基于贝叶斯网络的低速无线传感器网络测试性分析方法与流程

本发明涉及无线传感器网络协议软件的测试性分析技术，具体涉及一种基于贝叶斯网络的低速无线传感器网络测试性分析方法。

背景技术：

作为一种新兴智能网络，无线传感器网络自20世纪90年代的提出到现在，其协议标准经过了不断完善和发展，各设备厂商随之推出了相关的产品和系统应用。由于无线传感器网络的大规模、自组织、动态性、可靠性等特点，对不同子网、不同厂家设备之间互联互通的也提出了更高的要求，为此需要对这些设备进行一致性测试，检查协议实现本身与协议标准的一致性符合程度，提高产品可靠性和保证产品之间互联互通。

目前，国内外的软件测试企业或研究所对协议测试展开了广泛研究，提出了很多创新性的方法，但是这些方法仍然停留在对网络协议的测试工具选择和具体执行过程的方法优化，仅仅是为了评估产品之间互通的可能性高低，缺乏一种对传感器网络协议实现的可靠性评估方法。通过对测试项目的循环测试结果进行统计可知，测试中可能存在不确定性的数据误报和丢失等问题造成的误报情况，降低了测试结果的可信度；另外，由于传感器网络的拓扑和功能复杂性，协议实现的设计缺陷与测试之间的对应逻辑关系也表现出不确定性，对于这些不确定信息的处理存在较大难度。

技术实现要素：

本发明的目的是提供一种基于贝叶斯网络的低速无线传感器网络测试性分析方法，该方法结合贝叶斯网络技术对测试过程中不确定性信息进行描述并建立模型，计算出测试性指标，能对协议设备的可靠性进行系统和科学的评估。

本发明所述的基于贝叶斯网络的低速无线传感器网络测试性分析方法，包括如下步骤：

a.对测试结果信息进行统计，依据故障模式和各种测试输入信号建立基于贝叶斯网络的测试性分析模型；

b.利用测试性分析模型分析故障的影响性，确定节点的条件概率表；

c.利用测试性分析模型分析故障模式和测试输入信号的相关性关系，得到故障-测试相关性矩阵；

d.引入测试性指标并计算相应的得分，并与预期数据作比较，对协议实现的可靠性进行系统和科学评估。

所述步骤a具体为：

对测试结果信息进行统计，分析系统的组织结构和各层次之间的相互耦合关系，确定功能框图，分析测试输入信号以及与测试输入信号相关的故障模式，并从中提取出可用测试输入信号并生成故障模式集和测试信号集，指定为模型的节点变量；

根据系统设备的故障模式与测试输入信号之间的因果关系，及其节点变量的可能概率值，建立相应的子系统模块，然后根据各子系统模块之间的耦合关系，建立基于贝叶斯网络的测试性分析模型。

所述步骤b具体为：通过分析故障的影响性，按照关键程度进行故障模式分类，确定节点的条件概率表。

确定节点的条件概率表，该表是由条件概率矩阵所绘制，包括以下步骤：

b1.规定：

b2.用条件概率p(tnj|fj)表示故障与测试输入信号间的不确定性关系，故障模式分类如下：

通过，即p(tnj＝0|fj＝0)，故障fj不发生，测试tnj输出成功信号，则tnj表示正确；

漏检，即p(tnj＝0|fj＝1)，故障fj发生，测试tnj输出为成功信号，则tnj漏检故障fj；

误报，即p(tnj＝1|fj＝0)，故障fj不发生，测试tnj输出失败信号，则tnj误报故障，对应tnj误报故障的概率，称为误警(ⅱ类)概率；

失败，即p(tnj＝1|fj＝1)，故障fj发生，测试tnj输出失败信号，则tnj表示正确，此概率为tnj对fj成功检测的概率；

b3.规定：

若测试tn与故障fj不相关，则p(tnj|fj)＝0，其中tn表示第n次测试；

若测试tn与故障fj相关，则p(tnj|fj)≠0；

分析步骤b2的四种情况，并把这些不确定参数作为系统的先验概率，获取系统的条件概率矩阵。

所述故障-测试相关性矩阵为：

矩阵中元素rmn为布尔变量，若fj能被ti测出，则令rij＝1，反之rij＝0，其中fj表示故障模式j,ti表示进行的第i次测试。

所述步骤d中，选取故障检测率、故障隔离率、关键故障检测率和误报率作为测试性分析的指标；

所述故障检测率rd的表达式为：

式中：λd表示所有检测到的故障模式的故障率之和；

λ表示所有故障模式的故障率之和；

λi表示第i个故障模式的故障率；

rdi表示单一故障的故障检测率；

所述故障隔离率(ri)l的表达式为：

式中：l表示隔离组内可更换的单元数；

λl表示可隔离到不超过l个可更换单元的故障率之和；

λli表示可隔离到不超过l个可更换单元的故障模式中第i个故障模式的故障率；所述关键故障检测率rdk的表达式为：

式中：rdki表示在测试集ts确定的情况下，关键故障fi(fi∈f)的检测率；

rki表示在使用备选测试集ts的情况下，关键故障fi(fi∈f)的检测率；

所述误报率ra的表达式为：

式中：rai为故障fi(fi∈f)可能产生的误报率。

所述步骤d中，与预期数据作比较，对协议实现的可靠性进行系统和科学评估，具体为：

将计算所得的指标数据与协议设备的预期参数作比较，确定其是否在预期数据范围之内；若是，则表示系统实现可靠；若不是，则表示系统实现不可靠；

计算各指标乘积的平方根，命名为可靠性评分函数，通过函数值的大小划分可靠性程度，函数值范围在[0,1]之间且其值越大，表示可靠性越强；当值为0～0.3时，判定为不可靠；当值为0.3～0.5时，判定为基本可靠；当其值为0.5～0.8时，判定为较可靠，当其值为0.8～1时，判定为完全可靠。

本发明的有益效果：本发明用于评估协议设备的可靠性，采用协议设备在真实测试过程中能反映出与故障模式相关的各种测试输入信号，并根据系统设备运行和故障规律建立基于贝叶斯网络的测试性分析模型；分析贝叶斯网络中节点的因果关系，确定节点的条件概率表cpt；分析故障模式和测试输入信号的相关性关系，得到故障-测试相关性矩阵；引入测试性指标并计算相应的得分，并与预期数据作比较，可对协议实现的可靠性进行系统、科学评估。该方法考虑了对协议设备测试过程中不确定因素相互关系的描述，并进行量化分析，选取的分析指标可从整体上评估协议设备的可靠性高低，具有可行性与可比性，计算量小，同时有效地克服了误警信息的干扰。

附图说明

图1是本发明的流程图；

图2是本发明提供的测试性分析模型的贝叶斯网络结构示意图。

具体实施方式

下面将结合附图对本发明作进一步的详细描述。

本发明所述的基于贝叶斯网络的低速无线传感器网络测试性分析方法，是一种基于测试统计信息的分析策略，它的目的是采用一种测试性分析方法对多轮测试结果及其差异点进行分析，并引入若干指标完成对协议实现的可靠性评估。

在测试性分析中，若将多信号流模型中的故障与测试看作节点，那么多信号流模型和贝叶斯网络在结构上有很多相似之处，由此可根据系统多信号流模型构建基于贝叶斯网络的测试性分析模型。另外，在无线传感器网络的协议测试过程中，每轮测试从准备到完成所需的时间可能是不同的，时间的长短不一将会对贝叶斯网络的测试性评估结论产生较大影响，因此在在测试性分析中还需要将测试时间考虑在内。

如图1所示，本发明所述的基于贝叶斯网络的低速无线传感器网络测试性分析方法，包括以下步骤：

a.对测试结果信息进行统计，依据故障模式和各种测试输入信号建立基于贝叶斯网络的测试性分析模型；

b.利用测试性分析模型分析故障的影响性，确定节点的条件概率表；

c.利用测试性分析模型分析故障模式和测试输入信号的相关性关系，得到故障-测试相关性矩阵；

d.引入测试性指标并计算相应的得分，并与预期数据作比较，对协议实现的可靠性进行系统和科学评估。

一、测试性分析模型组成

测试性分析模型描述了故障模式和测试之间的耦合关系。该测试性分析模型主要包括2个层次的节点：1.由故障模式节点组成；2.由测试输入信号节点组成。此外，规定同层次的节点间没有耦合关系，只能在不同的节点间存在耦合关系。

在测试性分析模型中，用一个包含5种属性参数的数组s＝{f，tm，d，p，tt}来描述模型的组成，并引入了测试时间tt作为考量因子，如图2所示，其中：

f＝{f1，f2，…，fn}表示节点的故障模式集；

tm＝{tm1,tm2,…,tmn}表示测试节点集；

d表示连接节点的有向边集；

p是网络中的条件概率集；

tt＝{tt1,tt2,…,ttn}表示网络中的测试时间集。

二、测试性分析模型建模步骤

由于测试性分析模型中变量顺序不确定，需要先学习变量的先后顺序，进而降低概率计算的复杂度。因此，测试性分析贝叶斯网络模型可基于构件故障模式与系统可用输入测试之间的因果关系构建，输入节点代表系统构件的故障模式，输出节点代表各故障模式相关的测试输入信息。具体的贝叶斯网络模型建模步骤如下：

1.对测试结果信息进行统计，分析系统的组织结构和各层次之间的相互耦合关系，确定功能框图。通过分析测试输入信号以及与测试输入信号相关的故障模式，从中提取出可用测试输入信号并生成故障模式集和测试信号集，指定为模型的节点变量。

2.根据系统设备的故障模式与测试输入信号之间的因果关系，以及节点变量的所有可能概率，建立相应的子系统模块，然后根据子系统之间的耦合关系，建立基于贝叶斯网络的测试性模型。

3.通过分析故障的影响性，按照关键性程度进行分类，确定节点的条件概率表(cpt)并进行测试性分析。此外，还可根据使用过程中的反馈信息对模型进行学习和改进。

4.故障-测试相关性矩阵r

分析模型中故障模式节点和测试节点的相关性关系，得到故障-测试相关性矩阵r。一般情况下，矩阵元素rmn为布尔变量，若fj能被ti测出，则令rij＝1，反之rij＝0,其中fj表示故障模式j,ti表示进行的第i次测试。

5.条件概率矩阵p

规定：

根据贝叶斯公式，可用条件概率p(tnj|fj)表示故障与测试信号的不确定关联信息，具体分类如下：

1)通过，即p(tnj＝0|fj＝0)：故障fj不发生，测试tnj输出为通过信号，则tnj指示正确；

2)漏检，即p(tnj＝0|fj＝1)：故障fj发生，测试tnj输出为通过信号，则tnj漏检故障fj；

3)误报，即p(tnj＝1|fj＝0)：故障fj不发生，测试tnj输出为失败信号，则tnj误报故障，对应tnj误报故障的概率，称为误警(ⅱ类)概率；

4)失败，即p(tnj＝1|fj＝1)：故障fj发生，测试tnj输出为失败信号，则tnj指示正确，对应tnj对故障fj的检测概率；

其中，若测试tnj与故障fj不相关(rnj＝0)，则p(tnj|fj)＝0。若测试tnj与故障fj相关(rnj＝1)，则p(tnj|fj)≠0。分析以上4种情况下，把这些不确定参数作为系统的先验概率，可得到系统条件概率矩阵p：

在实际测试执行中，测试tj对逻辑相关故障的检测概率必然大于测试的误报率，即p(tnj＝1|fj＝1)远大于p(tnj＝0|fj＝0)。

三、计算测试性指标并分析

对测试性模型的分析中，主要选择系统的故障检测率fdr、故障隔离率fir、关键故障检测率kfdr、误报率far作为测试性分析的指标。

1)故障检测率

故障检测率定义为一定时间内，检测到的总故障数与所有的故障数之比。根据贝叶斯网络的条件概率矩阵p的通过情况，可得到单一故障的故障检测率为：

则系统的故障检测率为：

式中：λd—表示所有检测到的故障模式的故障率之和；

λ—表示所有故障模式的故障率之和；

λi—第i个故障模式的故障率；

rdi表示单一故障的故障检测率。

2)故障隔离率

故障隔离率定义为隔离一个不超过l个故障组成的单元组或隔离组内可更换单元的故障数与检测到的总故障数之比，表达式为：

式中：l—表示隔离组内可更换的单元数；

λl—可隔离到不超过l个可更换单元的故障率之和；

λli—可隔离到不超过l个可更换单元的故障模式中第i个故障模式的故障率。

3)关键故障检测率

对于测试集ts已选定的情况下，关键故障fi(fi∈f)能被检测到的概率为：

在当前可用的全部测试集ts条件下，关键故障fi被检测到的概率为：

则系统的关键故障检测率可表示为：

式中：rdki表示在测试集ts确定的情况下，关键故障fi(fi∈f)的检测率；

rki表示在使用备选测试集ts的情况下，关键故障fi(fi∈f)的检测率。

4)误报率

误报率定义为测试执行中误报数与故障指示总数之比。假设故障fi(fi∈f)可能产生的误报率为：系统的ⅱ类误报率为：

式中：rai为故障fi(fi∈f)可能产生的误报率。

将所计算的指标与预期数据作比较，对协议实现的可靠性进行系统和科学评估。包括如下步骤：

i.将计算所得的指标数据与协议设备的预期参数作比较，确定其是否在预期数据范围之内，若是，则表示系统实现可靠，若不是，则表示系统实现不可靠；

ii.计算各指标乘积的平方根，命名为可靠性评分函数er，通过函数值的大小划分可靠性程度，函数值范围在[0,1]之间且er越大，表示可靠性越强。当0≤er≤0.3时，判定为不可靠；当0.3≤er≤0.5时，判定为基本可靠；当其值为0.5≤er≤0.8时，判定为较可靠，当其值为0.8≤er≤1时，判定为完全可靠。