技術(shù)特征：

1.一種IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述定位方法的步驟如下：

(1)構(gòu)建動態(tài)貝葉斯網(wǎng)模型：對待測IP網(wǎng)絡(luò)中端到端路徑進(jìn)行N次快照，N≥1，獲取所述待測IP網(wǎng)絡(luò)中各端到端路徑性能及拓?fù)浣Y(jié)構(gòu)的探測結(jié)果，構(gòu)建變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)模型，所述動態(tài)貝葉斯網(wǎng)絡(luò)模型由多個(gè)時(shí)間片的靜態(tài)貝葉斯網(wǎng)模型組成，所述時(shí)間片是每個(gè)靜態(tài)貝葉斯網(wǎng)模型對應(yīng)的持續(xù)時(shí)間；

(2)簡化動態(tài)貝葉斯網(wǎng)模型：根據(jù)馬爾科夫模型的一階馬爾科夫性假設(shè)和時(shí)齊性假設(shè)，將所述動態(tài)貝葉斯網(wǎng)模型簡化為由兩個(gè)時(shí)間片的靜態(tài)貝葉斯網(wǎng)模型通過節(jié)點(diǎn)接口聯(lián)接而成的模型，所述兩個(gè)時(shí)間片分別為推斷時(shí)刻對應(yīng)的時(shí)間片和推斷時(shí)刻前N次快照對應(yīng)的初始時(shí)間片；

(3)推斷擁塞鏈路：所述動態(tài)貝葉斯網(wǎng)模型簡化后，利用IP網(wǎng)絡(luò)擁塞鏈路推斷算法推斷最有可能發(fā)生擁塞的鏈路集合，包括：

①.擁塞先驗(yàn)概率求解：根據(jù)所述探測結(jié)果，學(xué)習(xí)所述待測IP網(wǎng)絡(luò)中所述兩個(gè)時(shí)間片下各鏈路擁塞先驗(yàn)概率；

②.擁塞鏈路推斷：根據(jù)當(dāng)前推斷時(shí)刻所進(jìn)行的第N+1次快照獲取的各端到端路徑性能及拓?fù)浣Y(jié)構(gòu)探測結(jié)果，推斷此時(shí)最有可能發(fā)生擁塞的鏈路集合。

2.根據(jù)權(quán)利要求1所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述步驟(3)①進(jìn)行擁塞先驗(yàn)概率求解包括如下步驟：

a.根據(jù)所述探測結(jié)果，構(gòu)建所述兩個(gè)時(shí)間片T¹、T²對應(yīng)的靜態(tài)貝葉斯網(wǎng)模型的選路矩陣D¹、D²；

b.對所述選路矩陣D¹、D²進(jìn)行去相關(guān)化簡得到化簡矩陣D¹'及D^2'；

c.在化簡矩陣D^1'及D^2'中去除正常路徑及途徑鏈路對應(yīng)的矩陣行元素和列元素，得到對應(yīng)的擁塞矩陣再次去相關(guān)化簡，得到化簡擁塞矩陣及

d.分別構(gòu)建所述兩個(gè)時(shí)間片中各對應(yīng)鏈路擁塞先驗(yàn)概率求解的布爾線性方程組，求解所述各鏈路擁塞先驗(yàn)概率。

3.根據(jù)權(quán)利要求2所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述步驟d中構(gòu)建兩個(gè)時(shí)間片中各對應(yīng)鏈路擁塞先驗(yàn)概率求解的布爾線性方程組包括如下步驟：

A.在所述待測IP網(wǎng)絡(luò)中，將各端對端路徑與其途徑的各鏈路之間的關(guān)系用Boolean代數(shù)模型表示為：

式中，為Boolean值最大化操作符；

n_c為各端對端路徑途經(jīng)的鏈路總數(shù)；

y_i為第i條路徑的狀態(tài)變量，x_j為第j條鏈路的狀態(tài)變量：當(dāng)?shù)趇條路徑為通時(shí)，y_i＝0，當(dāng)?shù)趇條路徑擁塞時(shí)，y_i＝1；當(dāng)?shù)趈條鏈路為通時(shí)，x_j＝0，當(dāng)?shù)趈條鏈路擁塞時(shí)，x_j＝1；

為各時(shí)間片中所述待測IP網(wǎng)絡(luò)構(gòu)建的對應(yīng)化簡擁塞矩陣中的元素值，若第j條鏈路存在于第i條路徑中，反之，

B.對所述A步驟中的Boolean代數(shù)模型公式兩邊取數(shù)學(xué)期望,并進(jìn)行轉(zhuǎn)換，得到：

式中，n_ε為擁塞路徑途經(jīng)鏈路數(shù)，E[y_i']為去相關(guān)后的端對端路徑P_i'的擁塞概率P_i'，E[y_i']通過N次快照探測出的各端對端路徑狀態(tài)Boolean值求和取平均得到，用表示；p_j為第j條鏈路的擁塞先驗(yàn)概率；

C.對所述B步驟的數(shù)學(xué)期望公式兩邊取對數(shù)，整理可得如下線性方程組：

$\lg (1-{\stackrel{\‾}{y}}_{i^{\′}})=\underset{j=1}{\overset{n_{\mathrm{\ϵ}}}{\Σ}}{D}_{d_{ij}}^{\′}\·\[\lg (1-p_j)\];$

D.對所述C步驟中的線性方程組進(jìn)行系數(shù)矩陣擴(kuò)展補(bǔ)滿秩操作：將兩擁塞路徑視為一條路徑進(jìn)行關(guān)聯(lián)處理，對兩矩陣行相應(yīng)鏈路進(jìn)行操作，構(gòu)建化簡擁塞矩陣的擴(kuò)展路徑行，將化簡擁塞矩陣中各元素與對應(yīng)擴(kuò)展矩陣中各元素合并，并再次去相關(guān)化簡后，構(gòu)造出如下秩等于n_ε的滿秩系數(shù)矩陣D″_d：

$D_d^{\′\′}={\left(\begin{array}{c}{D}_{d_{ij}}^{\′}\\ D_{d_{kj}}^{\′}\end{array}\right)}_{n_{\mathrm{\ϵ}}\×n_{\mathrm{\ϵ}}}$

式中，為各擴(kuò)展路徑行對應(yīng)的擴(kuò)展矩陣中的元素值；n'_θ為對應(yīng)的擁塞路徑數(shù)，k值大小取決于n_ε-n'_θ的值；

E.對滿秩系數(shù)矩陣D″_d進(jìn)行線性無關(guān)化簡，選擇線性無關(guān)擴(kuò)展路徑行使得補(bǔ)滿秩后的D″_d線性無關(guān)，可得如下公式：

$\lg (1-\stackrel{-}{y_{{\mathrm{il}}^{\′}}})=\underset{j=1}{\overset{n_{\mathrm{\ϵ}}}{\Σ}}{D}_{d_{kj}}^{\′}\·\[\lg (1-p_j)\]$

式中，通過對兩條擁塞路徑P_i、P_l在對應(yīng)時(shí)間片中進(jìn)行N^k次快照，獲取對應(yīng)的每次擁塞變量y_i及y_l，再進(jìn)行操作并求和取平均獲得，去相關(guān)、補(bǔ)滿秩后，得到向量形式的Boolean代數(shù)線性方程組如下：

$\left[\begin{array}{c}y\\ y^{\′}\end{array}\right]=D_d^{\′\′}\·{\[\lg (1-p)\]}^T$

式中，

$\begin{array}{c}{y}^{\′}={\[\lg (1-{\stackrel{\‾}{y}}_{12}),...,\lg (1-{\stackrel{\‾}{y}}_{1n_{{\mathrm{\θ}}^{\′}}}),\lg (1-{\stackrel{\‾}{y}}_{23}),...,\lg (1-{\stackrel{\‾}{y}}_{2n_{{\mathrm{\θ}}^{\′}}}),...,\lg (1-{\stackrel{\‾}{y}}_{\frac{(n_{{\mathrm{\θ}}^{\′}}-1)n_{{\mathrm{\θ}}^{\′}}}{2}})\]}^T\\ \lg (1-p)={\[\lg (1-p_1),\lg (1-p_2),...,\lg (1-p_{n_s})\]}^T\end{array}$

均為對應(yīng)路徑的擁塞概率；為第n_ε鏈路的擁塞先驗(yàn)概率。

4.根據(jù)權(quán)利要求3所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述步驟d中采用稀疏矩陣線性方程組迭代求解方法對構(gòu)建的所述兩個(gè)時(shí)間片對應(yīng)的鏈路擁塞先驗(yàn)概率求解的布爾線性方程組進(jìn)行求解，得到所述兩時(shí)間片中各鏈路擁塞先驗(yàn)概率。

5.根據(jù)權(quán)利要求4所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述稀疏矩陣線性方程組迭代求解方法包括雅克比迭代法，高斯-賽德爾迭代法，逐次超松弛迭代法，共軛梯度迭代法以及預(yù)處理共軛梯度法。

6.根據(jù)權(quán)利要求1～5任意一項(xiàng)所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述步驟(3)②中利用最大評分參量對擁塞鏈路推斷時(shí)，經(jīng)過簡化處理的最大評分參量表達(dá)式為：

$\arg \max P\left(X^2\right|Y^1,Y^2)=\underset{X^2}{\arg max}\underset{X^1}{\Σ}P\left(x_{j^{\′}}^1\right)\·P\left(x_{j^{\′}}^2\right)$

其中，Y¹,Y²分別為所述兩個(gè)時(shí)間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中的觀測變量，X¹,X²分別為所述兩個(gè)時(shí)間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中的隱藏變量；及分別為所述兩個(gè)時(shí)間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中共有鏈路的狀態(tài)變量，及分別為所述兩個(gè)時(shí)間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中共有鏈路的擁塞先驗(yàn)概率。

7.根據(jù)權(quán)利要求6所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，所述步驟(3)②中對擁塞鏈路推斷時(shí)，基于貝葉斯最大后驗(yàn)概率準(zhǔn)則，依次在當(dāng)前推斷時(shí)刻擁塞路徑途徑鏈路集合中查找權(quán)值最高的鏈路，所述權(quán)值最高的鏈路即被推斷為擁塞鏈路。

8.根據(jù)權(quán)利要求7所述的IP網(wǎng)絡(luò)擁塞鏈路定位方法，其特征在于，在當(dāng)前推斷時(shí)刻擁塞路徑途徑鏈路集合中查找權(quán)值最高的鏈路的判斷公式如下：

$l_k=\arg max\{\lg \[\left(\frac{p_{\mathrm{\κ}}}{1-p_{\mathrm{\κ}}}\right)\·n\left(k\right)\]\}$

式中，為分別在所述兩個(gè)時(shí)間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中各共有鏈路l_k(l_k∈L_ε)的擁塞概率，L_ε為當(dāng)前推斷時(shí)刻擁塞路徑途經(jīng)鏈路集合；n(k)為當(dāng)前推斷時(shí)刻鏈路l_k存在于路徑的條數(shù)。