一种基于部件模块的星图网络中节点异常检测方法
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及处理机异常检测与网络可靠性领域,尤其涉及一种基于部件模块的星图网络中节点异常检测方法。
背景技术
随着信息处理速度的提升和高性能计算需求的增长,多处理器系统正在步入电子化计算时代。同时,随着网络规模的持续扩大,网络的可靠性面临着严峻的挑战。在工业和实时系统中,大规模异常可能会导致整个网络断开,产生许多部件。因此,网络的异常检测能力与网络在实际应用中所能容纳的部件数量密切相关。目前,针对大规模网络部件检测的研究仍较少。而星图作为一种通用的互连网络,其拓扑结构适用于大规模处理器系统,并具有较高的通信效率和一定程度的容错性。
发明内容
本发明的目的在于提供一种基于部件模块的星图网络中节点异常检测方法,结合系统级互测试模型与星图的容错特性,通过寻找网络中的极大无异常部件作为检测者,从而检测出拓扑中的异常节点。
本发明采用的技术方案是:
一种基于部件模块的星图网络中节点异常检测方法,其包括以下步骤:
S1计算星图网络S
S2构造星图网络S
S3由S
S4通过广度优先搜索算法获得子图δ(S
S5计算每个部件模块Com
S6将最大部件模块Com
S7检测星图网络S
进一步地,步骤S1的具体方法为:
S101,通过构造法计算出g部件可检测度ct
S102,通过不可取分性证明g部件可检测度ct
进一步地,步骤S2的具体方法为:
S201,通过星图网络的连边规则生成S
S202,通过系统级互测试模型进行测试,针对星图网络S
进一步地,步骤S3的具体方法为:
S301,检测由星图网络S
S302,检查星图网络S
进一步地,步骤S4的具体方法为:
S401,在子图δ(S
S402,得到一个部件后,判断子图δ(S
进一步地,步骤S7的具体方法为:
S701,若异常节点集大小Size(s)与检测度ct
S702,若异常节点集大小Size(s)与检测度ct
本发明采用以上技术方案,首先证明出星图网络的部件检测度,然后构造出星图网络的拓扑结构,并基于互测试模型在拓扑节点间进行测试以生成症候群,由的症候群生成的带权星图通过删边操作生成由多个部件组成的子图,进而通过广度优先搜索算法获得子图的所有部件模块,计算每个部件模块的节点个数,并将部件模块按节点个数降序排序,将最大部件模块的所有节点检测为无异常并加入无异常节点集,检测星图网络中除无异常节点集之外剩余的节点,最终确定出无异常节点集和异常节点集。综上所述,本发明利用星图网络S
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明所用的网络拓扑结构4-维星图S
图2为本发明一种基于星图的多处理机网络异常检测方法的流程示意图;
图3为本发明所用的系统级互测试模型进行节点间测试的结果示意图;
图4为本发明一个子图δ(S
图5为本发明获得子图δ(S
实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
如图1至图5之一所示,本发明公开了一种基于星图的多处理机网络部件异常检测方法。在多处理机网络中,随着网络规模增大,网络可靠性面临严峻挑战,对于网络中可能存在的异常要进行及时且快速的检测。以星图为拓扑结构的多处理机网络中,将单个处理机视为图的节点,将处理机之间的通信连接视为节点之间的边,出现异常的处理机视为异常节点,反之,正常的处理机视为无异常节点。为了保障系统稳定且正常地运行,提出通过系统级互测试模型对处理机节点进行测试,并通过部件检测算法来对处理机系统进行检测,以识别系统中存在的异常节点。如图1所示,下面提出本发明的拓扑结构。
一个n-维星图S
在本发明中,我们把处理机分为三种状态:无异常节点、异常节点、未检测节点。
本发明提出一种基于星图的多处理机网络部件异常检测方法。首先构造星图网络拓扑,并通过系统级互测试模型进行处理机节点间的测试以生成症候群δ;然后根据症候群δ生成子图δ(S
如图2所示的流程图:本发明公开了一种基于星图的多处理机网络异常节点检测方法,其包括以下步骤:
S1计算星图网络S
S2构造星图网络S
S3由S
S4通过广度优先搜索算法获得子图δ(S
S5计算每个部件模块Com
S6将最大部件模块Com
S7检测星图网络S
进一步地,步骤S1的具体方法为:
S101,通过构造法计算出g部件可检测度ct
S102,通过不可取分性证明g部件可检测度ct
如图3所示,进一步地,步骤S2的具体方法为:
S201,通过星图网络的连边规则生成S
S202,通过系统级互测试模型进行测试,针对星图网络S
如图4所示,进一步地,步骤S3的具体方法为:
S301,检测由星图网络S
S302,检查星图网络S
进一步地,步骤S4的具体方法为:
S401,在子图δ(S
S402,得到一个部件后,判断子图δ(S
如图5所示,进一步地,步骤S7的具体方法为:
S701,若异常节点集大小Size(s)与检测度ct
S702,若异常节点集大小Size(s)与检测度ct
此外,通过指标分析衡量星图部件异常检测算法的性能,具体方法为:
(1)给出真阳率的定义,其指被正确检测为异常节点的个数与所有真实异常节点个数之比;
(1.1)假设总节点个数为m,被正确检测为异常节点个数为p
(1.2)根据真阳率的定义,得出算法的真阳率为
(1.3)可得出4-维星图网络的真阳性率保持在0.8~1之间。当异常节点数不超过5时,可以检测到所有异常节点,随着异常节点数的增加,TPR仍在0.8以上。
(2),给出真阴率的定义,其指被正确检测为无异常节点的个数与所有真实无异常节点个数之比;
(2.1)根据真阴率的定义,得出算法的真阳率为
(2.2)可发现,随着异常节点数量的增加,算法的真负率降低。
(3),给出准确率的定义,其指被正确检测的节点个数之和与所有节点个数之和的比值;
(3.1)根据准确率的定义,得出算法的准确率为
(3.2)当4-维星图网络中节点异常数小于节点总数的20%时,准确率始终为1。
本发明采用以上技术方案,首先构造星图网络拓扑,并通过系统级互测试模型进行处理机节点间的测试以生成症候群δ;然后根据症候群δ生成子图δ(S
本发明的有效效果在于:1、研究了星图这种适合多处理机网络的网络拓扑结构与其容错特性从而证明出其部件检测度;2、利用星图网络S
- 一种将网络节点模块化改装的方法、网络节点系统及模块化网络节点
- 一种基于SVDD的网络切片物理节点异常检测方法