[发明专利]一种基于业务路径和频度矩阵的动态关联故障挖掘方法

说明书

技术领域

本发明属于机载网络故障诊断技术领域，尤其涉及一种基于业务路径和频度矩阵的动态关联故障挖掘方法。

背景技术

飞机上的各种航电设备通过端系统与交换机连接，形成由若干个以交换机为中心的星型子网组成的机载网络系统。近半个世纪来，在经历分散、联合、综合、高度综合四个阶段后，机载网络的综合化趋势，导致设备间关系复杂，相互影响越来越密切，故障间呈现出复杂的关联关系：一个故障往往引发多个其他故障，这些故障动态依赖，不断关联触发。工程中，面对同时发生的多个故障，在其关联关系未知的情况下，工程人员只能逐一排查，排故效率低下。

机载网络运行中保存了大量故障数据，蕴含着故障间关联信息，但因故障数据库巨大，靠人工逐条分析寻找是不现实的。而关联规则挖掘主要目的就是从大数据对象中，通过历史信息，挖掘个体之间隐含的或不容易被发现的关联关系。利用关联规则挖掘，可以有效从故障数据库中，找出机载网络故障的关联关系。

Apriori算法是由R.Agrawal等提出的经典布尔关联规则挖掘方法。算法基于层次迭代思想，根据最小支持度，经过连接和剪枝，逐层搜索迭代，直至再没有满足最小支持度的项集出现，挖掘频繁项集，然后基于频繁项集生成强关联规则。算法简单实用，可信度高，适用性强。然而，该算法挖掘中需要反复扫描事务数据库(外存)和连接、剪枝循环，每次循环都需要无差别组合生成候选项集，再对比消除噪声信息。因此，事务数据库大小、噪声比重直接影响到挖掘效率，组合与消除计算量大小也直接由事务数据库决定。

机载网络系统测试业务较多，且事务数据库噪声比重较大，故障产生不会形成类似通信网络“告警风暴”的集中爆发现象，若将Apriori算法应用于机载网络故障关联分析，将导致去噪不彻底、扫描速率慢等问题。目前，传统关联规则挖掘方法在实际应用中多基于Apriori算法进行改进，如散列、事务压缩、选样、动态项集等方法，虽能一定程度解决效率低的问题，但应用于类似机载网络故障数据库时，均无法解决机载网络关联故障事务数较多且相关性不明显的问题，难以带来挖掘效率的显著提高，无法满足工程需求。因此，当前挖掘方法无法很好应用于机载网络动态关联故障的关联规则挖掘。

发明内容

本发明的目的是为了实现对机载网络动态关联故障之间关联规则的快速有效准确的挖掘，提供了一种基于业务路径和频度矩阵的动态关联故障挖掘方法，具体为一种基于业务路径的分块挖掘策略和基于频度矩阵的快速扫描策略，本方法支持相应工程软件的开发设计，从而在实际应用中辅助工程人员快速进行故障定位，完成故障诊断。

为实现上述目的，如图1所示，本发明提供的技术方案是一种基于业务路径和频度矩阵的动态关联故障挖掘方法，其特征是所述方法包括：

步骤一、构建动态关联故障的数据模型；

本步骤通过定义动态关联故障，分析动态关联故障判定特征，对工程实践中的动态关联故障数据进行预处理，构建机载网络动态关联故障的数据模型，从而明确本方法的挖掘对象，此外分析并证明了动态关联故障判定特征降低噪声组合的可行性，以便方法流程的陈述。

步骤101、明确动态关联故障定义

本发明中，机载网络动态关联故障的定义为：机载网络运行中以航电业务为流程的各应用间存在动态逻辑连接关系，导致在一定试验应力下，某故障发生时，在当前业务路径上关联触发新的故障，且随着业务路径的动态关联，故障呈现出动态依赖和不断传播的特点。具有这样动态关联关系的故障称为动态关联故障。

其中，业务路径、动态性、关联性分别定义如下：

业务路径：在一定试验应力下，航电业务流程上各应用逻辑连接关系。如视景增强控制业务，在特定设备加电的试验应力下，其业务路径为：视景增强→RDC→综合处理机→显示处理单元。图2是加载部分航电业务的某机载网络某时刻业务路径示意图。

动态性：同样试验应力下，故障产生与业务路径密切相关，业务路径的动态性导致故障的动态性。例如，图3所示为某研究所实际故障案例，某测试业务可通过两条路径实现，路径1：ADC1→DPU1，路径2：ADC1→RDC1→DPU1。试验发现，ADC1同样加电和数据发送，测试业务通过路径1时，DPU1会发生视频信号抖动失准的故障，而通过路径2时，经过RDC1后，DPU1并未发生此故障。显然，同样试验应力条件，某些故障只有通过特定业务路径才会呈现出来。