14、分布式系统中概率故障管理的推理算法

分布式系统中概率故障管理的推理算法

1. 引言

随着分布式系统在规模、异构性、普及性以及应用和网络服务复杂性方面的不断增长，对其进行有效管理变得愈发重要且困难。系统中各个组件的硬件缺陷、软件错误，或者它们的组合，都可能由于管理对象之间的功能依赖，导致网络中其他（远程）组件的服务降级甚至完全失效。因此，需要一个有效的分布式故障检测机制，以支持分布式系统管理中的快速决策，并实现部分故障纠正的自动化。

过去十年，大量研究致力于改进管理系统的故障检测和诊断能力。例如，基于规则的方法用于故障检测，有限状态机（FSMs）用于模拟故障传播行为和持续时间，基于编码的方法和基于案例的方法用于故障识别和隔离。然而，这些解决方案大多无法有效处理不完整和不精确的管理信息。概率推理是分布式系统管理中故障检测的另一种有效方法。

目前，大多数商业管理软件，如 IBM Tivoli、HP OpenView 或 Cisco 系列网络管理软件，仍然缺乏精确的故障定位功能，或无法自动执行适当的故障恢复操作。在线故障识别的典型指标是 95% 的故障定位准确率，仍有 5% 的故障无法及时定位和恢复。对于包含数千个管理组件的大型分布式系统，通过穷举搜索来定位故障的根本原因可能非常耗时且困难。

本文应用贝叶斯网络（BNs）来建模管理对象之间的依赖关系，并提供在不精确管理信息下定位故障根本原因的有效方法。目标是实现部分日常管理业务的自动化。同时，提出了一种用于贝叶斯网络反向推理的最强依赖路径（SDR）算法，该算法允许用户从故障影响追溯到其原因，优先调查最可能的原因，并为特定影响的原因提供依赖排名。

2. 用于分布式系统管理的贝叶斯网络

2.1 分布式系统管理的贝