Page 67 - 《软件学报》2021年第7期

王璐 等:基于事件关系保障识别质量的自适应分析方法 1985


概率对应的模糊数. P   (m  , ,m m  ) 表示预先设定的模糊数,m、、分别为 P 的均值、上界和下界元素. P 
表示基本事件发生概率在 m–和 m+之间,但为 m 的可能性最大.
 0, 其他

  x  1  mx   ≤≤ m (1)

x
P / , m 

/ , m 
 1    xm  x ≤ m 
模糊算子计算.模糊故障树中事件之间连接的模糊逻辑门分为“与”门和“或”门.“与”门表示下层所有事件
均发生时上层事件才会发生,“或”门表示任意一个下层事件发生,上层事件都会发生.根据模糊数的运算法则,模
糊故障树的“与”门算子如公式(2),“或”门算子如公式(3).这两种逻辑门算子本质上也代表着该逻辑门连接的上
层事件的模糊数,该层模糊数继续作为公式(2)和公式(3)的输入,将得到该层事件与上层事件连接的逻辑门算
子,这样逐层向上计算,可得模糊故障树中各个模糊逻辑门算子,为后续计算贝叶斯网络的条件概率提供支持.

其中, P 表示各个基本事件的模糊数,为公式(2)和公式(3)的输入,输出为“与”门算子 P  和“或”门算子 P  .
i AND OR
n  n n n 
P  AND   P     i i  i m  ,  i ,  m  i  i  m  (2)
i 1  i 1 i 1 i 1 
n  n n n 
P    1    1 P   1   1 m  ,1  1    ,1  m   i  1 m  (3)
OR  i i i i i
i 1  i 1 i 1 i 1 
下面以“软件系统节点资源出现问题”为例,介绍基于模糊故障树的事件因果关系模型,如图 2 与表 1 所示.
Table 1 Symbolic representation
表 1 符号表示

符号 事件名称
T 节点资源出现问题
M 1 节点失联
M 2 多个业务功能受到严重影响
M 3 硬件故障
M 4 上层交换机故障
X 1 心跳间隔达到阈值
X 2 页面响应超时
X 3 页面错误率较高
Fig.2 “Node Resource Problem” fuzzy fault tree X 4 网卡故障
X 5 网线故障
图 2 “节点资源出现问题”模糊故障树
X 6 丢包率较高

如图 2 与表 1 所示,在这个模糊故障树中,X 1 ~X 6 为最底层的基本事件,根据挖掘得到的事件因果关系得出
X 1 ~X 6 在特定组合后,可能导致的上层事件分别为 M 1 、M 2 、M 3 ,其中,M 2 是指多个业务功能受到严重影响,可进
一步划分为 M 21 、M 22 等,分别表示 1 号业务受到影响、2 号业务受到影响等.根据事件因果关系,这些中间事件
通过逻辑门的组合连接,最终导致顶事件 T,即节点资源出现问题的发生.
上述以一棵模糊故障树为例介绍事件关系模型,但在针对实际软件系统挖掘并建模事件因果关系时,本文
从事件关系出发,同时以将复杂事件类型作为模糊故障树中顶事件为目标,建立形成多棵模糊故障树.
为了避免这些模糊故障树之间存在关联关系,即不同树之间存在事件相连的情况,本文进行了如下处理.模
糊故障树关联的情况可分为两种:一是不同模糊故障树中的顶事件存在因果关系,此时可将它们合并成为一棵
模糊故障树;二是一个模糊故障树中的基本事件连接至另一个模糊故障树的中间事件,此时可在这两个模糊故
障树中分别建立这个基本事件节点,断开这种子树之间相连的边,两棵模糊故障树中中间事件互连的解决方法
亦如此.通过上述处理,最终形成独立的多棵模糊故障树,每棵模糊故障树单独计算其模糊逻辑门算子,并且单
独转换为贝叶斯网络,实现多棵模糊故障树分别独立、快速向上推理,降低事件推理过程的复杂性.
此外,考虑到自适应软件对自适应分析方法的高可靠性要求,本文采取了如下措施以确保模糊故障树本身