程可能会造成两个不好的结果，过多的信息收集给网络带来了额外的通讯开销，过少的信息收集使得原因推断产生过多的错误判断。探测是一种在Internet以及企业网络中非常常用的获取网络内部状态的诊断方法。在许多不同的应用场景中许多不同的探测方法，但是他们大多数都需要依赖于专家知识或是预先信息例如网络拓扑，而且他们也都假设网络在运行时是静态的。与Internet以及企业网络相比，无线传感器网络一些自身的特点(1)传感器节点的计算资源及能量有限；(2)由于环境等外部因素干扰以及无线传输的不稳定性，网络拓扑动态变化。并且由于自组织的特点，关于拓扑的事先信息无法获得。如图I所示，左上角是GreenOrbs森林检测系统的物理部署结构图，另外三幅图是不同时刻的网络拓扑快照，可以看到不同时刻网络的连接状态是不同的；(3)由于传感器节点是非常易错的，同时失效的节点数目是难以事先预测的，但是在企业网络中常常假设最多同时出现的错误节点个数为一个事先定义的常数k，因此可以看出现有的一些Internet以及企业网络中的诊断算法并不能直接应用于无线传感器网络，因为没有事先的关于网络内部运行的信息以及网络运行过程中拓扑的动态变化。
发明内容
本发明的目的在于提出一种无线传感器网络的定向诊断方法和装置，信息收集的过程是在推理模型的指导下进行的，随着信息收集不断完善，推理模型也不断得到细化，从而提高推理的准确率。为达此目的，本发明采用以下技术方案
一种无线传感器网络的定向诊断方法，包括以下步骤A、记录节点的转发包的节点信息，生成每个节点的转发列表和追踪列表；B、收集网络异常区域传感器节点的转发列表，建立局部拓扑；C、基于局部拓扑建立能够表现网络依赖关系的推理模型；D、根据推理模型进行增量探测，依据探测结果更新推理模型，直到获得诊断报告。步骤A中记录的节点信息，包括前一跳的节点ID和转发包的数目，记录在转发列表中；转发包的源节点ID和所述源节点的序列号，记录在追踪列表中。步骤A中生成每个传感器节点的转发列表和追踪列表时进一步包括以下步骤 Al、传感器节点收到转发包，检查转发列表中是否存在前一跳节点ID的表项；若不存在，则增加所述前一跳节点ID的表项，并将转发包的数目设置为I ;若存在，则将所述前一跳节点ID表项中的转发包数目增加I ;A2、检查追踪列表中是否存在转发包的源节点ID的表项；若不存在，则建立所述源节点ID的表项，并将源节点的序列号设置为所述转发包的序列号；若存在，则比较所述源节点序列号与转发包序列号的大小，当转发包序列号大于源节点序列号时，将所述源节点序列号更新为所述转发包序列号，当转发包序列号小于源节点序列号时，不做任何操作。步骤B进一步包括以下步骤BI、基站节点从追踪列表中取出被怀疑节点的表项，打包成一个探测包广播至网络；B2、传感器节点接收到探测包后，检查追踪列表中是否包含探测包中被怀疑的源节点ID，若包含，则比较所述源节点ID在追踪列表中和在探测包中的序列号的大小，当探测包中的序列号大于追踪列表中的序列号时，所述传感器节点将转发列表发送给基站节点，并将探测包发送给邻居节点；B3、基站节点根据收到的转发列表建立局部拓扑，对所述局部拓扑进行修改，修改后的局部拓扑中的叶子节点只包括基站节点和被怀疑节点。步骤C中，根据局部拓扑生成基于贝叶斯网络结构的推理模型，并确定每个顶点的概率分布，以其中的天线顶点和感知数据顶点的后验概率来指导后续探测路线选择和原因推断。步骤D进一步包括以下步骤D1、将现有症状输入推理模型，根据原因节点的后验概率产生候选错误集合；D2、计算候选错误集合的可信度，当可信度大于预设阈值时，将当前候选错误集合作为诊断报告输出；当可信度小于预设阈值时，进入步骤D3 ；D3、将覆盖了与所述候选错误集合关联的未探测症状数目最多的路径作为探测路径，利用包含最小怀疑节点数目的探测包进行探测，将探测收集的网络信息反馈至推理模型并返回步骤D1。—种无线传感器网络的定向诊断装置，包括节点追踪模块，标记收集模块，模型推理模块和增量探测模块，所述节点追踪模块，标记收集模块，模型推理模块和增量探测模块依次连接，其中，节点追踪模块，用于记录节点的转发包的节点信息，生成每个节点的转发列表和追踪列表；标记收集模块，用于收集网络异常区域传感器节点的转发列表，建立局部拓扑；模型推理模块，用于基于局部拓扑建立能够表现网络依赖关系的推理模型；增量探测模块，用于根据推理模型进行增量探测，依据探测结果更新推理模型，直到获得诊断报告。所述节点追踪模块记录的节点信息包括前一跳的节点ID和转发包的数目，记录在转发列表中；转发包的源节点ID和所述源节点的序列号，记录在追踪列表中。 所述模型推理模块，根据局部拓扑生成基于贝叶斯网络结构的推理模型，并确定每个顶点的概率分布，以其中的天线顶点和感知数据顶点的后验概率来指导后续探测路线选择和原因推断。所述增量探测模块进一步包括错误推理模块，错误集合评价模块和探测路线选取模块，其中，错误推理模块，用于将现有症状输入推理模型，根据原因节点的后验概率产生候选错误集合；错误集合评价模块，用于计算候选错误集合的可信度，当可信度大于预设阈值时，将当前候选错误集合作为诊断报告输出；探测路线选取模块，用于当可信度小于预设阈值时，将覆盖了与所述候选错误集合关联的未探测症状数目最多的路径作为探测路径，利用包含最小怀疑节点数目的探测包进行探测，将探测收集的网络信息反馈至模型推理模块。采用本发明的技术方案，信息收集的过程是在推理模型的指导下进行的，随着信息收集不断完善，推理模型也不断得到细化，从而提高推理的准确率。这个方法的诊断区域局限在潜在问题区域，从而有效地降低了网络诊断的消耗，一种非常有效的在线的无线传感器网络诊断方法。
图I是现有的森林检测系统的物理部署结构示意图。图2是本发明具体实施方式
提供的无线传感器网络的定向诊断方法的流程示意图。图3是本发明具体实施方式
中转发列表与追踪列表的结构示意图。图4是本发明具体实施方式
中局部拓扑的修建过程示意图。图5是本发明具体实施方式
中使用的贝叶斯网络结构示意图。图6是本发明具体实施方式
提供的无线传感器网络的定向诊断装置的结构示意图。
具体实施例方式下面结合附图并通过具体实施方式
来进一步说明本发明的技术方案。本发明具体实施方式
的主要思想在于，每个无线传感器节点的节点追踪模块用来记录每个转发的包的情况，最后形成自己的标记。在基站节点端，当发现某些网络异常时，基站节点将会启动标记收集模块对潜在问题区域的节点进行标记收集。标记收集后，可以得到局部拓扑图用来建立初步的推理模型，根据建立的推理模型，每次选择最优的探测方案对网络进行进一步探测，每次的探测结果用来进一步细化推理模型，当增量探测结束的时候，可以生成一个诊断报告，其中包含网络元素的后验错误概率。如图I所示，该定向诊断方法包括以下步骤步骤S201,记录节点的转发包的节点信息,生成每个节点的转发列表和追踪列表。该步骤中的节点追踪算法在每个传感器节点维护了两个列表，如图3所示，一个是转发列表，用来记录前一条ID及其发过来的包的数目；另外一个是追踪列表，用来记录包的源ID及其最新的序列号，如图3所示。在这个追踪方案中，转发列表以及追踪列表的每行仅仅是6个字节，转发列表的最多行数为它的邻居数目，而追踪列表最多行数为所有节点数目。当网络运行时，每个包从源节点到基站节点，每个中间节点都会记录转发包的情况。假设无线传感器网络的数目为N，那么转发列表和追踪列表分别都不会超过6N字节，所以一个节点的最多存储量不会超过12N字节，假设N = 1024的话，那么每个节点的最大存储消耗不会超过12KB。而且实际上转发列表和追踪列表的行数是远远小于N的，因此这个 数据结构的方案对于无线传感器来说应该是可以接受的。下面具体介绍所述节点追踪算法的具体内容当节点收到I个包的时候，将首先检查转发列表。如果不存在前一跳ID相应的表项，那么将建立一个新的行，并将其转发包的数目设置为I。如果已经存在，那么就将其转发包的数目增加I。然后继续检查追踪列表，如果不存在源ID相应的表项，那么将建立一个新的源ID的表项，并设置所述包的序列号为其序列号。如果存在相应的表项，那么将比较序列号的大小。如果所述包的序列号大于源ID对应的表项中的序列号，那么将更新序列号，否则将不作任何操作。在这个过程，基站节点也参与这个追踪过程。但是区别是，基站节点记录的是最小的序列号，而其他节点记录的是最大的序列号。当一次诊断结束的时候，将重置那些错误节点的序列号从而开始一个新的时间记录。步骤S202，收集网络异常区域传感器节点的转发列表，建立局部拓扑。当网络异常发生，基站节点将启动标记收集模块对潜在问题区域进行信息收集。通过潜在问题区域的节点回复的转发列表，就可以得到局部拓扑。因为信息收集的过程是按需进行的，因此可以及时反映网络的动态变化，这样的设计有两个优点一个是诊断区域仅限在局部，另外一点是当网络没有异常发生时，不会产生任何额外的诊断流量开销。在基站节点，标记收集过程是被某些网络异常所触发的。一个被广泛使用的标准是当某个时间段内，从节点收集的感知数据未达到预期的数目时，认为可能有一些网络错误发生。在这个时候，基站节点将从追踪列表中取出那些被怀疑节点的表项，然后将其打包成一个探测包广播至网络。这个广播算法不同于普通的广播算法，这是因为当节点收到探测包后，如果在自己的转发列表中为包含任何的怀疑节点，那么停止广播，否则，才会将探测包继续进行广播。使用这种有限广播的方式，将其带来的额外通讯开销降到尽可能小。下面具体介绍所述广播算法当收到一个探测包时，每个节点需要检查自己是否为怀疑节点转发过包。首先检查自己的追踪列表中是否包含怀疑ID，如果有，那么将比较其序列号大小。如果探测包中的序列号比较大的话，那么节点需要向基站节点递交自己的转发列表，然后继续依据转发列表将所述探测包发给自己邻居。如果探测包中的序列号比较小的话，只能说明在诊断时段开始时间前为被怀疑节点转发过数据，所以不必包含在此次诊断过程中。被收集到的转发列表将用来建立推理模型，因为其中包含了节点之间的依赖程度关系。当收集到了所需要的信息后，基站节点将开始构造局部拓扑进行诊断。重建过程从基站节点开始，将收集到的所有邻居列表中的连接都组合起来。很明显，这样会有一些无关的节点和连接被包括进来了。因此，还需要进行一个剪枝的过程。根据诊断的需要，可以得到这样一个结论只有基站节点以及被怀疑节点才可能是叶子节点。因此剪枝过程就是循环不断去掉那些度为I的点及其关联连接直到所有不合格的叶子节点都被去除掉了。局部拓扑重建过程如图4所示。图4(a)中，节点d和节点k是被怀疑节点，然后基站节点开始标记收集过程，从潜在问题节点回复的邻居列表得到局部拓扑图如图4(b)，然后循环去掉那些度为I且不是被怀疑节点的节点及其连接。最后可以到局部拓扑图如图4(c)。步骤S203，基于局部拓扑建立能够表现网络依赖关系的推理模型。网络内部的依赖关系是内部关联的。某个父节点的忽然坏掉将导致它的子节点将不得不寻找新的路径来传送自己的数据，如果寻找不到新的路径，那么这个子节点的数据将无法成功传送到基站节点。另外一个例子是，如果同时有多条路径都存在较高的丢包率，那么可能这多条路径存在某个共享链路发生了异常。因此基于局部拓扑模型，能够建立一个推理模型能够将网络的依赖关系表达出来，例如节点状态，链路状态以及感知功能等。其他类似数据采集量不够等外部的症状作为模型的输入，当观测到某些症状时，就可以对模型进行推理然后找出最有可能的解释原因。由于对于网络拓扑不存在先验知识以及运行时拓扑的高度动态变化，大多数Internet和静态企业网中的推理模型在无线传感器网络中并不适用。这里，使用了一种多层次的推理模型来表达无线传感器网络的内部关系。一个贝叶斯网络是一个有向无环图，其中的顶点表示随机变量，边表示变量之间的因果关系。一个从A到B的有向边表示B是A的结果，A是原因。每个顶点都有其概率分布，区别在于无父节点的点只有先验概率，把这些点成为原因顶点，而其他中间节点存在条件概率概率分布，称其为症状顶点。给定某个证据其中包含了若干症状的状态，那么贝叶斯网络就可以推导出所有原因顶点的后验概率。贝叶斯网络的建立是根据局部拓扑生成的。一个典型的例子如图5所示。在图5Ca)的节点拓扑结构图中，表示了一个基站节点0连接了两个普通节点。有向边表示无线传输链路。如图5 (b)所示的贝叶斯网络中存在六种顶点，其中R为天线顶点，包括R0、R1和R2 ；S为感知数据顶点，包括SI和S2 ；D为数据报告顶点，包括Dl和D2 ；C为连接顶点，包括Cl和C2 ；P为路径顶点，包括P20和P210 ；L为链路顶点，包括L20> L10和L210每个顶点存在UP和DOWN两种状态。下面逐一介绍这些顶点的含义。天线顶点表示传感器节点的天线功能，主要影响链路的状态。感知数据顶点表示传感器节点的感知功能，连接顶点表示某个传感器节点到基站节点的连接性。路径顶点表示某条到基站节点的特定路线。链路顶点表示两个节点之间的通信状态。数据报告顶点表示了基站节点收到的某个节点的数据情 况。举例来看，如果基站节点在某段时间观察到某个节点的感知数据量未达到预期或是存在非常大的延迟，那么数据报告点将设置为DOWN，然后触发一个诊断过程。数据报告顶点依赖于感知数据顶点和连接顶点。而链路顶点的状态则取决于两个节点的天线顶点状态。而连接顶点，路径顶点和链路顶点之间的关系则是从网络拓扑结构中获取的。根据以上规则，可以得到一个贝叶斯网络的结构图，如图5 (b)所示。在六种随机变量中，天线顶点和感知数据顶点是原因顶点，也就是它们的状态时需要推测的。而连接顶点，链路顶点以及路径顶点的状态是症状顶点，他们的状态是根据探测包的结果来进行赋值的。数据报告顶点的状态是基站节点根据数据的实际情况赋值。这个贝叶斯网络的结构可以根据节点跟踪模块的进行及时的更新从而反映网络的动态变化。当贝叶斯网络构造完毕时，下一步重要工作就是为每个顶点确定概率分布。天线顶点和感知数据顶点的先验概率分布根据经验值确定。其余症状顶点的条件概率分布都可以基于noise-OR门或是Select门。在一个noise-OR门中，表示任何一个父节点处于DOWN的状态，子节点的状态就将处于DOWN。在推理模型中，连接顶点和感知数据顶点对于数据报告顶点的影响，链路顶点和连接顶点对于路径顶点的影响都可以用noise-OR门表示。多条路径的顶点与连接性顶点之间的关系可以用Select门表示，因为任何一条路径处于UP状态，连接性顶点都将处于UP状态。推理模型的输出就是天线顶点和感知数据顶点的后验概 率用来指导后续的探测路线选择以及原因推断。步骤S204，根据推理模型进行增量探测，依据探测结果更新推理模型，直到获得诊断报告。目前大多数的诊断策略对于诊断信息的收集都不存在一个反馈的过程。在该方法中，推理模型在网络异常发生时开始启动，但是由于刚开始观测到的外部症状不够，就采取了增量式探测的方式来获取那些对推理有可能产生最大帮助的症状的状态。每次探测的选取都根据推理模型获得，然后探测的结果用来更新推理模型.该方法可以有效地同时定位无线传感器网络中的多个错误。一旦推理模型建立完毕，就可以开始增量式探测过程，这个过程是在根据推理模型的指导下进行的。该方法的主要在于如果现有观测的症状节点还不足以解释目前的问题的话，将选择下一条最优的探测包来对那些未知症状进行探测。主要包含三个主要模块错误推理模块，错误集合评价模块以及探测路线选取模块。如图6所示，错误推理模块将现有的症状输入模型，然后根据最新的后验概率产生一个候选错误集合。之后错误评价模块对候选集合进行计算判断其是否符合要求，如果满足，那么目前的候选错误集合就作为最终结果，否则，那些对于候选集合贡献最大的为探测症状就作为探测路线选择模块的输入。最后选择一个最优的探测路线对网络进行信息收集，探测结果又重新作为错误推理模块的输入开始新一轮的推理，直到满足要求的候选错误集合产生或是所有症状顶点都被探测完毕。下面分别介绍错误推理，错误集合评价和探测路线选取三个步骤(I)错误推理错误推理的目的是找出已观测症状的原因，错误推理的输入主要包括从基站节点获取的数据报告状态以及探测结果获取的网络元素的状态。当获取到新的症状的状态，错误推理模块将把所有已知证据的状态作为输入，然后更新原因节点的后验概率。然后使用一个概率阈值作为评判某个原因是否成为一个错误。当最新的后验概率超过该阈值后，就将其放入候选错误集合，这是一个简化的用来寻找那些对于已观测症状贡献最大的原因的方法。这里需要注意的是，如果初始阈值设置过高的话，将可能会没有一个原因顶点成为候选错误。在这种情况下，可以简单的选取后验概率最大的原因作为初始错误。还有一点需要明确的是，原因节点的两个后验概率之间并不存在直接联系，因为新的症状状态的获取可能降低也可能提高这个错误概率。随着网络状态被不断进行探测，更多的症状顶点被确定也就是表示更加接近于真实情况。(2)错误集合评价由错误推理模块产生的候选错误集合可能是不准确的，因为症状顶点的状态是不完整的，错误评价模块正是对候选错误集合的可信度进行评价。定义了一个可信度测量公式来计算候选错误集合的可信值。假设一个候选错误集合包含了若干错误，表示为Cf = {f:, f2，...}，和&相关的错误集合表示
为S:: = [nm:…。因此和一个候选错误集合相关的症状集合可以表示为
:=U :。用Stl来表不已经观测的症状集合。这样一来,可以定义一个候选错误集合
的可信值的计算公式
Yl[I - ~p{SYJi: = DOlVT f:'…
r *" '-JZ z
^T- _ .....—…:_々
‘ Yi : - n :p 5 yij=在推理模型中，即使所有症状都被观测到了，候选错误集合的可信值仍可能是小于I的，因为即使候选错误集合就是真实情况，有些症状的状态是不会发生的，因此需要设定一个可信度阈值来判断候选错误集合是否是可接受的。这个值的设置需要长期的观察以及经验的积累，但是如果阈值过高，那么正确的错误集合也可能不满足，而阈值过低，这会包含过多的假错误，这个公式是用来评价候选集合的，如果结果超过阈值，那么探测过程将结束，候选错误集合将作为诊断报告输出。(3)探测路线选取如果候选错误集合的可信值小于了阈值，那么将选取一个最优的探测路线来获取网络的状态信息。在许多先前工作中已经证明，最小化探测开销的探测路线的选取问题等同于最小集合覆盖问题，是一个NP完全问题。因此，提出一个启发式贪心算法来解决这个问题。选取那些覆盖与候选错误集合关联的未观测症状的最多个数的探测路线作为最优路线。在这个条件相同的探测包中，再选择那些最小症状个数的，以此来减小探测开销。增量探测策略具有两个显著的优点，第一，诊断信息的获取是基于不断更新的推理模型；第二，探测包的选取是基于更新后的推理模型，因此通讯开销被最小化，因为不会产生无用的探测包。同时节点追踪策略可以在保证较小开销和延迟时间内，成功的恢复局部拓扑。采用本发明具体实施方式
部署了一个约300个传感器节点的试验性传感网系统。该系统可以采集温度、湿度、光照强度等信息，为森林环境监测提供了重要信息。定向诊断算法在该森林监测系统中得到具体实现。我们进行了大于3个月的实验，然后选取了一个6天的区间数据为基准，进行了基于trace的实验。这6天的区间数据总共包含42228个数据包以及309个传感器节点。trace实验主要包含3个部分，首先，在第一时间阶段对感知数据接受情况进行计数，如果某些节点在这个阶段没有上交足够量的感知数据，将它们列为怀疑节点。然后启动探测诊断过程，这个为第二时间阶段。利用收集的邻居列表情况得到那些参与了第一时间阶段怀疑节点的局部拓扑信息。所以，探测过程就转化为查询在第二时间阶段是否存在相应的路径。根据每次的探测结果，最后推理模型得到最终的诊断报告。在下面的表格中，列出了 6天区间中的某两个小区间的诊断报告，在诊断报告I中，通过21个探测包，定位了 12个感知失效节点和7个传输失效节点。在诊断报告2中，通过25个探测包，定位了 15个感知失效节点和9个传输失效节点。
权利要求
1.一种无线传感器网络的定向诊断方法，其特征在于，包括以下步骤 A、记录节点转发包的节点信息，生成每个节点的转发列表和追踪列表； B、收集网络异常区域传感器节点的转发列表，建立局部拓扑； C、基于局部拓扑建立能够表现网络依赖关系的推理模型； D、根据推理模型进行增量探测，依据探测结果更新推理模型，直到获得诊断报告。
2.根据权利要求I所述的无线传感器网络的定向诊断方法，其特征在于，步骤A中记录的节点信息，包括 前一跳的节点ID和转发包的数目，记录在转发列表中； 转发包的源节点ID和所述源节点的序列号，记录在追踪列表中。
3.根据权利要求I或2所述的无线传感器网络的定向诊断方法，其特征在于，步骤A中生成每个传感器节点的转发列表和追踪列表时进一步包括以下步骤 Al、传感器节点收到转发包，检查转发列表中是否存在前一跳节点ID的表项；若不存在，则增加所述前一跳节点ID的表项，并将转发包的数目设置为I ;若存在，则将所述前一跳节点ID表项中的转发包数目增加I ; A2、检查追踪列表中是否存在转发包的源节点ID的表项；若不存在，则建立所述源节点ID的表项，并将源节点的序列号设置为所述转发包的序列号；若存在，则比较所述源节点序列号与转发包序列号的大小，当转发包序列号大于源节点序列号时，将所述源节点序列号更新为所述转发包序列号，当转发包序列号小于源节点序列号时，不做任何操作。
4.根据权利要求I所述的无线传感器网络的定向诊断方法，其特征在于，步骤B进一步包括以下步骤 BI、基站节点从追踪列表中取出被怀疑节点的表项，打包成一个探测包广播至网络； B2、传感器节点接收到探测包后，检查追踪列表中是否包含探测包中被怀疑的源节点ID，若包含，则比较所述源节点ID在追踪列表中和在探测包中的序列号的大小，当探测包中的序列号大于追踪列表中的序列号时，所述传感器节点将转发列表发送给基站节点，并将探测包发送给邻居节点； B3、基站节点根据收到的转发列表建立局部拓扑，对所述局部拓扑进行修改，修改后的局部拓扑中的叶子节点只包括基站节点和被怀疑节点。
5.根据权利要求I所述的无线传感器网络的定向诊断方法，其特征在于，步骤C中，根据局部拓扑生成基于贝叶斯网络结构的推理模型，并确定每个顶点的概率分布，以其中的天线顶点和感知数据顶点的后验概率来指导后续探测路线选择和原因推断。
6.根据权利要求I所述的无线传感器网络的定向诊断方法，其特征在于，步骤D进一步包括以下步骤 D1、将现有症状输入推理模型，根据原因节点的后验概率产生候选错误集合； D2、计算候选错误集合的可信度，当可信度大于预设阈值时，将当前候选错误集合作为诊断报告输出；当可信度小于预设阈值时，进入步骤D3 ； D3、将覆盖了与所述候选错误集合关联的未探测症状数目最多的路径作为探测路径，利用包含最小怀疑节点数目的探测包进行探测，将探测收集的网络信息反馈至推理模型并返回步骤Dl。
7.一种无线传感器网络的定向诊断装置，其特征在于，包括节点追踪模块，标记收集模块，模型推理模块和增量探测模块，所述节点追踪模块，标记收集模块，模型推理模块和增量探测模块依次连接，其中， 节点追踪模块，用于记录节点的转发包的节点信息，生成每个节点的转发列表和追踪列表； 标记收集模块，用于收集网络异常区域传感器节点的转发列表，建立局部拓扑； 模型推理模块，用于基于局部拓扑建立能够表现网络依赖关系的推理模型； 增量探测模块，用于根据推理模型进行增量探测，依据探测结果更新推理模型，直到获得诊断报告。
8.根据权利要求7所述的无线传感器网络的定向诊断装置，其特征在于，所述节点追踪模块记录的节点信息包括 前一跳的节点ID和转发包的数目，记录在转发列表中； 转发包的源节点ID和所述源节点的序列号，记录在追踪列表中。
9.根据权利要求7所述的无线传感器网络的定向诊断装置，其特征在于，所述模型推理模块，根据局部拓扑生成基于贝叶斯网络结构的推理模型，并确定每个顶点的概率分布，以其中的天线顶点和感知数据顶点的后验概率来指导后续探测路线选择和原因推断。
10.根据权利要求7所述的无线传感器网络的定向诊断装置，其特征在于，所述增量探测模块进一步包括错误推理模块，错误集合评价模块和探测路线选取模块，其中， 错误推理模块，用于将现有症状输入推理模型，根据原因节点的后验概率产生候选错误集合； 错误集合评价模块，用于计算候选错误集合的可信度，当可信度大于预设阈值时，将当前候选错误集合作为诊断报告输出； 探测路线选取模块，用于当可信度小于预设阈值时，将覆盖了与所述候选错误集合关联的未探测症状数目最多的路径作为探测路径，利用包含最小怀疑节点数目的探测包进行探测，将探测收集的网络信息反馈至模型推理模块。
全文摘要
本发明公开了一种无线传感器网络的定向诊断方法和装置，无线传感器节点的记录每个转发的包的情况，最后形成自己的标记；基站节点发现某些网络异常时，将会启动对潜在问题区域的节点进行标记收集；得到局部拓扑图用来建立初步的推理模型；根据建立的推理模型，选择最优的探测方案对网络进行进一步探测，每次的探测结果用来进一步细化推理模型；增量探测结束的时候，生成诊断报告。本发明提高了推理的准确率，而且诊断区域局限在潜在问题区域，从而有效地降低了网络诊断的消耗。
文档编号H04W24/04GK102711158SQ20121012710
公开日2012年10月3日 申请日期2012年4月26日 优先权日2012年4月26日
发明者龚伟 申请人:无锡赛睿科技有限公司